CARLOS MENA FRAU - YONY ORMAZÁBAL ROJAS

Geomática para la gestión y ordenación del territorio

Primera edición, Talca, noviembre de 2025

© Universidad de Talca

Obra protegida por la ley N° 17.336 sobre Propiedad Intelectual

ISBN versión impresa: 978-956-329-206-0
ISBN versión digital: 978-956-329-207-7

Comité Editorial
- Carlos Torres Fuchslocher
Rector Universidad de Talca, presidente Comité Editorial
- Claire Mercier
Académica, coordinadora Premio Iberoamericano de Letras José Donoso
- Karin Saavedra Redlich
Académica Facultad de Ingeniería, directora general Vinculación con el Medio
- José Antonio Yuri Salomón
Académico, director Centro Tecnológico de Pomáceas
- Pedro Emilio Zamorano Pérez
Académico, Instituto de Estudios Humanísticos
- Iván Palomo González
Académico, Facultad de Cs. de la Salud, Escuela Tecnología Médica
- Marcela Albornoz Dachelet
Directora Editorial
Directora Editorial Universidad de Talca

Diseño editorial:
Alicia Barragán Martínez

Corrección de textos:
Carolina Chacón Valenzuela

TODOS LOS DERECHOS RESERVADOS

Queda prohibida cualquier forma de reproducción, transmisión o archivo en sistemas recuperables, sea para
uso privado o público, por medios mecánicos, electrónicos, fotocopias, grabaciones o cualquier otro, total o
parcial, con o sin finalidad de lucro, sin la autorización expresa de los editores.
 GEOMÁTICA PARA LA
GESTIÓN Y ORDENACIÓN
DEL TERRITORIO

CARLOS MENA FRAU - YONY ORMAZÁBAL ROJAS

 GEOMÁTICA PARA LA
GESTIÓN Y ORDENACIÓN
DEL TERRITORIO

CARLOS MENA FRAU - YONY ORMAZÁBAL ROJAS

 ÍNDICE

PRÓLOGO 19

PRESENTACIÓN 23

SECCIÓN I 27
FUNDAMENTOS DE GEOMÁTICA

CAPÍTULO I 29
TECNOLOGÍA DE LA INFORMACIÓN

1.1. La ciencia de la información geográfica 29

1.2. La CIG y la geomática 30
1.3. La geomática o geoinformática 31
1.4. Componentes tecnológicos de la geomática 35
1.4.1. Teledetección o detección remota 35
1.4.2. Sistemas de Geoposicionamiento 43
1.4.3. Sistemas de Información Geográfica 46

CAPÍTULO II 53
PRINCIPIOS BÁSICOS DE TELEDETECCIÓN

2.1. Teledetección o remote sensing 53

2.2. Radiación electromagnética 54
2.3. Influencia de la atmósfera en la radiación electromagnética 57
2.4. Interacción de los elementos de la superficie terrestre con la 59
radiación electromagnética
2.4.1. Radiación electromagnética en el espectro visible e 60
infrarrojo
2.4.2. Radiación electromagnética en la región de las microondas 63
2.5. Sistemas de teledetección 65
2.6. Plataformas y sensores de teledetección 68

–7–
 2.6.1. Plataformas 69
2.6.2. Sensores 72
2.7. Resolución de un sistema sensor 74
2.7.1. Resolución espacial 74
2.7.2. Resolución espectral 76
2.7.3. Resolución radiométrica 77
2.7.4. Resolución temporal 78

CAPÍTULO III 81
PROGRAMAS SATELITALES DE OBSERVACIÓN TERRESTRE Y
PROCESAMIENTO DE IMÁGENES

3.1. Principales programas de teledetección espacial 81

3.1.1. Programas no comerciales 81
[Link]. NASA Earth Observing System (EOS) - Estados Unidos 81
[Link]. European Space Agency (ESA) - Unión Europea 86
[Link]. National Oceanic and Atmospheric Administration (NOAA) - 87
Estados Unidos
[Link]. JAXA (Japan Aerospace Exploration Agency) - Japón 89
[Link]. ISRO (Indian Space Research Organisation) - India 90
[Link]. CSA (Canadian Space Agency) - Canadá 91
[Link]. RSA (Roscosmos o Roskosmos) - Rusia 91
[Link]. CNSA (China) 92
3.1.2. Programas comerciales 93
[Link]. Maxar Technologies 93
[Link]. Airbus Defence and Space 94
[Link]. Planet Labs 95
[Link]. BlackSky 96
[Link]. ICEYE 96
[Link]. Satellogic 97
[Link]. Capella Space 97
[Link]. Spire Global 98
3.2. Procesamiento de imágenes 99
3.2.1. Corrección radiométrica 99
3.2.2. Corrección geométrica 100
3.2.3. Filtrado y suavizado 101
3.2.4. Clasificación de imágenes 101
3.2.5. Análisis espectral 104

–8–
 3.2.6. Detección de cambios 107
3.2.7. Detección de objetos y segmentación 107
3.2.8. Generación de Modelos Digitales de Elevación (MDE) 109
3.2.9. Mosaico de imágenes 109
3.2.10. Fusión de imágenes 110
3.2.11. Análisis de series temporales 110

CAPÍTULO IV 111
SISTEMAS GLOBALES DE NAVEGACIÓN SATELITAL

4.1. Conceptos generales 111

4.2. Configuración de un sistema de navegación satelital 111
4.3. Sistemas de navegación satelital actuales 113
4.3.1. GPS - Estados Unidos qq3
4.3.2. GLONASS - Rusia 115
4.3.3. Galileo - Unión Europea 116
4.3.4. BeiDou - China 117
4.3.5. QZSS - Japón 118
4.3.6. IRNSS (NavIC) - India 120
4.4. Funcionamiento del sistema 121
4.4.1. La trilateración geométrica 121
4.4.2. Medición de distancias 122
4.4.3. Sincronización temporal precisa 123
4.4.4. Información orbital (almanaque) 124
4.4.5. Corrección de errores atmosféricos 125
4.5. Errores en los sistemas GNSS 126
4.6. Corrección de errores 129
4.7. Receptores satelitales 131
4.8. Técnicas de medición 134
4.9. Metodología para la captura de información 136
4.10. Tendencias de los sistemas de posicionamiento global 139

CAPÍTULO V 141
SISTEMAS DE INFORMACIÓN GEOGRÁFICA

5.1. Conceptos básicos de los Sistemas de Información Geográfica 141

5.2. Elementos de un SIG 150

–9–
 5.2.1. El hardware 151
5.2.2. El software 154
5.2.3. Los datos 158
5.2.4. Los métodos 160
5.2.5. Los usuarios 163
5.3. Funciones de los SIG 164
5.3.1. Entrada de datos 165
5.3.2. Gestión de datos 166
5.3.3. Transformación y análisis de los datos 166
5.3.4. Salida de datos 167

CAPÍTULO VI 169
DATOS GEOGRÁFICOS Y SU ORGANIZACIÓN

6.1. Los datos empleados en geomática 169

6.2. Componentes de los datos geográficos 170
6.2.1. El componente espacial 170
6.2.2. El componente temático 172
6.2.3. El componente temporal 173
6.3. Bases de datos en geomática 174
6.3.1. Tipos de bases de datos 175
6.3.2. Bases de datos espaciales 176
6.4. Modelado de datos geoespaciales 180
6.4.1. Modelo ráster 180
6.4.2. Modelo vectorial 181
6.4.3. Comparación entre los modelos de datos ráster y vectorial 183
6.4.4. Desarrollo de los SIG según los modelos ráster y vectorial 184
6.4.5. Aplicaciones de los SIG vectoriales y ráster 185
6.5. Integración de bases con SIG y herramientas geomáticas 187
6.5.1. Diseño y almacenamiento 187
6.5.2. Conexión entre bases de datos y SIG 188
6.5.3. Acceso remoto a bases de datos espaciales 189
6.5.4. Automatización de flujos de trabajo con bases de datos 189
6.6. Aplicaciones y casos de estudio 190
6.7. Retos y tendencias futuras 192

– 10 –
CAPÍTULO VII 195
OPERACIONES Y ANÁLISIS DE DATOS EN LOS SIG

7.1. Conceptos generales 195

7.2. Operaciones de entrada de información 196
7.2.1. Tratamiento de los datos analógicos 196
7.2.2. Tratamiento de los datos digitales 197
7.2.3. Entrada de los datos temáticos 199
7.3. Operaciones de mantenimiento, recuperación y análisis de
información temática 200
7.4. Operaciones de mantenimiento, recuperación y análisis de
información espacial 203
7.4.1. Capacidades analíticas de los SIG actuales 204
7.4.2. Operaciones sobre el componente espacial de los datos
geográficos 205
7.5. Operaciones de análisis integrado de datos espaciales y
temáticos 209
7.5.1. Operaciones de superposición 209
7.5.2. Operaciones de vecindad 210
7.5.3. Operaciones de recuperación, clasificación y medición 212
7.5.4. Operaciones de conectividad 212
7.6. Operaciones de modelado cartográfico y espacial 213
7.7. Operaciones de salida de datos 217

CAPÍTULO VIII 219

CONVERGENCIA E INTEROPERATIVIDAD TECNOLÓGICA

8.1. Conceptos generales 219

8.2. Convergencia tecnológica en geomática 220
8.2.1. Evolución hacia plataformas geoespaciales integradas 221
8.2.2. Factores que impulsan la convergencia en geomática 223
8.2.3. Convergencia disciplinar 224
8.3. Interoperatividad en geomática 225
8.3.1. Tipos de interoperabilidad 226
8.3.2. Estándares clave para la interoperabilidad 227

– 11 –
8.4. Casos prácticos de convergencia e interoperatividad 229
8.4.1. Agricultura de precisión con drones, SIG e IoT 230
8.4.2. Monitoreo urbano inteligente y ciudades sostenibles 231
8.4.3. Gestión de riesgos y desastres con datos satelitales y SIG
colaborativo 233
8.4.4. Plataformas abiertas para el análisis geoespacial en la nube 235
8.5. Beneficios y retos de la convergencia e interoperatividad 236
8.5.1. Beneficios de la convergencia e interoperabilidad 236
8.5.2. Retos de la convergencia e interoperabilidad 237
8.6. Tendencias futuras y perspectivas 239

CAPÍTULO IX 243
INFRAESTRUCTURA DE DATOS ESPACIALES

9.1. Conceptos generales 243

9.2. Definiciones de IDE 244
9.3. Componentes de una IDE 245
9.3.1. Datos espaciales 246
9.3.2. Metadatos 246
9.3.3. Tecnología 247
9.3.4. Estándares 247
9.3.5. Marco institucional 248
9.3.6. Políticas 249
9.3.7. Recursos humanos 249
9.3.8. Recursos financieros 250
9.4. Arquitectura técnica de una IDE 251
9.4.1. Infraestructura física y lógica 251
9.4.2. Plataformas tecnológicas 252
9.4.3. Catálogo de metadatos y servicios web 252
9.5. Normativa y políticas de datos 253
9.6. Global Spatial Data Infraestructure (GSDI) 254
9.7. Comité de Expertos en Información Geoespacial de Naciones
Unidas (UN-GGIM) 254
9.8. Open Geoespatial Consortium (OGC) 255

– 12 –
9.9. Open Source Geospatial Foundation (OSGEO) 257
9.9.1. Bibliotecas espaciales 257
9.9.2. Aplicaciones de escritorio 258
9.9.3. Aplicaciones Web 259
9.9.4. Otros proyectos 260
9.10. Implementación de IDE 261
9.10.1. ICDE de Colombia 262
9.10.2. IDE Chile 264
9.11. Tendencias actuales y futuro de las IDE 266

CAPÍTULO X 269
EVALUACIÓN MULTICRITERIO

10.1. Conceptos generales 269

10.2. Fundamentos teóricos de la evaluación multicriterio 270
10.2.1. Tipos de problemas multicriterio 271
10.2.2. Componentes básicos de una EMC 271
10.2.3. Métodos de ponderación 273
10.2.4. Métodos de agregación 274
10.3. Integración de EMC con SIG 275
10.3.1. Ventajas de utilizar EMC en entornos SIG 276
10.3.2. Descripción del proceso de modelado espacial 276
10.3.3. Herramientas disponibles en software SIG 278
10.3.4. Consideraciones técnicas 279
10.4. Aplicaciones de EMC en geomática 280
10.4.1. Ejemplo 1: selección de áreas para conservación 280
10.4.2. Ejemplo 2: análisis de susceptibilidad a deslizamientos 282
10.4.3. Ejemplo 3: localización de centros de salud 283
10.4.4. Visualización de resultados y toma de decisiones 284
10.5. Fortalezas, limitaciones y retos 285
10.5.1. Fortalezas de la EMC en contextos espaciales 285
10.5.2. Limitaciones 286
10.5.3. Retos actuales 287
10.6. Recomendaciones 288
10.6.1. Mejores prácticas en la implementación 288
10.6.2. Futuras líneas de investigación 289

– 13 –
CAPÍTULO XI 291
GESTIÓN Y ORDENACIÓN DEL TERRITORIO

11.1. Conceptos generales 291

11.2. Fundamentos y evolución del ordenamiento territorial 292
11.2.1. Marco teórico y jurídico 292
11.2.2. Enfoques tradicionales versus enfoques contemporáneos 294
11.2.3. Integración con políticas públicas y gobernanza 294
11.2.4. Referencias a marcos internacionales 295
11.3. Herramientas geoespaciales aplicadas a la planificación
territorial 295
11.3.1. SIG como base para análisis multiescalares 296
11.3.2. Teledetección y monitoreo de cambios territoriales 297
11.3.3. Modelado espacial 297
11.3.4. Evaluación multicriterio aplicada al ordenamiento territorial 298
11.3.5. Plataformas colaborativas y geoportales 298
11.4. Estudios de caso 299
11.4.1. Zonificación ecológica y económica en territorios con alta
presión antrópica: el caso del Estado de São Paulo, Brasil 299
11.4.2. Ordenación ambiental urbana mediante geomática:el caso
“Ruta del Agua” en el Área Metropolitana de Concepción, Chile 301
11.4.3. Ordenación territorial metropolitana con geomática: el
caso del SIUM en Monterrey, México 303
11.5. Desafíos y perspectivas futuras 305
11.5.1. Fragmentación institucional y debilidad normativa 306
11.5.2. Brechas tecnológicas y de capacidades 306
11.5.3. Participación ciudadana y justicia territorial 307
11.5.4. Innovaciones emergentes 308
11.5.5. Hacia una nueva cultura del territorio basada en evidencia,
equidad y sostenibilidad 308
11.6. Consideraciones y recomendaciones 309
11.6.1. Aportes de la Geomática a la gestión del territorio 309
11.6.2. Lecciones aprendidas 309
11.6.3. Recomendaciones 310
11.6.4. Líneas de acción 310

REFERENCIAS BIBLOGRÁFICAS 313

– 14 –
SECCIÓN II 327
APLICACIONES DE GEOMÁTICA

CAPÍTULO I 329
EL USO DE LA GEOMÁTICA PARA EL MAPEO DE LOS EFECTOS DE
EVENTOS EXTREMOS: ESTUDIO DE CASO INUNDACIÓN DE LA
CUENCA HIDROGRÁFICA DEL RÍO TAQUARI-ANTAS, BRASIL

CAPÍTULO II 347
ESTUDIO DE LA SEVERIDAD DE LAS ÁREAS AFECTADAS POR
INCENDIOS FORESTALES OCURRIDOS DURANTE LA TORMENTA DE
FUEGO (2016-2017), MEDIANTE PERCEPCIÓN REMOTA

CAPÍTULO III 365

GEOMÁTICA E IMPACTO PSICOSOCIAL DEL CAMBIO CLIMÁTICO:
HALLAZGOS ROBUSTOS PARA NUESTRA RESILIENCIA

CAPÍTULO IV 385
HACIA UNA MODELACIÓN MÁS ROBUSTA DE LA PROBABILIDAD
DE IGNICIÓN: EL ROL DE LAS CNN EN LA GESTIÓN DEL RIESGO DE
INCENDIOS

CAPÍTULO V 407
MAPEO MULTITEMPORAL Y MULTISENSOR DE CHILE EN LA COSTA
OCCIDENTAL DEL CONTINENTE SUDAMERICANO

CAPÍTULO VI 421
APLICACIÓN DE LA GEOMÁTICA EN AGRICULTURA: PROPUESTA DE
ESTIMACIÓN DEL RENDIMIENTO EN AVELLANO EUROPEO MEDIANTE
MODELOS DE FUSIÓN DE DATOS ESPACIALIZADOS

CAPÍTULO VII 447

EVALUACIÓN DE CAÑONES URBANOS COMO POTENCIAL DE
VENTILACIÓN Y ENFRIAMIENTO DE LA ISLA DE CALOR URBANA EN
SANTIAGO, CHILE

CAPÍTULO VIII 471

HERRAMIENTAS GEOMÁTICAS Y ECONOMÍA URBANA: AVANZANDO

– 15 –
EN LA MEDICIÓN DE LA CALIDAD DE VIDA DE LOS ENTORNOS
URBANOS EN CHILE

CAPÍTULO IX 485
ANÁLISIS DEL EQUIPAMIENTO: MERCADO DE ABASTOS DE
GUADALAJARA Y SU ÁREA DE INFLUENCIA, JALISCO, MÉXICO, 2024

CAPÍTULO X 501
FORMA URBANA Y ÁREAS DE ACCESIBILIDAD COMO SERVICIO:
GEOMARKETING SOCIAL PARA DETERMINAR ÁREAS DE DEMANDA
Y SU EQUILIBRIO ESPACIAL SATISFACTORIO EN SITUACIÓN DE
EMERGENCIA SANITARIA

CAPÍTULO XI 527
GEOMÁTICA Y PERSONAS MAYORES

CAPÍTULO XII 547

DISEÑANDO DISTRIBUCIONES ESPACIALES DE LOS EQUIPAMIENTOS
PARA LA POBLACIÓN ATENTAS A LA EFICIENCIA Y LA EQUIDAD
CON APOYO DE GEOTECNOLOGÍAS Y TÉCNICAS DE OPTIMIZACIÓN:
ASPECTOS METODOLÓGICOS Y ESTUDIO DE CASO

CAPÍTULO XIII 577

EL ROL DEL IGM EN EL AVANCE DE LA GEOMÁTICA EN CHILE

CAPÍTULO XIV 593

APLICACIONES DE LA GEOMÁTICA EN LA MINERÍA

CAPÍTULO XV 615
EVALUACIÓN COMPARATIVA DEL USO DE SOFTWARE SIG:
COMERCIAL VERSUS LIBRE

CAPÍTULO XVI 631

PLATAFORMA PÚBLICA DE SALARES EN EL NORTE DE CHILE:
RESCATE DEL DATO PÚBLICO, UNA SOLUCIÓN GEOESPACIAL PARA
LA INVESTIGACIÓN Y EL CONOCIMIENTO GEOCIENTÍFICO DE LOS
SISTEMAS SALINOS

– 16 –
CAPÍTULO XVII 651
APLICACIÓN DE LA GEOMÁTICA EN LA GESTIÓN ENERGÉTICA: EL
DIAGNÓSTICO ESTRATÉGICO TERRITORIAL PARA LA REGIÓN DEL
MAULE, CHILE

CAPÍTULO XVIII 673

VISUALIZANDO BRECHAS: USO DE CARTOGRAMAS PARA
REPRESENTAR LOS DESEQUILIBRIOS TERRITORIALES DE LA
MACROZONA SUR DE CHILE

CAPÍTULO XIX 697

INTELIGENCIA ARTIFICIAL GENERATIVA EN EL DISEÑO Y
PLANIFICACIÓN TERRITORIAL: UNA INTRODUCCIÓN Y CASOS
APLICADOS

– 17 –
 PRÓLOGO

Desde la creación del primer Sistema de Información Geográfica por el Dr.

Roger Tomlinson en los años sesenta, hemos sido testigos de un crecimiento
continuo y acelerado de las tecnologías de la información espacial. Nuevas
estructuras de datos más eficientes, la proliferación de software libre, el aumento
de la capacidad de cálculo y almacenamiento, la abundante disponibilidad de
datos satelitales y bases de datos abiertas, y, por supuesto, la expansión de
lenguajes de programación de código abierto como Python y R han abierto
nuevas e interesantes fronteras en el campo del conocimiento de la información
geográfica.
No deja de resultar paradójico que sea en la era de la posverdad cuando
más y mejores datos geográficos e instrumentos tecnológicos tenemos a
disposición. Sin embargo, estos mismos hechos hacen que sea aún mayor la
responsabilidad de los científicos, académicos, profesionales y estudiantes que
formamos parte de la disciplina geomática. Solo los estudios fundamentados
en datos sólidos y que utilizan técnicas adecuadas pueden enfrentar las
amenazas actuales al conocimiento científico. Este libro es una contribución a
esa importante tarea.
El propósito de este libro, que tengo el honor de prologar, es proporcionar
una revisión actualizada de los principales aspectos técnicos que constituyen
la base de la geomática. Este manual está diseñado para guiar a estudiantes,
académicos y profesionales en el ámbito de la ciencia de los datos geográficos
y sus múltiples usos, gestión y aplicaciones, con un enfoque particular en la
ordenación del territorio. Este libro condensa décadas de conocimiento en
diversos ámbitos de la geomática. Abarca desde la obtención de información
mediante técnicas de teledetección hasta aplicaciones en la ordenación del
territorio basadas en evaluación multicriterio e inteligencia artificial. Se presenta
como un volumen de gran utilidad académica en lengua española.
Los profesores Carlos Mena Frau y Yony Ormazábal Rojas, ambos de la
Universidad de Talca, poseen una notable experiencia en el desarrollo e

– 19 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

implementación de técnicas de análisis espacial basadas en datos geográficos

y geomática. Su constante dedicación y profundo conocimiento de los temas
abordados en el libro son evidentes, al igual que su compromiso con la mejora
de los recursos educativos en la Universidad de Talca. Estoy convencido de
que deberían sentirse orgullosos y satisfechos por la invaluable ayuda que este
libro representará para todos los estudiantes hispanohablantes.
El estado de degradación de los ecosistemas terrestres y marinos, la continua
producción de contaminantes, incluidos los plásticos, la degradación de los
suelos agrícolas y el preocupante estado de los bosques son aspectos que se
analizan regularmente mediante técnicas geomáticas y datos espaciales. Los
efectos de la actividad humana en el ambiente, documentados a nivel global
durante el Antropoceno, no tienen precedentes. Basta con mencionar que ya
para el 24 de julio de este año, los seres humanos habremos consumido el total
de los recursos planetarios de 20251. Este patrón de consumo y degradación
ambiental se incrementa cada año. Vale la pena preguntarse cuáles son los
límites del crecimiento, entendidos en términos económicos. Es ilustrativo
que, en la estructura de análisis propuesta por el Profesor Johan Rockström,
que examina nueve procesos planetarios que deberían mantenerse dentro
de límites seguros para asegurar un planeta estable y habitable, siete de
esos límites hayan sido sobrepasados este año2. ¿Pero qué relación tiene esto
con el presente libro? Pues bien, la mayor parte de los límites planetarios se
evalúan con indicadores espaciales y con técnicas y modelos geomáticos de
diversos tipos. Es aquí donde la información y los datos geográficos adquieren
un papel fundamental, al informar a los entes decisores, responsables políticos,
ciudadanos y medios de comunicación, con el fin de ofrecer claridad y posibles
respuestas a los desafíos de la sociedad actual.
No quiero dejar de ofrecer algunas perspectivas sobre el impacto de la
inteligencia artificial en la geomática. En pocos años, los modelos basados en
técnicas de inteligencia artificial han demostrado ser capaces de representar
procesos espaciales tan complejos como la predicción meteorológica a medio
plazo3. De hecho, estos modelos parecen haber mejorado la capacidad de
modelos anteriores basados en leyes de física atmosférica, los cuales tomaron
décadas o incluso siglos en desarrollarse, al basarse en el conocimiento

1 [Link]
2 [Link]
3 [Link]

– 20 –
 Prólogo

acumulado en este campo a lo largo de siglos. Basta recordar que el barómetro

fue inventado en el siglo XVII por el físico y matemático Evangelista Torricelli.
El impacto de las técnicas y modelos de inteligencia artificial en los próximos
años es difícil de calcular debido a la expansión exponencial de este ámbito
del conocimiento, pero sin duda están marcando un antes y un después en el
análisis de los datos geográficos y la geomática como disciplina.
Para quienes hayan llegado hasta esta parte del prólogo, quiero agradecer-
les por su interés en este volumen. Estoy convencido de que tendrá un impacto
positivo en su comprensión de los diversos elementos de la geomática y de
sus técnicas aplicadas al conocimiento del medio ambiente y a la ordenación
del territorio.

José I. Barredo
Ispra, 30 de septiembre de 2025

– 21 –
 PRESENTACIÓN

En las últimas décadas, la geomática se ha consolidado como una

disciplina fundamental para el análisis, modelamiento y gestión del territorio
y sus dinámicas, gracias a la integración de tecnologías como los Sistemas
de Información Geográfica (SIG), la teledetección, los Sistemas Globales de
Navegación Satelital (GNSS), la Infraestructura de Datos Espaciales (IDE), los
sensores remotos, y más recientemente, las herramientas de inteligencia
artificial y aprendizaje automático aplicadas a datos espaciales. Este desarrollo
ha permitido abordar con mayor profundidad, precisión y eficiencia una amplia
gama de problemáticas ambientales, sociales, económicas y territoriales.
Lo que en sus inicios fue una revolución tecnológica en el manejo de datos
geoespaciales, con los SIG como herramienta central, ha evolucionado hacia
una plataforma multidisciplinaria de análisis espacial y soporte a la toma de
decisiones. Hoy, la geomática no solo facilita la visualización y gestión de
información territorial, sino que también permite comprender relaciones
espaciales complejas, simular escenarios futuros, generar indicadores de
sostenibilidad, e integrar múltiples fuentes de datos heterogéneos, en tiempo
real o histórico, para una variedad creciente de aplicaciones.
Este libro ha sido concebido como una contribución integral y actualizada
al conocimiento y aplicación de la Geomática, con un enfoque que combina
fundamentos conceptuales sólidos con experiencias prácticas relevantes y
diversas. Su estructura responde a una lógica progresiva y complementaria,
organizada en dos secciones principales.
La primera sección, titulada “Fundamentos de geomática”, ha sido
desarrollada por los autores principales, y ofrece una visión sistemática y
didáctica de los pilares conceptuales, metodológicos y tecnológicos de la
disciplina. A lo largo de once capítulos, se aborda temas clave, como la evolución
de la tecnología de la información aplicada al análisis espacial, los principios
básicos de la percepción remota, los principales programas satelitales de
observación de la Tierra, el procesamiento de imágenes, los sistemas GNSS,

– 23 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

las funcionalidades de los SIG y sus operaciones de análisis, la organización

y modelado de datos geográficos, la interoperabilidad entre tecnologías,
el desarrollo de infraestructuras de datos espaciales, las metodologías de
evaluación multicriterio y su rol en la planificación y gestión del territorio. Esta
sección busca entregar una base formativa robusta tanto para estudiantes
como para profesionales que requieren actualizarse en los aspectos esenciales
del campo.
La segunda sección, “Aplicaciones de geomática”, recoge diecinueve capí-
tulos elaborados por un conjunto amplio y diverso de autoras y autores perte-
necientes a más de treinta instituciones académicas, científicas y técnicas de
América Latina, Norteamérica y Europa. Esta sección representa un esfuerzo
colaborativo y multidisciplinario inédito, que refleja tanto la riqueza de enfo-
ques como la expansión de los usos de la geomática en distintas escalas y con-
textos territoriales. Los casos presentados abordan aplicaciones concretas en
ámbitos como el monitoreo de eventos extremos (inundaciones e incendios), el
análisis de impacto psicosocial del cambio climático, la agricultura de precisión,
la planificación urbana sostenible, la geoeconomía, la accesibilidad y equidad
territorial, la gestión de recursos naturales, la minería, la energía, la salud y la
resiliencia poblacional, entre otros. Asimismo, se incluye capítulos que explo-
ran temas emergentes, como el uso de redes neuronales convolucionales para
la predicción de incendios, la representación territorial mediante cartogramas
y la irrupción de la inteligencia artificial generativa en la planificación espacial.
Este libro está dirigido tanto a estudiantes de pregrado y posgrado como a
profesionales, investigadores y tomadores de decisiones en campos como la
geografía, ingeniería, arquitectura, agronomía, silvicultura, ciencias ambientales,
economía territorial, urbanismo, ciencias sociales aplicadas, entre otros. En
particular, busca ser una herramienta útil para quienes requieren incorporar
técnicas y metodologías geomáticas en sus áreas de trabajo, ya sea para
análisis, planificación, monitoreo, evaluación de políticas públicas o generación
de conocimiento aplicado. Su enfoque pedagógico, acompañado de casos
reales, permite que pueda ser utilizado como texto de referencia en cursos
universitarios, así como guía práctica para profesionales en ejercicio.
Cabe destacar que esta obra surge a partir de una iniciativa impulsada
desde la Universidad de Talca y que ha contado con la valiosa colaboración
de instituciones reconocidas por su trayectoria en investigación aplicada y

– 24 –
 Presentación

desarrollo tecnológico, como la Universidade Federal de Santa Maria y el

Instituto Nacional de Pesquisas Espaciais (Brasil), la Universidad de Guadalajara
(México), Laval University (Canadá), University of Arkansas at Monticello (EE.
UU.), University of Nottingham (Reino Unido), junto a numerosas universidades
y centros de investigación de Chile. Esta red de colaboración ha permitido
enriquecer los enfoques, metodologías y aplicaciones, ampliando la perspectiva
hacia una dimensión verdaderamente internacional e interdisciplinaria.
En un escenario marcado por el cambio climático, la urbanización acelerada,
los desastres naturales y las desigualdades territoriales, se hace cada vez más
necesario contar con herramientas que integren información espacial precisa
y oportuna para apoyar la toma de decisiones estratégicas. Este libro busca
contribuir a ese desafío, aportando tanto a la formación de capacidades como
a la difusión de experiencias exitosas de aplicación geomática en distintos
territorios y sectores.
Esperamos que esta obra resulte de utilidad para quienes deseen compren-
der, aplicar y expandir el potencial de la geomática, como una herramienta cla-
ve para enfrentar los desafíos actuales del desarrollo sostenible, la gobernanza
territorial y la transformación digital en nuestras sociedades.

– 25 –
 SECCIÓN I

FUNDAMENTOS DE GEOMÁTICA
 CAPÍTULO I
TECNOLOGÍA DE LA INFORMACIÓN

1.1. La Ciencia de la Información Geográfica

La Ciencia de la Información Geográfica (CIG) es un campo multidisciplinario

centrado en la recopilación, análisis, interpretación y representación de datos
espaciales. Integra conocimientos de geografía, tecnologías de la información,
cartografía y ciencias de la computación para gestionar y analizar información
con un componente geográfico. El geógrafo británico Michael Goodchild definió
esta área del conocimiento en la década de 1990, destacando tres pilares
fundamentales: el análisis espacial, la visualización y la representación de la
incertidumbre (Goodchild, 1992). De esta manera, la Ciencia de la Información
Geográfica (GIScience) se vincula conceptualmente con la geomática, la ciencia
de la información, la informática y la ciencia de datos, aunque se consolida
como una disciplina científica independiente (Duckham et al., 2003).
Entre las disciplinas afines se encuentran la geocomputación, la
geoinformática, la geomática y la geovisualización, todas enmarcadas dentro
de la vertiente técnica de la geografía. Además, se emplean términos como
“ciencia de datos geográficos”, en conexión con la ciencia de datos, y “ciencia
y tecnología de la información geográfica” (en inglés, Geographic Information
Science and Technology, o GISci&T).
Una definición integral de la Ciencia de la Información Geográfica fue
propuesta en un informe derivado de un taller celebrado en enero de 1999 en
la Fundación Nacional de Ciencias, titulado “Geographic Information Science”
(Mark, 2000):

La Ciencia de la Información Geográfica (CIG) es el campo de investigación básica

que busca redefinir conceptos geográficos y su uso en el contexto de los sistemas
de información geográfica. La CIG también examina los impactos de los SIG en los
individuos y la sociedad, así como las influencias de la sociedad en los SIG. La CIG

– 29 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

reexamina algunos de los temas más fundamentales en campos tradicionalmente

orientados espacialmente, como la geografía, la cartografía y la geodesia, al tiempo
que incorpora desarrollos más recientes en ciencias cognitivas e información.
También se superpone y se nutre de campos de investigación más especializados,
como la informática, la estadística, las matemáticas y la psicología, y contribuye al
progreso en esos campos. Apoya la investigación en ciencias políticas y antropología,
y se nutre de esos campos en estudios sobre información geográfica y sociedad.

Por tanto, los principales componentes de la CIG son los Sistemas de

Información Geográfica (SIG), que son herramientas para almacenar, analizar y
visualizar datos espaciales; la teledetección, que emplea imágenes satelitales
y aéreas para recopilar información sobre la superficie terrestre; y la cartografía,
encargada del diseño y creación de mapas que representan visualmente
datos geográficos. Asimismo, la CIG abarca el análisis espacial, que aplica
métodos estadísticos y matemáticos para comprender patrones y relaciones
en los datos geográficos, así como las bases de datos espaciales, sistemas
diseñados específicamente para almacenar y gestionar información con una
dimensión geográfica. En conjunto, esta disciplina es fundamental para diversas
aplicaciones, como la planificación urbana, la gestión de recursos naturales, el
análisis ambiental y la respuesta a desastres, con el objetivo de mejorar la toma
de decisiones y la comprensión de fenómenos relacionados con el espacio.

1.2. La CIG y la geomática

El desarrollo tecnológico ha transformado el uso de la información

geográfica, propiciando la rápida incorporación de herramientas y aplicaciones
digitales de mapas en la vida cotidiana tanto en ámbitos científicos como
profesionales y civiles. Este avance facilita y respalda una variedad de procesos,
como la generación y procesamiento de datos en la investigación científica, la
planificación y control de actividades productivas, el ordenamiento territorial y
la gestión de desastres y tareas cotidianas, como los desplazamientos urbanos
y la identificación de lugares de interés. En este sentido, cada nuevo progreso
en tecnología e informática ha impulsado el desarrollo de múltiples ámbitos
geográficos, promoviendo la automatización de procesos, el aumento de la
productividad y la mejora en la gestión de recursos.

– 30 –
 Tecnología de la información

En este contexto, se establece una conexión fundamental entre la CIG

y la geomática, dos disciplinas centradas en la gestión y análisis de datos
espaciales. Mientras que la CIG se enfoca específicamente en el estudio teórico y
metodológico de la información geográfica, la geomática abarca la recopilación,
almacenamiento, procesamiento y presentación de datos geoespaciales
mediante tecnologías como la teledetección y los SIG. Así, ambas disciplinas
emplean herramientas y tecnologías similares para facilitar la visualización y
el análisis de datos geográficos, combinando elementos de la geografía, las
ciencias de la computación, la estadística y otras áreas para abordar problemas
complejos relacionados con el espacio y el territorio. Sus aplicaciones son
diversas e incluyen la planificación urbana, la gestión de recursos naturales,
la respuesta a desastres y el análisis ambiental, lo que subraya el papel crucial
de la geomática como marco y conjunto de herramientas para implementar los
principios y métodos de la CIG.

1.3. La geomática o geoinformática

El concepto de geomática (o geoinformática) describe el conjunto de

procesos, herramientas y desarrollos tecnológicos relacionados con el uso de
información geográfica y su aplicación para resolver interrogantes de interés
científico, profesional y cotidiano. Basada en el vertiginoso avance tecnológico,
la geomática surge de la integración entre la CIG y las ciencias de la Tierra,
consolidándose como una disciplina científica que combina y sistematiza
técnicas y metodologías para la adquisición, almacenamiento, procesamiento,
análisis, presentación y distribución de información geográficamente
referenciada.
El desarrollo de las ciencias de la Tierra ha sido un motor clave en estos
avances, generando, a su vez, nuevas necesidades en cuanto a procesos,
herramientas y métodos para la gestión y análisis de datos espaciales. En este
contexto, la geomática ha resultado fundamental para responder a la demanda
de tecnologías que respalden el desarrollo científico y profesional en áreas
como la planificación y gestión urbana y rural a nivel local, comunal y regional;
la administración de recursos naturales; el estudio y monitoreo de cuencas
hidrográficas; y el análisis de fenómenos ambientales, sociales y culturales,
entre otros.

– 31 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La geomática se centra en la aplicación de técnicas informáticas avanzadas

y metodologías asociadas, orientadas a mejorar la cuantificación, simulación,
análisis y representación de variables físicas y ambientales; todo esto con el
objetivo de apoyar y mejorar la comprensión de los problemas que surgen en
las diversas ramas de las ciencias de la Tierra, así como en sus aplicaciones
prácticas (figura 1).

Figura 1. Campos de aplicación de la geomática.

A nivel mundial, la primera iniciativa formal de formación profesional

vinculada al término geomática comenzó en 1986 en la Universidad Laval, en
Canadá, con la implementación de los programas de Análisis del Terreno (a
nivel de bachillerato) e Ingeniería Geomática. En 1989 se creó un centro de
investigación dedicado a esta temática, que tres años después adoptó el
nombre de Centre de Recherche en Géomatique (CRG). Ese mismo año, la
universidad estableció la Facultad de Ciencias Forestales y Geomática, a partir
de una reestructuración académica que daría lugar, en 1994, al surgimiento del
Departamento de Ciencias Geomáticas.
En la actualidad, es posible encontrar diversas definiciones o interpretaciones
de esta disciplina, entre las cuales se pueden mencionar:

– 32 –
 Tecnología de la información

- “Geomática aparece como una integración de percepción remota, Sis-

tema de Posicionamiento Global y Sistemas de Información Geográfica”
(Universidad Estatal de Colorado, Estados Unidos, 1997).
- “Geomática se preocupa de las mediciones, análisis, manejo, extracción y
despliegue gráfico de datos espaciales relacionados con las característi-
cas físicas de la Tierra” (Universidad de Melbourne, Australia, 2000).
- “Disciplina encargada de la recopilación, distribución, almacenamiento,
análisis, procesamiento y presentación de datos geográficos o informa-
ción geográfica” (ISO/TR 19122:2004).
- “La Geomática se define como un enfoque sistémico, multidisciplinario
e integrado para seleccionar los instrumentos y las técnicas apropiadas
para recopilar, almacenar, integrar, modelar, analizar, recuperar a volun-
tad, transformar, mostrar y distribuir datos espacialmente georreferencia-
dos provenientes de diferentes fuentes, con características de precisión
bien definidas, continuidad y en formato digital” (Gomarasca, 2009).
- “La Geomática es la investigación científica de la estructura y propieda-
des, adquisición, análisis, distribución, comunicación y uso de la geo in-
formación (información que está referenciada de alguna manera a ubica-
ciones en la Tierra). La geomática abarca una serie de disciplinas y temas
individuales, incluidos el levantamiento topográfico y la administración
del territorio, la geodesia, los sistemas de posicionamiento satelital, la
fotogrametría y la teledetección (adquisición); los sistemas de informa-
ción geográfica y la ciencia geoespacial, y las bases de datos espaciales
(estructura y propiedades, análisis); los sistemas de mapeo web y los sis-
temas distribuidos (distribución); y la cartografía y la visualización (comu-
nicación y uso). No obstante, la geomática se centra principalmente en
la integración de estos temas y disciplinas tradicionales” (Duckham et al.,
2009).
- “Término general que abarca la medición y cartografía topográfica de la
Tierra, y especialmente la utilización de la tecnología de la información.
Incluye cartografía, geodesia, geo informática, SIG (Sistemas de Informa-
ción Geográfica), hidrografía, levantamiento topográfico, fotogrametría,
posicionamiento y teledetección” (Granshaw, 2020).

– 33 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- “La Geomática consiste en productos, servicios y herramientas involucrados

en la recopilación, integración y gestión de datos geográficos. La información
geográfica puede obtenerse de diversas fuentes, incluyendo satélites en
órbita terrestre, instrumentos terrestres y sensores aéreos y marítimos.
Estos datos se transforman en mapas digitales y otras formas utilizables
mediante tecnología de la información de última generación” (University of
Waterloo, Applied Geomatics Research Laboratory, Canadá, 2024).

Como es posible observar, las definiciones presentadas apuntan a la

integración sistémica de técnicas relacionadas con la captura, gestión, análisis y
distribución de datos georreferenciados. Se destaca el carácter multidisciplinario
y tecnológico de la geomática (figura 2), así como su vinculación con diversas
áreas, como la planificación territorial, el monitoreo ambiental y la gestión
de recursos naturales. También se evidencia su dependencia de tecnologías
avanzadas, tales como la teledetección, los sistemas de posicionamiento y
los SIG, disciplinas fundamentales para medir, gestionar, analizar y representar
datos espaciales vinculados a las características físicas de la Tierra.

Figura 2. Componentes de la geomática.

– 34 –
 Tecnología de la información

Tecnologías como la teledetección o percepción remota permiten obtener

datos de un objeto o del entorno físico sin necesidad de contacto directo.
Esto resulta especialmente valioso cuando se requieren datos distribuidos
sobre amplias áreas geográficas, ya que los sensores empleados suelen estar
instalados en plataformas aéreas o espaciales.
El levantamiento de datos en terreno se apoya en una amplia gama de
instrumentos, técnicas y métodos matemáticos para realizar mediciones
precisas de objetos. Una de las tecnologías modernas más utilizadas en estas
actividades es el Sistema Global de Navegación por Satélite (GNSS, por su sigla
en inglés), que se ha convertido en una herramienta fundamental cuando se
requiere una localización precisa.
Para el procesamiento y análisis de la información recopilada mediante
cualquiera de estas técnicas, se utiliza software especializados que permiten
visualizar, crear y analizar datos geográficos. Estos sistemas, conocidos
como SIG, también permiten realizar simulaciones y modelados espaciales,
contribuyendo así a una mejor comprensión de los fenómenos geográficos y a
la toma de decisiones informadas.

1.4. Componentes tecnológicos de la geomática

La geomática, tal como se ha definido, integra tres componentes esenciales

que proporcionan tanto la información como las herramientas necesarias para
el procesamiento y la aplicación de conocimientos científicos y tecnológicos
orientados a objetivos como la gestión y el ordenamiento del territorio.
Estos componentes fundamentales son la teledetección, los sistemas de
geoposicionamiento satelital y los SIG. A continuación, se presenta una breve
reseña histórica y las características generales de cada uno de ellos.

1.4.1. Teledetección o detección remota

La teledetección, también conocida como detección remota, es una técnica

que permite adquirir información sobre objetos o fenómenos (a diferentes
escalas) mediante el uso de instrumentos de registro o escaneo que no están
en contacto directo con el objeto observado. Estos instrumentos pueden

– 35 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

instalarse en plataformas como aviones, satélites, naves espaciales, boyas

o barcos, y permiten recolectar datos sobre áreas específicas o elementos
concretos. Entre los ejemplos más comunes de teledetección se encuentran
la observación terrestre a través de satélites, los satélites meteorológicos
y las boyas oceánicas y atmosféricas, así como ciertos usos en el ámbito
médico, como la resonancia magnética (MRI), la tomografía por emisión de
positrones (PET) y los rayos X. No obstante, en la actualidad el término se
asocia principalmente con el uso de sensores remotos para la adquisición de
imágenes desde plataformas satelitales o aerotransportadas, diferenciándose
así de otros campos, como la imagen médica.
La teledetección se clasifica en dos categorías principales; teledetección
pasiva, que depende de la radiación natural emitida o reflejada por los objetos,
como la luz solar, y teledetección activa, que utiliza señales emitidas por el
propio sensor (como los radares) para captar la información reflejada por los
objetos del entorno.
Como técnica aplicada, la teledetección depende en gran medida del nivel
de desarrollo tecnológico disponible. Dado que combina múltiples disciplinas
(como la óptica, la ingeniería de sensores, los sistemas de transmisión de datos
y los equipos de procesamiento), ha experimentado una evolución significativa
en las últimas décadas. Esto ha conducido a un aumento considerable tanto en
la cantidad y variedad como en la calidad de la información obtenida.
Los primeros antecedentes históricos de la teledetección se remontan
a 1859, cuando Gaspar Félix Tournachon (conocido como Nadar) capturó
imágenes fotográficas de la Tierra desde un globo cautivo. Un año más tarde,
James Wallace repitió la experiencia sobre la ciudad de Boston, lo que despertó
un creciente interés por el uso de esta nueva perspectiva visual para el estudio
detallado del entorno urbano. En los años posteriores, los avances en óptica
y técnicas fotográficas permitieron un desarrollo significativo de la fotografía
aérea, utilizando el aeroplano como plataforma. En 1909, Wilbur Wright realizó
la primera fotografía aérea desde un avión, y en 1915, durante la Primera
Guerra Mundial, J.T.C. Moore-Brabazon desarrolló la primera cámara aérea
especializada. Estos avances marcaron el inicio del progreso en las técnicas de
adquisición y procesamiento de imágenes (figura 3).

– 36 –
 Tecnología de la información

Figura 3. Fotografía aérea Santiago de Chile 1954 (Ulloa, Domingo).

La creciente demanda de información sobre la superficie terrestre durante

la Segunda Guerra Mundial impulsó de manera decisiva el desarrollo de la
fotografía aérea y sus técnicas de análisis. El trabajo de los fotointérpretes
se centraba en aprovechar al máximo las capacidades de esta herramienta
para identificar objetivos militares, incluso aquellos camuflados, mediante
deducción y comparación visual. Este contexto propició la generalización
del uso de pares estereoscópicos, lo que permitió incorporar el análisis
tridimensional en las tareas de interpretación (Avery, 1985). No obstante,
los avances más significativos se orientaron a la mejora de la óptica de las
cámaras y de las emulsiones fotográficas. En este sentido, los Laboratorios de
Investigación Kodak desarrollaron durante este período las primeras películas
sensibles al infrarrojo. Además, se introdujeron nuevos sensores, como el radar,
y se perfeccionaron los sistemas de comunicación. Paralelamente, los avances
en aeronáutica permitieron dotar de mayor estabilidad a las plataformas de
observación (Chuvieco, 1996).

– 37 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Finalizados los conflictos bélicos de la primera mitad del siglo XX, la

fotografía aérea quedó disponible para usos civiles, abriendo nuevas
posibilidades a científicos y especialistas interesados en el estudio del territorio.
Estos comenzaron a adaptar las innovaciones tecnológicas a aplicaciones no
militares, reconociendo que la observación aérea facilitaba un conocimiento
más detallado y un mejor control de los recursos naturales. Desde entonces,
el uso de esta técnica se ha expandido ampliamente entre profesionales
vinculados a las ciencias de la Tierra (como geógrafos, cartógrafos, geólogos,
botánicos, ecólogos e ingenieros), consolidando la fotografía aérea como el
método de teledetección más empleado.
Si bien la comunidad científica ya estaba familiarizada con la observación
de la Tierra desde el aire, fue necesario esperar hasta las décadas de 1950 y
1960 para acceder a imágenes de alcance verdaderamente global (Campbell &
Wynne, 2011). Una vez más, motivadas por fines estratégicos en el contexto de
la Guerra Fría, las grandes potencias iniciaron una carrera espacial que impulsó
una intensa actividad investigativa en este ámbito. Durante este periodo, el
desarrollo de sistemas de navegación espacial posibilitó la construcción de
los primeros artefactos orbitales, dando lugar al surgimiento de una nueva
técnica de análisis: la teledetección espacial, que se define como la capacidad
de detectar objetos o fenómenos sin contacto físico, desde una perspectiva
exterior al planeta.
El lanzamiento del satélite soviético Sputnik en 1957 marcó el comienzo
de una extensa serie de misiones espaciales tanto civiles como militares, que
han posibilitado la exploración sistemática de la superficie terrestre. Estas
misiones ampliaron considerablemente las capacidades de observación
remota al permitir una mayor cobertura espacial en cada imagen, el acceso
a zonas remotas y una expansión significativa del rango espectral observable
(Chuvieco, 1996).
A principios de los años 60, junto con el lanzamiento de satélites artificiales,
se impulsó misiones tripuladas dedicadas a la exploración del sistema solar y la
conquista de la Luna, las cuales también proporcionaron valiosas imágenes de
la superficie terrestre. Estas imágenes sirvieron como incentivo para planificar
proyectos específicamente orientados a este propósito. De hecho, las primeras
fotografías espaciales fueron tomadas por Alan B. Shepard en 1961, de manera
espontánea y algo rudimentaria, durante una de las misiones Mercury. En los

– 38 –
 Tecnología de la información

años siguientes, se siguió tomando fotografías desde naves tripuladas, aunque

fue la misión Gemini-Titan (1965) la que incluyó los primeros experimentos
formales de fotografía espacial, destinados a aplicaciones geológicas y
meteorológicas (experimentos SO05 y SO06, respectivamente).
Por su parte, la NASA lanzó el programa TIROS-1 (figura 4), pionero de nu-
merosas misiones de observación meteorológica, que logró transmitir más de
23.000 imágenes de la Tierra. Posteriormente, continuó con el programa Nim-
bus, que permitió la cobertura global de la superficie terrestre mediante imáge-
nes espaciales. En la actualidad, los programas de meteorología espacial están
plenamente operativos, formando un sistema completo que incluye satélites
geoestacionario, como los estadounidenses GOES (Geostationary Operational
Environmental Satellite), el europeo METEOSAT, los japoneses GMS (Geostatio-
nary Meteorological Satellite) y Himawari, y otros satélites más versátiles como
NOAA (Administración Nacional Oceánica y Atmosférica de EE. UU.), destinados
al control efectivo de fenómenos atmosféricos a nivel global. La antigua Unión
Soviética, por su parte, desarrolló su propio sistema de satélites, compuesto
por Meteor, COSMOS y, más recientemente, Elektro-L y Arktika-M.

Figura 4. Satélite TIROS-1 1960.

– 39 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Con los programas Gemini y Apolo se comenzó a utilizar cámaras fotográ-

ficas de alta precisión, lo que permitió, en 1969, el experimento con fotografía
multiespectral, un avance importante en el campo de la teledetección espacial.
Sin embargo, fue con el lanzamiento del satélite estadounidense ERTS-1 en
1972, que luego sería renombrado Landsat (Land=tierra y sat=satélite), cuando
las técnicas de análisis y observación de la Tierra experimentaron un desarrollo
significativo, generando grandes expectativas sobre su aplicabilidad en diver-
sas áreas. Esta serie de satélites marcó el inicio de una segunda generación de
sensores remotos, cuyo principal logro fue la mejora en la calidad y precisión
de los datos obtenidos, en comparación con sus predecesores. El objetivo pri-
mordial de estos satélites era la identificación de recursos naturales mediante
el uso de sensores multiespectrales, y su actividad se ha mantenido hasta la
actualidad.
A partir de 1978, Estados Unidos impulsó un ambicioso programa de
teledetección espacial que incluyó satélites oceanográficos, como Nimbus-7
y HCMM, así como el desarrollo de sensores activos de radar, como el SAR
(Synthetic Aperture Radar), a bordo del satélite SEASAT. Por su parte, la Unión
Soviética también inició en 1977 programas de teledetección en sus naves
espaciales Salyut y Soyuz, aunque la información disponible sobre estos
proyectos es limitada.
La década de 1980 marcó el inicio de lo que se conoce como la tercera
generación de sensores remotos, caracterizada por avances significativos
en las capacidades de los sensores, que superaron ampliamente a los de
generaciones anteriores gracias a los avances tecnológicos en óptica y
electrónica. En esta tercera generación se incluyen los sensores equipados
en los satélites Landsat, como el Thematic Mapper (figura 5), y los satélites
SPOT, que utilizaban sensores de alta resolución visible (High Resolution
Visible). También se destacan los sensores aerotransportados, como el ATM
(Airborne Thematic Mapper) y el PMI (Programmable Multispectral Imager), que
ofrecieron una mejora notable en términos de resolución espacial y espectral,
representando un avance considerable para la época.

– 40 –
 Tecnología de la información

Figura 5. Satélite Landsat 5.

Durante las décadas de 1990 y 2000, la teledetección satelital experimentó

avances sustanciales gracias a innovaciones tecnológicas y a la expansión de
los programas de observación de la Tierra. En la década de 1990, los satélites
de la serie Landsat continuaron siendo una fuente clave de datos con el
lanzamiento de Landsat 5 y Landsat 7, que mejoraron la resolución espacial y
espectral de las imágenes obtenidas. Durante este período, los satélites Spot y
Terra también desempeñaron un papel fundamental en el monitoreo ambiental
y urbano, contribuyendo al análisis detallado de la superficie terrestre.
Además, la misión Envisat de la ESA (Agencia Espacial Europea), lanzada
en 2002, marcó un hito en la observación del medio ambiente, gracias a su
capacidad para capturar datos en múltiples longitudes de onda. La mejora
en la tecnología de sensores, junto con el creciente acceso a bases de datos
satelitales, permitió un monitoreo más efectivo de fenómenos como el cambio
climático, la deforestación y la urbanización.
Entre las décadas de 2000 y 2020, la teledetección satelital experimentó
una expansión sin precedentes, impulsada por avances tecnológicos y la

– 41 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

creciente disponibilidad de satélites comerciales y científicos. En el año

2000, el satélite Terra de la NASA, con su instrumento MODIS, comenzó a
ofrecer imágenes diarias de la Tierra, permitiendo un monitoreo continuo de
fenómenos globales como la vegetación, los incendios y las aguas. En 2008,
el lanzamiento de WorldView-1 y WorldView-2, por parte de DigitalGlobe,
marcó un salto en la resolución espacial, proporcionando imágenes con una
resolución de hasta 50 cm, lo que revolucionó aplicaciones comerciales y
de seguridad. En 2013, la misión Landsat 8 proporcionó datos con una mayor
precisión espectral y temporal, ampliando el monitoreo ambiental. Además, la
proliferación de satélites de observación como Sentinel-1 y Sentinel-2, parte
del programa europeo Copernicus, permitió el acceso gratuito y casi en tiempo
real a datos globales, transformando el campo de la teledetección en términos
de accesibilidad y abriendo nuevas aplicaciones en áreas como el cambio
climático, la agricultura y la gestión de desastres.
En la actualidad, la proliferación de plataformas espaciales ha permitido
obtener información continua sobre la superficie terrestre, hasta el punto
de que se ha sugerido reemplazar el concepto de “conquista del espacio”
por “ocupación del espacio”, para reflejar con mayor precisión la situación
actual. De este modo, se puede afirmar que la información proporcionada
por la teledetección espacial ha impulsado avances significativos en diversas
disciplinas científicas, lo que, directa o indirectamente, ha dado lugar a nuevas
tecnologías y servicios que contribuyen al desarrollo continuo de la sociedad
en su conjunto.
En Chile, el Sistema Satelital de Observación Terrestre (SSOT) es una
plataforma nacional de monitoreo espacial que utiliza satélites para observar,
analizar y gestionar la superficie terrestre del país. Este sistema está compuesto
por varios satélites de observación, siendo el FASat-Charlie el primero en operar
dentro del marco del SSOT. Este satélite fue lanzado en 2011, como parte de los
esfuerzos del gobierno chileno para fortalecer el uso de tecnologías espaciales,
con precedentes como los satélites FASat-Alfa (1995) y FASat-Bravo (1998).
El objetivo principal del SSOT es proporcionar imágenes y datos geoespa-
ciales de alta resolución para apoyar la toma de decisiones en diversas áreas,
como la gestión ambiental, la planificación territorial, el monitoreo de recursos
naturales y la prevención de desastres. Además, el SSOT permite el acceso a
imágenes satelitales de otros satélites internacionales, convirtiéndose en una

– 42 –
 Tecnología de la información

herramienta integral para monitorear fenómenos como la deforestación, el

cambio climático, la expansión urbana y los recursos hídricos.
Gracias al SSOT inserto en el marco del Sistema Nacional Espacial (SNE) de
Chile, se ha logrado mejorar la eficiencia en la gestión del territorio, facilitar
la investigación científica y optimizar la respuesta ante emergencias, como
incendios forestales e inundaciones, proporcionando información actualizada y
precisa a las autoridades y a los diversos sectores involucrados en la protección
y desarrollo sostenible del país.

1.4.2. Sistemas de Geoposicionamiento

Los sistemas de geoposicionamiento son tecnologías y métodos diseñados

para determinar la ubicación exacta de un objeto o persona en la superficie
terrestre, utilizando información geográfica para identificar coordenadas
específicas, como latitud y longitud. Entre los tipos más conocidos se encuentra
el Sistema de Posicionamiento Global (GPS), que utiliza una red de satélites
para proporcionar datos de ubicación en tiempo real y es ampliamente utilizado
en navegación, geografía y aplicaciones móviles. También existe el Sistema
de Geoposicionamiento por Radiofrecuencia (RFID), que emplea etiquetas
y lectores para rastrear objetos en entornos controlados, como almacenes y
tiendas. Los Sistemas de Geoposicionamiento en Tiempo Real (RTK) ofrecen
datos de ubicación con una precisión centimétrica mediante una combinación
de señales de satélite y estaciones de referencia terrestres, mientras que el
geoposicionamiento a través de redes celulares utiliza torres de telefonía
móvil para determinar la ubicación de un dispositivo mediante triangulación.
Estos sistemas son fundamentales en diversas aplicaciones, incluyendo la
navegación, la agricultura de precisión, la gestión de recursos naturales, la
logística y los servicios de emergencia, entre otros.
El GPS tiene sus orígenes a principios de la década de 1960, cuando el
Departamento de Defensa (DOD), el Departamento de Transporte (DOT) y
la NASA colaboraron en el desarrollo de un sistema basado en tecnología
satelital para determinar la posición geográfica sobre la superficie terrestre.
Los requisitos clave del sistema eran globalidad, que permitiera cubrir toda
la superficie terrestre; continuidad, asegurando un funcionamiento constante
sin verse afectado por las condiciones atmosféricas; y alto dinamismo, que
permitiera su uso tanto en la aviación como en tareas de alta precisión.

– 43 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Tras los experimentos iniciales con el Sistema Timation y el Sistema 621B, se

desarrolló el primer sistema de navegación basado en satélites, denominado
TRANSIT, que comenzó a funcionar en 1965. Este sistema consistía en una
constelación de seis satélites en órbita polar baja a una altitud de 1.074 km.
Aunque TRANSIT proporcionaba cobertura mundial, la misma no era constante.
La posibilidad de obtener una posición era intermitente, ya que solo se podía
acceder a los satélites cada 1,5 horas. Además, el cálculo de la posición requería
un seguimiento continuo del satélite durante quince minutos.
Por otro lado, TRANSIT operaba con dos señales en dos frecuencias para
reducir los errores causados por la perturbación ionosférica. El cálculo de la
posición se basaba en la medición continua de la desviación de frecuencia
Doppler de la señal recibida, y la posterior comparación de estos datos con
tablas y gráficos. Como resultado, el error del sistema era de alrededor de 250
metros, y su principal aplicación era la navegación de submarinos y barcos.
Debido al uso limitado del sistema TRANSIT, principalmente causado por
la insuficiencia de satélites, se desarrolló un sistema con una red satelital más
amplia. Así surgió el Sistema NAVSTAR, compuesto por una constelación de 24
satélites en órbita media, que permitía una cobertura global y continua (figura
6). El primer satélite de este sistema fue lanzado en 1978 y se planificó que la
constelación estuviera completamente formada en un plazo de 8 años. En 1983
se declaró la fase operativa inicial del sistema y en 1990 quedó plenamente
operativo (Ayala, 2002).

Figura 6. Constelación NAVSTAR (Encyclopædia Britannica, 2015).

– 44 –
 Tecnología de la información

Aunque el principal objetivo del sistema GPS-NAVSTAR era proporcionar a

las fuerzas armadas de Estados Unidos la capacidad de posicionar vehículos
o armamento de forma autónoma, individual, con disponibilidad global,
bajo un costo relativamente bajo y sin restricciones temporales, en 1984
comenzaron a surgir los primeros fabricantes de receptores GPS destinados
al ámbito civil. Pronto, los servicios del sistema demostraron ser un éxito en
términos de administración y economía para Estados Unidos, lo que llevó a
la decisión de mantener el acceso gratuito para los usuarios, preservando su
carácter militar, pero fomentando su uso civil. Estas aplicaciones se orientaron,
con distintos niveles de precisión, hacia sistemas de navegación y disciplinas
cartográficas como la topografía, la cartografía, la geodesia y los SIG, así como el
posicionamiento en deportes de montaña, navegación náutica y expediciones,
entre otros.
Si bien, el sistema estadounidense GPS-NAVSTAR ha sido el más amplia-
mente utilizado para la localización por satélite (al punto de que el término GPS
se ha vuelto sinónimo tanto de la tecnología como de los dispositivos utiliza-
dos) el concepto más amplio que engloba a todos los sistemas de navegación
satelital es el de GNSS (Global Navigation Satellite Systems) (Kaplan & Hegarty,
2006). Este término incluye no solo el sistema norteamericano, sino también
otros como el GLONASS (Global Orbiting Navigation Satellite System), gestio-
nado por las Fuerzas Espaciales Rusas, compuesto por 24 satélites distribuidos
en tres órbitas con una inclinación de 64,8° y a una altitud de 19.100 km.
Por su parte, la Unión Europea, con el apoyo de la Agencia Espacial Europea
y de inversores privados, ha desarrollado el sistema de localización satelital
GALILEO, diseñado principalmente para usos civiles y con un coste total
estimado en 3 mil millones de euros. GALILEO opera de forma independiente
del sistema GPS-NAVSTAR, pero es totalmente compatible e interoperable
con este. Es decir, un receptor GALILEO puede captar señales de ambos
sistemas simultáneamente. Actualmente, muchos dispositivos de navegación
satelital permiten seleccionar uno o varios de estos sistemas y, al ser capaces
de interpretar señales de GPS, GALILEO y GLONASS, el usuario puede optar
por utilizar un sistema específico o combinarlos para mejorar precisión y
disponibilidad.
A esta lista se suma el sistema chino BeiDou, que, aunque todavía no es tan
popular en el mundo occidental, ha ganado terreno rápidamente y es compatible

– 45 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

con un número creciente de dispositivos. Asimismo, Japón ha desarrollado el

sistema QZSS (Quasi Zenith Satellite System), que mejora significativamente
la precisión de posicionamiento al reducir las interferencias provocadas por
edificaciones altas o terrenos montañosos escarpados.
Paralelamente, se han desarrollado los llamados Sistemas de Aumentación,
cuyo objetivo es mejorar la precisión y la fiabilidad de los sistemas GNSS
mediante la incorporación de satélites adicionales o estaciones terrestres que
complementan las constelaciones principales. Entre los más relevantes se
encuentran el WAAS (Wide Area Augmentation System), utilizado en América
del Norte; el EGNOS (European Geostationary Navigation Overlay Service),
desarrollado para el sistema GALILEO y compatible también con GPS y
GLONASS en Europa; el MSAS (Multi-functional Satellite Augmentation System),
empleado principalmente en Japón y otras regiones de Asia; y el GAGAN (GPS
Aided Geo Augmented Navigation), implementado por la Agencia India de
Investigación Espacial para complementar la red GPS en el subcontinente indio.

1.4.3. Sistemas de Información Geográfica

Los SIG son herramientas tecnológicas que permiten la captura,

almacenamiento, análisis y visualización de datos geoespaciales, integrando
información geográfica con datos descriptivos para facilitar la toma de
decisiones y la comprensión de fenómenos relacionados con la ubicación.
Estos sistemas recopilan datos desde diversas fuentes, como la teledetección,
encuestas y GPS, organizándolos en bases de datos accesibles. Ofrecen
herramientas para realizar análisis espaciales, identificar patrones y tendencias,
y facilitan la creación de mapas y representaciones gráficas que permiten
interpretar la información de manera intuitiva. Además, los SIG combinan
distintos tipos de datos, como demográficos y ambientales, proporcionando una
visión integral de áreas específicas. Sus aplicaciones son amplias, abarcando
desde la planificación urbana y la gestión de recursos naturales hasta el
análisis ambiental, la respuesta a emergencias y la optimización de rutas en el
transporte, lo que los convierte en herramientas fundamentales para la gestión
y el análisis de datos geográficos en múltiples contextos.
El primer desarrollo importante de esta tecnología se remonta a 1966, con
la creación del Sistema de Información Geográfica Canadiense (CGIS) por

– 46 –
 Tecnología de la información

Roger Tomlinson y su equipo (Tomlinson, 1988). A partir de ese momento,

diversas instituciones en varios países comenzaron a reconocer a los SIG como
herramientas clave para la gestión y el análisis de información geográfica o
espacial.
Sin embargo, los antecedentes de esta tecnología se remontan a la década
de 1950, cuando en Estados Unidos y el Reino Unido se desarrollaron sistemas
primitivos de cartografía temática asistida por ordenador. Un ejemplo notable
fue el Atlas of The British Flora, que logró producir cerca de dos mil mapas
mediante una tabuladora modificada y tarjetas perforadas, lo que permitió
ahorrar más del 30% del tiempo en comparación con los métodos manuales de
elaboración cartográfica (Coppock y Rhind, 1991).
La evolución de los SIG puede dividirse en varias fases desde una perspec-
tiva comercial y de uso. Coppock y Rhind (1991) identifican cuatro períodos fun-
damentales, a los cuales hoy puede añadirse una quinta y sexta etapa, como
se describe a continuación.
El primer período, que abarca desde principios de los años sesenta hasta
aproximadamente 1975, fue esencial para sentar las bases del desarrollo de esta
tecnología. En esta etapa, las aplicaciones estaban orientadas principalmente
a la producción cartográfica (Nappi, 1990). Durante estos años, se buscó
computarizar técnicas existentes en el manejo de información espacial, como
la superposición manual de mapas propuesta por McHarg (Gutiérrez y Gould,
1994), considerada la base del actual modelado espacial en los SIG.
Un caso destacado es el de Howard T. Fisher, urbanista que, en 1963, en
el Computer Graphics Laboratory de la Universidad de Harvard, ideó el uso
de computadores para la creación de mapas simples, asignando valores
a una cuadrícula plana y representándolos gráficamente. Su programa,
denominado SYMAP (Synagraphic Mapping System), incluía módulos de
análisis de información, así como interpolaciones coropléticas y de isolíneas
(Peuquet, 1979; Carter, 1988). SYMAP puede considerarse el primer programa
comercializado con el propósito de generar mapas digitales. Una de sus
particularidades era que los mapas se imprimían mediante la superposición
de caracteres alfanuméricos (figura 7). A partir de este punto, comenzaron a
desarrollarse los sistemas automatizados que hoy reconocemos como SIG:
herramientas capaces de almacenar, procesar, analizar y visualizar información
de carácter espacial o georreferenciado.

– 47 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Posteriormente, en 1969, Jack Dangermond, quien formaba parte del

Computer Graphics Laboratory de Harvard, fundó ESRI (Environmental Systems
Research Institute). En sus inicios, esta institución fue concebida como una
organización sin fines de lucro, con el objetivo principal de investigar, diseñar y
desarrollar técnicas para la implementación de los SIG.
A finales de la década de 1960 también se desarrolló el Canadian Geographic
Information System (CGIS), impulsado principalmente por el interés del gobierno
canadiense en disponer de un sistema propio de información geográfica. Este
proyecto introdujo, por primera vez, una serie de conceptos innovadores que
sentaron las bases para el desarrollo futuro de esta tecnología. Aunque con el
tiempo el CGIS quedó obsoleto, su legado fue significativo, ya que estableció
principios fundamentales, como la manipulación vectorial, las estructuras de
datos celulares y el enfoque en la gestión de grandes volúmenes de información
geográfica.

Figura 7. Salida de mapa de SYMAP.

La segunda etapa cronológica, que abarca aproximadamente desde 1973

hasta principios de los años ochenta, se caracteriza principalmente por la
regularización, la experimentación y la práctica, impulsadas por agencias
nacionales (Coppock y Rhind, 1991). Este contexto permitió avances significativos
en la configuración y consolidación de los sistemas (Bosque, 1997). Durante

– 48 –
 Tecnología de la información

esta fase, la atención de los usuarios y gestores de los SIG se centró menos en
el desarrollo de aplicaciones analíticas, manteniéndose en parte la tendencia
del período anterior hacia la cartografía automatizada, aunque con un mayor
énfasis en la descripción de atributos (Nappi, 1990). Como resultado, se lograron
representaciones analógicas más precisas que en la etapa previa.
Durante la década de 1970, se registraron avances notables en la cartografía
computarizada, especialmente en Estados Unidos, donde tanto empresas
privadas como agencias gubernamentales impulsaron el desarrollo de
numerosos sistemas y programas informáticos. En Europa, aunque el progreso
fue más limitado, algunos países como Suecia, Noruega, Dinamarca, Francia,
Países Bajos, Inglaterra y Alemania ya utilizaban o estaban desarrollando
sistemas de cartografía automatizada. Esta tendencia expansiva también
comenzó a manifestarse en algunos países de América Latina.
En este contexto, ESRI desarrolló el sistema GRID, basado en una estructura
ráster, que introdujo la posibilidad de producir mapas mediante un ploteador de
plumillas, un dispositivo que traza automáticamente los mapas con lápices. A
partir de la experiencia con GRID y expandiendo la manipulación de estructuras
de datos, ESRI lanzó el sistema PIOS (Polygon Information Overlay System). Este
sistema introdujo el concepto de superposición de mapas, es decir, el proceso
de combinar varios estratos cartográficos en una única capa, generando así
unidades integradas de análisis territorial. PIOS utilizaba estructuras vectoriales
y también producía mapas mediante ploteadores de plumillas.
Paralelamente, en el Computer Graphics Laboratory de Harvard, se desarrolló
lo que sería uno de los mayores avances tecnológicos en el ámbito de los SIG:
el sistema ODISSEY, creado por pioneros como Nicholas Chrisman, David White
y Howard T. Fisher, entre otros. Este sistema introdujo conceptos clave, como el
procesamiento local, el uso de estructuras vectoriales, el modelo nodo-arista
y, fundamentalmente, el concepto de topología, elemento esencial en los SIG
modernos.
A finales de la década de 1970, el Computer Graphics Laboratory fue
desmantelado, y muchos de sus integrantes se trasladaron a otras instituciones
académicas y científicas. Uno de ellos, Scott Morehouse, se integró a ESRI,
donde, a principios de los años ochenta, lideró el desarrollo del sistema ARC/
INFO (figura 8), utilizando la tecnología más avanzada disponible en ese
momento.

– 49 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 8. Software PC ARC/INFO versión 3.5.

La tercera etapa en la evolución de los SIG abarca aproximadamente desde

1982 hasta finales de la década de 1980 y se caracteriza por ser un período
de consolidación y dominio comercial (Coppock y Rhind, 1991). Durante esta
fase, se afianzaron empresas clave dedicadas al desarrollo de SIG, como ESRI,
Intergraph, Siemens y Erdas, mientras que varios laboratorios universitarios
comenzaron a desarrollar sus propios paquetes informáticos, entre ellos, MAP,
de la Universidad de Yale, e IDRISI (figura 9), de la Universidad de Clark.
La disponibilidad de distintos paquetes de SIG, con características y precios
variados, sumada al creciente interés de organismos públicos y privados en la
gestión de información geográfica, dio lugar a la formación de un mercado en
expansión. Además, la rápida evolución de la tecnología informática a mediados
de los años ochenta impulsó de forma decisiva el desarrollo de estos sistemas
al ofrecer soluciones más potentes y asequibles (Gutiérrez y Gould, 1994). Es en
este contexto donde comienzan a surgir aplicaciones de SIG relacionadas con
el modelado geográfico (Nappi, 1991), favorecidas por la mayor disponibilidad
de bases de datos y la proliferación de software especializado.

– 50 –
 Tecnología de la información

Figura 9. Software Idrisi versión 2.0.

La cuarta etapa, iniciada en los años noventa, estuvo marcada por un

enfoque centrado en el usuario, producto de la progresiva competencia entre
proveedores, la estandarización de sistemas y la creciente conciencia de los
usuarios sobre las capacidades analíticas de los SIG (Coppock y Rhind, 1991).
En este período se desarrolló herramientas para el análisis de decisiones
espaciales (Nappi, 1991), como respuesta a las limitaciones identificadas por
los usuarios en etapas anteriores. Así, se integraron técnicas y programas
complementarios, ampliando las capacidades de procesamiento y análisis de
datos espaciales y temáticos.
En la quinta etapa, entre 1995 y 2005, los SIG comenzaron a integrarse de
manera más estrecha con otras disciplinas y tecnologías emergentes, como
los dispositivos móviles, sensores remotos y bases de datos espaciales. La
masificación del uso de Internet y la expansión de los GPS favorecieron la
creación de SIG distribuidos, con acceso remoto a información geoespacial.
Esta fase también fue clave para el desarrollo de nuevos modelos de análisis
espacial y para la aplicación de los SIG en sectores como el transporte, la
salud, la planificación urbana, la gestión ambiental y la agricultura de precisión.
Asimismo, surgieron iniciativas de software libre, como GRASS o las primeras
versiones de QGIS, lo que democratizó el acceso a estas herramientas.

– 51 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La sexta etapa, desde 2005 hasta la actualidad, ha estado marcada por una
fuerte integración con plataformas en la nube y aplicaciones móviles, impulsa-
da por el auge de la Web 2.0 y la disponibilidad masiva de datos geoespacia-
les. Se ha favorecido la interoperabilidad de datos y la vinculación de los SIG
con tecnologías emergentes como Big Data, análisis espacial en tiempo real,
sensores remotos, drones y plataformas como Google Earth Engine. Esta evo-
lución ha permitido avances notables en áreas como el monitoreo de desastres
naturales, la sostenibilidad ambiental y el desarrollo de ciudades inteligentes.
Además, la consolidación del software libre, especialmente QGIS, ha reforzado
la accesibilidad global a la tecnología SIG, que actualmente se utiliza de forma
transversal en sectores públicos, privados y académicos.

– 52 –
 CAPÍTULO II
PRINCIPIOS BÁSICOS DE TELEDETECCIÓN

2.1. Teledetección o remote sensing

En términos generales, la teledetección se entiende como una técnica

que permite obtener imágenes de la superficie terrestre mediante sensores
aéreos o espaciales, los cuales registran la reflexión de la energía solar, de
un haz energético artificial o de emisión propia (Chuvieco, 2008). El término
“teledetección” proviene de la expresión remote sensing, utilizada desde
la década de 1970 para designar cualquier técnica de observación remota.
Definiciones más precisas la describen como:

- La ciencia encargada de adquirir, procesar e interpretar imágenes que

capturan la interacción entre la energía electromagnética y la materia
(Sabins, 1996).
- La ciencia y el arte de obtener información sobre un objeto, área o
fenómeno mediante el análisis de datos adquiridos por un dispositivo
que no entra en contacto directo con dicho objeto, área o fenómeno de
interés (Lillesand et al., 2004).
- Abarca la instrumentación, las técnicas y los métodos utilizados para
observar la superficie terrestre a distancia e interpretar las imágenes o los
valores numéricos obtenidos, con el propósito de obtener información
relevante sobre objetos específicos en la Tierra (Buiten & Clevens, 1993).

Lo común en estas tres definiciones es que los datos sobre las característi-
cas de la superficie terrestre se adquieren mediante un sensor que no está en
contacto con los objetos o fenómenos que se está midiendo. El objeto obser-
vado es la superficie terrestre o marina y la atmósfera, mientras que el observa-
dor es un sensor situado en el aire o en el espacio (figura 10), capaz de detectar

– 53 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

y almacenar la información para su posterior análisis. La teledetección engloba

tanto la captura de imágenes como su tratamiento y análisis posterior (Marrero-
Betancort et al., 2019). Este análisis es realizado por intérpretes especializados
y permite el reconocimiento de las características de la superficie terrestre y
de los fenómenos que en ella se producen. Así, la teledetección se utiliza en
diversas ciencias ambientales y sociales, como geografía, urbanismo, geología,
ciencias forestales, meteorología y agricultura, entre otras.

Figura 10. Observación desde plataforma Landsat 8.

2.2. Radiación electromagnética

Como se ha mencionado, la teledetección se basa en la captación de la

radiación electromagnética irradiada o reflectada por las distintas cubiertas de
la superficie terrestre. La radiación electromagnética es una forma de energía
que se propaga mediante haces ondulatorios que se desplazan por el espacio
a la velocidad de la luz (300.000 km/s), transportando cantidades discretas
de energía (cuantos). Los distintos tipos de radiación se pueden caracterizar a
partir de dos parámetros inversamente relacionados (figura 11):

• La frecuencia (f): que corresponde al número de veces que un ciclo pasa

por un punto determinado por unidad de tiempo (medida en hertz).
• La longitud de onda ( ) : que representa la distancia existente entre dos
picos sucesivos de una onda (medida en unidades de longitud).

– 54 –
 Principios básicos de teledetección

• La amplitud (A): es la altura máxima de la onda desde la línea de base (eje

central) hasta su pico (o valle).

La longitud de onda permite caracterizar la radiación electromagnética,

agrupándola en regiones o bandas contiguas, donde la radiación muestra un
comportamiento similar. Este conjunto de bandas o regiones de longitudes de
onda se denomina espectro electromagnético (figura 12) y abarca longitudes
de onda muy pequeñas, como los rayos X y gamma, que poseen longitudes
de onda menores a 100 ángstroms, hasta las ondas de televisión y radio, que
tienen longitudes mayores a un metro.

Figura 11. Esquema de una onda electromagnética.

Si se considera que todos los objetos, independientemente de su

capacidad de emitir radiación, reciben radiación proveniente de otros cuerpos
(principalmente del Sol), dicha energía electromagnética puede seguir tres
caminos:

• Reflejarse: la radiación es reenviada al espacio.

• Absorberse: la radiación pasa a incrementar la energía del objeto.
• Transmitirse: la radiación se transmite hacia otros objetos.

– 55 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 12. Espectro electromagnético.

De acuerdo a lo anteriormente expuesto, la fracción de energía que es

reflejada se denomina reflectividad o albedo ( ), la fracción de energía que
es absorbida se denomina absortividad ( ), y la fracción de energía que es
transmitida se denomina transmisividad ( ). Por lo tanto, se cumple que:

+ + =1

Dependiendo de la longitud de onda considerada, un objeto particular

presentará valores de , y , que estarán relacionados con sus características,
otorgándole una signatura espectral propia. La cantidad de energía irradiada y
su distribución en diferentes longitudes de onda dependerá fundamentalmente
de la temperatura del objeto observado.
De acuerdo con Chuvieco (2002), las regiones más utilizadas en las diferentes
técnicas de teledetección son:

• Espectro visible: corresponde a la banda del espectro cuya longitud de

onda se encuentra entre los 0,4 y los 0,7 μm. Se puede subdividir en tres
bandas: azul (0,4 a 0,5 μm), verde (0, 5 a 0,6 μm) y rojo (0,6 a 0,7 μm). Esta
parte del espectro es la única radiación electromagnética que puede
percibir el ojo humano.
• Infrarrojo próximo: su rango de longitud de onda va desde los 0,7 a 1,3
μm. Es muy utilizado en estudios de formaciones vegetales, masas de
agua y concentraciones de humedad.

– 56 –
 Principios básicos de teledetección

• Infrarrojo medio: corresponde al intervalo de longitud de onda que va

de los 1,3 a 8 μm. Comúnmente se utiliza en la detección de focos de
alta temperatura y en el cálculo o estimación del contenido de humedad
de la vegetación, resultando particularmente útil en estudios sobre el
comportamiento de incendios forestales.
• Infrarrojo lejano o térmico: contempla el rango de longitud de onda que
va de los 8 a los 14 μm. Se utiliza en la detección y estimación del calor
irradiado por las distintas cubiertas terrestres.
• Microonda: considera el rango superior a 1 mm. Presenta gran interés por
ser un tipo de energía que es transparente a las nubes.

2.3. Influencia de la atmósfera en la radiación electromagnética

Entre el satélite y la superficie terrestre, la atmósfera genera una interferencia

que se expresa en un triple efecto sobre la radiación electromagnética:
absorbiendo, dispersando y emitiendo energía.

• Absorción: la presencia de determinados gases convierte a la atmósfera

en un filtro natural que absorbe energía, dependiendo de la concentración
de dichos gases. Los gases más importantes en la absorción de energía
en la atmósfera son:

- Ozono: absorbe energía en longitudes de onda inferiores a 0,3 µm en

el ultravioleta y cerca de los 27 µm en las microondas.
- Dióxido de carbono: absorbe energía en el infrarrojo térmico (>15 µm),
además de entre los 2,5 y 4,5 µm en el infrarrojo medio.
- Vapor de agua: absorbe energía entre 0,6 y 2 µm, en torno a los 6 µm,
y por encima de los 27 µm.

Debido a esto, aparecen las denominadas ventanas atmosféricas, que

corresponden a regiones del espectro electromagnético en las que no se
produce el efecto de absorción. Las principales ventanas se encuentran
en:

– 57 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Visible e infrarrojo cercano: (0,35-1,35 µm).

- Infrarrojo medio: (1,5-1,8 µm; 2,0-2,4 µm; 2,9-4,2 µm; 4,5-5,5 µm).
- Infrarrojo térmico: (8-14 µm).
- Microondas: sobre los de 20 µm.

Por esta razón, los sensores satelitales se ajustan a estas ventanas para
evitar las interferencias provocadas por los gases atmosféricos. Sin
embargo, cuando la atención se centra en la presencia o concentración
de los gases mencionados, las regiones espectrales afectadas por ellos
adquieren importancia. Para estos casos, y debido a la gran influencia
que dichos gases están generando en las condiciones climáticas del
planeta, se puede utilizar algunas bandas especialmente diseñadas
para registrar información en las regiones espectrales de interés. Los
sensores utilizados en meteorología, por ejemplo, METEOSAT, incorporan
una banda en la región de absorción del vapor de agua, con el objeto
de estimar el contenido de este gas a partir de la radiación que llega al
sensor. En este caso, cuando la energía registrada en la banda es baja, se
indicará una alta concentración de vapor de agua.

• Dispersión: se trata del redireccionamiento de la energía electromagnética

ocasionado por los gases y aerosoles presentes en la atmósfera, lo que
disminuye la radiación directa y aumenta la difusa. De esta forma, se
puede distinguir tres tipos básicos de dispersión:

- Dispersión de Rayleigh: es producida por gases en la alta atmósfera

(9-10 km). Cuanto menor es la longitud de onda, mayor es el efecto
provocado. Por ejemplo, la energía correspondiente al azul visible se
dispersa cuatro veces más que la roja, mientras que la ultravioleta se
dispersa 16 veces más que la roja.
- Dispersión de Mie: ocurre en la baja atmósfera (0-5 km). Afecta
principalmente a la luz visible y es causada por los aerosoles y el polvo
atmosférico (polvo, polen, gotitas de agua, etc.).
- Dispersión no selectiva: se produce cuando las partículas son mayores
que la radiación incidente. Generalmente se da en la baja atmósfera y
no depende de la longitud de onda.

– 58 –
 Principios básicos de teledetección

La dispersión es la responsable de la luminosidad de la atmósfera.

Debido a su presencia, las imágenes registradas por un sensor se verán
distorsionadas, ya que aumentará el brillo general, disminuirá el contraste
de los objetos registrados y difuminará los bordes de estos últimos.
Realizar procesos de corrección es complejo y difícil de llevar a cabo. Aun
así, existen algunos métodos para eliminar el efecto, pero sólo funcionarán
si se dispone de sondeos aerológicos.

• Emisión: el tercer efecto de la atmósfera se debe a que ella también emite

radiación, lo cual es más significativo en el infrarrojo térmico debido a su
temperatura. De esta forma, cuando se trabaja con las regiones visibles
e infrarrojo cercano, dicha emisión no provocará un efecto mayor en el
registro de los objetos detectados. Sin embargo, cuando se trabaja en
el infrarrojo térmico (por ejemplo, para la estimación de la temperatura
de la superficie terrestre), será necesario considerar el efecto provocado
por la atmósfera, ya que los datos incluirán la emisión de la superficie y,
además, la emisión de las diferentes capas de la atmósfera.

Cabe señalar que los problemas ocasionados por la interacción entre la

atmósfera y la energía electromagnética tienen mayor relevancia cuando se
lleva a cabo un estudio multitemporal. Cuando se trabaja con imágenes de
igual fecha de adquisición, se puede asumir que el efecto de la distorsión es
similar en todas las regiones de la imagen y en sus bandas.

2.4. Interacción de los elementos de la superficie terrestre con la radiación

electromagnética

Las propiedades físicas y químicas de las distintas cubiertas terrestres inciden

directamente en la forma en que reflejan y emiten la radiación electromagnética
(Chuvieco, 1995). Por este motivo, cada tipo de suelo, vegetación, agua, etc.,
reflejará la radiación incidente de manera diferente, lo cual permitirá distinguirlo
de los demás si se logra estudiar y medir la radiación reflejada por el mismo, es
decir, su firma espectral.

– 59 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

2.4.1. Radiación electromagnética en el espectro visible e infrarrojo

La observación de la reflectancia del suelo resulta de gran importancia

debido a su extensa presencia sobre la cubierta terrestre. De hecho, excluyendo
las superficies cubiertas por hielo, nieve y materiales artificiales, es el suelo
el que intercepta gran parte de la energía electromagnética emitida por el
Sol, influyendo, además, en mayor o menor grado, en la reflectancia de las
cubiertas vegetales (figura 13). Otro aspecto relevante es la utilidad que tiene la
observación de la reflectancia del suelo en la caracterización de este, ya que
proporciona información sobre sus propiedades y su estado, lo cual permite
al intérprete realizar descripciones y clasificaciones de los distintos tipos de
suelos observados (Ormeño, 1993; Chuvieco, 2016).

Figura 13. Respuesta espectral de distintas cubiertas terrestres.

Por ejemplo, la firma espectral de un suelo desprovisto de vegetación

presenta un comportamiento ascendente desde el espectro visible hasta el
infrarrojo, lo cual está directamente relacionado con el contenido de humedad
presente en él (Chuvieco y Alonso, 1995; Chuvieco, 2016). De hecho, es posible

– 60 –
 Principios básicos de teledetección

observar una cierta dependencia entre reflectividad y el contenido de agua del

suelo: a mayor contenido de agua, mayor reflectividad. Sin embargo, existen
factores que influyen o modifican el comportamiento de la reflectividad de
un suelo en particular. Estos incluyen la composición química del suelo y las
características físicas (textura y estructura) del mismo. Chuvieco (2016) señala,
además, que no es sencillo obtener información sobre el sustrato geológico
desde sensores espaciales, ya que la cubierta vegetal a menudo provoca un
efecto de pantalla que modifica su respuesta espectral.
En cuanto a la caracterización espectral de las masas vegetales, es indudable
la importancia que posee, siendo considerada por autores como Chuvieco y
Alonso (1995) como una de las tareas más interesantes de la teledetección. No
obstante, existe un cierto nivel de complejidad en el estudio de las propiedades
ópticas de las distintas cubiertas vegetales, ya que estas no solo varían con las
características propias de los vegetales, sino que además se ven influenciadas
por diversos factores, tales como las condiciones atmosféricas, la geometría y
orientación de la cubierta, la elevación solar, la posición del sensor, etc. (figura
14) (Ormeño, 1993; Chuvieco, 2016).

Figura 14. Factores que modifican la respuesta espectral de la vegetación.

– 61 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En este contexto, Chuvieco (2016) plantea que los factores que influyen
directamente en la radiancia capturada por el sensor son los siguientes:

- La reflectividad de las hojas, influenciada considerablemente por el

estado fenológico de la planta y su contenido de humedad.
- Las características morfológicas de la planta, tales como altura, perfil,
cobertura de copa, entre otras.
- La situación geográfica de la planta en cuanto a pendiente, altitud,
exposición, etc.

A los factores mencionados anteriormente, es necesario agregar otros

aspectos, como el tipo de corteza de los árboles, las flores o los frutos, entre
otros, que dificultarán el estudio de las diferentes cubiertas forestales debido
a su efecto en la respuesta espectral de cada tipo de bosque observado
(Ormeño, 1993).
De esta forma, aunque todas las hojas vegetales presentan una curva de
reflectancia cuya forma es muy parecida, existe una gran variación entre las
distintas cubiertas que posibilita su caracterización particular.
En el caso de vegetación sana, se puede observar una baja reflectividad
en todo el rango del espectro visible, excepto en la banda verde (cercana a
0,55 μm), debido principalmente a la alta concentración de clorofila. Esta alta
reflectividad se vuelve a observar en el rango del infrarrojo próximo (entre 0,7 y
1,3 μm), donde existe una escasa absorción de energía por parte de las plantas.
En presencia de vegetación enferma, los contrastes de la curva se debilitan,
disminuyendo la reflectancia en el rango del infrarrojo próximo y aumentando
en la banda rojo y azul, pertenecientes al espectro visible. Este comportamiento
de la curva espectral permite diferenciar, mediante el análisis de imágenes
infrarrojo, la vegetación sana de la vegetación enferma.
El agua posee excelentes propiedades de transmisión de la radiación
electromagnética en el rango del espectro visible y de absorción en el rango
del infrarrojo. De hecho, la curva espectral del agua muestra una mayor
reflectancia en la banda verde del espectro visible, reduciéndose notoriamente
al acercarse al rango del infrarrojo. Esta baja reflectividad en el infrarrojo resulta
muy útil para la discriminación de áreas de tierra y agua, y especialmente en
zonas de intersección, como líneas de costa, lagos y ríos.

– 62 –
 Principios básicos de teledetección

Entre los numerosos factores y variables que influyen en la reflectividad

de la energía electromagnética de las distintas masas de agua, se incluye
su profundidad, el contenido de materiales en suspensión (como clorofila,
nutrientes, arcilla), la rugosidad de la superficie, etc. Por ejemplo, la profundidad
de penetración de la luz depende de la longitud de onda. En agua clara, la
energía electromagnética en el rango de 0,5 y 0,6 μm puede llegar hasta una
profundidad de 10 m, disminuyendo a 10 cm para el rango de 0,8 a 1,1 μm. De
esta manera, la reflectancia disminuirá a medida que aumente la profundidad
del agua.
En presencia de turbidez, la reflectividad del agua experimenta un aumento
en todas las bandas del espectro visible. Este efecto dependerá en gran medida
del contenido de sedimentos y de los diferentes diámetros de las partículas
presentes. Por ejemplo, en presencia de fitoplancton, se puede esperar
alteraciones en la curva espectral con un aumento de la reflectividad en la
banda verde del espectro visible y una disminución en la banda azul. En el caso
de sedimentos inorgánicos, la reflectividad del agua aumenta particularmente
en la banda del rojo del espectro visible (Chuvieco, 1996). Este fenómeno ha
sido evidenciado en estudios como el de Marrero-Betancort et al. (2019), que
incluyen la medición de partículas de polvo provenientes del Sahara en aguas
oceánicas, aportadas por la Oscilación del Atlántico Norte.

2.4.2. Radiación electromagnética en la región de las microondas

Al igual que en el espectro visible e infrarrojo, la reflectividad del suelo en la

región de las microondas dependerá en gran medida del contenido de humedad
presente. En suelos secos, la penetración de las microondas será mayor que
en suelos húmedos. De esta forma, se puede establecer que la profundidad
de penetración de la energía electromagnética en el suelo disminuye con
un mayor contenido de humedad. Las características de la superficie y del
subsuelo también influirán en la dispersión de las microondas. En este sentido,
la pendiente y el ángulo de incidencia de la energía son factores relevantes, ya
que afectan la respuesta de los objetos detectados.
En presencia de elementos construidos por el ser humano, como edificios,
casas o estacionamientos, se refleja fuertemente la energía de microondas
de regreso al sensor, lo que provoca que estas zonas aparezcan como puntos

– 63 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

brillantes en la imagen. En áreas con pendientes pronunciadas, la señal de

retorno será mayor en las zonas orientadas hacia el sensor, mientras que las
zonas opuestas mostrarán un relieve sombreado en la imagen.
Otra característica importante es la rugosidad del objeto detectado, que
influirá en el pulso de retorno. Cuando la rugosidad es alta, el pulso de retorno
será menor, debido a que la dispersión es más pronunciada (Chuvieco, 2002).
Considerando la vegetación, se puede inferir que la rugosidad corresponde
a las irregularidades de la superficie de las copas. En este contexto, es posible
observar claras diferencias en función de las texturas generadas por distintas
cubiertas vegetales. De hecho, con sensores como RADARSAT, es posible
diferenciar zonas taladas, áreas de cultivos agrícolas o bosques maduros. Como
se indicó anteriormente, las superficies suaves generarán un menor registro en
el sensor, mientras que las superficies rugosas causarán una mayor dispersión
de la señal, lo que resultará en un registro más alto en el sensor.
Asimismo, el tamaño, la forma, la orientación y el número de hojas determi-
narán la rugosidad de las copas arbóreas. Esto, junto con el contenido de agua,
permite la identificación de diferentes formaciones vegetales, separándolas de
vegetación herbácea o zonas pantanosas según la variación de tonalidades en
la imagen.
Un aspecto relacionado con el contenido de humedad es la constante
dieléctrica asociada a cada tipo de cobertura. Esta constante es una propiedad
física que indica la capacidad de un material para conducir impulsos eléctricos
y varía dependiendo del contenido de humedad del objeto. En general, las
coberturas vegetales presentan un alto valor dieléctrico, que usualmente
se mantiene constante, aunque puede variar según la época del año, la cual
determina el contenido de humedad de la masa vegetal. Cuando la vegetación
pierde vigor, el componente suelo cobra mayor relevancia, lo que provoca una
disminución significativa de la constante dieléctrica.
En presencia de cuerpos de agua, la penetración de las microondas se ve
restringida por la profundidad, la cual depende del ángulo de incidencia y de la
rugosidad de la superficie. En superficies de agua tranquila, la dispersión tiende
a ser baja, lo que hace que estas áreas aparezcan en la imagen como zonas
oscuras con un fuerte contraste en las zonas limítrofes con la tierra o con otros
cuerpos de agua.
Cuando la señal de microondas se emite en ángulos de incidencia muy
bajos, es posible registrar no solo la rugosidad de la superficie, sino también

– 64 –
 Principios básicos de teledetección

la presencia de cuerpos flotantes, como petróleo o barcos. En presencia de

nieve o hielo, la respuesta de la señal dependerá en gran medida de factores
como la edad, pureza, compactación de la capa, rugosidad, geometría interna
y temperatura. Según Chuvieco (2016), cuando la nieve está en condiciones
de máxima pureza, su comportamiento es similar al del agua calma, por lo
que aparece en las imágenes como zonas oscuras. El conocimiento de este
fenómeno puede ser utilizado para implementar modelos que faciliten la
interpretación de estos objetos (Benlloch, 2017).

2.5. Sistemas de teledetección

Como se ha mencionado, el principio físico de la teledetección se basa en

la interacción entre el objeto observado y el sensor. Esta interacción implica
un flujo de radiación que proviene del objeto y es captado por el sensor. Dicho
fenómeno puede clasificarse en tres tipos:

• Reflexión: la principal fuente de energía en este tipo de interacción es el

Sol, que ilumina la superficie terrestre. La superficie refleja esta energía
en función del tipo de cubierta que posee. Posteriormente, la energía
reflejada es recogida por el sensor (figura 15).

Figura 15. Interacción de reflexión.

– 65 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Emisión: en este caso, el sensor captura la energía que emiten las propias
cubiertas (figura 16).

Figura 16. Interacción de emisión.

• Emisión-reflexión: en este tipo de interacción, el sensor genera su propio

haz de energía, el cual es capturado nuevamente por él una vez que ha
sido reflejado por las cubiertas (figura 17).

Figura 17. Interacción de emisión-reflexión.

– 66 –
 Principios básicos de teledetección

De acuerdo con estos tres tipos de interacción entre el objeto y el sensor, es

posible distinguir dos técnicas de teledetección:

• Teledetección pasiva: donde se agrupa los sistemas basados en las

interacciones de tipo reflexión y emisión.
• Teledetección activa: que agrupa los sistemas basados en la interacción
de tipo emisión-reflexión.

Como se puede observar, la clasificación mencionada abarca tanto la captura

de imágenes fotográficas como de imágenes satelitales. Una diferencia impor-
tante entre ambas radica en el tipo de información que es posible captar, espe-
cialmente en lo que respecta a la respuesta espectral de las distintas cubiertas
terrestres. Esta característica da lugar a procesos distintos para tratar y clasifi-
car la información contenida en una imagen. De hecho, el análisis de imágenes
de satélite se basa en observaciones cuantitativas, lo que permite estimar tanto
variables cualitativas como cuantitativas. Por su parte, la fotointerpretación es
una técnica fundamentalmente cualitativa. No obstante, existen algunos pro-
cedimientos que permiten mitigar esta diferencia. Por ejemplo, al escanear una
fotografía aérea se obtiene una imagen digital que puede ser tratada con las
mismas técnicas utilizadas para imágenes satelitales. Asimismo, la impresión de
una imagen de satélite posibilita su análisis e interpretación visual.
En términos generales, un sistema de teledetección incorpora una serie de
componentes (Chuvieco, 2016), los cuales se pueden resumir en (figura 18):

Figura 18. Componentes de un sistema de teledetección.

– 67 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- La cubierta a estudiar: se refiere a las distintas cubiertas que componen

la superficie terrestre, tales como masas de vegetación, suelos, agua,
atmósfera, construcciones humanas, entre otras. Estas cubiertas emiten o
reflejan energía de manera particular, dependiendo de sus características
físicas.
- El sistema sensor: está compuesto por los equipos encargados de la
captación de la energía irradiada o reflejada por las cubiertas observadas,
así como por la plataforma sobre la que están montados. Su función es
captar la energía procedente de las cubiertas terrestres, codificarla y
almacenarla o enviarla directamente al sistema de recepción.
- La fuente de energía: es el origen de la radiación electromagnética
detectada por el sensor. Puede tratarse de un foco externo al sensor
(teledetección pasiva) o de un haz energético emitido por el propio
sensor (teledetección activa). En el primer caso, la fuente de energía más
importante es el Sol.
- Sistema de recepción: son las estaciones terrestres que reciben la
información enviada por la plataforma en órbita alrededor de la Tierra.
Posteriormente, esta información se procesa, se aplica las correcciones
correspondientes y se almacena en un formato adecuado para su
distribución a los usuarios.
- Intérprete: es la persona encargada de analizar la información
proporcionada por los sensores y enviada a las estaciones receptoras,
utilizando métodos tradicionales (interpretación visual) o tratamiento
digital. La finalidad de este análisis es obtener una clave temática o
cuantitativa que facilite la evaluación de un problema en estudio.

2.6. Plataformas y sensores de teledetección

Es común confundir los términos “plataforma” y “sensor”, ya que los principales

programas de teledetección suelen adoptar el nombre de la plataforma o satélite
que utilizan. Sin embargo, en un sistema de teledetección, los sensores son
los equipos o dispositivos encargados de capturar la información proveniente
de las diferentes cubiertas terrestres, mientras que la plataforma es el soporte
físico sobre el que están montados esos sensores.

– 68 –
 Principios básicos de teledetección

2.6.1. Plataformas

Las plataformas son los vehículos o estructuras sobre los cuales se instalan los
sensores encargados de capturar la información terrestre. Tradicionalmente, estas
plataformas se asociaban principalmente con satélites artificiales que orbitan la
Tierra. Sin embargo, en la actualidad también incluyen aeronaves tripuladas y no
tripuladas, que ofrecen flexibilidad y precisión en la recolección de datos.
Las plataformas espaciales utilizadas en los distintos programas de
teledetección están equipadas con los elementos necesarios para su
mantenimiento en órbita, así como para su control remoto desde las estaciones
de seguimiento en tierra. Estos elementos incluyen paneles solares para
generar energía y sistemas de propulsión y navegación, entre otros. Además,
disponen de un módulo de transmisión compuesto por antenas y equipos de
telecomunicación, que facilitan el envío de los datos obtenidos por los sensores
hacia las estaciones terrestres (Chuvieco y Alonso, 1995).
Para la observación de amplios sectores del planeta, las plataformas
satelitales con órbitas circulares o elípticas son de gran interés. Dentro de estas
plataformas, es posible distinguir dos tipos:

• Plataformas geoestacionarias: también llamadas geo-sincrónicas, son

aquellas que permiten observar siempre la misma porción de la superficie
terrestre. Esto se debe a que siguen órbitas muy altas que les permiten
sincronizarse con el movimiento de la rotación de la Tierra (figura 19). Este
tipo de plataformas son particularmente útiles en estudios multitemporales
y meteorológicos, ya que proporcionan una excelente resolución temporal,
permitiendo la captura continua de imágenes de la misma área.

Figura 19. Plataforma geoestacionaria.

– 69 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Plataformas móviles: también conocidas como heliosincrónicas, este

tipo de plataformas generalmente siguen órbitas circulares (figura
20), manteniendo una altura de observación más baja y homogénea
en comparación con los satélites geoestacionarios. Esto facilita la
observación sistemática y detallada de las distintas zonas del planeta.
Estas plataformas suelen seguir órbitas polares (perpendiculares al plano
del Ecuador terrestre), aprovechando el movimiento de rotación de la
Tierra para pasar sobre un mismo punto en intervalos regulares.

Por otro lado, los vehículos aéreos tripulados son aeronaves tradicionales,
como aviones, helicópteros y globos aerostáticos, que están equipados con
una variedad de sensores a bordo, como cámaras fotográficas, cámaras mul-
tiespectrales, sensores LiDAR o radares, entre otros. Estos equipos permiten
capturar una amplia gama de datos sobre la superficie terrestre, desde imáge-
nes visuales y térmicas hasta información sobre la topografía y la estructura de
las áreas observadas. Una vez recopilada la información, esta es almacenada
en sistemas de registro a bordo y, posteriormente, transferida a unidades de
procesamiento ubicadas en estaciones terrestres para su análisis.

Figura 20. Plataforma móvil.

Los vehículos aéreos tripulados son especialmente útiles en estudios de

áreas específicas donde se requiere una alta resolución espacial y un control
preciso del vuelo, como en la cartografía detallada, la vigilancia de áreas de

– 70 –
 Principios básicos de teledetección

difícil acceso o la observación de fenómenos temporales. Además, permiten

la flexibilidad de modificar rutas y altitudes durante el vuelo, lo que resulta
ventajoso cuando se enfrentan condiciones cambiantes, como variaciones
climáticas o necesidades específicas de cobertura. Estos vehículos también
son esenciales en aplicaciones donde se requiere intervenciones rápidas y
capacidad de recolección de datos en tiempo real, como en la respuesta a
desastres naturales o la monitorización de incendios forestales.
En cuanto a los vehículos aéreos no tripulados (UAV, por sus siglas en
inglés), son aeronaves que operan de forma remota. Pueden ser controladas a
través de un software incorporado o ser operadas por pilotos desde estaciones
de control en tierra. Los UAV son particularmente valiosos por su capacidad
para acceder a áreas de difícil acceso, realizar vuelos más bajos y cercanos
a la superficie y operar con un coste relativamente bajo en comparación con
las aeronaves tripuladas. Además, los UAV pueden ser equipados con diversos
sensores, como cámaras de alta resolución, radares o LiDAR, adaptándose a
diferentes necesidades de observación.
Dadas sus características y diversos fines, los vehículos aéreos no tripulados
se pueden clasificar en tres categorías principales: RPA, UAS y UAV. Los RPA
(Remotely Piloted Aircraft) son drones operados a distancia por un ser humano.
UAS (Unmanned Aircraft System) es un término más amplio que abarca
cualquier tipo de aeronave no tripulada, incluyendo tanto los vehículos como
los sistemas que los controlan. Por otro lado, las UAV (Unmanned Aerial Vehicle)
se refieren específicamente a los vehículos aéreos no tripulados, que pueden
ser controlados remotamente por un operador humano o mediante un software
instalado en un computador a bordo. Además, es común agregar la categoría
de RPAS (Remotely Piloted Aircraft System), que hace referencia al sistema
completo que incluye no solo el UAV, sino también el control remoto en tierra y
los mecanismos de comunicación entre el vehículo y el operador. A diferencia
de las otras siglas, RPAS subraya la interacción entre los componentes del
sistema y no se refiere a un tipo específico de vehículo.

– 71 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

2.6.2. Sensores

Una de las formas más comunes de clasificar a los sensores remotos se

basa en el procedimiento que utilizan para recibir la energía procedente de las
distintas cubiertas terrestres. Este tipo de clasificación distingue dos grandes
categorías de sensores:

• Sensores pasivos: son aquellos sensores que se limitan a recibir la energía

proveniente de las cubiertas de la superficie terrestre. En este caso, la
radiancia emitida por los objetos puede ser producto de la reflexión
de energía solar o de la emisión de la energía propia de los objetos
observados. Estos sensores pueden operar en distintas longitudes
de onda, capturando luz visible, infrarrojo cercano, térmico e incluso
microondas. Gracias a esta capacidad, es posible analizar fenómenos que
ocurren en la superficie terrestre, en los océanos y en la atmósfera. Dentro
de esta categoría, se puede diferenciar los sensores multiespectrales y
los hiperespectrales.

- Sensores multiespectrales: estos sensores recogen datos en varias

bandas del espectro electromagnético, incluidas las bandas RGB (colores
primarios) y algunas bandas en el infrarrojo cercano. Es decir, capturan
una fracción del espectro, lo que les permite obtener información
sobre características específicas de la superficie terrestre. Debido a su
capacidad para detectar variaciones en la luz reflejada, los sensores
multiespectrales se utilizan comúnmente en monitoreo ambiental,
análisis del uso del suelo y la vegetación, así como en estudios de cambio
climático y manejo de recursos naturales. Ejemplos representativos de
sensores multiespectrales son Landsat, Sentinel y MODIS.
- Sensores hiperespectrales: estos sensores tienen la capacidad de
captar cientos de bandas de onda extremadamente estrechas, lo que
les permite obtener una resolución espectral mucho más alta. Esta
capacidad facilita un análisis más detallado de las características de
la superficie terrestre, como la identificación precisa de materiales,
la detección de cambios sutiles en el paisaje y la monitorización de
fenómenos ambientales. Los sensores hiperespectrales son particu-
larmente útiles en aplicaciones como la agricultura de precisión, la

– 72 –
 Principios básicos de teledetección

gestión de recursos naturales y el monitoreo de la salud de los ecosis-

temas. Ejemplos representativos de sensores hiperespectrales inclu-
yen Hyperion, AVIRIS, EnMAP y PRISMA.

• Sensores activos: este tipo de sensores no requieren fuentes de energía

externa, ya que emiten su propio haz energético. Este haz de energía es
reflejado por los objetos observados y luego es capturado por el mismo
sensor. De esta forma, pueden prescindir de la energía solar y ofrecen la
gran ventaja de poder controlar el ángulo de incidencia de la radiación
o la frecuencia de cobertura según se desee (Chuvieco, 1995). Entre los
sensores activos se encuentran el Radar y el LiDAR.

- El Radar de Apertura Sintética (SAR, por su sigla en inglés): este sensor

se utiliza principalmente para el monitoreo del terreno, la vegetación
y diversos fenómenos naturales, con aplicaciones en áreas como la
agricultura, el estudio de glaciares y el análisis de cambios en el paisaje.
El SAR es capaz de detectar desplazamientos en la superficie terrestre,
lo que lo convierte en una herramienta valiosa para el monitoreo de
deformaciones y movimientos geológicos. El radar mide la energía
reflejada por las superficies observadas, operando principalmente en la
región del espectro que abarca longitudes de onda entre 0,1 cm y 1 m.
Gracias a su capacidad para obtener imágenes detalladas en cualquier
condición climática y de luz, ha sido ampliamente utilizado en aplicaciones
militares, así como en el control y monitoreo del tráfico aéreo.
- El LiDAR (Light Detection and Ranging): este sensor activo ha
encontrado un amplio campo de aplicación que incluye desde
la cartografía y estudios ambientales hasta la planificación de
infraestructuras y la investigación científica en diversos campos. Su
característica principal es el uso de un emisor láser que emite pulsos
de luz polarizada generalmente en los rangos del ultravioleta y del
infrarrojo cercano (Pinilla, 1995). Este sistema puede ser instalado
en plataformas espaciales o en UAV, permitiendo generar modelos
tridimensionales de alta resolución de la superficie terrestre. Estos
modelos son valiosos en aplicaciones como estudios forestales,
urbanos, geomorfológicos, de monitoreo ambiental y de gestión de
recursos naturales, entre otros.

– 73 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

2.7. Resolución de un sistema sensor

La resolución de un sistema sensor se puede definir como su capacidad

para registrar y distinguir detalles específicos de los objetos o fenómenos
que se está observando. Es un concepto clave que describe la calidad de la
información capturada por el sensor. La resolución se puede descomponer en
varios tipos, cada uno relacionado con un aspecto particular del sensor y su
capacidad para percibir detalles en la imagen capturada. Los tipos principales
de resolución en sensores remotos son:

2.7.1. Resolución espacial

La resolución espacial se refiere a la capacidad de un sensor para distinguir

objetos de un determinado tamaño. Se mide en unidades de longitud y
expresa la mínima distancia que debe entre dos objetos para que puedan ser
discriminados como entidades separadas. Así, un sensor con alta resolución
espacial podrá diferenciar objetos más pequeños que un sensor con baja
resolución (figura 21) (Chuvieco, 1995).
Las imágenes satelitales siguen un modelo de representación de tipo ráster,
en el cual la información se organiza en una estructura bidimensional formada
por celdas o píxeles. Las dimensiones de estos píxeles corresponden a la
resolución espacial de la imagen.
Los sensores utilizados en los diversos programas de teledetección tienen
resoluciones espaciales que varían según el propósito de la misión espacial
para la que fueron diseñados. Por ejemplo, los satélites destinados al estudio
de recursos naturales presentan resoluciones espaciales que van desde los
10 m x 10 m en el sensor SPOT-HRV en modalidad pancromática o 20 m x 20
m en modalidad multiespectral, hasta los 30 m x 30 m del sensor Landsat-
TM para sus bandas 1, 2, 3, 4, 5 y 7, y los 120 m x 120 m para el canal térmico
(banda 6). Estos sensores permiten obtener datos detallados y específicos para
la monitorización de la superficie terrestre, especialmente en áreas de recursos
naturales, uso del suelo y vegetación.

– 74 –
 Principios básicos de teledetección

Figura 21. Diferentes resoluciones espaciales para una misma zona.

En los últimos años, han surgido sensores comerciales que han transformado
el mercado satelital gracias a sus capacidades mejoradas en cuanto a la
resolución espacial de las imágenes capturadas. Un ejemplo destacado es
el satélite IKONOS, pionero en ofrecer imágenes pancromáticas con una
resolución espacial de 1 m x 1 m, y también en modalidad multiespectral con
una resolución de 4 m x 4 m. Aunque IKONOS marcó un hito en la observación
terrestre, más tarde el satélite QUICKBIRD II se destacó por ofrecer imágenes
con una resolución pancromática de 70 cm x 70 cm. Este avance no se detuvo,
ya que satélites más recientes, como el WorldView-3 y WorldView-4 de Maxar
Technologies, ofrecen resoluciones espaciales aún más finas, alcanzando hasta
31 cm en modalidad pancromática.
En estudios de escala regional, donde se requiere obtener información de
grandes superficies, se utilizan satélites cuyos sensores poseen resoluciones
espaciales que varían entre los 900 m del MOS-VTIR y los 1.100 m del NOAA-
AVHRR. En este contexto, los satélites con órbitas geoestacionarias, como
los satélites meteorológicos METEOSAT, GOES, GMS o GOMS, ofrecen las
resoluciones espaciales más bajas, con píxeles que alcanzan un tamaño de
5 km. Estos satélites proporcionan una cobertura continua y global, lo que es
ideal para el monitoreo de fenómenos atmosféricos y climáticos a gran escala.

– 75 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

2.7.2. Resolución espectral

La resolución espectral se refiere a la capacidad de un sensor para discriminar

la energía emitida o reflejada por los objetos observados a lo largo de distintas
longitudes de onda del espectro electromagnético.
Esta resolución se determina en función del número de bandas espectrales
que puede discriminar el sensor, así como la anchura de estas bandas (figura
22). Una mayor resolución espectral permite una mejor diferenciación de las
cubiertas terrestres, ya que cada una de ellas interactúa de manera particular
con las diferentes longitudes de onda del espectro (Chuvieco, 1995).

Figura 22. Configuraciones de bandas espectrales para imágenes Landsat y Sentinel 2.

En este sentido, a mayor número de bandas espectrales proporcionadas

por un sensor, mayor será su capacidad para realizar un análisis multiespectral
detallado de las características de las cubiertas terrestres. Asimismo, es
preferible que la anchura de cada banda sea lo más estrecha posible, para
evitar la obtención de valores promedios que incluyan regiones espectrales
con significados físicos diferentes.
Al igual que en el caso de la resolución espacial, el propósito del sensor y
el tipo de cubierta a estudiar influyen significativamente en su resolución es-
pectral. Esto se refleja en los sensores, cuyos rangos de discriminación varían

– 76 –
 Principios básicos de teledetección

según sus capacidades. Por ejemplo, el sistema SPOT-6 ofrece 4 bandas, el

sensor NOAA-AVHRR cuenta con 5 bandas, mientras que los sensores Land-
sat-8 tienen 11 bandas. La serie Sentinel-2 se destaca con 13 bandas y el siste-
ma MODIS alcanza hasta 36 bandas, lo que permite un análisis más detallado
de diversas características de la superficie terrestre, la atmósfera y los océanos.

2.7.3. Resolución radiométrica

La resolución radiométrica corresponde a la capacidad del sensor para

diferenciar los niveles o intensidades de radiancia espectral. En sistemas
analógicos, esta capacidad está determinada por el número máximo de
niveles de gris que se puede registrar. En los sistemas óptico-electrónicos,
donde la imagen se registra digitalmente, la radiancia electromagnética
incidente es capturada por el sensor en forma de celdillas, cada una de las
cuales tiene asignado un nivel digital (ND) proporcional a la cantidad de energía
electromagnética recibida (figura 23) (Pinilla, 1995).

Figura 23. Histogramas de imágenes de diferente resolución radiométrica.

La interpretación de una imagen mejora a medida que su precisión

radiométrica es mayor. Según Chuvieco (1996), el número de niveles más
adecuado para interpretar una imagen depende del método utilizado. Si la
interpretación se realiza visualmente, es importante tener en cuenta que la

– 77 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

visión humana es capaz de percibir un máximo de 64 niveles de gris y cerca

de 200.000 tonalidades de color. Por otro lado, cuando la interpretación se
lleva a cabo mediante clasificación digital, se aprovecha de manera más eficaz
la sensibilidad radiométrica de la imagen, ya que los computadores pueden
discriminar una escala numérica de mayor amplitud. Así, una mayor resolución
radiométrica permite la clasificación de diferentes objetos, incluso cuando sus
niveles de reflectividad son muy similares.
Una mayor resolución radiométrica también es crucial para aplicaciones que
requieren un análisis detallado de la superficie terrestre, como el monitoreo de
la salud de los cultivos, la detección de cambios en la cobertura forestal o la
identificación de cuerpos de agua. En estos casos, la capacidad de un sensor
para distinguir pequeñas variaciones en la radiancia, gracias a su resolución
radiométrica, mejora la precisión de las interpretaciones y permite la detección
de fenómenos que de otro modo podrían pasar desapercibidos con una menor
capacidad de discriminación. Esto hace que los sensores con alta resolución
radiométrica sean esenciales en estudios ambientales, urbanos y agrícolas,
entre otros.

2.7.4. Resolución temporal

La resolución temporal está relacionada con la frecuencia de observación

que puede proporcionar un sensor, es decir, la periodicidad con la que registra
imágenes de la misma porción de la superficie terrestre (figura 24). El ciclo de
cobertura de cada sensor dependerá de las características orbitales de la pla-
taforma que lo transporta, tales como la altura, la velocidad y la inclinación del
satélite, así como de las características específicas del sensor, especialmente
de su ángulo de apertura total (Pinilla, 1995).

– 78 –
 Principios básicos de teledetección

Figura 24. Diferentes estados temporales de una misma zona.

Este tipo de resolución es crucial en programas orientados a analizar la evo-

lución de fenómenos a lo largo del tiempo. Un ejemplo de ello son los estudios
meteorológicos, en los que una mayor resolución temporal permite detectar los
cambios más sutiles en la atmósfera, lo que a su vez posibilita la realización de
predicciones tempranas para zonas específicas del planeta. De este modo, la
resolución temporal es fundamental para monitorear eventos dinámicos como
tormentas, sequías y fenómenos climáticos a escala global o regional.
Además de los estudios meteorológicos, la resolución temporal es clave en
el monitoreo ambiental y la gestión de desastres naturales. Por ejemplo, en
el caso de los incendios forestales o las inundaciones, disponer de una alta
frecuencia de observación permite detectar cambios rápidos en la cubierta
terrestre, facilitando la evaluación de daños y la planificación de respuestas
inmediatas. Los satélites con alta resolución temporal también son esenciales
en la agricultura de precisión, donde el monitoreo frecuente de cultivos permite
a los agricultores tomar decisiones informadas sobre el riego, la fertilización o
la detección de plagas.
La resolución temporal también juega un papel importante en el monitoreo
de la dinámica urbana y el uso del suelo. Los cambios rápidos en áreas
urbanas, como el desarrollo de infraestructuras o la expansión de la población,
pueden ser seguidos a través de observaciones frecuentes, lo que permite una
planificación más eficiente del crecimiento urbano y la gestión de recursos.

– 79 –
 CAPÍTULO III
PROGRAMAS SATELITALES DE OBSERVACIÓN TERRESTRE Y
PROCESAMIENTO DE IMÁGENES

3.1. Principales programas de teledetección espacial

Existen numerosos programas de teledetección espacial activos que

proporcionan constantemente imágenes con diversas características técnicas,
lo que permite dar respuesta a diferentes necesidades de información en
múltiples campos de aplicación. A continuación, se describe brevemente los
principales programas de teledetección espacial, priorizando los existentes
en la actualidad. Para facilitar su revisión, se agruparán de acuerdo con su
orientación (pública o comercial) y la agencia (o compañía) espacial que los
respalda.

3.1.1. Programas no comerciales

Estos programas son fundamentales para la investigación científica, la

gestión de recursos naturales, la predicción del clima, la respuesta a desastres
y la planificación urbana, entre otras aplicaciones.

[Link]. NASA Earth Observing System (EOS) - Estados Unidos

El Sistema de Observación de la Tierra de la NASA (NASA Earth Observing

System, EOS) es un conjunto integral de satélites, sensores y programas de
investigación utilizados por la NASA para estudiar la Tierra y su entorno, con
el objetivo principal de comprender mejor el clima terrestre, los cambios
ambientales y los procesos naturales, así como los efectos de las actividades
humanas sobre el medio ambiente. El EOS incluye una serie de satélites que
orbitan la Tierra (figura 25), equipados con sensores avanzados que recopilan
datos sobre la atmósfera, los océanos, la vegetación, el hielo y el suelo,

– 81 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

midiendo parámetros como la temperatura, la humedad, las concentraciones

de gases y la reflectancia de la superficie terrestre. Los datos de los satélites
EOS permiten estudiar fenómenos como el cambio climático, la desertificación
y la deforestación, facilitando la predicción de eventos climáticos y geofísicos.
Estos datos están disponibles para científicos, gobiernos y organizaciones,
apoyando la toma de decisiones sobre el medio ambiente y la gestión de
recursos naturales.

Figura 25. Actual flota NASA EOS.

(Fuente: [Link]

• Landsat (Land satellite): es uno de los programas más antiguos y continuos

de observación terrestre, iniciado en 1972, y es clave para el estudio
de la superficie de la Tierra. El primer satélite de la serie, denominado
ERTS-1, fue lanzado el 23 de julio de 1972, y en 1975, el programa pasó a
llamarse oficialmente Landsat con el lanzamiento de Landsat-2. Desde
entonces, Landsat ha sido un proyecto fundamental para la percepción
remota de recursos naturales, con una rica fuente de imágenes aplicadas
principalmente al estudio de estos recursos. El programa ha utilizado
diferentes sensores a lo largo del tiempo, mejorando continuamente su
capacidad de observación. Inicialmente, los satélites Landsat usaban

– 82 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

el sensor MSS (Multispectral Scanner), que fue sustituido por el TM

(Thematic Mapper) en Landsat-3, ofreciendo mejor resolución espacial
y espectral (Chuvieco, 2002). En 1999, el lanzamiento de Landsat-7
incorporó el sensor ETM+ (Enhanced Thematic Mapper Plus), que permitía
obtener imágenes con 8 bandas espectrales. En 2013, Landsat-8 mejoró
la precisión radiométrica y añadió la capacidad de capturar radiación
infrarroja de onda corta (SWIR) mediante el sensor TIRS. Finalmente,
Landsat-9, lanzado en 2021, continúa este legado (figura 26) con mejoras
en la resolución radiométrica y la captura de 16.384 tonos, gracias a
sus avanzados sensores OLI-2 y TIRS-2, permitiendo una reducción
significativa de luz difusa y una mayor precisión en las imágenes. Este
satélite, que captura hasta 700 escenas diarias, es parte de una asociación
entre la NASA y el Servicio Geológico de los Estados Unidos.

Figura 26. Comparación de bandas espectrales de la serie Landsat.

(Fuente: [Link]

• Terra y Aqua: son satélites cuyo objetivo es estudiar de manera integral la

atmósfera, los océanos, la tierra y la criosfera para mejorar la comprensión
de los procesos terrestres y su interacción con el cambio climático. Terra,
lanzado en diciembre de 1999, fue diseñado para estudiar la dinámica
atmosférica global y los vínculos entre la atmósfera, los océanos y la
superficie terrestre. Desde su lanzamiento, Terra comenzó a generar datos
en 2000 y sigue siendo una fuente clave para el monitoreo ambiental.

– 83 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Aqua, lanzado en 2002, complementa a Terra al enfocarse en el ciclo del

agua y los fenómenos relacionados con la atmósfera y los océanos.
El satélite Terra está equipado con varios sensores fundamentales para la
observación terrestre. Uno de los más destacados es el MODIS (Moderate
Resolution Imaging Spectroradiometer), que realiza observaciones
globales cada uno o dos días, capturando datos en 36 bandas espectrales
en el rango de 0,4 a 14 µm. MODIS se utiliza para estudiar una amplia gama
de fenómenos, como las nubes, aerosoles, la actividad fotosintética, los
incendios y la cobertura de nieve, proporcionando información esencial
sobre los cambios en la superficie terrestre (figura 27) (Chuvieco, 2002).
Otro sensor clave es el ASTER (Advanced Spaceborne Thermal Emission
and Reflection Radiometer), que ofrece imágenes de alta resolución en
tres rangos espectrales: visible e infrarrojo cercano (VNIR), infrarrojo de
onda corta (SWIR) e infrarrojo térmico (TIR), siendo fundamental para el
mapeo de minerales, la identificación de rocas y la creación de modelos
digitales de terreno. CERES (Clouds and Earth’s Radiant Energy System)
mide el balance de radiación de la Tierra, analizando la influencia de
las nubes y la radiación solar en el clima global, mientras que el sensor
MOPITT (Measurements of Pollution in the Troposphere), desarrollado
en Canadá, monitorea las concentraciones de monóxido de carbono y
metano en la troposfera, proporcionando datos sobre la calidad del aire
y la polución atmosférica. Finalmente, el MISR (Multi-angle Imaging
SpectroRadiometer) captura imágenes multiangulares que permiten
estudiar la ecología y el clima terrestre, proporcionando información
sobre el espesor de la atmósfera, la reflectancia angular, la nubosidad y
la vegetación.

– 84 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

Figura 27. Imagen MODIS Land Cover Type (MCD12Q1) de Sudamérica.

– 85 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

[Link]. European Space Agency (ESA) - Unión Europea

La Agencia Espacial Europea (European Space Agency, ESA) es una

organización intergubernamental fundada en 1975, cuyo principal objetivo es la
exploración del espacio y el desarrollo de tecnologías espaciales. Aunque está
compuesta por 22 países miembros, su colaboración se extiende a nivel global,
involucrando a naciones fuera de la Unión Europea (UE). Su sede se encuentra
en París, Francia. Uno de los enfoques principales de la ESA es la observación
satelital de la Tierra. La agencia ha lanzado varios satélites, como los satélites
Sentinel, que forman parte del programa Copernicus de la UE. La ESA también
desarrolla y mantiene sistemas de navegación por satélite, como el programa
Galileo, similar al GPS de Estados Unidos, que contribuye a aplicaciones de
geolocalización, comunicaciones y seguridad.

• COPERNICUS: es el programa europeo de observación de la Tierra,

gestionado por la Comisión Europea, la ESA y agencias nacionales. Su
objetivo es proporcionar datos actualizados sobre el medio ambiente, los
recursos naturales y el cambio climático a través de los satélites Sentinel
(figura 28).

Figura 28. Imagen Setinel-2 infrarrojo color de la ciudad de Talca, Chile

– 86 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

Sentinel-1 consta de dos satélites que utilizan radar de apertura sintética

(SAR), lo que permite la observación de la superficie terrestre sin depender
de las condiciones meteorológicas o de luz. Su principal función es
detectar cambios en la superficie del planeta, como movimientos del
suelo, inundaciones o terremotos, además de estudiar la vegetación y la
infraestructura. Sentinel-2 está compuesto por dos satélites equipados
con cámaras de alta resolución que capturan imágenes ópticas de la
Tierra. Con 13 bandas espectrales, Sentinel-2 ofrece una visión detallada
del uso del suelo, la agricultura, la silvicultura y la calidad del agua. Los
datos proporcionan información valiosa para el monitoreo de la salud de
los cultivos, la identificación de áreas afectadas por plagas o sequías y
la observación de los efectos del cambio climático en los ecosistemas.
Sentinel-3 se centra en la monitorización de los océanos y las masas
de agua. Equipado con altímetros, radiómetros y espectrómetros,
permite medir la temperatura de la superficie del mar, el nivel del agua
y la concentración de clorofila, lo que ayuda a evaluar la salud de los
océanos y su papel en el cambio climático. Por su parte Sentinel-4 y
Sentinel-5 están dedicados al monitoreo de la atmósfera. Sentinel-4,
en órbita geoestacionaria, observa los gases contaminantes y la calidad
del aire en Europa. Mientras Sentinel-5, en órbita heliosíncrona, se
enfoca en la medición global de gases de efecto invernadero, partículas
contaminantes y ozono. Finalmente, Sentinel-6, en colaboración con
la NASA, está dedicada a la medición del nivel del mar y la topografía
oceánica, proporcionando datos fundamentales sobre el aumento del
nivel del mar y su relación con el cambio climático.

[Link]. National Oceanic and Atmospheric Administration (NOAA) - Estados

Unidos

La NOAA (Administración Nacional Oceánica y Atmosférica) de EE. UU.,

fundada en 1970, se encarga de comprender y predecir cambios en el clima,
los océanos y las costas. Opera una flota de satélites que recopilan datos sobre
fenómenos extremos, como huracanes y sequías, y proporciona pronósticos y
alertas para proteger vidas y recursos. La NOAA investiga la dinámica oceánica
y atmosférica, regula las pesquerías marinas y gestiona ecosistemas costeros.

– 87 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Sus datos y servicios son fundamentales para la predicción de desastres

naturales, la gestión de recursos y el monitoreo del cambio climático, siendo
esenciales a nivel global.

• GOES (Geostationary Operational Environmental Satellites): el programa

GOES (Satélites Geoestacionarios Operacionales Ambientales) consiste
en satélites meteorológicos en órbita geoestacionaria, lo que permite
observar continuamente una región con alta resolución temporal (figura
29). Iniciado en los años 60 con el satélite TIROS, el programa pasó a ser
gestionado por la NOAA en 1979 y desde entonces ha evolucionado en
capacidades tecnológicas y operativas. Los satélites GOES transmiten
datos meteorológicos, oceanográficos y medioambientales en tiempo
real desde su órbita geoestacionaria a 35.800 km de altitud, permitiendo
el monitoreo continuo de una región. Equipados con el sensor AVHRR
(Advanced Very High Resolution Radiometer), que registra información
en cinco bandas espectrales, monitorean fenómenos como incendios,
sequías y desertificación (Pinilla, 1995). La principal ventaja del sistema
GOES es su alta frecuencia de actualización, con el sensor AVHRR
observando cada 12 horas. Aunque su resolución es menor que la de
satélites de órbita baja, los GOES son esenciales para el monitoreo
climático, seguimiento de tormentas, huracanes y ciclones, y el estudio
del cambio climático.
• JPSS (Joint Polar Satellite System): el JPSS (Sistema Conjunto de Satélites
Polares) es un programa de satélites de órbita baja de la NOAA y NASA que
reemplaza al sistema anterior de satélites NOAA. Satélites como el Suomi
NPP (2011) y el NOAA-20 (2017) orbitan a 824 km de altitud, cubriendo la
Tierra dos veces al día. Equipados con sensores como el VIIRS (Visible
Infrared Imaging Radiometer Suite), el CrIS (Cross-track Infrared Sounder)
y el ATMS (Advanced Technology Microwave Sounder), recolectan
datos clave sobre la atmósfera, los océanos y la superficie terrestre.
Estos satélites son fundamentales para la predicción meteorológica, el
monitoreo del clima y el cambio climático y mejoran la precisión de los
pronósticos al complementar el sistema GOES.

– 88 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

Figura 29. Imagen GOES-19 GEOCOLOR de Sudamérica.

[Link]. JAXA (Japan Aerospace Exploration Agency) - Japón

La JAXA (Agencia de Exploración Aeroespacial de Japón) es la agencia

encargada de liderar las actividades espaciales del país, incluyendo la
investigación científica, la exploración del espacio y el desarrollo de satélites
para observación terrestre. En el campo del monitoreo ambiental, JAXA ha
desarrollado varios programas satelitales orientados a la gestión de recursos
naturales, la respuesta ante desastres y el estudio del cambio climático.

• ALOS (Advanced Land Observing Satellite): es uno de los principales

programas de JAXA, diseñado para ofrecer imágenes de alta resolución,
útiles en cartografía, monitoreo de desastres naturales y análisis del uso
del suelo. El satélite ALOS-2, equipado con radar de apertura sintética
(SAR), puede observar la superficie terrestre en cualquier condición
meteorológica o de iluminación, lo que lo hace esencial para detectar
terremotos, deslizamientos, inundaciones y cambios topográficos.
• GCOM (Global Change Observation Mission): es el segundo programa clave
de JAXA, centrado en la observación global del ciclo del agua y el clima.

– 89 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Dentro de este programa, destacan los satélites GCOM-W (Water) y GCOM-C

(Climate). GCOM-W monitorea variables, como la precipitación, la humedad
del suelo y la temperatura del mar, mientras que GCOM-C se enfoca en la
cobertura de nubes, aerosoles, vegetación y el balance de energía de la
Tierra. Ambos proporcionan datos fundamentales para estudiar el cambio
climático y mejorar los modelos meteorológicos y climáticos a largo plazo.

[Link]. ISRO (Indian Space Research Organisation) - India

La ISRO (Organización de Investigación Espacial India), fundada en 1969,

es la agencia espacial nacional de India. Su misión es promover el desarrollo
sostenible en áreas como la observación de la Tierra, las comunicaciones y la
exploración planetaria. ISRO ha ganado reconocimiento global por su capacidad
de lanzar satélites de bajo costo y alta eficiencia.

• Resourcesat: es una serie de satélites diseñados para la observación

de la Tierra, con el objetivo de monitorear los recursos naturales, la
agricultura, y el medio ambiente. El satélite Resourcesat-1, lanzado en
2003, y su sucesor, Resourcesat-2, lanzado en 2011, están equipados con
sensores ópticos e infrarrojos para capturar imágenes de alta resolución
que son utilizadas en la gestión de recursos hídricos, el monitoreo de
cultivos, la planificación urbana, y la detección de cambios ambientales.
Estos satélites proporcionan datos esenciales para la gestión eficiente
de los recursos naturales y la respuesta a desastres naturales, como
inundaciones y sequías.
• Cartosat: es una serie de satélites de alta resolución desarrollados para
aplicaciones cartográficas y de planificación territorial. El Cartosat-1, lanzado
en 2005, y sus sucesores, como Cartosat-2 y Cartosat-3, están diseñados
con cámaras de alta resolución capaces de capturar imágenes detalladas
de la superficie terrestre. Estos satélites son cruciales para la elaboración
de mapas topográficos, el monitoreo de la infraestructura y la planificación
urbana y rural, así como para la vigilancia de áreas afectadas por desastres.
El Cartosat-3, lanzado en 2019, es especialmente notable por su capacidad
de capturar imágenes con una resolución de hasta 0,25 metros, lo que lo
convierte en una herramienta vital para la cartografía de alta precisión.

– 90 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

[Link]. CSA (Canadian Space Agency) - Canadá

La CSA (Agencia Espacial Canadiense), fundada en 1989, se centra en

promover la innovación aeroespacial con énfasis en la investigación científica,
las tecnologías espaciales y la exploración. Juega un papel clave en la
cooperación internacional, colaborando con agencias como la NASA y la
ESA. En el ámbito de la observación satelital, ha desarrollado programas para
monitorear el medio ambiente, el cambio climático y los recursos naturales,
proporcionando datos cruciales para aplicaciones globales, como la gestión
de océanos, la agricultura, la seguridad marítima y la respuesta a emergencias.

• RADARSAT: es uno de los principales programas de observación satelital

de la CSA. Inició en 1995 con el lanzamiento de RADARSAT-1, el primer
satélite canadiense con radar de apertura sintética (SAR), capaz de captar
imágenes en cualquier condición meteorológica, incluso de noche o en
áreas remotas. RADARSAT-2, lanzado en 2007, mejoró la resolución y
precisión, siendo esencial para la gestión de recursos naturales, monitoreo
de desastres y vigilancia de actividades ilegales. En 2019, el programa se
actualizó con la RADARSAT Constellation Mission (RCM), que consta de
tres satélites, proporcionando datos más frecuentes y detallados sobre el
cambio climático, la deforestación y la seguridad nacional.

[Link]. RSA (Roscosmos o Roskosmos) - Rusia

Roscosmos (Corporación Estatal de Actividades Espaciales Roscosmos) es

la agencia espacial estatal de Rusia, encargada del desarrollo y coordinación
del programa espacial civil del país. Fundada en 1992 tras la disolución de la
URSS, gestiona actividades como vuelos espaciales tripulados, exploración
del espacio profundo y observación de la Tierra desde el espacio. Su sede
se encuentra en Moscú y opera centros clave, como los cosmódromos de
Baikonur y Vostochny.

• Resurs-P: la serie está formada por satélites de observación terrestre

desarrollados por Roscosmos, destinados a capturar imágenes de alta
resolución para aplicaciones civiles y comerciales. Operando en órbita

– 91 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

heliosincrónica, estos satélites están equipados con cámaras ópticas

pancromáticas y multiespectrales, capaces de generar imágenes con una
resolución de hasta 1 metro. Sus principales usos incluyen la cartografía
detallada, el monitoreo ambiental, la agricultura de precisión, la gestión
de recursos naturales, el control de infraestructura y la respuesta ante
desastres naturales. Desde 2013, se han lanzado tres satélites de esta
serie, que son administrados por el Centro Científico de Teledetección de
la Tierra bajo la supervisión de Roscosmos.
• Meteor-M: es una serie de satélites meteorológicos rusos de órbita polar,
desarrollados por Roscosmos y operados por Roshydromet, destinados a
la observación del clima, el medio ambiente y fenómenos atmosféricos.
Desde 2009, se han lanzado varias unidades equipadas con instrumentos,
como radiómetros, sondas de microondas y cámaras ópticas, que
permiten recopilar datos sobre nubosidad, temperatura, humedad y
precipitaciones. Estos satélites operan en órbitas heliosincrónicas y
también participan en el sistema internacional de búsqueda y rescate
COSPAS-SARSAT.

[Link]. CNSA (China)

La CNSA (Administración Nacional del Espacio de China) es una agencia

clave en la observación terrestre, encargada de desarrollar y coordinar
misiones espaciales centradas en el monitoreo y estudio de la Tierra. Desde
su creación en 1993, la CNSA ha lanzado una serie de satélites de observación
terrestre para recolectar datos sobre el clima, el medio ambiente, los recursos
naturales y la gestión de desastres. Además, la agencia contribuye al monitoreo
de fenómenos naturales como tormentas, terremotos e inundaciones,
proporcionando información crucial para la prevención de desastres.

• Gaofen: la serie Gaofen está compuesta por satélites de observación

terrestre diseñados para monitorear la superficie de la Tierra. Estos
satélites son capaces de capturar imágenes detalladas, proporcionando
información valiosa para la toma de decisiones en sectores clave. La serie
incluye diferentes modelos, cada uno con capacidades específicas en
cuanto a resolución espacial y espectral, lo que permite una vigilancia
precisa y eficiente de fenómenos naturales y actividades humanas.

– 92 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

• Fengyun: es una serie de satélites desarrollados para la observación y el

monitoreo del clima y el tiempo. Incluye tanto satélites geoestacionarios
como polares, que proporcionan datos cruciales para predecir el clima,
monitorear desastres naturales, como tormentas, tifones, sequías e inun-
daciones, y estudiar fenómenos atmosféricos globales. Estos satélites
capturan imágenes e información en tiempo real, lo que permite mejo-
rar la precisión de los pronósticos meteorológicos y apoyar la gestión de
emergencias.

3.1.2. Programas comerciales

Los programas comerciales de observación satelital han crecido, ofreciendo

imágenes de alta resolución y monitoreo en tiempo real para sectores como
agricultura, infraestructura, energía y defensa. Estos servicios ayudan a las
empresas a tomar decisiones informadas, mejorando la eficiencia y la capacidad
de respuesta ante imprevistos. La mejora en resolución y frecuencia ha hecho
estos servicios más accesibles. Algunos de los programas más relevantes
incluyen:

[Link]. Maxar Technologies

Maxar Technologies es una empresa líder en tecnología espacial y

geoespacial, conocida por ofrecer imágenes satelitales de alta resolución y
soluciones de análisis geoespacial. Fundada en 1969 como DigitalGlobe, la
compañía se especializa en la captura de datos satelitales a través de su flota
de satélites. Maxar proporciona servicios a sectores como defensa, agricultura,
energía e infraestructura, ofreciendo soluciones para monitoreo ambiental,
inteligencia geoespacial y gestión de desastres. Además, fabrica y lanza
satélites, posicionándose como un referente global en tecnología espacial y
análisis geoespacial.

• WorldView: la serie incluye satélites de alta resolución que capturan

imágenes de la Tierra con hasta 31 cm de detalle en modo pancromático
y 1,24 metros en multiespectral (figura 30). Estos satélites son utilizados
en diversas aplicaciones, como defensa, planificación urbana, agricultura

– 93 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

y gestión de desastres. La serie, que incluye satélites como WorldView-1,

WorldView-2, WorldView-3 y WorldView-4, ofrece cobertura global y
mejora continua en resolución y frecuencia de observación.

Figura 30. Imagen WorldView del campus Lircay de la Universidad de Talca.

• GeoEye: fue una empresa de imágenes satelitales adquirida por Maxar

Technologies en 2013. Su satélite GeoEye-1, lanzado en 2008, ofrece
imágenes de alta resolución de hasta 41 cm en modo pancromático y
1,65 m en multiespectral, con revisita de 3 días. Este satélite es utilizado
en aplicaciones como defensa, inteligencia y monitoreo ambiental.

[Link]. Airbus Defence and Space

Airbus Defence and Space es una división del grupo Airbus especializada
en soluciones aeroespaciales, de defensa y observación terrestre. Es uno
de los principales proveedores europeos de tecnología espacial, ofreciendo
satélites, servicios de imágenes, telecomunicaciones y sistemas de seguridad.
En observación de la Tierra, opera una constelación de satélites ópticos y radar,
que proporcionan imágenes de alta y muy alta resolución. También fabrica

– 94 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

satélites para terceros, desarrolla tecnologías espaciales avanzadas y participa

en programas internacionales, como Copernicus (de la ESA y la UE).

• Pléiades: conformada por los satélites Pléiades 1A y 1B (2011–2012) y la

nueva generación Pléiades Neo (desde 2021), esta constelación óptica
ofrece resoluciones de hasta 50 cm y 30 cm respectivamente. Cuenta con
capacidad de revisita diaria y programación ágil, siendo útil en cartografía,
urbanismo, agricultura, medio ambiente, gestión de desastres y defensa.
• SPOT: la serie SPOT (Satellite Pour l’Observation de la Terre), iniciada en
1986, ha sido clave en la teledetección civil. Los satélites más recientes,
SPOT 6 (2012) y SPOT 7 (2014), ofrecen imágenes de 1,5 metros de
resolución y cobertura diaria de grandes extensiones. Se emplean en
agricultura, cartografía, monitoreo ambiental, gestión de recursos y
planificación territorial, siendo ideales para el seguimiento frecuente de
zonas amplias.
• TerraSAR-X: lanzado en 2007, TerraSAR-X utiliza radar de apertura sintética
(SAR) para obtener imágenes de alta resolución, incluso con nubosidad
o en ausencia de luz. Con una resolución de hasta 1 metro, permite el
análisis detallado de estructuras, cambios en el terreno, actividad marítima
y situaciones de emergencia. Su satélite gemelo, TanDEM-X (2010), opera
en conjunto para generar modelos digitales de elevación en 3D con alta
precisión.

[Link]. Planet Labs

Planet Labs es una empresa estadounidense de observación terrestre,

fundada en 2010, que opera una de las mayores constelaciones de satélites de
órbita baja. Su enfoque en la monitorización frecuente permite detectar cambios
casi en tiempo real, con aplicaciones en agricultura, medio ambiente, gestión
de desastres, infraestructura y defensa. Mediante su modelo de “imágenes
como servicio”, facilita el acceso a datos geoespaciales usando plataformas
digitales e inteligencia artificial.

• Dove: serie de pequeños satélites de órbita baja con una resolución

de 3 a 5 metros. Están diseñados para ofrecer cobertura global diaria y

– 95 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

capturar imágenes ópticas actualizadas, siendo ideales para agricultura,

monitoreo ambiental y gestión de desastres, entre otras aplicaciones.
• SkySat: satélites de alta resolución con capacidad para capturar imágenes
ópticas de hasta 50 cm y video en alta definición. Son perfectos para
aplicaciones que requieren detalles precisos, como monitoreo urbano y
análisis de infraestructura, ofreciendo cobertura actualizada al integrarse
con la constelación Dove.

[Link]. BlackSky

BlackSky es una empresa estadounidense que opera una constelación

de satélites de órbita baja, ofreciendo imágenes de alta resolución y análisis
geoespacial en tiempo real. Sus satélites son adecuados para sectores como
seguridad, defensa, agricultura y gestión de desastres. BlackSky proporciona
datos actualizados diariamente y su plataforma de análisis, impulsada por
inteligencia artificial, procesa grandes volúmenes de información rápidamente.
Ofrece soluciones accesibles y personalizadas para organizaciones comerciales
y gubernamentales.

• BlackSky Global: la constelación de BlackSky Global consta de satélites

de órbita baja que proporcionan imágenes de alta resolución de hasta
1 metro y análisis geoespacial en tiempo real. Estos satélites permiten
monitorear áreas específicas con frecuencia diaria o mayor. Además,
la integración de inteligencia artificial en sus plataformas facilita el
procesamiento rápido de datos y la entrega de insights geoespaciales,
asegurando observación continua a nivel global.

[Link]. ICEYE

ICEYE es una empresa finlandesa especializada en satélites de radar de

apertura sintética (SAR) para la observación terrestre. Fundada en 2014, ha
sido pionera en satélites SAR pequeños y de bajo costo, ofreciendo imágenes
de alta resolución incluso en condiciones de nubosidad u oscuridad, lo que
permite una observación continua y precisa de la Tierra.

– 96 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

• ICEYE SAR: es una serie de satélites SAR diseñados para capturar imá-
genes de alta resolución desde órbitas bajas, incluso en condiciones ad-
versas. Con una resolución de hasta 1 metro, proporcionan monitoreo fre-
cuente de áreas específicas, permitiendo detectar cambios en el terreno,
infraestructura y fenómenos naturales. Son ideales para aplicaciones en
seguridad, gestión de desastres, agricultura e infraestructura. Además,
ofrecen datos geoespaciales en tiempo real, lo que facilita la toma de
decisiones informadas en diversas industrias.

[Link]. Satellogic

Satellogic es una empresa argentina que ofrece imágenes satelitales de

alta resolución y análisis geoespacial. Fundada en 2010, se especializa en
proporcionar acceso asequible a datos mediante una constelación de satélites
de órbita baja. Sus satélites capturan imágenes ópticas con resoluciones de 1
a 5 metros, siendo ideales para aplicaciones en agricultura, recursos naturales,
gestión de desastres y planificación territorial. Su modelo de “observación
continua” permite revisitas frecuentes a áreas específicas, ofreciendo
datos actualizados. Además, integra inteligencia artificial para optimizar el
procesamiento de grandes volúmenes de información.

• Aleph-1: es una serie de satélites de órbita baja desarrollada por Sate-

llogic. Diseñada para proporcionar imágenes ópticas de alta resolución,
facilita el monitoreo continuo de áreas clave, como agricultura, recursos
naturales, medio ambiente y urbanismo. Los satélites ofrecen cobertu-
ra global frecuente y actualizaciones geoespaciales precisas, apoyando
decisiones informadas en sectores comerciales y científicos, respaldadas
por tecnologías avanzadas de análisis de datos.

[Link]. Capella Space

Capella Space es una empresa estadounidense que ofrece imágenes de

alta resolución mediante satélites SAR. Fundada en 2016, sus satélites operan
en órbitas bajas y capturan imágenes de la Tierra en condiciones adversas. Son
ideales para aplicaciones en monitoreo de infraestructura, gestión de desas-

– 97 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

tres, seguridad, minería y cambio climático. Además, Capella Space propor-

ciona análisis de datos geoespaciales en tiempo real a través de una platafor-
ma eficiente, facilitando la toma de decisiones informadas y la integración con
otros sistemas.

• Capella SAR: satélites SAR que operan en órbitas bajas, proporcionando

imágenes de alta resolución incluso en condiciones de nubosidad, lluvia
o durante la noche. Con una resolución de hasta 50 cm, permiten el
monitoreo preciso de áreas específicas, ideales para seguridad, gestión
de desastres, infraestructura, agricultura, minería y cambio climático.
Gracias a su tecnología SAR, ofrecen observación continua y en tiempo
real, independientemente del clima.

[Link]. Spire Global

Spire Global es una empresa estadounidense que recopila datos geoespa-

ciales mediante satélites de órbita baja. Fundada en 2012, se especializa en la
observación de la Tierra a través de satélites que monitorean el clima, la nave-
gación y las comunicaciones, operando una de las mayores constelaciones de
satélites pequeños para obtener datos globales en tiempo real.

• Spire Cubesats: Spire utiliza Cubesats pequeños y compactos en órbitas

bajas para recopilar datos geoespaciales. Estos satélites proporcionan
una solución económica y eficiente para monitoreo climático, navegación,
comunicaciones y seguimiento marítimo y aéreo. Equipados con sensores
para medir parámetros como temperatura, humedad y vientos, ofrecen
datos actualizados en tiempo real. Su bajo costo y tamaño reducido
permiten una constelación global que mejora la cobertura y el monitoreo
continuo.

– 98 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

3.2. Procesamiento de imágenes

En la actualidad, la observación de la Tierra mediante satélites se ha

consolidado como una herramienta esencial para el monitoreo global del
territorio. Su capacidad para detectar cambios en entornos naturales y
ecosistemas es crucial para el estudio ambiental y la gestión sostenible de
los recursos. Una de sus principales ventajas es la posibilidad de distinguir
diferentes tipos de cobertura terrestre gracias a sus propiedades espectrales,
lo que, además, reduce la necesidad de inspecciones en terreno. Estas
imágenes permiten realizar análisis espaciales, espectrales y temporales con
alta precisión, y su conversión a datos numéricos facilita el procesamiento
digital mediante técnicas computacionales.
El procesamiento de imágenes satelitales comprende un conjunto de
técnicas diseñadas para extraer información relevante a partir de datos
captados por sensores remotos. Estas técnicas transforman imágenes en
bruto en productos útiles para diversas aplicaciones, como el monitoreo
ambiental, la planificación urbana o la agricultura. Aunque los métodos
varían según el sensor o el objetivo, muchas de las metodologías descritas a
continuación son ampliamente aplicables tanto a imágenes satelitales como
a fotografías aéreas. Cabe señalar que no se incluyen técnicas específicas
de fotogrametría, pero sí aquellas que permiten aprovechar al máximo las
distintas fuentes de datos remotos, ya sean captadas desde el espacio o
desde plataformas aéreas.

3.2.1. Corrección radiométrica

La corrección radiométrica es un paso clave en el procesamiento de imágenes

satelitales, ya que ajusta las variaciones en la intensidad de la radiación captada
por los sensores, provocadas por factores como la atmósfera, el ángulo solar o
las características del sensor. Su objetivo es asegurar que los valores asignados
a los píxeles reflejen con precisión la radiación real emitida o reflejada por la
superficie terrestre. Esto es crucial para obtener resultados consistentes en
análisis posteriores, como la clasificación, el monitoreo temporal o la detección
de cambios. Entre los métodos más comunes se encuentran:

– 99 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Corrección atmosférica: este proceso compensa los efectos de la

atmósfera, como la dispersión y absorción de la radiación, que pueden
alterar la señal registrada por el sensor. La aplicación de modelos
atmosféricos permite recuperar la reflectancia de superficie, es decir, la
cantidad real de radiación reflejada por el terreno.
• Corrección del sensor: se refiere al ajuste de las posibles distorsiones
causadas por el propio sensor, que pueden derivarse del envejecimiento
de los componentes electrónicos, la variabilidad entre sensores de di-
ferentes plataformas o defectos puntuales en los detectores. Esta co-
rrección busca normalizar las respuestas radiométricas para mantener
la coherencia entre diferentes imágenes, incluso cuando provienen de
distintos satélites o han sido adquiridas en momentos distintos.

3.2.2. Corrección geométrica

La corrección geométrica es un proceso esencial para eliminar distorsiones

espaciales en las imágenes satelitales y asegurar que cada píxel se ubique
correctamente en su posición geográfica real. Estas distorsiones pueden
deberse a factores como la curvatura terrestre, la inclinación del satélite o
la topografía del terreno. Una imagen corregida geométricamente permite
integrarse con otros datos geoespaciales y es fundamental para análisis
precisos en SIG, estudios multitemporales o superposición de capas. Entre los
métodos más utilizados, se encuentra:

• Georreferenciación: se basa en la identificación de puntos de control

terrestre (PCT), es decir, ubicaciones dentro de la imagen cuya posición
geográfica real es conocida. A partir de estos puntos, se establecen
relaciones espaciales que permiten transformar la imagen a un sistema
de coordenadas geográficas estándar. Esta técnica puede realizarse de
forma manual o automática, dependiendo de la calidad y disponibilidad
de los datos de referencia.
• Rectificación: es el proceso mediante el cual se aplica una transformación
geométrica a la imagen para ajustarla a un sistema de coordenadas
cartográficas determinado (por ejemplo, UTM). Esta transformación
considera los PCT y, en algunos casos, modelos digitales de elevación

– 100 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

para compensar los efectos de la topografía sobre la proyección de la

imagen.

3.2.3. Filtrado y suavizado

El filtrado y suavizado de imágenes satelitales es una técnica utilizada para

mejorar la calidad visual, reducir el ruido y facilitar la interpretación de los datos.
El ruido puede deberse a fallas del sensor, condiciones atmosféricas o errores
de transmisión, y puede dificultar tanto la visualización como los análisis
automatizados. Estos procesos permiten resaltar mejor las características de
interés y preparar la imagen para tareas como clasificación o detección de
bordes. Sin embargo, su aplicación debe ser cuidadosa, ya que un filtrado
excesivo puede afectar la calidad de la información. Entre los métodos más
comunes, se encuentra:

• Filtros de media y mediana: son técnicas simples y efectivas para la

reducción de ruido en imágenes de baja calidad. El filtro de media
reemplaza el valor de un píxel por el promedio de sus vecinos, mientras
que el de mediana lo reemplaza por el valor central, lo que lo hace
especialmente útil para eliminar el ruido impulsivo (tipo salt-and-pepper)
sin afectar demasiado los bordes.
• Filtros de suavizado espacial: aplican operaciones de convolución
que atenúan las variaciones bruscas en la intensidad de los píxeles,
generando una imagen más uniforme. Este tipo de filtrado es útil para
reducir pequeñas irregularidades y destacar patrones o estructuras más
amplias en la imagen, aunque puede disminuir la nitidez en los detalles
finos.

3.2.4. Clasificación de imágenes

La clasificación de imágenes es una técnica fundamental en el procesamien-

to satelital, que asigna a cada píxel una clase temática según sus característi-
cas espectrales, permitiendo convertir imágenes multiespectrales en mapas
de cobertura o uso del suelo, como vegetación, agua o áreas urbanas. Su ob-
jetivo es facilitar la interpretación y análisis del territorio, y se aplica en estudios

– 101 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

de cambio de uso del suelo, monitoreo ambiental o planificación territorial. Los

métodos varían según los datos disponibles y el conocimiento del área. Entre
los más comunes, se encuentra:

• Clasificación supervisada: en este enfoque, el analista proporciona al al-

goritmo un conjunto de muestras representativas de cada clase temática
(también llamadas “áreas de entrenamiento”), cuya cobertura es conoci-
da. A partir de estas muestras, el algoritmo aprende a identificar patro-
nes espectrales característicos y los aplica al resto de la imagen. Entre
los clasificadores supervisados más utilizados, se encuentra el Máxima
Verosimilitud (Maximum Likelihood), Árboles de Decisión, Máquinas de
Vectores de Soporte (SVM) y Redes Neuronales. Este método ofrece una
alta precisión cuando se dispone de datos de entrenamiento fiables.
• Clasificación no supervisada: a diferencia de la supervisada, este
método no requiere información previa sobre las clases. En su lugar, los
algoritmos agrupan los píxeles de la imagen en clases estadísticas con
base en la similitud espectral, generando agrupamientos (clusters) que
luego deben ser interpretados y etiquetados por el analista. Métodos
comunes incluyen el K-means y el ISODATA. Aunque puede ser menos
precisa, es útil en áreas poco conocidas o como paso preliminar para una
clasificación supervisada.
• Clasificación basada en índices espectrales: algunos índices derivados
de las bandas espectrales pueden utilizarse para clasificar directamente
ciertas coberturas. Un ejemplo ampliamente utilizado es el NDVI (Índice
de Vegetación de Diferencia Normalizada), que permite diferenciar
entre áreas con vegetación activa y superficies sin vegetación. Otros
índices incluyen el NDWI (Índice de Agua de Diferencia Normalizada)
para cuerpos de agua o el NDBI (Índice de Construcción de Diferencia
Normalizada) para áreas urbanas. Estos índices son especialmente útiles
para clasificaciones temáticas rápidas o como insumo complementario
en procesos más complejos.
• Random forest (bosques aleatorios): este método de aprendizaje auto-
mático se ha vuelto muy popular por su precisión, robustez y capacidad
para manejar grandes volúmenes de datos (figura 31). Random forest
construye múltiples árboles de decisión a partir de subconjuntos alea-

– 102 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

torios de datos de entrenamiento y combina sus resultados para mejorar

la clasificación final. Es menos sensible al sobreajuste y puede integrarse
fácilmente con otras variables auxiliares (por ejemplo, topografía, clima,
vegetación).

Figura 31. Clasificación de imagen Landsat con método Random forest.

• Redes Neuronales Convolucionales (CNN): aplicadas especialmente en

imágenes de alta resolución, las CNN forman parte del aprendizaje pro-
fundo (deep learning) y son capaces de extraer automáticamente caracte-
rísticas espaciales y espectrales complejas. A diferencia de los métodos
tradicionales, las CNN no solo consideran el valor espectral de un píxel,
sino también el contexto espacial de su vecindario, mejorando significati-
vamente la detección de patrones y estructuras.
• Clasificación basada en objetos (OBIA, Object-Based Image Analysis):
en lugar de clasificar píxeles individuales, esta técnica agrupa píxeles en
segmentos u “objetos” homogéneos en términos espectrales y espacia-
les, y luego los clasifica. OBIA es particularmente útil en imágenes de alta
resolución, donde la variabilidad espectral dentro de una misma clase
puede generar errores en métodos tradicionales. Además, permite incor-
porar atributos como forma, textura y contexto, haciendo posible una cla-
sificación más cercana a la interpretación humana.

– 103 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La elección del método de clasificación depende de diversos factores (ver

tabla 1), incluyendo la resolución espacial y espectral de la imagen, los objetivos
del análisis, la disponibilidad de datos auxiliares y la experiencia del analista.
En todos los casos, la validación de los resultados mediante datos de campo
o fuentes confiables es crucial para asegurar la precisión del mapa temático
generado.

Tabla 1. Comparativa de los métodos de clasificación

Método Descripción Ventajas

Clasificación Utiliza muestras predefinidas (áreas Alta precisión si las muestras de
supervisada de entrenamiento) para entrenar un entrenamiento son representativas.
modelo que clasifique los píxeles. Fácil de interpretar.
Clasificación no Agrupa los píxeles en clases esta- Útil cuando no se tiene información
supervisada dísticas basadas en similitudes es- previa sobre las clases. Rápido para
pectrales sin intervención humana áreas desconocidas
Clasificación Usa índices como NDVI, NDWI, Rápido y eficaz para ciertas cober-
basada en índices NDBI para clasificar áreas en base a turas específicas. No requiere gran-
espectrales características espectrales específi- des volúmenes de datos.
cas (por ejemplo, vegetación, agua,
suelo).
Random forest Método de aprendizaje automático Robustez, precisión y capacidad
(bosques basado en múltiples árboles de de- para manejar grandes volúmenes
aleatorios) cisión que se combinan para mejo- de datos. Menos propenso al so-
rar la clasificación. breajuste.
Redes Algoritmo de aprendizaje profundo Alta precisión en imágenes de alta
Neuronales que extrae características espacia- resolución. Eficaz para detectar pa-
Convolucionales les y espectrales complejas auto- trones complejos y no lineales.
(CNN) máticamente a partir de la imagen.
Clasificación Agrupa los píxeles en segmentos Mejor rendimiento en imágenes de
Basada en homogéneos (objetos) y los clasifica alta resolución. Considera atributos
Objetos (OBIA) según atributos espaciales, espec- espaciales y contextuales.
trales y contextuales.

3.2.5. Análisis espectral

El análisis espectral es una técnica esencial en el procesamiento de imáge-

nes satelitales, ya que utiliza distintas bandas del espectro electromagnético
(como el visible, el infrarrojo cercano o el infrarrojo de onda corta) para identi-
ficar y caracterizar elementos en la superficie terrestre. Cada material refleja o
absorbe la radiación de forma distinta, lo que permite detectar y evaluar áreas

– 104 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

como vegetación, cuerpos de agua, suelos o zonas urbanas. Además de identi-

ficar elementos naturales, esta técnica permite monitorear su estado a lo largo
del tiempo, siendo clave en estudios de deforestación, cambio climático o ges-
tión de recursos. La combinación de bandas resalta atributos no visibles en una
sola banda, facilitando análisis ambientales y geoespaciales. Entre los métodos
más comunes, se encuentra:

• Análisis de índices espectrales: los índices espectrales son fórmulas

matemáticas que combinan los valores de diferentes bandas espectrales
para resaltar ciertas características del terreno. Algunos de los índices
más utilizados incluyen:

- NDVI (Índice de Vegetación de Diferencia Normalizada): calculado

usando las bandas del rojo y del infrarrojo cercano, el NDVI es un
índice ampliamente utilizado para monitorear la salud y densidad
de la vegetación. Los valores del NDVI varían entre -1 y +1, donde
valores cercanos a +1 indican vegetación densa y saludable y valores
cercanos a 0 o negativos sugieren la ausencia de vegetación o áreas
no vegetadas (como agua o suelos desnudos) (figura 32).

Figura 32. NDVI de imagen Sentinel 2.

– 105 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- ISND (Índice de Suelo de Diferencia Normalizada): este índice se

utiliza para distinguir suelos de otras superficies, como la vegetación o
cuerpos de agua. Generalmente, se calcula usando la diferencia entre
las bandas del infrarrojo cercano y el rojo. Los valores positivos indican
áreas con suelos desnudos, mientras que los valores cercanos a cero
o negativos indican la presencia de vegetación o agua.
- NDBI (Índice de Construcción de Diferencia Normalizada): este índice
emplea las bandas del infrarrojo de onda corta y el infrarrojo cercano
para identificar áreas urbanas. Los valores positivos de NDBI suelen
correlacionarse con la presencia de construcciones y superficies
urbanizadas, lo que lo convierte en una herramienta útil para el
monitoreo del crecimiento urbano.
- NDWI (Índice de Agua de Diferencia Normalizada): utiliza las bandas
del infrarrojo de onda corta y el verde para identificar cuerpos de
agua en las imágenes. El NDWI es útil para detectar cambios en la
cantidad de agua en áreas específicas, como lagos, ríos o humedales.
Los valores positivos indican la presencia de agua, mientras que los
valores cercanos a cero o negativos corresponden a superficies no
acuáticas.
- NDSI (Índice de Diferencia Normalizada de Nieve): el NDSI se utiliza
para identificar y mapear la presencia de nieve en la superficie terrestre.
Se calcula combinando las bandas del verde y del infrarrojo cercano.
Los valores positivos indican áreas cubiertas de nieve, mientras que
los valores negativos son típicamente indicativos de superficies sin
nieve, como tierra o vegetación.

• Composición de bandas: consiste en combinar diferentes bandas espec-

trales para generar imágenes que resalten características específicas del
terreno. Por ejemplo, la combinación de bandas rojo, verde y azul crea
una imagen en color verdadero, mientras que combinaciones de otras
bandas, como el infrarrojo cercano y el rojo, pueden resaltar caracterís-
ticas como la vegetación, las áreas urbanas o los cuerpos de agua. Esta
técnica puede facilitar la visualización de patrones y estructuras que no
son fácilmente observables en las imágenes originales de banda indivi-
dual.

– 106 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

3.2.6. Detección de cambios

La detección de cambios es una técnica que compara imágenes satelitales

obtenidas en diferentes momentos para identificar transformaciones en la
superficie terrestre, como expansión urbana, deforestación, cambios agrícolas
o impactos de desastres naturales. Su objetivo es proporcionar información
clave para la gestión ambiental, la planificación territorial y la respuesta ante
emergencias. Detectar cambios a tiempo es esencial para la toma de decisiones
en políticas de conservación, uso del suelo y manejo de recursos. Los métodos
comunes utilizados en esta técnica son:

• Análisis de diferencias: compara directamente las imágenes de diferentes

momentos, calculando la diferencia de los valores de píxeles. Las áreas con
cambios importantes mostrarán diferencias significativas. Este método es
eficaz para detectar cambios grandes, pero puede ser sensible a factores
estacionales o atmosféricos, requiriendo a veces preprocesamiento.
• Detección de cambios por índices: utiliza índices espectrales como el
NDVI, para detectar variaciones en la vegetación. Este enfoque es útil para
monitorear cambios en la cobertura vegetal, como deforestación, y se
puede aplicar a otros índices, como NDWI (agua) o NDBI (áreas urbanas).
• Métodos basados en clasificación: clasifica imágenes en categorías y
compara los cambios entre dos momentos. Detecta transformaciones
sutiles, como la conversión de un bosque en una zona urbana, aunque
requiere un procesamiento más intensivo.
• Análisis multitemporal: utiliza múltiples imágenes tomadas en diferentes
momentos para identificar tendencias a largo plazo, como el crecimiento
urbano o la degradación ambiental, mediante algoritmos como el análisis
de componentes principales (PCA) o el análisis de series temporales.

3.2.7. Detección de objetos y segmentación

La detección de objetos y segmentación es un proceso que identifica,

delimita y clasifica objetos dentro de una imagen satelital, como edificios,
carreteras o cuerpos de agua. La segmentación divide la imagen en regiones
homogéneas correspondientes a diferentes características del terreno, lo que

– 107 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

facilita un análisis más preciso de los objetos presentes. Este proceso es crucial
para aplicaciones como monitoreo urbano, planificación de infraestructuras
y gestión ambiental. Al clasificar objetos específicos, permite un análisis más
focalizado para la toma de decisiones. Los métodos comunes incluyen:

• Segmentación basada en píxeles: este enfoque agrupa píxeles con

características espectrales similares en regiones homogéneas. Es eficaz
para objetos regulares, como cuerpos de agua o vegetación, pero menos
útil para objetos de forma irregular o mezclados.

- Umbralización: segmenta la imagen según un valor umbral de

intensidad en uno o más canales espectrales. Es útil para objetos con
un alto contraste con su entorno, como carreteras o construcciones.
- Segmentación por regiones crecientes: inicia en un píxel y agrupa
píxeles vecinos con características similares hasta formar una región
homogénea; ideal para áreas continuas como campos o cuerpos de
agua.

• Algoritmos de aprendizaje automático: los modelos entrenados en IA se

utilizan para detectar objetos complejos en imágenes satelitales. Entre
los métodos más comunes, se incluye:

- Redes Neuronales Convolucionales (CNN): utilizadas en visión por

computadora, las CNN aprenden características espaciales complejas
y detectan objetos como edificios, carreteras o árboles en imágenes
de alta resolución, incluso cuando son pequeños o están ocultos.
- Máquinas de Soporte Vectorial (SVM): algoritmo supervisado que
separa objetos, como vegetación o agua, mediante un hiperplano en
un espacio multidimensional. Es útil para clasificación y segmentación
en datos más simples o pequeños.
- Algoritmos de segmentación semántica: asignan una etiqueta a cada
píxel según el objeto al que pertenece, permitiendo una detección
más precisa de objetos específicos, como vegetación o áreas urbanas,
en comparación con la segmentación tradicional.

– 108 –
 Programas satelitales de observación terrestre y procesamiento de imágenes

• Segmentación multiescala: algoritmos que trabajan con diferentes

resoluciones, útiles cuando los objetos tienen tamaños variables, como
edificios más grandes que carreteras o árboles. Este enfoque, combinado
con técnicas de aprendizaje automático, mejora la precisión de la
segmentación.

3.2.8. Generación de Modelos Digitales de Elevación (MDE)

La generación de Modelos Digitales de Elevación (MDE) crea representacio-

nes tridimensionales del terreno, reflejando la elevación y topografía de una re-
gión. Estos modelos son clave para estudios ambientales, planificación urbana
y gestión de recursos. Los MDE proporcionan detalles sobre la forma del terre-
no, pendientes y áreas propensas a desastres naturales. Los métodos comunes
para generar MDE son:

• Estereoscopía: utiliza imágenes satelitales tomadas desde diferentes

ángulos para crear una vista 3D del terreno, similar a la percepción
humana de la profundidad. Es útil en áreas inaccesibles y se emplea en
satélites como ASTER y WorldView.
• Radar de Apertura Sintética (SAR): emplea señales de radar para generar
modelos detallados del relieve, incluso en condiciones de nubosidad o
noche. La Interferometría SAR (InSAR) mide variaciones en la elevación;
útil para detectar movimientos geológicos.
• Datos LiDAR: usa pulsos láser para medir la distancia entre el sensor y el
terreno, proporcionando alta precisión en áreas como estudios urbanos
o bosques. El LiDAR aéreo o terrestre se complementa con imágenes
satelitales para generar MDEs detallados.

3.2.9. Mosaico de imágenes

El mosaico de imágenes es una técnica que combina varias imágenes sateli-

tales para formar una imagen continua que cubre áreas más grandes. Es útil en
proyectos como monitoreo ambiental, cartografía o estudios de cambio climá-
tico. El objetivo es crear una representación coherente del terreno, eliminando
bordes visibles y corrigiendo inconsistencias radiométricas o geométricas. Para

– 109 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

ello, se utilizan métodos como el cosido de imágenes y ajustes radiométricos,

lo que mejora tanto la apariencia visual como la precisión en los análisis espa-
ciales.

3.2.10. Fusión de imágenes

La fusión de imágenes combina datos de diferentes sensores para crear

una imagen más informativa, mejorando tanto la resolución espacial como es-
pectral. Esto permite superar las limitaciones de cada sensor, como combinar
imágenes ópticas con imágenes SAR para monitorear en condiciones de nubo-
sidad o baja luz. Un método común es el pan-sharpening, que fusiona una ima-
gen pancromática de alta resolución con una imagen multiespectral de menor
resolución. Esta técnica mejora la calidad visual y proporciona información más
precisa, siendo clave en aplicaciones como planificación urbana, agricultura de
precisión y monitoreo de desastres.

3.2.11. Análisis de series temporales

El análisis de series temporales en imágenes satelitales estudia la evolución

de fenómenos terrestres a lo largo del tiempo mediante imágenes sucesivas.
Permite detectar patrones y eventos que no serían visibles en una sola imagen,
como el crecimiento de la vegetación, el cambio climático o la expansión
urbana. Métodos comunes incluyen el análisis de tendencias (como el NDVI
para vegetación) y la detección de anomalías. Es útil para identificar eventos
extremos como sequías o incendios. Con misiones como Sentinel-2 y MODIS,
el análisis de series temporales se ha vuelto esencial para entender dinámicas
terrestres y apoyar la toma de decisiones.

– 110 –
 CAPÍTULO IV
SISTEMAS GLOBALES DE NAVEGACIÓN SATELITAL

4.1. Conceptos generales

Los Sistemas Globales de Navegación Satelital (GNSS) incluyen constelacio-

nes de satélites y sistemas de apoyo terrestre que permiten funciones esen-
ciales como el posicionamiento, la navegación y la temporización. El sistema
más antiguo es el estadounidense GPS, seguido por GLONASS (Rusia) y, más
recientemente, Galileo (Unión Europea) y BeiDou (China). Aunque GPS fue el
primer sistema operativo y de uso masivo, su nombre se usa erróneamente
para referirse a cualquier sistema GNSS.
El origen de estos sistemas se remonta a la década de 1970, cuando el De-
partamento de Defensa de [Link]. desarrolló el GPS con fines militares. A prin-
cipios de los 80, el GPS comenzó a abrirse al uso civil, gracias a su precisión,
rapidez y versatilidad, lo que permitió su expansión en aplicaciones en ciencias
de la Tierra, especialmente en navegación y topografía (Prodan et al., 1997; Lei-
ca, 1999).
Hoy en día, los GNSS tienen aplicaciones en sectores como minería, agricul-
tura, urbanismo y gestión forestal. En el ámbito ambiental, son cruciales para
tareas como el monitoreo de parcelas, mapeo de rodales y diseño de caminos
(Hasen, 1996). Además, en la vida cotidiana, los GNSS son esenciales para la
navegación vehicular, aplicaciones móviles y planificación de rutas (Martínez y
Ordóñez, 2010).

4.2. Configuración de un sistema de navegación satelital

El funcionamiento de un sistema GNSS se basa en la interacción entre una

constelación de satélites y un receptor terrestre (georreceptor). Mediante la
medición precisa de las distancias entre varios satélites y la antena del recep-

– 111 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

tor, ubicada en el punto de interés, es posible determinar la posición geográfica

de dicho punto, expresada en términos de latitud, longitud y altitud. Esta técni-
ca, conocida como trilateración, permite obtener coordenadas precisas a partir
de las señales emitidas por los satélites.
Un sistema GNSS se compone de tres segmentos fundamentales (figura 33),
cada uno con características y funciones específicas que en conjunto permiten
el correcto funcionamiento del sistema (Berné et al., 2023):

Figura 33. Componentes del Sistema GNSS.

• El segmento espacial: está conformado por una constelación de satélites

que orbitan la Tierra, emitiendo señales de radio que contienen informa-
ción precisa sobre su ubicación y el instante exacto en que la señal fue
transmitida. Cada sistema GNSS (GPS, GLONASS, Galileo, BeiDou, entre
otros) opera con su propia constelación, distribuida en diferentes órbitas
y con distinta configuración orbital, lo que asegura cobertura global y re-
dundancia.
• El segmento de control: integrado por una red de estaciones terrestres,
responsables de monitorizar, mantener y controlar el correcto funciona-

– 112 –
 Sistemas globales de navegación satelital

miento de los satélites. Estas estaciones supervisan el estado de cada

satélite, corrigen desviaciones en sus órbitas y garantizan la precisión de
los relojes atómicos a bordo, esenciales para el cálculo de posiciones.
Además, se encargan de enviar actualizaciones y correcciones a los saté-
lites de forma periódica.
• El segmento de usuarios: comprende todos los dispositivos receptores
que utilizan las señales GNSS para determinar su posición, ya sea en apli-
caciones personales, comerciales o científicas. Este segmento abarca
desde teléfonos móviles, sistemas de navegación vehicular, aeronáutica
y marítima, hasta estaciones geodésicas de alta precisión. Los receptores
reciben las señales de múltiples satélites, las procesan y calculan su ubi-
cación mediante algoritmos de trilateración.

4.3. Sistemas de navegación satelital actuales

En la actualidad, es posible determinar la ubicación de un objeto en cual-

quier parte del mundo mediante sistemas de navegación satelital. A lo largo de
las últimas cinco décadas, se ha desarrollado cuatro sistemas globales ope-
rativos: el GPS, lanzado por Estados Unidos en la década de 1970; GLONASS,
desarrollado por Rusia en los años 80; Galileo, operado por la Unión Europea y
en funcionamiento desde 2016; y BeiDou, de China, que comenzó como un sis-
tema regional a principios del siglo XXI y alcanzó cobertura global en la década
de 2020. Además de estos sistemas globales, existen constelaciones regiona-
les como el QZSS (Japón) y el IRNSS (India), que ofrecen servicios de posiciona-
miento en sus respectivas zonas geográficas. A continuación, se presenta una
descripción detallada de cada uno de estos sistemas.

4.3.1. GPS - Estados Unidos

El Global Positioning System (GPS) es el sistema de navegación satelital de-

sarrollado por el Departamento de Defensa de los Estados Unidos, que propor-
ciona información precisa de posición, velocidad y tiempo en cualquier parte
del mundo y bajo cualquier condición climática. Originalmente diseñado para
uso militar en la década de 1970, fue habilitado para uso civil en los años 80. En

– 113 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

la actualidad, tiene aplicaciones en telefonía móvil, navegación vehicular, agri-

cultura de precisión, sistemas geodésicos y monitoreo ambiental, entre otras.
El segmento espacial de GPS está conformado por una constelación míni-
ma de 24 satélites operativos, aunque típicamente se mantienen entre 30 y 33
satélites activos para asegurar redundancia y cobertura global. Estos satélites
están distribuidos en seis planos orbitales separados por 60° entre sí, con una
inclinación orbital de 55° respecto al ecuador y una altitud media de 20.200 km.
El período orbital es de aproximadamente 11 horas y 58 minutos, lo que permite
cubrir cada punto del planeta al menos dos veces por día. Esta configuración
garantiza que al menos cuatro satélites sean visibles en todo momento desde
cualquier lugar de la Tierra, condición mínima para obtener una solución tridi-
mensional de posicionamiento (latitud, longitud y altitud). Cada satélite trans-
mite continuamente señales de radiofrecuencia en la banda L, principalmente
en las frecuencias:

• L1 (1.575,42 MHz): transporta el código C/A (Coarse/Acquisition) de uso

civil y el código P(Y) de uso restringido.
• L2 (1.227,60 MHz): empleada para el código P(Y) y para mejorar la correc-
ción de errores ionosféricos en receptores de doble frecuencia.
• L5 (1.176,45 MHz): frecuencia civil moderna que mejora la precisión y ro-
bustez del servicio, especialmente para aplicaciones críticas, como la
aviación.

Estas señales incluyen información sobre la efeméride (posición y velocidad

exacta del satélite), el almanaque (datos orbitales de toda la constelación) y el
tiempo de transmisión, sincronizado mediante relojes atómicos de rubidio o
cesio a bordo de cada satélite. Esta información permite al receptor calcular el
tiempo que tarda la señal en llegar y, por tanto, la distancia al satélite, mediante
el método de trilateración.
El segmento de control está compuesto por una estación maestra (Master
Control Station, en Colorado Springs), un conjunto de estaciones de monitoreo
distribuidas globalmente (como en Hawái, Diego García y Ascensión) y varias
antenas terrestres. Este segmento se encarga de rastrear los satélites, actua-
lizar sus efemérides, calibrar los relojes atómicos y corregir las desviaciones
orbitales. El sistema de control fue modernizado con la implementación del

– 114 –
 Sistemas globales de navegación satelital

Operational Control Segment (OCS) y continúa actualizándose bajo el progra-

ma GPS III, que introduce mejoras en precisión, resistencia a interferencias y
compatibilidad con otros sistemas GNSS.

4.3.2. GLONASS - Rusia

El GLONASS (acrónimo de Globalnaya Navigatsionnaya Sputnikovaya

Sistema o Sistema Global de Navegación por Satélite) es el sistema de
navegación satelital desarrollado por la antigua Unión Soviética y actualmente
operado por la Federación Rusa. Diseñado inicialmente con fines militares en
la década de 1980, GLONASS fue progresivamente abierto al uso civil y hoy
constituye, junto con GPS, uno de los sistemas GNSS de cobertura global
plenamente operativos.
El segmento espacial de GLONASS está compuesto por una constelación
de al menos 24 satélites activos, distribuidos en tres planos orbitales con una
separación de 120° entre ellos. Cada plano orbital contiene 8 satélites ubicados
a una altitud de aproximadamente 19.100 km, con una inclinación orbital de
64,8°, lo que le otorga mejor cobertura en latitudes altas, especialmente útil
para el territorio ruso. El periodo orbital de los satélites es de 11 horas y 15 mi-
nutos (Jerez y Alves, 2018). A diferencia de GPS, que utiliza la técnica de acceso
múltiple por código (CDMA), GLONASS emplea acceso múltiple por frecuencia
(FDMA), es decir, cada satélite transmite en una frecuencia ligeramente distinta
dentro de la misma banda. Las señales principales se emiten en:

• L1 (1.602,5625 - 1.615,5 MHz): para navegación civil y militar.

• L2 (1.246 - 1.256 MHz): utilizada principalmente para propósitos militares y
para mejorar la precisión con receptores de doble frecuencia.
• L3 (1.202,025 MHz): nueva señal civil compatible con otros GNSS, incluida
en los satélites GLONASS-K.

Las señales transmitidas contienen la efeméride del satélite, el almanaque

de la constelación y la hora de transmisión, sincronizada mediante relojes ató-
micos de cesio y rubidio a bordo. Al igual que en otros sistemas GNSS, esta
información permite a los receptores calcular las distancias a múltiples satéli-
tes y determinar su posición mediante trilateración. El segmento de control es

– 115 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

gestionado por el Ministerio de Defensa ruso a través de un sistema de centros

de control y estaciones de monitoreo distribuidos principalmente en el terri-
torio de la Federación Rusa. Este segmento realiza el seguimiento de la cons-
telación, actualiza los parámetros orbitales y temporales y garantiza el buen
funcionamiento del sistema (Berné et al., 2014).
Desde mediados de los años 2000, GLONASS ha experimentado un proceso
de modernización con el despliegue de satélites GLONASS-M y GLONASS-K,
que ofrecen mayor vida útil (hasta 10-12 años), mejor precisión en las efemé-
rides y nuevas señales de navegación. Se prevé que la próxima generación,
GLONASS-K2, incorporará tecnología CDMA para mejorar la interoperabilidad
con GPS, Galileo y BeiDou. Actualmente, GLONASS ofrece una precisión hori-
zontal promedio de entre 2 y 5 metros, comparable a la del GPS, y es utilizado
ampliamente en aplicaciones tanto civiles como militares, así como en siste-
mas receptores multiconstelación.

4.3.3. Galileo - Unión Europea

Galileo es el sistema global de navegación por satélite desarrollado por la

Unión Europea (UE) a través de la Agencia de la Unión Europea para el Progra-
ma Espacial (EUSPA) en colaboración con la Agencia Espacial Europea (ESA).
Su diseño busca garantizar la independencia europea en servicios de posicio-
namiento y navegación tanto en el ámbito civil como estratégico. Galileo es el
primer sistema GNSS gestionado enteramente por una entidad civil, a diferen-
cia de GPS y GLONASS, que son operados por instituciones militares.
El programa comenzó su desarrollo a principios de los años 2000 y alcan-
zó su capacidad operativa inicial (IOC) en 2016. Una vez completado, Galileo
contará con una constelación plena de 30 satélites, compuesta por 24 satélites
operativos y 6 satélites de repuesto en órbita. Estos satélites están ubicados
en tres planos orbitales inclinados a 56° respecto al ecuador, a una altitud me-
dia de 23.222 km, con un periodo orbital de aproximadamente 14 horas. Esta
configuración permite una cobertura global robusta y complementaria a los
sistemas GPS y GLONASS.
Cada satélite está equipado con cuatro relojes atómicos de alta precisión:
dos relojes de máser de hidrógeno pasivo (extremadamente estables, con una
deriva de apenas 1 nanosegundo cada 3 millones de segundos) y dos de rubi-

– 116 –
 Sistemas globales de navegación satelital

dio, que actúan como respaldo. Esta precisión temporal es fundamental para
mejorar la exactitud del posicionamiento y la sincronización. Así, Galileo trans-
mite sus señales en varias frecuencias de la banda L, compatibles con otros
sistemas GNSS:

• E1 (1.575,42 MHz): equivalente a la L1 de GPS; contiene la señal civil abier-

ta (Open Service).
• E5a (1.176,45 MHz) y E5b (1.207,14 MHz): utilizadas para servicios de alta
precisión y profesionales.
• E6 (1.278,75 MHz): empleada para servicios comerciales de valor agrega-
do y cifrados (Commercial Service).

Las señales Galileo están moduladas mediante acceso múltiple por código
(CDMA) y utilizan técnicas avanzadas de codificación (BOC - Binary Offset Ca-
rrier), que ofrecen mejor resolución multipath y robustez frente a interferencias.
El segmento de control terrestre está compuesto por centros de control
principales en Oberpfaffenhofen (Alemania) y Fucino (Italia), junto con una red
global de estaciones de monitoreo y telemetría, encargadas del control orbital
y la gestión del tiempo de los satélites. Galileo se actualiza y calibra de for-
ma constante para garantizar su disponibilidad, integridad y precisión. De esta
forma, Galileo destaca por su elevada precisión; con señales abiertas, puede
alcanzar una precisión horizontal de 1 metro o menos, y en modo combinado
(con GPS y otros GNSS), permite posicionamiento submétrico o centimétrico si
se usan servicios como HAS o técnicas como PPP o RTK.

4.3.4. BeiDou - China

El BeiDou Navigation Satellite System (BDS) es el sistema de navegación

satelital desarrollado por la República Popular China, operado por la Oficina
China de Navegación por Satélite (CSNO). Su desarrollo comenzó a finales de
los años 90 como un sistema regional y fue expandido progresivamente hasta
alcanzar la cobertura global en 2020, con la entrada en operación del sistema
BeiDou-3.
La arquitectura de BeiDou es única entre los GNSS, ya que combina tres
tipos de órbitas en su segmento espacial: órbitas geoestacionarias (GEO), órbi-

– 117 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

tas inclinadas geoestacionarias (IGSO) y órbitas medias (MEO). La constelación

global de BeiDou-3 está compuesta por un total de 30 satélites: 3 en GEO (a
35.786 km), 3 en IGSO (también a 35.786 km, pero inclinados a 55°) y 24 en MEO
(a 21.500 km, con inclinación de 55°), lo que proporciona una cobertura robusta
tanto a nivel mundial como en la región Asia-Pacífico, donde alcanza su mayor
precisión. BeiDou transmite señales en múltiples bandas, principalmente:

• B1I (1.561,098 MHz): interoperable con L1 de GPS y E1 de Galileo.

• B1C (1.575,42 MHz): nueva señal civil de BeiDou-3 con modulación BOC.
• B2a (1.176,45 MHz): compatible con la señal L5 de GPS y E5a de Galileo.
• B2b (1.207,14 MHz): parte del servicio de alta precisión.
• B3I (1.268,52 MHz): utilizada para propósitos civiles y militares.

BeiDou emplea tanto CDMA como otras técnicas de acceso para sus se-
ñales. Cada satélite está equipado con relojes atómicos de rubidio y, en saté-
lites más recientes, relojes de hidrógeno pasivo, lo que mejora la estabilidad
temporal. El sistema ofrece distintos niveles de servicio, incluyendo un servicio
abierto gratuito con precisiones de entre 2 y 5 metros en todo el mundo, y un
servicio de posicionamiento de alta precisión (PPP), que permite alcanzar pre-
cisiones centimétricas, especialmente en Asia-Pacífico.
El segmento de control incluye varios centros de control y estaciones de
monitoreo distribuidos en territorio chino y en regiones asociadas a la Iniciativa
de la Franja y la Ruta. Este segmento asegura el seguimiento de la conste-
lación, la sincronización temporal, la actualización de efemérides y el control
de calidad del sistema. BeiDou también incorpora funciones únicas entre los
GNSS, como la capacidad de mensajería corta bidireccional mediante satélites
GEO e IGSO, útil en regiones remotas donde no hay cobertura terrestre, y ser-
vicios dedicados a aplicaciones de sincronización temporal y posicionamiento
diferenciado de alta precisión, lo que lo convierte en un sistema especialmente
robusto y versátil.

4.3.5. QZSS - Japón

El Quasi-Zenith Satellite System (QZSS) es un sistema regional de nave-

gación por satélite desarrollado por el gobierno de Japón, con el objetivo de

– 118 –
 Sistemas globales de navegación satelital

mejorar la precisión, disponibilidad e integridad de los servicios GNSS en el

país y la región Asia-Oceanía, particularmente en entornos urbanos con obs-
trucción de señales. Operado por la Agencia de Exploración Aeroespacial de
Japón (JAXA) y gestionado por QZS System Service Inc., QZSS está diseñado
para ser completamente interoperable con GPS (figura 34), ofreciendo servi-
cios complementarios en frecuencias comunes como L1C/A (1.575,42 MHz),
L2C (1.227,60 MHz) y L5 (1.176,45 MHz), además de señales propias, como L6
(1.278,75 MHz), destinadas a servicios de corrección de alta precisión.

Figura 34. Bandas GPS, GLONASS, Galileo, BeiDou y QZSS.

(Fuente: [Link]

La constelación actual incluye 4 satélites: tres en órbitas cuasi-zenitales

(QZO) altamente elípticas e inclinadas (43°), con altitudes que oscilan entre
32.000 y 39.000 km, y uno en órbita geoestacionaria (GEO), lo que garantiza
visibilidad cercana al cenit sobre Japón durante la mayor parte del día. Está
en curso una expansión a 7 satélites, lo que permitirá una cobertura continua
sin dependencia de GPS. Entre sus servicios más avanzados, se encuentra el
Centimeter-Level Augmentation Service (CLAS), que transmite correcciones en

– 119 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

tiempo real directamente desde los satélites mediante técnicas PPP (Precise
Point Positioning), logrando precisiones de hasta 6 cm sin necesidad de esta-
ciones terrestres locales. QZSS también proporciona el servicio de integridad
(MI), que evalúa en tiempo real la confiabilidad de las señales GNSS, y funcio-
nalidades de mensajería satelital, útiles para sistemas de alerta temprana y co-
municaciones de emergencia. El segmento terrestre incluye centros de control
y una red de estaciones de monitoreo y calibración distribuidas en todo Japón,
garantizando una operación segura, precisa y continua del sistema.

4.3.6. IRNSS (NavIC) - India

El Indian Regional Navigation Satellite System (IRNSS), conocido comercial-

mente como NavIC (Navigation with Indian Constellation), es el sistema regio-
nal de navegación por satélite desarrollado por la Organización de Investiga-
ción Espacial de la India (ISRO) para proporcionar servicios de posicionamiento
autónomos en India y hasta 1.500 km más allá de sus fronteras. NavIC está di-
señado para ser interoperable con GPS y otros sistemas GNSS, pero operado y
gestionado de forma completamente independiente. La constelación nominal
incluye 7 satélites: 3 en órbitas geoestacionarias (GEO) y 4 en órbitas geosincró-
nicas inclinadas (IGSO), todos a una altitud de aproximadamente 36.000 km y
con inclinaciones orbitales de unos 29°, lo que asegura una cobertura continua
sobre el subcontinente indio. Las señales de NavIC se transmiten en las bandas
L5 (1.176,45 MHz) y S (2.492,028 MHz), esta última única entre los sistemas GNSS
globales, lo que proporciona redundancia espectral y beneficios frente a inter-
ferencias. NavIC ofrece un servicio estándar (SPS) gratuito para usuarios civiles
con precisiones de entre 5 y 20 metros y un servicio restringido (RS) cifrado para
aplicaciones gubernamentales y militares. El sistema está siendo ampliado con
nuevas generaciones de satélites NavIC-2, que incluirán relojes atómicos más
estables y transmisiones en banda L1 (1.575,42 MHz) para mejorar la interope-
rabilidad global. Su segmento terrestre incluye centros de control y estaciones
de monitoreo distribuidos en India, que aseguran la integridad, exactitud y sin-
cronización de la constelación.

– 120 –
 Sistemas globales de navegación satelital

4.4. Funcionamiento del sistema

El funcionamiento de un sistema de geoposicionamiento satelital se basa en

cinco principios fundamentales que permiten la medición y determinación preci-
sa de la localización de puntos sobre la superficie terrestre: trilateración geomé-
trica, medición de distancias, sincronización temporal precisa, información orbital
(almanaque) y corrección de errores atmosféricos (Núñez-García, 1992).

4.4.1. La trilateración geométrica

La trilateración es el principio geométrico fundamental en el que se basa

el posicionamiento GNSS. Este proceso permite determinar la posición tridi-
mensional de un receptor (latitud, longitud y altitud) mediante la medición de
distancias entre dicho receptor y, al menos, cuatro satélites de la misma cons-
telación (figura 35). Para ello, los satélites emiten señales con información de
tiempo y posición, que son captadas por el receptor en tierra. A partir del tiem-
po de viaje de cada señal, se calcula la distancia a cada satélite, lo que per-
mite definir esferas de radio conocido alrededor de ellos. El proceso sigue los
siguientes pasos:

a. Primera medida de distancia (R1): al recibir la señal de un primer satélite,

se determina que el receptor se encuentra en algún punto sobre la su-
perficie de una esfera con centro en dicho satélite y radio R1.
b. Segunda medida (R2): la recepción de una segunda señal genera una
segunda esfera de radio R2. La intersección entre ambas esferas es un
círculo, restringiendo la posible ubicación del receptor a ese perímetro.
c. Tercera medida (R3): la tercera señal crea una tercera esfera. La intersec-
ción de esta con el círculo anterior restringe la ubicación a dos puntos
posibles.
d. Resolución ambigua: uno de estos dos puntos suele descartarse fácil-
mente, ya que estará ubicado fuera del espacio geográfico plausible (por
ejemplo, a gran altitud o bajo la superficie terrestre).

Sin embargo, el receptor no mide distancias reales, sino seudodistancias,

debido a la falta de sincronización exacta entre su reloj interno y los relojes

– 121 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

atómicos de los satélites. Por esta razón, además de las tres coordenadas es-
paciales (X, Y, Z), existe una cuarta incógnita: el tiempo de transmisión. Para
resolver el sistema, es necesario recibir señales de al menos cuatro satélites,
lo que permite establecer cuatro ecuaciones independientes que se resuelven
simultáneamente para obtener la posición y el tiempo correctos.

Figura 35. Intersección de esferas.

4.4.2. Medición de distancias

La medición de la distancia entre el receptor y cada satélite se basa en el

tiempo que tarda una señal en viajar desde el satélite hasta la antena del re-
ceptor. Este principio aprovecha la constante velocidad de propagación de las
señales de radiofrecuencia, que se aproximan a la velocidad de la luz en el
vacío (~299.792.458 m/s), aunque se ven ligeramente afectadas al atravesar la
atmósfera terrestre. Cuando un satélite transmite una señal, esta incluye una
marca temporal muy precisa gracias a los relojes atómicos a bordo. El receptor,
al captarla, registra la hora local de recepción. La diferencia entre el tiempo de
emisión y el tiempo de recepción permite calcular el tiempo de viaje de la se-
ñal, el cual, multiplicado por la velocidad de propagación, da como resultado

– 122 –
 Sistemas globales de navegación satelital

una estimación de la distancia entre el satélite y el receptor, conocida como

pseudodistancia. Matemáticamente, esta pseudodistancia ρ se expresa como:

= c*(tr-ts)

donde es la pseudodistancia entre el satélite y el receptor, c es la velocidad

de la luz, tr es el tiempo de recepción registrado por el receptor y ts es el tiempo
de emisión registrado por el satélite.
Dado que los receptores GNSS comunes no cuentan con relojes atómicos,
existe una incertidumbre temporal en el tiempo de recepción, lo que introdu-
ce un error sistemático en la medición. Para corregir este desfase y obtener
una posición precisa, es necesario captar señales de al menos cuatro satélites,
lo que permite resolver simultáneamente las tres coordenadas espaciales del
receptor y el error del reloj. Este método de medición es sensible a distintos
factores que pueden afectar el tiempo de propagación de la señal, como la
refracción atmosférica, los errores de sincronización, o los efectos relativistas,
que serán abordados en apartados posteriores.

4.4.3. Sincronización temporal precisa

La precisión temporal es un elemento crítico en el funcionamiento de los

sistemas GNSS, ya que la determinación de distancias se basa en la medición
del tiempo de viaje de las señales emitidas por los satélites. Para lograr posi-
cionamientos exactos, es indispensable conocer con gran precisión el instante
en que la señal fue transmitida y el momento exacto en que fue recibida. Cada
satélite de una constelación GNSS está equipado con relojes atómicos extre-
madamente estables, generalmente de rubidio, cesio o máser de hidrógeno
pasivo, que permiten generar marcas temporales con precisiones del orden de
nanosegundos. Una desviación de apenas un microsegundo podría generar un
error de posicionamiento de hasta 300 metros, lo que da cuenta de la impor-
tancia de una correcta sincronización.
Por su parte, los receptores en tierra no suelen contar con relojes atómicos,
sino con relojes internos de menor precisión. Por esta razón, cuando se reciben
señales desde al menos cuatro satélites, el sistema no solo resuelve las tres
coordenadas espaciales del receptor (X, Y, Z), sino también la diferencia entre

– 123 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

el reloj del receptor y el tiempo universal coordinado (UTC), derivado de los

relojes atómicos de los satélites. Este cuarto satélite es esencial para corregir
el sesgo temporal del receptor, permitiendo calcular la pseudodistancia real.
Además, los relojes de los satélites se sincronizan continuamente mediante
estaciones terrestres, que comparan los tiempos registrados con escalas tem-
porales oficiales como UTC o GPS Time (una escala propia del sistema GPS que
no considera los segundos intercalares).
La capacidad de los GNSS para mantener una referencia temporal precisa y
global ha permitido que se usen no solo en navegación y posicionamiento, sino
también en aplicaciones de sincronización de redes eléctricas, sistemas finan-
cieros, telecomunicaciones y observación astronómica, entre otras.

4.4.4. Información orbital (almanaque)

El almanaque satelital es un conjunto de datos transmitidos regularmente

por cada satélite GNSS que contiene información general sobre el estado y la
ubicación de toda la constelación. Estos datos permiten que el receptor conoz-
ca la disposición aproximada de los satélites en el cielo en cualquier momento
y lugar, facilitando una adquisición más rápida de las señales y una mejor pre-
dicción de su visibilidad. El almanaque incluye órbitas aproximadas de todos
los satélites (elementos keplerianos), estado de funcionamiento (activo/inacti-
vo), tiempos de reloj estimados y datos de salud del sistema.
A diferencia de las efemérides, que proporcionan la posición precisa de un
satélite específico con alta resolución temporal (válidos durante 1–2 horas), el
almanaque es menos preciso, pero su vigencia puede extenderse por varios
días o semanas. Esto permite que un receptor que haya estado apagado du-
rante un largo tiempo aún tenga una referencia básica para iniciar el proceso de
posicionamiento, lo cual se conoce como cold start (arranque en frío).
Durante el arranque, el receptor GNSS comienza por descargar el almana-
que completo, lo que puede demorar varios minutos si no ha sido actualizado
previamente. Una vez recibido, el receptor puede predecir qué satélites estarán
disponibles en función de su propia ubicación aproximada y del tiempo local,
acelerando el proceso de adquisición de señales (especialmente útil en dispo-
sitivos móviles o de bajo consumo). De esta forma, la información del almana-

– 124 –
 Sistemas globales de navegación satelital

que se transmite repetidamente en los mensajes de navegación de los satéli-

tes y su correcta interpretación es esencial para el funcionamiento eficiente del
sistema.

4.4.5. Corrección de errores atmosféricos

En el proceso de posicionamiento por GNSS, las señales emitidas por los

satélites deben atravesar la atmósfera terrestre antes de ser recibidas por el
usuario. Durante este trayecto, diversos factores pueden alterar la velocidad,
trayectoria o integridad de la señal, afectando directamente la precisión de las
coordenadas calculadas. Las principales fuentes de distorsión atmosférica se
encuentran en diferentes capas de la atmósfera y responden a fenómenos fí-
sicos complejos, que varían según la ubicación geográfica, la hora del día y las
condiciones meteorológicas. Estas perturbaciones generan errores sistemáti-
cos que, si no son corregidos, pueden introducir desviaciones significativas en
el posicionamiento.
Para minimizar estos efectos, los sistemas GNSS implementan modelos de
corrección y estrategias de compensación que permiten mejorar la exactitud
de las mediciones. Estas correcciones pueden aplicarse en tiempo real o du-
rante el posprocesamiento, dependiendo del tipo de receptor y de la precisión
requerida por la aplicación. La calidad del resultado final dependerá de la ca-
pacidad del sistema para estimar y compensar estos errores con base en mo-
delos físicos, datos auxiliares y técnicas de filtrado. En las secciones siguientes
se profundizará en los distintos tipos de errores asociados al sistema GNSS,
incluyendo aquellos originados en la atmósfera, en los satélites y en los propios
receptores, así como en las metodologías empleadas para su mitigación.

– 125 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

4.5. Errores en los sistemas GNSS

El rendimiento de un sistema GNSS está condicionado por una serie de erro-

res inherentes al proceso de medición, que afectan la precisión, exactitud y
confiabilidad de las coordenadas obtenidas. Estos errores pueden clasificarse
según su origen en tres grandes grupos: errores satelitales, errores atmosféri-
cos y errores asociados al receptor y su entorno. La magnitud de estos errores
varía en función del tipo de receptor, la constelación utilizada, las condiciones
atmosféricas y la geometría satelital en el momento de la medición. A continua-
ción, se describe las principales fuentes de error que afectan la señal GNSS:

• Errores satelitales: los errores que se originan en los propios satélites

pueden dividirse principalmente en dos tipos:
- Errores orbitales: se refieren a inexactitudes en la información sobre la
posición real del satélite. Aunque las efemérides transmitidas permi-
ten conocer su ubicación aproximada, existen pequeñas desviaciones
debidas a perturbaciones gravitacionales, presión de radiación solar u
otros factores. Estas diferencias pueden introducir errores del orden de
varios metros, si no se corrigen mediante efemérides precisas o servi-
cios externos como el IGS (International GNSS Service).
- Errores de reloj: cada satélite cuenta con relojes atómicos de alta pre-
cisión, pero aun así pueden presentar pequeños desvíos respecto al
tiempo GNSS absoluto. Estos errores afectan directamente la estima-
ción de la distancia entre el satélite y el receptor. Aunque los sistemas
GNSS incluyen parámetros de corrección en los mensajes de navega-
ción, los relojes deben sincronizarse constantemente desde las esta-
ciones de control para minimizar este efecto.

• Errores atmosféricos: Durante su trayecto hacia la superficie terrestre, las

señales GNSS atraviesan la ionósfera y la tropósfera, generando retardos
en su propagación:
- Retardo ionosférico: la ionósfera contiene partículas cargadas que
afectan la señal de manera dispersiva, es decir, dependiendo de la
frecuencia. Este efecto es especialmente significativo durante perío-
dos de alta actividad solar. En receptores de doble frecuencia, puede

– 126 –
 Sistemas globales de navegación satelital

corregirse mediante combinaciones lineales de las señales (como L1 y

L2). En receptores de una sola frecuencia, se aplican modelos de co-
rrección basados en datos globales o regionales.
- Retardo troposférico: esta capa no dispersiva genera un retardo
más estable, influenciado por factores como la presión atmosférica,
temperatura y humedad. Se mitiga mediante modelos empíricos, como
Hopfield o Saastamoinen, o utilizando sensores meteorológicos locales.

• Errores del receptor: los receptores GNSS también introducen errores en

el posicionamiento, ya sea por limitaciones de hardware o condiciones
del entorno:
- Ruido interno: está relacionado con la sensibilidad, calidad de los
componentes electrónicos y algoritmos de procesamiento del recep-
tor. En general, estos errores son pequeños (milimétricos o submétri-
cos), pero pueden acumularse si el receptor no es de precisión.
- Multipath: ocurre cuando la señal GNSS se refleja en superficies cer-
canas antes de llegar al receptor, generando trayectorias más largas y
retardos en la medición. Es especialmente problemático en entornos
urbanos o boscosos. Para reducirlo, se utilizan antenas con diseños es-
peciales, algoritmos de detección y filtrado y estrategias de ubicación
del receptor en áreas despejadas.
- Errores de reloj del receptor: aunque el receptor no requiere un reloj
atómico, cualquier desincronización temporal respecto a los satélites
introduce errores en la estimación de distancia. Estos se corrigen in-
ternamente mediante la recepción simultánea de al menos cuatro sa-
télites, lo que permite resolver simultáneamente la posición y el sesgo
temporal.

• Geometría satelital y DOP: la geometría relativa de los satélites con res-

pecto al receptor en el momento de la medición también influye en la ca-
lidad de la solución de posicionamiento. Este factor se expresa mediante
los índices DOP (Dilution of Precision):
- GDOP (Geometric DOP): incluye los efectos combinados de posición y
tiempo.

– 127 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- PDOP (Position DOP): refleja la precisión de la solución espacial (X, Y, Z).

- HDOP / VDOP: indican la dispersión horizontal y vertical, respectiva-
mente.
Una geometría “favorable” (satélites bien distribuidos en el cielo) redu-
ce los valores DOP y mejora la precisión. Por el contrario, una geometría
pobre (satélites alineados o en ángulos estrechos) incrementa la incerti-
dumbre en los cálculos (figura 36).

La combinación de todas estas fuentes puede generar errores acumula-

tivos del orden de varios metros en condiciones estándar y aun mayores en
escenarios adversos. La correcta identificación y mitigación de estas fuentes
es esencial para obtener resultados confiables, especialmente en aplicacio-
nes que exigen alta precisión, como levantamientos topográficos, control de
maquinaria, monitoreo geodésico y navegación autónoma. El uso de técnicas
complementarias de corrección, como DGPS, RTK, PPK o PPP, permite minimi-
zar estos errores y se describirá con mayor detalle en la siguiente sección.

Figura 36. Diferentes calidades de geometría.

– 128 –
 Sistemas globales de navegación satelital

4.6. Corrección de errores

Para minimizar los errores previamente descritos y alcanzar niveles de preci-

sión adecuados para distintas aplicaciones, se ha desarrollado diversos méto-
dos de corrección, tanto en tiempo real como en posprocesamiento (ver tabla
2). A continuación, se describe los principales enfoques utilizados en ambientes
técnicos y profesionales:

Tabla 2. Comparativa de métodos de corrección de errores GNSS

Requiere
Tipo de Modo de Precisión Aplicaciones
Método estación
medición aplicación típica principales
base
DGPS Código Tiempo real 0,5 - 5 m Sí Navegación, SIG,
pseudorrango agricultura
RTK Fase portadora Tiempo real 1 - 5 cm Sí Topografía,
maquinaria,
agricultura
PPK Fase portadora Posprocesado 1 - 5 cm Sí Fotogrametría,
monitoreo remoto
PPP Código + fase Tiempo real / 5 - 50 cm No Geodesia,
posprocesado monitoreo global
SBAS Código Tiempo real 1-3m No Aviación,
pseudorrango navegación general

• Corrección diferencial (DGPS): el método de corrección diferencial, cono-

cido como DGPS (Differential GPS), se basa en el uso de una estación base
ubicada en una posición conocida, la cual calcula las diferencias entre su
ubicación real y la determinada mediante GNSS. Estas diferencias, interpre-
tadas como errores, son transmitidas en tiempo real a uno o más recepto-
res móviles cercanos. DGPS utiliza principalmente mediciones de código
pseudorrango y logra precisiones típicas del orden de 0,5 a 5 metros. Este
método se emplea con frecuencia en contextos donde no se requiere alta
precisión, como en la navegación marítima y terrestre, la captura de datos
para Sistemas de Información Geográfica (SIG) y ciertas aplicaciones agrí-
colas. Su implementación es relativamente sencilla, pero su precisión es
limitada frente a técnicas basadas en la fase portadora.

– 129 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Posicionamiento cinemático en tiempo real (RTK): el RTK (Real-Time Ki-

nematic) representa una de las técnicas más precisas para corrección en
tiempo real. A diferencia del DGPS, RTK emplea mediciones de la fase
de la portadora de la señal GNSS, lo que permite alcanzar precisiones
centimétricas (entre 1 y 5 cm) tanto en coordenadas horizontales como
verticales. Para su funcionamiento, se requiere una estación base que
transmite correcciones a un receptor móvil (rover), generalmente por en-
lace de radio o vía internet mediante el protocolo NTRIP. La comunicación
entre ambos debe mantenerse constante y la precisión del sistema se ve
afectada por la distancia entre los dispositivos, siendo ideal en radios me-
nores a 20 kilómetros. RTK se utiliza ampliamente en topografía de alta
precisión, control de maquinaria en obras de infraestructura, agricultura
de precisión y levantamientos catastrales. Su principal limitación es la de-
pendencia de una infraestructura de transmisión de datos confiable.
• Posicionamiento cinemático posprocesado (PPK): el PPK (Post-Proces-
sed Kinematic) es una variante del método RTK, que también utiliza la
fase de la portadora para obtener precisiones centimétricas. Sin embar-
go, a diferencia de RTK, en PPK no es necesaria la transmisión en tiempo
real, ya que tanto el receptor móvil como la estación base registran sus
datos para ser procesados posteriormente en gabinete. Gracias a esta
característica, PPK resulta especialmente útil en zonas remotas o con in-
terferencias que dificultan la comunicación en tiempo real. Su precisión
es equivalente a la de RTK (entre 1 y 5 cm) y se emplea con frecuencia en
levantamientos con drones, monitoreo estructural, levantamientos geo-
désicos y estudios científicos, donde la robustez del procesamiento es
prioritaria frente a la inmediatez.
• Posicionamiento puntual preciso (PPP): el PPP (Precise Point Positioning)
es una técnica avanzada, que permite obtener posicionamientos precisos
sin la necesidad de una estación base local. Se basa en la corrección
de errores a partir de modelos precisos de órbitas y relojes satelitales
proporcionados por servicios internacionales, como el IGS (International
GNSS Service). Estas correcciones se pueden aplicar tanto en tiempo real
como en posprocesamiento. PPP utiliza una combinación de mediciones
de código y fase y puede alcanzar precisiones que varían entre 5 y 50 cm,
dependiendo del tiempo de convergencia y las condiciones de observa-

– 130 –
 Sistemas globales de navegación satelital

ción. Este método es especialmente útil en zonas remotas o donde no

se dispone de infraestructura local, siendo comúnmente empleado en
geodesia, navegación científica, monitoreo ambiental y estudios atmos-
féricos. Su principal limitación radica en el tiempo necesario para alcanzar
una solución estable, el cual puede oscilar entre 10 y 30 minutos, lo que
lo hace menos adecuado para aplicaciones que requieren resultados ins-
tantáneos.
• Sistemas de aumentación satelital (SBAS): los Sistemas de Aumentación
Satelital (SBAS), como WAAS (Estados Unidos), EGNOS (Unión Europea)
o MSAS (Japón), son sistemas que transmiten, desde satélites geoesta-
cionarios, correcciones diferenciales calculadas a partir de una red de
estaciones de monitoreo distribuidas regionalmente. Estas correcciones
mejoran la señal GNSS en tiempo real sin necesidad de estaciones base
locales ni enlaces de comunicación directa entre receptores. Aunque
SBAS utiliza únicamente mediciones de código, puede ofrecer precisio-
nes entre 1 y 3 metros, suficientes para muchas aplicaciones en aviación
civil, navegación terrestre y marítima, y servicios de localización. Una de
sus principales ventajas es su facilidad de uso y disponibilidad gratuita en
regiones cubiertas. No obstante, su cobertura es regional y no alcanza la
precisión de métodos cinemáticos como RTK o PPK.

4.7. Receptores satelitales

En la actualidad, existe una amplia diversidad de georreceptores (disposi-

tivos capaces de recibir señales GNSS), que varían en términos de precisión,
funcionalidad y aplicaciones. Estas variaciones dependen principalmente de
las tecnologías empleadas, los tipos de señales recibidas y el nivel de procesa-
miento que realizan. Los georreceptores son esenciales para el funcionamiento
de los sistemas GNSS, ya que permiten la captura de señales de satélites y la
posterior determinación de la posición geográfica del usuario. A continuación,
se describen los principales tipos de receptores (figura 37) y sus características
clave.

– 131 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 37. Receptores GNSS.

• Navegadores: los navegadores son los georreceptores más comunes

y se caracterizan por ser dispositivos compactos y portátiles, lo que los
hace adecuados para el uso personal o en vehículos. Están diseñados
principalmente para aplicaciones de navegación básica, como el cálculo
de la posición y el seguimiento de rutas. Estos dispositivos emplean có-
digo C/A (Coarse Acquisition) para determinar las pseudodistancias a los
satélites visibles. Esta metodología permite calcular la posición 3D (lati-
tud, longitud y altitud), si al menos cuatro satélites son visibles, o una po-
sición 2D, si solo tres satélites están disponibles. La precisión de los nave-
gadores varía, pero generalmente es suficiente para aplicaciones civiles
generales, como navegación en automóviles, actividades recreativas o
excursiones al aire libre.
• Receptores topográficos: los receptores topográficos se sitúan en un
punto intermedio entre los navegadores y los receptores geodésicos
en cuanto a precisión y capacidad de procesamiento. Estos dispositivos
están diseñados para aplicaciones profesionales que requieren un nivel
intermedio de precisión, como en proyectos de topografía y cartografía.
A diferencia de los navegadores, los receptores topográficos pueden re-
cibir y procesar código C/P (Coarse/Precise Acquisition) y fase portadora
L1. Gracias a esta capacidad, los receptores topográficos son capaces de
obtener precisiones de entre 10 y 50 cm. Estos dispositivos son amplia-

– 132 –
 Sistemas globales de navegación satelital

mente utilizados en trabajos de levantamientos y en estudios de terreno

donde se requiere una mayor exactitud, pero sin la necesidad de los nive-
les más altos de precisión que ofrecen los georreceptores de alta gama.
• Receptores geodésicos: los receptores geodésicos son los dispositivos
de más alta precisión dentro de la clasificación de georreceptores. Son
utilizados principalmente en aplicaciones que requieren una gran exac-
titud, como en levantamientos geodésicos, monitoreo de deformaciones
de la corteza terrestre, y en aplicaciones científicas y de ingeniería que
exigen una precisión subcentimétrica. La principal diferencia entre los re-
ceptores geodésicos y otros tipos de georreceptores radica en que estos
no solo miden la pseudodistancia a los satélites visibles, sino que tam-
bién calculan el número de ciclos completos que realiza la señal desde
el satélite hasta el receptor. Este proceso les permite realizar posprocesa-
miento de la información y aplicar correcciones diferenciales para obte-
ner precisiones del orden de 1 cm + 1 ppm (un centímetro más una parte
por millón de la distancia entre la estación base y la estación móvil) (Brio-
nes, 2000). Los receptores geodésicos son fundamentales en trabajos de
geodesia de alta precisión, topografía detallada y control de estructuras.
Gracias a su capacidad para trabajar con posprocesamiento, estos recep-
tores pueden utilizarse en configuraciones de redes de estaciones base y
técnicas de corrección diferencial para lograr resultados extremadamen-
te precisos.

Aparte de las clasificaciones basadas en las capacidades técnicas de los

georreceptores, también se puede clasificar a estos dispositivos según el tipo
de usuario o aplicación para la cual están destinados. Según Seeber (1993), los
georreceptores pueden clasificarse en las siguientes categorías:

• Receptores militares: diseñados para su uso en aplicaciones militares

que requieren alta seguridad, precisión y capacidades de resistencia a
interferencias.
• Receptores civiles: utilizados en aplicaciones civiles, como la navegación
en vehículos, la agricultura de precisión y la cartografía digital. Su uso
está basado en el acceso a señales no cifradas o con menor nivel de se-
guridad.

– 133 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Receptores de navegación: estos son los más comúnmente utilizados en

navegación vehicular o en dispositivos portátiles para actividades recrea-
tivas y de transporte.
• Receptores geodésicos: utilizados en aplicaciones científicas, topografía
profesional y control de infraestructuras, donde la precisión es crucial.

4.8. Técnicas de medición

Las técnicas de medición con receptores GNSS permiten adaptar el proceso

de posicionamiento a diversos contextos operativos según las condiciones del
terreno, el tipo de observación y la precisión requerida. Estas técnicas difieren
tanto en la configuración del equipo como en los tiempos de observación y los
procedimientos de campo, por lo que su correcta elección resulta fundamental
para garantizar resultados adecuados. Una clasificación general distingue en-
tre modalidades estáticas y cinemáticas, en función de si el receptor permane-
ce inmóvil o en movimiento durante la adquisición de datos. A continuación, se
describe las principales técnicas asociadas a ambas modalidades.

• Método estático: el método estático es una de las técnicas más utilizadas

en aplicaciones de alta precisión. Consiste en la instalación de uno o más
receptores sobre puntos específicos, permaneciendo inmóviles durante
toda la sesión de observación (figura 38). La duración del registro depen-
derá del tipo de receptor empleado y del nivel de precisión requerido, pu-
diendo extenderse desde varios minutos hasta más de una hora. A través
de este método, es posible obtener un conjunto de observaciones GNSS,
que permiten calcular un único trío de coordenadas para el punto de in-
terés. El principio fundamental radica en que no debe existir desplaza-
miento significativo del receptor durante la observación. En condiciones
óptimas y con tiempos de observación adecuados, este método puede
alcanzar precisiones geodésicas inferiores al centímetro (Núñez-García et
al., 1992; Martínez y Fuster, 1995).

– 134 –
 Sistemas globales de navegación satelital

Figura 38. Configuración de equipos base y móvil.

• Método estático rápido: el método estático rápido comparte los princi-

pios básicos del método estático, pero reduce considerablemente los
tiempos de observación en cada punto. En esta modalidad, se establece
una estación base en un punto conocido, mientras que uno o más re-
ceptores móviles realizan mediciones en otros puntos durante periodos
breves, típicamente de 5 a 10 minutos para líneas base de hasta 5 km.
Este método permite una conversión eficiente de los puntos medidos al
sistema de coordenadas local y es especialmente útil en tareas de den-
sificación de redes de control, sobre todo en zonas de difícil acceso. Las
precisiones alcanzadas varían entre 1 ppm y 0,1 ppm, lo que lo hace ade-
cuado para trabajos topográficos de alta exigencia (Briones, 2000).
• Método cinemático: la técnica cinemática implica el movimiento constan-
te del receptor móvil durante la adquisición de datos, mientras que una
estación base permanece fija en un punto de coordenadas conocidas.
Las mediciones se realizan a lo largo del recorrido, registrando coordena-
das en tiempo real o para posprocesamiento posterior. Este método re-
quiere mantener la visibilidad constante de al menos cuatro satélites co-
munes entre base y móvil. La pérdida de alguno de estos enlaces puede
interrumpir el proceso, ya que impide la resolución de ambigüedades de

– 135 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

fase, esenciales para una correcta determinación de posición (Geocom,

1996). El método es comúnmente utilizado en levantamientos lineales,
como trazados de caminos o ríos, gracias a su eficiencia operativa. En
estos casos, el receptor móvil se instala sobre un vehículo y registra da-
tos mientras se desplaza. Las precisiones obtenidas varían desde algunos
metros hasta el rango centimétrico, dependiendo del receptor y el proce-
samiento aplicado.
• Método pseudo-cinemático: el método pseudo-cinemático, también co-
nocido como técnica de reocupación, combina características de las mo-
dalidades estática y cinemática. En esta técnica, se utiliza una estación base
fija y un receptor móvil que registra observaciones en puntos específicos
durante dos sesiones separadas por un intervalo de aproximadamente una
hora. Cada sesión tiene una duración de al menos cinco minutos. La ventaja
de esta técnica radica en que, al considerar dos periodos de observación
separados, se mejora significativamente la precisión del posicionamiento,
obteniendo resultados comparables a una medición estática prolongada.
No obstante, este método exige una planificación y sincronización rigurosa
en campo, dado que cada punto debe ser reocupado con exactitud para
completar la observación (Martínez y Fuster, 1995).

4.9. Metodología para la captura de información

La captura de información mediante tecnología GNSS requiere de una me-

todología estructurada que garantice la calidad y precisión de los datos ob-
tenidos. A continuación, se describe una secuencia metodológica aplicable a
diversos tipos de levantamientos GNSS, la cual contempla fases esenciales
orientadas a optimizar el proceso de adquisición de datos en terreno y asegu-
rar resultados confiables.

• Planificación operativa (preproceso): esta etapa tiene como objetivo an-

ticipar y minimizar posibles fuentes de error durante las sesiones de me-
dición, así como optimizar los tiempos de desplazamiento y localización
de puntos en terreno. Para ello, se utilizan herramientas computacionales

– 136 –
 Sistemas globales de navegación satelital

que permiten planificar de forma eficiente el levantamiento, facilitando la

predicción de la disponibilidad y geometría de los satélites para un perio-
do específico. Estas herramientas generan gráficos y tablas que permiten
evaluar variables clave, como:
- Dilución de la precisión (PDOP): indicador de la calidad geométrica de
los satélites visibles.
- Cantidad de satélites disponibles: idealmente se requiere al menos 4
satélites visibles simultáneamente.
- Tiempos de observación óptimos: determinados según condiciones
atmosféricas y satelitales.
- Simulación de obstrucciones: permite identificar interferencias por re-
lieve, vegetación o edificaciones.
Además de los aspectos técnicos, esta fase debe contemplar la planifica-
ción logística, como la definición de rutas de acceso, tiempos estimados
de desplazamiento y la preparación del equipamiento necesario para el
trabajo de campo.

• Captura de datos (proceso): esta fase corresponde a la ejecución del le-

vantamiento en terreno, siguiendo los parámetros definidos durante la
planificación. Las principales actividades incluyen:
- Ubicación precisa de los elementos geográficos a medir.
- Creación y gestión de archivos de sesión.
- Registro de información auxiliar, como monografías, fotografías o con-
diciones del entorno.
El receptor GNSS debe configurarse previamente según los requerimien-
tos del levantamiento (tipo de medición, frecuencia de registro, sistema
de coordenadas, etc.). Durante la observación, el receptor debe ubicarse
sobre el punto objetivo durante el tiempo estipulado. En caso de aplicar
técnicas de corrección diferencial, la estación base debe operar de forma
continua durante el mismo intervalo, captando datos que posteriormente
permitirán mejorar la precisión de las posiciones obtenidas por el recep-
tor móvil.

– 137 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Procesamiento de la información (postproceso): una vez finalizado el tra-

bajo de campo, los datos recolectados deben ser procesados utilizando
software especializado (figura 39). Este proceso incluye:
- Creación de un nuevo proyecto de trabajo.
- Transferencia de datos desde el receptor móvil y desde la estación base.
- Aplicación de corrección diferencial, si corresponde.
- Configuración del sistema de proyección y datum.
- Visualización y validación de resultados.
- Exportación de los datos procesados en formatos compatibles con SIG
o software de topografía.
El éxito de esta fase depende directamente de la calidad de las etapas an-
teriores, por lo que una adecuada planificación y ejecución en terreno son
fundamentales para garantizar la integridad de la información procesada.

Figura 39. Sesión de corrección diferencial.

– 138 –
 Sistemas globales de navegación satelital

4.10. Tendencias de los sistemas de posicionamiento global

Los GNSS constituyen hoy el pilar fundamental para los servicios de posiciona-
miento, navegación y temporización. Si bien, presentan limitaciones técnicas aso-
ciadas a errores atmosféricos, geométricos y de señal, su nivel de integración en la
vida cotidiana, económica y científica es cada vez más profundo. Gracias a la inte-
roperabilidad entre constelaciones, como GPS, GLONASS, Galileo, BeiDou, y siste-
mas regionales, como QZSS, los receptores actuales pueden combinar señales de
múltiples fuentes, mejorando así la disponibilidad y precisión del posicionamiento.
En términos de aplicación, es posible distinguir tres grandes sectores de usuarios:

• Mercado masivo, con dispositivos como teléfonos, automóviles y drones

de uso recreativo;
• Aplicaciones críticas para la seguridad y el transporte, incluyendo ve-
hículos autónomos, navegación aérea y marítima y operaciones de bús-
queda y rescate;
• Soluciones de alta precisión, utilizadas en agricultura de precisión, topo-
grafía, SIG, monitoreo de infraestructura y sincronización de redes.

Además, los GNSS han sido incorporados en sectores como el agropecuario,

mediante dispositivos portátiles para el control y bienestar animal, y en pesca
y acuicultura, a través de tecnologías como AIS y VMS, que permiten un me-
jor seguimiento de embarcaciones y planificación de actividades productivas
(Mena et al., 2016). Estas aplicaciones también se extienden a la conservación
del patrimonio cultural subacuático y el ordenamiento del espacio marino. En
el estudio de la biodiversidad y los ecosistemas, los GNSS permiten la geolo-
calización de fauna silvestre mediante rastreadores satelitales, facilitando el
análisis de rutas migratorias y uso de hábitats. Por otro lado, en contextos de
uso recreativo, turismo y salud, estas tecnologías han permitido el desarrollo
de aplicaciones para la navegación autónoma, el diseño de rutas en áreas na-
turales y el seguimiento de la actividad física.
En conjunto, estas tendencias muestran que los GNSS seguirán expandien-
do su alcance, impulsados por la convergencia con tecnologías emergentes,
como el internet de las cosas (IoT), la inteligencia artificial y la computación en
la nube, consolidándose como infraestructuras clave para el desarrollo de ser-
vicios y sistemas inteligentes.

– 139 –
 CAPÍTULO V
SISTEMAS DE INFORMACIÓN GEOGRÁFICA

5.1. Conceptos básicos de los Sistemas de Información Geográfica

Los Sistemas de Información Geográfica (SIG) son una disciplina tecnológica

que forma parte del campo más amplio de la geomática. Su desarrollo se en-
marca dentro de la sociedad de la información, donde la disponibilidad rápida
de datos es esencial para resolver problemas o satisfacer necesidades relacio-
nadas con la ubicación espacial de los diversos elementos que conforman los
escenarios territoriales. De este modo, los SIG permiten dar respuestas rápidas
a preguntas sobre la gestión y ordenación de los recursos físicos y ambienta-
les. En consecuencia, actualmente diversas organizaciones invierten recursos
y esfuerzos significativos en el desarrollo de SIG y la implementación de bases
de datos georreferenciadas, así como en la mantención y expansión de los ser-
vicios de información generados a partir de estos componentes.
El desarrollo de los SIG ha ocurrido en un período relativamente corto, con-
siderando que hace pocos años eran herramientas muy especializadas, accesi-
bles solo a unas pocas organizaciones. Este fenómeno se explica por el rápido
avance de la informática y la reducción de costos de los equipamientos infor-
máticos, lo que permitió aprovechar estos avances en el desarrollo de los SIG.
Esto, a su vez, ha permitido generar múltiples opciones, mayor capacidad de
gestión y análisis de datos, y facilitar el acceso a un mayor número de usuarios.
Paralelamente, los avances tecnológicos en la captura de datos aéreos y sateli-
tales, así como la implementación de infraestructuras digitales, han potenciado
el desarrollo de los SIG, ampliando significativamente sus capacidades.
Además, la geografía ha adquirido una relevancia fundamental en un sinfín
de actividades en diversas áreas. La mayoría de las decisiones que se toman a
nivel regional, local o institucional están directamente relacionadas con hechos
geográficos o se ven influenciadas por ellos. Por ejemplo, la planificación de
rutas para los camiones de recolección de basura se realiza siguiendo la ruta

– 141 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

más corta posible; las decisiones de inversión gubernamental en las entidades

locales se basan frecuentemente en la distribución geográfica de la población;
el estudio de enfermedades se apoya en la identificación de áreas donde se
producen brotes y en la velocidad a la que se expanden.
En este contexto, los SIG permiten gestionar, relacionar y analizar la infor-
mación espacial y temática (figura 40). Gracias a sus capacidades, se han con-
solidado como una herramienta clave para geógrafos, cartógrafos, ingenieros,
arquitectos y otros profesionales que trabajan con el territorio. Los SIG son he-
rramientas sofisticadas y multipropósito, con aplicaciones en áreas tan diversas
como la planificación urbana, la gestión catastral, la adecuación del territorio,
la gestión ambiental, la planificación del transporte, el mantenimiento y ges-
tión de redes públicas y el análisis de mercados, entre otras (Gutiérrez y Gould,
1994).

Figura 40. Información espacial y temática relacionadas en una capa SIG.

– 142 –
 Sistemas de información geográfica

Aun cuando el término “Sistemas de Información Geográfica” está amplia-

mente difundido entre profesionales e investigadores que trabajan en plani-
ficación y en la resolución de problemas socioeconómicos y ambientales, no
resulta fácil definir con precisión qué es un SIG. De hecho, existen tantas de-
finiciones como autores que han escrito sobre este tema. A continuación, se
presenta algunas de estas definiciones:

- Duecker (1979), “un caso especial de sistemas de información en el que la

base de datos consiste en observaciones sobre elementos, actividades o
sucesos distribuidos espacialmente, que se pueden definir en el espacio
como puntos, líneas o áreas”.
- Aronoff (1983), “conjunto de procedimientos manuales o computarizados
usado para almacenar y tratar datos referenciados geográficamente”.
- Burrough (1986), “los SIG corresponden a un potente conjunto de herra-
mientas para recolectar, almacenar, recuperar a voluntad, transformar y
presentar datos espaciales procedentes del mundo real”.
- Chorley (1987), “Sistema que captura, almacena, verifica, integra, manipu-
la, analiza y visualiza datos referenciados espacialmente a la Tierra”.
- Tomlinson (1987), “Sistema digital para el análisis y manipulación de todo
tipo de datos geográficos a fin de aportar información útil para las decisio-
nes territoriales”.
- Cowen (1988), “Sistema de ayuda a la decisión que integra datos referen-
ciados espacialmente en un contexto de resolución de problemas”.
- Cebrián (1988), “los SIG añaden a la base de datos tradicionales nuevos
atributos y relaciones espaciales, información espacial temática que po-
drá ser gestionada de manera informática. Para ello, es preciso proceder
a la entrada de la información en el sistema, que será diferente en función
de la naturaleza de los puntos”.
- NCGIA (National Center for Geographic Information and Analysis, [Link].)
(1989), “Sistema de hardware, software y procedimientos diseñados para
soportar la captura, gestión, manipulación, análisis, modelado y visuali-
zación de datos espacialmente referenciados para resolver problemas
complejos de planeamiento y gestión”.

– 143 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Clarke (1990), “Sistemas automatizados para la captura, almacenamiento,

composición, análisis y visualización de datos espaciales”.
- Star y Ester (1990), “Sistema de Información diseñado para trabajar con
datos georreferenciados mediante coordenadas espaciales o geográfi-
cas. En otras palabras, un SIG es, a la vez, una base de datos con funcio-
nalidades específicas para datos referenciados espacialmente y un con-
junto de operaciones para trabajar con los datos”.
- Bosque (1997), “Un conjunto de mapas de la misma porción del territorio,
donde un lugar concreto tiene la misma localización (las mismas coorde-
nadas) en todos los mapas incluidos en el sistema de información”.
- Longley et al. (2005), “Un contenedor de mapas en formato digital (público
en general) (…) Una herramienta computarizada para resolver problemas
geográficos (tomadores de decisiones, grupos comunitarios, planificado-
res) (…) Un sistema de soporte de decisiones espaciales (científicos de
la gestión, investigadores de operaciones) (…) Un inventario mecanizado
de características e instalaciones distribuidas geográficamente (gerentes
de servicios públicos, funcionarios de transporte, gerentes de recursos)
(…) Una herramienta para revelar lo que de otro modo sería invisible en
la información geográfica (científicos, investigadores) (…) Una herramienta
para realizar operaciones sobre datos geográficos que serían demasiado
tediosas, costosas o imprecisas si se realizaran manualmente (gerentes
de recursos, planificadores) (…) Cada quien tiene su propia definición favo-
rita de un SIG, y hay muchas para elegir”.
- Gomarasca (2009), “Sistemas de Información Geográfica corresponden
a una categoría de software capaz de recolectar, almacenar, recuperar,
transformar y representar datos espaciales georreferenciados; incluyen
herramientas poderosas que permiten el análisis complejo de grandes
cantidades de datos georreferenciados”.
- Ghilani & Wolf (2011), “Un sistema de información geográfica se puede defi-
nir como un sistema de hardware, software, datos y estructura organizacio-
nal para recolectar, almacenar, manipular y analizar espacialmente datos
“geo-referenciados” y mostrar la información resultante de esos procesos”.
- Chang (2019), “Un sistema de información geográfica (SIG) es un sistema
informático para capturar, almacenar, consultar, analizar y mostrar datos

– 144 –
 Sistemas de información geográfica

geoespaciales. Una de las muchas aplicaciones del SIG es la gestión de

desastres”.
- Esri (Environmental Systems Research Institute) (2025), “Los SIG (Sistemas
de Información Geográfica) son una tecnología que se utiliza para crear,
gestionar, analizar y mapear todo tipo de datos. Los SIG conectan los datos
con un mapa, integrando datos de ubicación (dónde están las cosas) con
todo tipo de información descriptiva (cómo son las cosas allí). Esto propor-
ciona una base para la creación de mapas y el análisis que se utiliza en la
ciencia y en casi todas las industrias. Los SIG ayudan a los usuarios a com-
prender patrones, relaciones y el contexto geográfico. Los beneficios inclu-
yen una mejor comunicación, eficiencia, gestión y toma de decisiones”.

Como se puede apreciar, las definiciones de los SIG propuestas por diver-
sos autores han evolucionado considerablemente a lo largo de las décadas,
reflejando tanto su desarrollo conceptual como su creciente importancia en el
análisis y la gestión de datos espaciales. Estas definiciones destacan aspectos
clave de los SIG, tales como su capacidad para almacenar, procesar, analizar
y visualizar datos geoespaciales, así como su rol fundamental en la toma de
decisiones relacionadas con el espacio y el territorio.
Desde sus primeros planteamientos, como los de Duecker (1979), los SIG
han sido descritos como un tipo especial de sistema de información en el que
la base de datos está compuesta por observaciones de elementos, actividades
o sucesos distribuidos espacialmente, representados como puntos, líneas o
áreas. Este enfoque resalta la naturaleza geoespacial de los datos y su relación
con ubicaciones específicas en el espacio, lo cual es esencial para su función
en el análisis y la gestión. A partir de esta base, autores como Aronoff (1983)
amplían la visión, indicando que los SIG son conjuntos de procedimientos tanto
manuales como computarizados, diseñados específicamente para almacenar
y tratar datos referenciados geográficamente. Esta definición subraya la impor-
tancia de la digitalización en la evolución de los SIG.
En cuanto a las herramientas y capacidades técnicas de los SIG, Burrough
(1986) introduce una visión más dinámica al considerar los SIG como un “po-
tente conjunto de herramientas” que no solo permiten recolectar, almacenar y
recuperar datos espaciales, sino también transformarlos y presentarlos según
necesidades específicas. Esta perspectiva resalta el potencial de los SIG para

– 145 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

gestionar datos espaciales del mundo real, ampliando su aplicabilidad a sec-

tores como la planificación territorial y la gestión ambiental. De igual manera,
autores como Chorley (1987) y Tomlinson (1987) enfatizan que los SIG son sis-
temas diseñados no solo para almacenar, sino también para capturar, analizar,
comprobar e integrar datos geoespaciales, con el fin de visualizarlos y tomar
decisiones informadas. Así, los SIG desempeñan un rol crucial en la resolución
de problemas relacionados con el espacio.
La integración de los SIG con otros sistemas y su uso en la toma de deci-
siones es un tema fundamental en la definición de Cowen (1988), quien los
describe como un sistema de apoyo a la decisión, que facilita la resolución
de problemas mediante el uso de datos espaciales. Este enfoque se comple-
menta con la perspectiva de Cebrián (1988), quien señala que los SIG no solo
gestionan datos espaciales, sino que también incorporan nuevos atributos y
relaciones espaciales que permiten una mayor tematización e integración de
la información, adaptándose a las necesidades de los usuarios según la natu-
raleza de los puntos o áreas de interés. Este proceso de incorporación y gestión
de la información espacial es clave para la eficiencia en la toma de decisiones.
A medida que los SIG se desarrollaron, sus capacidades fueron más allá de
la simple gestión de datos geoespaciales. Autores como Longley et al. (2005) y
Gomarasca (2009) subrayan que los SIG son herramientas computarizadas que
permiten no solo almacenar y recuperar grandes cantidades de datos georrefe-
renciados, sino también transformarlos y representarlos de manera visual, facili-
tando un análisis más complejo y profundo. Este enfoque refuerza la idea de que
los SIG no solo sirven para resolver problemas geográficos, sino que también
actúan como sistemas de apoyo a la decisión, revelando patrones y relaciones
que de otro modo serían invisibles o muy difíciles de identificar manualmente.
Por último, las definiciones más recientes, como las de Ghilani & Wolf (2011) y
Esri (2025), destacan la transformación de los SIG en sistemas interdisciplinarios
que integran hardware, software y datos para permitir la captura, almacena-
miento, manipulación y análisis de datos geoespaciales en diversos contextos.
Este enfoque aleja a los SIG de su visión original como sistemas especializados,
posicionándolos como herramientas accesibles y aplicables en una amplia
gama de sectores. La capacidad de integrar datos de localización con informa-
ción descriptiva ha sido un cambio fundamental que ha permitido la expansión
de los SIG, posibilitando su aplicación en campos como la ciencia, la industria y
la gestión de recursos. Así, los SIG se han convertido en herramientas esencia-

– 146 –
 Sistemas de información geográfica

les en áreas tan diversas como la gestión de desastres, la planificación urbana

y la gestión de recursos naturales, siendo fundamentales para la toma de deci-
siones en ámbitos científicos, comerciales y gubernamentales.
En resumen, las definiciones revisadas evidencian la evolución del concepto
de los SIG, que han pasado de ser herramientas especializadas en el análisis
de datos espaciales a convertirse en sistemas integrales y accesibles para la
toma de decisiones en múltiples disciplinas. Los SIG no solo permiten almace-
nar y procesar datos, sino que también facilitan el análisis, la interpretación y la
resolución de problemas complejos relacionados con el espacio, mejorando
la eficiencia y efectividad en la gestión de recursos y la planificación territorial.
De hecho, la importancia de los SIG radica principalmente en que muchas
soluciones a problemas de gestión y planificación requieren el acceso a va-
rios tipos de información, cuya relación solo es posible a través de su ubica-
ción geográfica o distribución espacial (figura 41). Los SIG permiten almacenar
y manipular esta información para analizar patrones, relaciones y tendencias,
lo que contribuye significativamente a una toma de decisiones más informada
y eficiente. De esta forma, los SIG son capaces de dar respuesta a cuestiona-
mientos, tales como:

- Localización: ¿Qué existe en …?

- Condición: ¿Dónde ocurre qué …?
- Tendencias: ¿Qué ha cambiado en ...?
- Rutas: ¿Cuál es el camino óptimo …?
- Distribución: ¿Qué distribución se presenta en ...?
- Modelos: ¿Qué ocurriría si ...?

Es importante destacar que la generación de nueva información a partir de

los SIG depende en gran medida de la calidad de la base de datos disponible,
ya que esta determinará tanto la cantidad como la calidad de los resultados
obtenidos.
En general, un SIG debe llevar a cabo una serie de tareas en las que la dispo-
nibilidad, características y calidad de la información resultan aspectos funda-
mentales a considerar. Además, las condiciones y habilidades del operador son
determinantes para asegurar la efectividad del sistema (Barrientos, 1999). Entre
las características y capacidades de los SIG, se puede destacar las siguientes:

– 147 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Estructura de compartimentaje: esta característica permite almacenar la

información en unidades separadas y homogéneas, lo que facilita su or-
ganización y gestión. Al segmentar los datos en diferentes compartimen-
tos o capas, se logra una mejor estructuración de la información, lo que
contribuye a la eficiencia en el análisis y manejo de grandes volúmenes
de datos espaciales. Esta organización en capas es especialmente útil
para trabajar con información temática, como usos del suelo, redes viales
o datos demográficos.
• Capacidad de integración de diferentes tipos de datos: gracias a su ca-
pacidad para trabajar con datos georreferenciados, los SIG permiten la
superposición de diversas capas o coberturas de información provenien-
tes de fuentes heterogéneas. Esta integración permite combinar datos
espaciales con información no espacial (como datos socioeconómicos,
ambientales o estadísticos), lo que enriquece el análisis y facilita la toma
de decisiones en contextos multidisciplinarios. Por ejemplo, en la plani-
ficación urbana, se puede integrar datos de infraestructura, población y
medio ambiente para evaluar impactos y proponer soluciones.

Figura 41. Modelamiento del terreno por medio de SIG.

– 148 –
 Sistemas de información geográfica

• Mayor eficacia en el procesamiento: los SIG permiten realizar análisis

complejos de manera rápida y eficiente, incluso cuando se trabaja con
un gran número de variables espaciales. Esta capacidad de procesar y
analizar grandes volúmenes de datos geoespaciales en tiempos relati-
vamente cortos mejora la eficiencia operativa y la toma de decisiones,
especialmente en situaciones que requieren respuestas rápidas, como
en la gestión de emergencias, la planificación urbana o la evaluación de
riesgos ambientales.
• Facilidad para el intercambio de información: la variedad de formatos
existentes y la estandarización de los datos geoespaciales facilita el in-
tercambio de información entre diferentes plataformas y usuarios. Esto
es fundamental para la colaboración interinstitucional y la integración de
diversas bases de datos, lo que permite un acceso y distribución más
eficiente de la información geográfica a nivel local, regional o global. Es-
tándares internacionales, como los establecidos por la Open Geospatial
Consortium (OGC), promueven la interoperabilidad entre sistemas.
• Reducción de incoherencias: los SIG contribuyen a reducir incoherencias
y distorsiones en las variables empleadas al garantizar que los datos estén
correctamente georreferenciados y alineados espacialmente. Esto mejora
la precisión y fiabilidad de los análisis, evitando errores derivados de una
interpretación incorrecta o un manejo inadecuado de los datos. Además,
los SIG permiten implementar procedimientos de control de calidad para
asegurar que los datos sean consistentes, actualizados y confiables.

Por tanto, los SIG no solo constituyen una plataforma poderosa para ges-
tionar y analizar datos espaciales, sino que también ofrecen múltiples ventajas
que mejoran la precisión, eficiencia y colaboración en la toma de decisiones
basadas en información geográfica. La capacidad de integrar datos diversos,
reducir errores y facilitar el intercambio de información posiciona a los SIG
como herramientas esenciales en la gestión del territorio, la planificación urba-
na, la gestión de recursos naturales y muchos otros ámbitos.
Así, los SIG se han extendido rápidamente en la gestión y la investigación,
abarcando una amplia variedad de campos. El medio ambiente y la gestión
de los recursos naturales son dos ámbitos en los que los SIG han demostrado
ser especialmente útiles, ya que permiten analizar las interacciones entre los
recursos distribuidos en el espacio.

– 149 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Las principales limitaciones de un SIG están relacionadas con el proceso de im-

plementación, el cual es siempre gradual y requiere una inversión significativa. Es
necesario adaptar el sistema a las necesidades de la organización, lo que implica
programación (generalmente realizada por el proveedor del SIG) y recopilación de
datos, ya sea a través de otras entidades o generados internamente. Para garanti-
zar un uso eficiente del SIG, es fundamental la colaboración entre programadores
y profesionales del área de estudio, de modo que el sistema se integre como una
herramienta organizacional y no simplemente como un recurso individual.

5.2. Elementos de un SIG

Un Sistema de Información Geográfica no es solo un conjunto de programas

informáticos instalados en equipos adecuados (Gutiérrez y Gould, 1994). Un SIG
va más allá que el software y el hardware juntos. Para que estas tecnologías
operen como un sistema de geoprocesamiento, es fundamental disponer de
datos, personal especializado y aplicaciones adecuadas (Esri, 1992). En este
contexto, un Sistema de Información Geográfica se compone de cinco elemen-
tos fundamentales: hardware, software, datos, métodos y usuarios (figura 42).

Figura 42. Componentes de un SIG.

– 150 –
 Sistemas de información geográfica

5.2.1. El hardware

El hardware de un SIG comprende el conjunto de dispositivos físicos ne-

cesarios para el procesamiento, almacenamiento y visualización de datos es-
paciales. Este componente ha evolucionado constantemente, incorporando
arquitecturas más eficientes y potentes, que permiten manejar grandes vo-
lúmenes de información geoespacial de manera ágil y precisa. Hoy en día, la
combinación de computación en la nube, inteligencia artificial, realidad virtual y
sensores remotos está revolucionando el modo en que los SIG procesan, ana-
lizan y representan la información geoespacial. Estas tecnologías han ampliado
significativamente las aplicaciones de los SIG en la gestión territorial, planifi-
cación urbana, monitoreo ambiental y análisis espacial avanzado. El hardware
esencial de un SIG se compone de los siguientes elementos:

• Unidad Central de Procesamiento (CPU) y componentes internos: la CPU

es el núcleo del sistema informático donde se ejecutan las operaciones
de procesamiento y análisis de datos espaciales. Sus componentes prin-
cipales incluyen:
- Procesador: es el encargado de ejecutar las operaciones aritméticas
y lógicas. Actualmente, los procesadores incluyen múltiples núcleos
y capacidades de procesamiento paralelo, optimizadas para tareas in-
tensivas, como el análisis espacial, modelización 3D y procesamiento
de imágenes satelitales. Ejemplos de procesadores de alto rendimien-
to para SIG incluyen los Intel Core i9, AMD Ryzen 9 y procesadores de
estaciones de trabajo, como los Intel Xeon o AMD Threadripper.
- Memoria RAM: almacena temporalmente los datos en uso. Para un
rendimiento óptimo en SIG, se recomienda un mínimo de 16 GB de
RAM, aunque para análisis complejos y procesamiento de imágenes
de alta resolución, 32 GB o más son ideales.
- Unidad de procesamiento gráfico (GPU): los SIG modernos aprove-
chan el procesamiento paralelo de las GPU, especialmente en tareas
de visualización 3D y procesamiento de imágenes satelitales. Tarjetas
gráficas como las NVIDIA RTX (GeForce o Quadro) y AMD Radeon Pro
son recomendadas para entornos SIG exigentes.

– 151 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Almacenamiento: los discos de estado sólido (SSD) han reemplazado

a los discos duros mecánicos (HDD) por su velocidad y confiabilidad.
Se recomienda un SSD de al menos 1 TB para mejorar el rendimien-
to en el acceso a datos espaciales. A su vez el almacenamiento en la
nube y servidores NAS son cada vez más utilizados para la gestión de
grandes volúmenes de datos espaciales, facilitando el acceso remoto
y el trabajo colaborativo.

• Dispositivos periféricos para entrada de datos geoespaciales: para la

captura y digitalización de datos espaciales, los SIG pueden utilizar una
variedad de dispositivos:
- Drones y sensores remotos: permiten capturar imágenes aéreas de
alta resolución, facilitando la generación de ortofotos y modelos digi-
tales de elevación (MDE).
- Receptores GNSS: capturan coordenadas geográficas con precisión
centimétrica, esenciales para trabajos de cartografía y geodesia.
- Escáneres LiDAR: utilizados para modelado 3D del terreno y genera-
ción de nubes de puntos, esenciales en aplicaciones como cartografía
forestal y planificación urbana.
- Escáneres de documentos e imágenes: facilitan la digitalización de
mapas analógicos y conversión a formatos ráster.
- Pantallas táctiles y tabletas gráficas (figura 43): permiten la digitalización
y edición de datos espaciales directamente sobre mapas interactivos.

Figura 43. Mesa de digitalización.

– 152 –
 Sistemas de información geográfica

• Visualización y representación gráfica de datos: la representación y el

análisis de datos espaciales requieren dispositivos adecuados:
- Monitores de alta resolución: pantallas 4K o superiores son recomendadas
para visualizar grandes volúmenes de información cartográfica con precisión.
- Realidad virtual y aumentada (VR/AR): se están integrando en SIG para
la exploración de datos geoespaciales en entornos tridimensionales
interactivos, permitiendo nuevas formas de análisis y visualización de
datos espaciales.
- Impresoras de gran formato y plotters (figura 44): utilizados para impri-
mir mapas detallados en formatos grandes, esenciales en cartografía,
diseño urbano y planificación territorial.

• Intercambio y procesamiento de datos: los SIG actuales requieren redes

de comunicación avanzadas para la transmisión y procesamiento eficien-
te de datos espaciales:
- Redes de alta velocidad (Ethernet, WiFi): permiten el acceso rápido a
bases de datos espaciales en servidores locales o en la nube.
- Computación en la nube: plataformas como Google Earth Engine,
AWS, Microsoft Azure y Esri ArcGIS Online facilitan el almacenamiento,
procesamiento y análisis de grandes conjuntos de datos espaciales sin
necesidad de hardware local costoso.
- Servidores y arquitecturas HPC (High Performance Computing): esen-
ciales para el procesamiento de big data geoespacial y modelado de
escenarios complejos que requieren grandes capacidades de cómputo.

Figura 44. Plotter de inyección de tinta.

– 153 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Plataformas computacionales para SIG: dependiendo de la complejidad

de los análisis espaciales y el volumen de datos, los SIG pueden ejecutar-
se en diferentes tipos de plataformas:
- Computadoras personales (PC y Mac): adecuadas para análisis bási-
cos y medianamente complejos en entornos SIG de pequeña escala.
- Estaciones de trabajo (workstations): equipadas con procesadores y
GPU de alto rendimiento, diseñadas para análisis SIG avanzados y mo-
delización 3D.
- Servidores y computación en la nube: utilizados para el procesamien-
to y almacenamiento de grandes bases de datos geoespaciales en in-
fraestructuras distribuidas, permitiendo el acceso remoto y el trabajo
colaborativo en entornos SIG empresariales y gubernamentales.

5.2.2. El software

El software de un SIG comprende el sistema operativo y las aplicaciones es-

pecializadas para el procesamiento, análisis y visualización de datos geoespa-
ciales. La evolución tecnológica ha permitido el desarrollo de soluciones más
avanzadas, integrando herramientas de inteligencia artificial, computación en
la nube y procesamiento en tiempo real, lo que facilita la toma de decisiones
basada en datos espaciales.

• Sistema operativo: el sistema operativo gestiona los recursos del hard-

ware y permite la ejecución de las aplicaciones SIG. La elección del siste-
ma operativo depende de su compatibilidad con el software SIG y de los
requerimientos específicos del análisis geoespacial. Los sistemas opera-
tivos más utilizados son:
- Windows: plataforma predominante en entornos SIG comerciales y de
escritorio, compatible con software como ArcGIS Pro y QGIS.
- Linux: preferido en entornos científicos y servidores SIG debido a su
estabilidad y optimización en el procesamiento de datos geoespacia-
les. Es compatible con software como GRASS GIS y PostgreSQL/Post-
GIS.

– 154 –
 Sistemas de información geográfica

- macOS: aunque menos común en SIG, algunos programas como QGIS

y Global Mapper tienen versiones compatibles.
- Sistemas en la nube: soluciones como Google Earth Engine y ArcGIS
Online permiten ejecutar análisis espaciales sin depender de un siste-
ma operativo local.

• Aplicaciones SIG: los programas SIG actuales ofrecen diversas funciona-

lidades para la gestión de datos geoespaciales y se estructuran en los
siguientes módulos principales:
- Módulo de entrada y validación de datos: permite importar informa-
ción desde sensores remotos, bases de datos, archivos vectoriales/
ráster y datos en tiempo real.
- Módulo de almacenamiento y gestión de datos: organiza la informa-
ción en bases de datos espaciales, facilitando su acceso y manipula-
ción. Destacan los Sistemas de Gestión de Bases de Datos Espaciales
(SGBDE), como PostgreSQL/PostGIS y SpatiaLite.
- Módulo de análisis y procesamiento geoespacial: incluye herramien-
tas para análisis espacial, modelado 3D, interpolación, geoprocesa-
miento y simulaciones.
- Módulo de visualización y salida cartográfica: permite representar da-
tos en mapas interactivos, generar informes y producir visualizaciones
en 2D y 3D.

• Software SIG más utilizado: actualmente, existen numerosas soluciones

SIG, tanto comerciales como de código abierto, que varían en función de
sus capacidades y plataformas de ejecución. Algunos de los más desta-
cados son:

a. Software SIG comercial:

- ArcGIS Pro (Esri): líder en SIG comerciales, ofrece herramientas avan-
zadas de análisis, integración con la nube y procesamiento en entor-
nos colaborativos (figura 45).

– 155 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 45. Entorno de escritorio de ArcGIS Pro.

- Global Mapper (Blue Marble Geographics): herramienta versátil para

análisis geoespacial y procesamiento de datos topográficos.
- MapInfo Pro (Precisely): utilizado en análisis de mercado y planifica-
ción territorial.
- AutoCAD Map 3D (Autodesk): especializado en integración de SIG con
diseño asistido por computadora (CAD).

b. Software SIG de código abierto:

- QGIS (QGIS Project): una de las alternativas más populares, con am-
plias capacidades de análisis espacial y extensiones personalizables
(figura 46).
- GRASS GIS (OSGeo): potente en análisis geoespacial avanzado y mo-
delado ambiental.
- gvSIG (gvSIG Association): desarrollado en España, enfocado en ges-
tión territorial y análisis espacial.

– 156 –
 Sistemas de información geográfica

Figura 46. Entorno de escritorio de QGIS.

c. Plataformas SIG en la nube:

- Google Earth Engine: especializado en análisis de imágenes satelitales

y datos geoespaciales en la nube.
- ArcGIS Online (Esri): permite la creación de mapas y análisis SIG sin
necesidad de instalación local.
- AWS & Microsoft Azure para SIG: infraestructuras en la nube, que permi-
ten ejecutar SIG de alto rendimiento con almacenamiento distribuido.

– 157 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

5.2.3. Los datos

Los datos constituyen el eje central de un SIG (figura 47), ya que son el so-
porte para el almacenamiento, análisis y representación de la información geo-
espacial. Su desarrollo, en comparación con los demás componentes del sis-
tema, representa el mayor costo económico y temporal dentro de un proyecto
SIG. Según diversos estudios, la recopilación, procesamiento y mantenimiento
de datos pueden representar hasta el 70% del costo total de un proyecto SIG
(Barredo, 1996), lo que resalta la importancia de una adecuada gestión de este
componente.
Los datos en un SIG abarcan múltiples temáticas, entre ellas: topografía, sis-
temas de transporte, división administrativa y límites políticos, uso del suelo y
cobertura terrestre, recursos naturales, geología, hidrografía, datos socioeco-
nómicos y censales, información catastral y urbana.

• Modelos de datos geoespaciales: los datos en un SIG pueden represen-

tarse mediante distintos modelos según su estructura y forma de alma-
cenamiento:
- Modelo vectorial: representa entidades espaciales mediante puntos,
líneas y polígonos. Es ideal para la gestión de redes de transporte, lí-
mites administrativos, parcelas catastrales y otras entidades discretas.
- Modelo ráster: basado en una matriz de celdas o píxeles, utilizado
principalmente en imágenes satelitales, modelos digitales de eleva-
ción (MDE) y variables continuas como temperatura o precipitación.
- Modelos híbridos y orientados a objetos: integran datos vectoriales y
ráster en una misma estructura, permitiendo una representación más
completa y eficiente de la realidad geoespacial.

– 158 –
 Sistemas de información geográfica

Figura 47. Estructura lógica de las bases de datos de los SIG.

• Gestión y almacenamiento de datos geoespaciales: los SIG modernos

almacenan y gestionan la información mediante Sistemas de Gestión de
Bases de Datos Espaciales (SGBDE), que permiten organizar, consultar y
analizar grandes volúmenes de datos geoespaciales. Algunos de los más
utilizados incluyen:
- PostgreSQL/PostGIS: base de datos espacial de código abierto alta-
mente escalable y flexible.
- SpatiaLite: extensión espacial de SQLite, ideal para bases de datos li-
geras y móviles.
- Oracle Spatial: solución robusta para el almacenamiento de datos es-
paciales en entornos empresariales.
- Microsoft SQL Server con soporte espacial: facilita la gestión y consul-
ta de datos geoespaciales en entornos corporativos.
Además, el crecimiento de la computación en la nube ha impulsado el
uso de plataformas como Google Earth Engine, AWS y Microsoft Azure,

– 159 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

que permiten la gestión y análisis de datos geoespaciales de manera dis-

tribuida, optimizando el acceso y el procesamiento en tiempo real.

• Integración y acceso a datos: el acceso a datos en los SIG actuales se

ha optimizado con la incorporación de estándares y servicios web geo-
espaciales, que permiten compartir y consultar información en entornos
distribuidos. Algunos de los más relevantes son:
- Servicios de mapas web (WMS, WMTS): facilitan la visualización de
datos geográficos en línea sin necesidad de descarga.
- Servicios de entidades (WFS, WCS): permiten la consulta, descarga y
manipulación de datos geoespaciales estructurados.
- APIs de datos abiertos y sensores remotos: plataformas como OpenS-
treetMap, Copernicus y NASA EarthData proporcionan acceso a con-
juntos de datos globales actualizados en tiempo real.

La integración de estas tecnologías ha mejorado la interoperabilidad entre

plataformas SIG, permitiendo el análisis de datos espaciales con herramientas
de inteligencia artificial, aprendizaje automático y big data para una toma de
decisiones más precisa y eficiente.

5.2.4. Los métodos

Los métodos son el conjunto de técnicas, procedimientos y algoritmos que

permiten la recopilación, procesamiento, análisis y visualización de los datos en
un SIG. Su correcta aplicación garantiza la eficiencia y precisión en la gestión
de la información geoespacial, facilitando una toma de decisiones adecuada
en diversos ámbitos de la gestión y planificación de los recursos y el territorio.
El diseño metodológico de un SIG depende del tipo de datos, del propósito
del análisis y de los objetivos del proyecto. Para ello, se emplean diferentes
enfoques y técnicas que abarcan desde la captura de datos hasta su represen-
tación final en mapas y modelos geoespaciales. A continuación, se mencionan
etapas de trabajo principales y tareas relacionadas donde se desarrollan estos
métodos:

– 160 –
 Sistemas de información geográfica

• Métodos de captura y adquisición de datos: los datos en un SIG provie-

nen de diversas fuentes y requieren métodos específicos para su recopi-
lación y estructuración:
- Sistemas de posicionamiento (GNSS): permiten la captura precisa de
coordenadas geográficas para aplicaciones en cartografía, monitoreo
ambiental y navegación.
- Sensores remotos y teledetección: incluyen imágenes satelitales, dro-
nes y sensores LiDAR utilizados para el mapeo de la superficie terres-
tre, el monitoreo de cambios ambientales y la generación de Modelos
Digitales de Elevación (MDE).
- Cartografía y digitalización: conversión de mapas en papel a formatos
digitales mediante escaneo, georreferenciación y vectorización.
- Bases de datos espaciales: integración de información georreferen-
ciada estructurada en Sistemas de Gestión de Bases de Datos Espa-
ciales (SGBDE) como PostgreSQL/PostGIS, Oracle Spatial o SpatiaLite.

• Métodos de procesamiento y análisis de datos: el procesamiento y aná-

lisis de datos en un SIG se basa en la aplicación de algoritmos y modelos
espaciales que permiten extraer información relevante. Entre los princi-
pales métodos, se encuentran:
- Geoprocesamiento: conjunto de herramientas que permiten la mani-
pulación de datos espaciales mediante operaciones como superposi-
ción, intersección, disolución y generación de buffers.
- Análisis espacial: incluye técnicas de interpolación, análisis de proxi-
midad, cálculo de densidades y modelos de redes.
- Análisis ráster: aplicación de operaciones matemáticas sobre capas
ráster para generar modelos de elevación, mapas de uso del suelo y
análisis hidrológicos.
- Modelado 3D y SIG en tiempo real: generación de escenarios tridimen-
sionales para planificación urbana, simulaciones ambientales y gestión
del territorio.
- Minería de datos y big data geoespacial: aplicación de algoritmos de
inteligencia artificial y aprendizaje automático para la detección de pa-
trones en grandes volúmenes de datos espaciales.

– 161 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Métodos de visualización y representación cartográfica: los SIG permiten

la representación visual de datos espaciales mediante diferentes técnicas
de cartografía digital e interacción gráfica:
- Cartografía temática: generación de mapas especializados según atri-
butos específicos (climatología, demografía, uso del suelo, entre otros).
- Simbología y representación gráfica: aplicación de colores, escalas y
símbolos para facilitar la interpretación de mapas.
- Visualización 3D y Realidad Aumentada (RA): uso de entornos tridi-
mensionales interactivos para mejorar la percepción espacial en análi-
sis geoespaciales.
- Dashboards y web mapping: creación de plataformas interactivas con
mapas dinámicos mediante herramientas como ArcGIS Online, Google
Maps API y Leaflet.

• Métodos de integración e interoperabilidad: la interoperabilidad en SIG

permite la combinación de datos y herramientas de distintas fuentes para
mejorar la eficiencia del análisis geoespacial. Entre los métodos clave, se
encuentran:
- Estandarización de formatos: uso de estándares abiertos, como
GeoJSON, GML y GeoTIFF, para garantizar la compatibilidad entre
plataformas SIG.
- Servicios Web Geoespaciales (OGC): implementación de protocolos,
como WMS (Web Map Service) y WFS (Web Feature Service), para
compartir datos en entornos distribuidos.
- Automatización y scripting: uso de lenguajes como Python (con libre-
rías como GDAL y PyQGIS) para optimizar flujos de trabajo y análisis
espaciales complejos.
- Computación en la nube y SIG colaborativos: integración de infraes-
tructuras en la nube, que permiten la edición y consulta de datos geo-
espaciales en tiempo real, facilitando la colaboración entre equipos
multidisciplinarios.

– 162 –
 Sistemas de información geográfica

Todos estos métodos SIG son esenciales para transformar los datos en in-
formación útil y comprensible. La validez e idoneidad de dicha información de-
penderá de la combinación adecuada de técnicas utilizadas, lo cual resulta
clave para sustentar la toma de decisiones informadas basadas en el contexto
geoespacial. Con la evolución de tecnologías como la inteligencia artificial, el
big data y la computación en la nube, los SIG continúan expandiendo sus ca-
pacidades, ofreciendo soluciones más eficientes para la gestión del territorio y
la planificación estratégica.

5.2.5. Los usuarios

Los usuarios de un SIG son aquellas personas que interactúan con el siste-
ma. En función de su grado de especialización en el uso de estas herramientas,
se distinguen tres niveles de usuarios (Heywood et al., 2011):

• Nivel I - Usuarios técnicos avanzados: este nivel está formado por ana-
listas y programadores que se encargan de aspectos técnicos complejos
del SIG. Su rol incluye el diseño de sistemas, la implementación informáti-
ca de algoritmos y programas, la puesta a punto y reparación de los equi-
pos y el análisis e intercambio de formatos de la información. Estos usua-
rios, con alta formación técnica, son responsables de asegurar el buen
funcionamiento del sistema y de integrar las capacidades necesarias para
satisfacer las demandas de los otros niveles de usuarios.

• Nivel II - Técnicos especialistas y operarios: este nivel abarca a un con-

junto diverso de técnicos especialistas que explotan al máximo el com-
ponente funcional del SIG para abordar tareas específicas.

- Técnicos: se incluyen especialistas de distintas disciplinas, como geó-

grafos, ingenieros, cartógrafos, arquitectos y planificadores, quienes
utilizan los SIG como una herramienta analítica fundamental en el de-
sarrollo de proyectos. Estos profesionales aprovechan los SIG para mo-
delar y analizar datos geoespaciales en diversas aplicaciones, desde el
análisis de infraestructuras hasta la gestión ambiental. Como resultado
de su actividad, se obtiene modelos analíticos que, en muchos casos,

– 163 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

son implementados por los programadores para ser integrados en el

propio SIG, ampliando sus capacidades analíticas.
- Operarios: son los responsables de la introducción, verificación y actua-
lización de los datos espaciales dentro del sistema. Además, gestionan
la representación cartográfica y controlan la calidad de los productos
generados. Este rol es crucial para garantizar que los datos sean pre-
cisos, actuales y bien organizados. Con el auge de la automatización y
la integración de herramientas como drones y sensores remotos, estos
operarios también pueden estar involucrados en la captura directa de
datos en campo, mejorando la precisión y eficiencia de la información
geoespacial.

• Nivel III - Usuarios finales o decisores: este nivel está compuesto por los
usuarios que utilizan el SIG de manera consultiva, es decir, para acce-
der a la información y tomar decisiones basadas en ella. Estos usuarios
no requieren conocimientos técnicos profundos del sistema, sino que se
benefician de las aplicaciones diseñadas por los niveles anteriores para
apoyar sus procesos de toma de decisiones. Con el creciente uso de pla-
taformas web y aplicaciones móviles, estos usuarios tienen acceso más
fácil y en tiempo real a los datos geoespaciales, lo que permite una mayor
interacción y agilidad en la toma de decisiones en sectores como la pla-
nificación urbana, la gestión ambiental y la respuesta ante emergencias.

5.3. Funciones de los SIG

Las funciones de los SIG se agrupan en cuatro conjuntos fundamentales (figura

48): entrada de datos, gestión de datos, transformación y análisis de datos, y salida
de datos (Barredo, 1996). Estos conjuntos abarcan todas las operaciones posibles
dentro de los SIG, permitiendo su amplia aplicación en diversos campos.

– 164 –
 Sistemas de información geográfica

Figura 48. Funciones de los SIG.

5.3.1. Entrada de datos

La entrada de datos es una etapa fundamental para garantizar el buen fun-

cionamiento de un SIG, ya que determina la creación de una base de datos
precisa, versátil y confiable. Según Comas y Ruiz (1993), esta función incluye los
procedimientos de entrada, edición y representación interactiva en el monitor.
La información geográfica puede provenir de diversas fuentes y en diferentes
formatos. Las fuentes comunes incluyen mapas y cartas analógicas, imágenes
satelitales, levantamientos GNSS, sensores remotos y drones. Estos datos de-
ben ser estandarizados, corregidos y transformados para ser introducidos en el
sistema (Barredo, 1996). Actualmente, la teledetección espacial y el uso de dro-
nes son herramientas clave, ya que permiten obtener datos a gran escala con
alta precisión y en áreas de difícil acceso. Además, los GNSS permiten capturar
datos con precisión centimétrica, lo cual es crucial para la georreferenciación y
el trazado de infraestructuras (Briones, 1999).
Una vez ingresada la información, se realizan funciones de edición para co-
rregir inconsistencias y modificar los atributos geométricos, como orientación,
forma y posición (Cebrián, 1992). Esto incluye la generalización y el suaviza-

– 165 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

do de líneas para mejorar la calidad de los datos representados. También, la

representación interactiva permite visualizar en tiempo real los datos ingresa-
dos, con la capacidad de modificar su simbología, como colores, tamaños y
símbolos, facilitando la interpretación y personalización de la información. Las
librerías de símbolos permiten guardar y modificar configuraciones visuales de
manera fácil y flexible (Comas y Ruiz, 1993).

5.3.2. Gestión de datos

Las funciones de gestión de datos se centran en el almacenamiento, recu-

peración y organización de los datos espaciales y temáticos dentro del SIG. Es-
tas funciones están directamente relacionadas con el Sistema Gestor de Base
de Datos (SGBD), que permite gestionar la base de datos de manera eficiente
(Barredo, 1996).
El SGBD controla la organización física y lógica de los datos, su almace-
namiento y recuperación. Permite que los datos se mantengan organizados y
accesibles sin que el usuario necesite preocuparse por cómo están físicamen-
te almacenados. Además, gestiona la integridad de los datos cuando varios
usuarios están conectados simultáneamente, facilita la creación de copias de
seguridad y permite la asignación de permisos de acceso para garantizar la
seguridad y la privacidad de los datos (Comas y Ruiz, 1993). Con el auge de la
computación en la nube, los SIG modernos también permiten gestionar gran-
des volúmenes de datos en tiempo real y colaborar de manera eficiente entre
equipos distribuidos geográficamente, utilizando plataformas en la nube para
el almacenamiento y análisis de datos geoespaciales.

5.3.3. Transformación y análisis de los datos

Las funciones de transformación y análisis de datos son el núcleo de la po-

tencia de los SIG, ya que permiten generar nuevos datos a partir de los existen-
tes, con el objetivo de resolver problemas espaciales (Barredo, 1996). A través
de estas funciones, los SIG permiten realizar operaciones de superposición,
reclasificación, interpolación y análisis de proximidad, entre otros, para generar
modelos y soluciones de alto valor.

– 166 –
 Sistemas de información geográfica

El análisis de datos espaciales es una de las funciones más importantes y

distintivas de los SIG (Bosque, 1997). Las herramientas de análisis espacial y de
redes permiten simular y evaluar diversos escenarios, lo cual es esencial para
la planificación territorial, gestión de recursos naturales y toma de decisiones
urbanísticas. Hoy en día, los SIG son capaces de integrar big data geoespacial
y de aplicar algoritmos avanzados, como los de inteligencia artificial y apren-
dizaje automático, para identificar patrones y realizar predicciones basadas en
grandes volúmenes de datos. Además, permiten la simulación de escenarios
y el modelado 3D, ofreciendo a los planificadores la capacidad de visualizar y
evaluar virtualmente las implicaciones de sus decisiones, mejorando la preci-
sión de las políticas y estrategias implementadas (figura 49).

5.3.4. Salida de datos

Las funciones de salida de datos permiten representar y compartir la infor-

mación contenida en la base de datos del SG, así como los resultados obteni-
dos de análisis y simulaciones. Entre las salidas más comunes se encuentran
mapas, tablas de valores, representaciones tridimensionales y simulaciones
interactivas. En la actualidad, la salida de datos no se limita solo a formatos tra-
dicionales, como mapas analógicos o impresos, sino que se extiende a plata-
formas web interactivas, donde los usuarios pueden visualizar y explorar datos
en tiempo real a través de herramientas como Google Maps API, ArcGIS Online
o Leaflet. Las visualizaciones interactivas y los dashboards permiten a los usua-
rios finales tomar decisiones informadas rápidamente, mientras que las repre-
sentaciones 3D y las simulaciones de realidad aumentada están mejorando la
comprensión y el análisis espacial en áreas como la planificación urbana y la
gestión ambiental.

– 167 –
GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 49. Simulación de escenarios virtuales.

– 168 –
 CAPÍTULO VI
DATOS GEOGRÁFICOS Y SU ORGANIZACIÓN

6.1. Los datos empleados en geomática

Como se mencionó anteriormente, la geomática se encarga de capturar,

manejar y analizar información para facilitar el entendimiento de objetos o fe-
nómenos espaciales, basándose en datos geográficos (Bosque, 1997). Estos
datos corresponden a la representación cartográfica de los elementos pre-
sentes en el territorio junto con valores o atributos temáticos complementarios
asociados a ellos, los cuales deben ser incluidos en los procesos de análisis.
Esta particularidad hace que los datos geográficos posean características que
los diferencian de otros tipos de datos y que permiten la aplicación de estruc-
turas específicas para su manejo. Aunque es cierto que todas las estructuras
posibles contienen información, no todos los tipos de información pueden ser
sostenidos por las mismas estructuras. Así, es posible que ciertas estructuras
de datos, perfectamente adaptadas a un problema o situación en particular, no
resulten útiles en otros contextos.
De acuerdo con lo planteado por Calvo (1993), la tipología de los datos geo-
gráficos o territoriales a utilizar debe considerar los siguientes aspectos:

- El nivel de alteraciones que experimenta el territorio a lo largo del tiempo

tanto en su dimensión física o espacial (uso del suelo, temperaturas, límites
de propiedad, etc.) como en su dimensión asociada o temática (revaloriza-
ción, decisiones políticas, cambio de rol, etc.).
- El volumen y la complejidad de los datos relacionados con el territorio.
- El número y la temática de los especialistas vinculados al territorio, entre
los que se incluye a urbanistas, geógrafos, ingenieros, topógrafos y arqui-
tectos, entre otros.

– 169 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- La complejidad de las relaciones entre los objetos que conforman el te-

rritorio.
- La variabilidad y diversidad en la naturaleza de los datos; por ejemplo,
datos bidimensionales, tridimensionales, temporales, etc.
- El número de disciplinas involucradas en el tipo de gestión que se desea
realizar.

6.2. Componentes de los datos geográficos

Harvey (1969) señala que la observación del mundo suele abordarse desde
tres perspectivas principales: la lógica formal (matemáticas), el tiempo (historia)
y el espacio (geografía). En esta última, se enfatiza la importancia de la distancia
y de las características de ubicación en la descripción de los objetos espaciales
y sus relaciones.
Dada la diversidad y complejidad de las variables geográficas, para interpre-
tar adecuadamente los fenómenos espaciales es fundamental comprender la
naturaleza de los objetos geográficos (Robinson et al., 1987).
En los datos geográficos se distinguen tres componentes esenciales: el es-
pacial, el temático y el temporal.

6.2.1. El componente espacial

De acuerdo con Gutiérrez y Gould (1993), dentro del componente espacial es

posible identificar tres cualidades fundamentales:

- La localización geográfica: corresponde a la posición de los objetos en

el espacio, la cual se expresa mediante un sistema de coordenadas. Este
sistema debe ser común a todas las capas o estratos de información que
representen un área de estudio, aunque es posible realizar transforma-
ciones para convertir entre diferentes sistemas de coordenadas cuando
sea necesario.

– 170 –
 Datos geográficos y su organización

En el modelo vectorial, un punto se localiza mediante un par de coorde-

nadas (X, Y) o latitud y longitud; una línea se define por las coordenadas
de los puntos que la conforman y un polígono, por las coordenadas que
definen las líneas que lo cierran. En el modelo ráster, en cambio, la lo-
calización se determina por el número de fila y columna de las celdas
dentro de una malla regular. Así, los objetos espaciales que representan
la variabilidad del mundo real están georreferenciados, ya que el sistema
conoce su ubicación precisa en el espacio.
- Las propiedades espaciales: según su naturaleza, los objetos que repre-
sentan la realidad geográfica poseen propiedades espaciales específicas.
En el caso de las líneas, estas pueden incluir longitud, forma y pendiente,
mientras que en los polígonos se consideran propiedades, como superfi-
cie, perímetro, forma y orientación.
En el modelo ráster, donde las celdas son uniformes en tamaño y forma,
el sistema agrupa conjuntos de celdas (zonas) para analizarlas como si
fueran polígonos, lo cual permite calcular propiedades espaciales simi-
lares. Dependiendo del tipo de sistema utilizado, algunas propiedades,
como longitud, perímetro y área, pueden calcularse automáticamente y
almacenarse en la base de datos de atributos correspondiente. Otras pro-
piedades más complejas requerirán un procesamiento específico según
las indicaciones del analista.
- Las relaciones espaciales o topológicas: los objetos geográficos man-
tienen múltiples relaciones entre sí. Debido a su complejidad, no todas
estas relaciones pueden ser almacenadas de manera permanente en un
Sistema de Información Geográfica (SIG). Entre las relaciones espaciales
más relevantes se encuentran la conectividad, la contigüidad y la proxi-
midad.
Algunas de estas relaciones se definen explícitamente en un SIG, mien-
tras que otras deben calcularse cuando se requieran (Aronoff, 1995). Por
ejemplo, la relación de proximidad entre dos objetos puede calcularse
dinámicamente a partir de su geometría y localización, siguiendo los cri-
terios de distancia establecidos por el usuario.

– 171 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

6.2.2. El componente temático

Este componente hace referencia a los atributos que describen o definen

un objeto geográfico (figura 50). Las variables que constituyen la información
temática de las unidades espaciales pueden ser de naturaleza diversa (por
ejemplo, color, tipo de ocupación, población y vegetación, entre otras) y estar
medidas en diferentes escalas (Gutiérrez y Gould, 1993).

Figura 50. Tabla de atributos de una cobertura de suelos.

La medición de un hecho empírico se realiza mediante un conjunto de pro-

cedimientos, generalmente de tipo numérico, que permite asignar valores a las
distintas modalidades que adopta una característica en cada unidad de obser-
vación. Así, el número o código asignado representa el valor de una cualidad
específica de cada objeto geográfico.
Sin embargo, debido a la diversidad y variabilidad de los objetos representa-
dos en la realidad, no todas sus cualidades pueden expresarse utilizando una
misma escala numérica. Por esta razón, se ha desarrollado diferentes escalas
de medición, adaptadas a las propiedades particulares de cada tipo de variable.
Estas escalas varían en cuanto al número y tipo de relaciones matemáticas que
permiten establecer entre las distintas categorías o valores de una característica.

– 172 –
 Datos geográficos y su organización

En este sentido, se reconocen cuatro escalas o niveles de medición, según

Bosque (1997):

- Nominal: clasifica los datos en categorías sin establecer ningún tipo de

orden (por ejemplo, tipo de vegetación, uso del suelo).
- Ordinal: establece un orden entre las categorías, aunque sin precisar la
magnitud de las diferencias entre ellas (por ejemplo, niveles de vulnera-
bilidad: bajo, medio, alto).
- De intervalos: permite conocer las diferencias entre los valores, pero sin
un cero absoluto (por ejemplo, temperatura en grados Celsius).
- De razón: incorpora todas las propiedades anteriores y, además, cuen-
ta con un cero absoluto que permite realizar operaciones de razón (por
ejemplo, población, superficie).

6.2.3. El componente temporal

El componente temporal representa la variabilidad de los fenómenos geo-

gráficos a lo largo del tiempo, asignando a cada objeto un estado espacial y
temático determinado en un momento específico.
Esta variabilidad puede manifestarse exclusivamente en el componente te-
mático sin alterar la geometría o localización del objeto. Esto se evidencia, por
ejemplo, al comparar dos mapas de una misma zona en diferentes momentos:
los contornos de los objetos permanecen iguales, pero los valores temáticos
han cambiado. Un caso típico es la cosecha de un rodal forestal o la transfor-
mación de una parcela agrícola de pradera a viñedo.
Sin embargo, es más común que los cambios afecten el componente espa-
cial. Esto ocurre cuando surgen nuevos elementos en el territorio que deben
ser representados mediante nuevos objetos o cuando se modifican los límites
de los elementos ya existentes. En tales casos, es necesario redefinir la geo-
metría de los objetos, aun cuando sus atributos temáticos no se vean alterados
(Gutiérrez y Gould, 1993).
Algunos ejemplos de este tipo de cambio incluyen la construcción de un
nuevo edificio, el rediseño del trazado de una carretera o la expansión del pe-
rímetro urbano (figura 51).

– 173 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 51. Expansión urbana en el tiempo.

6.3. Bases de datos en geomática

En el contexto de las ciencias de la información, una base de datos se defi-

ne como un conjunto organizado de datos almacenados de forma sistemática,
que permite su fácil acceso, gestión y actualización mediante sistemas espe-
cializados denominados sistemas de gestión de bases de datos (DBMS, por su
sigla en inglés). Estas estructuras son fundamentales para manejar grandes
volúmenes de información de manera eficiente, asegurando la integridad, se-
guridad y disponibilidad de los datos (Date, 2004).
En el ámbito de la geomática, la gestión de datos constituye un componente
central, ya que esta disciplina se basa en la adquisición, procesamiento, análisis
y representación de información geoespacial. Dada la naturaleza volumétrica,
multidimensional y compleja de los datos espaciales, las bases de datos no
solo permiten su almacenamiento, sino también su organización lógica e inte-
gración con herramientas analíticas y de visualización (Longley et al., 2015). La
capacidad de acceder a datos precisos, actualizados y bien estructurados es
esencial para aplicaciones como la planificación territorial, la gestión ambiental
o los sistemas de transporte inteligentes.
Una de las aplicaciones más relevantes de las bases de datos en geomá-
tica se da a través de su interacción con los SIG. Los SIG utilizan bases de da-
tos para almacenar tanto información espacial (como geometrías vectoriales
o capas ráster) como atributos descriptivos, lo que permite realizar consultas

– 174 –
 Datos geográficos y su organización

espaciales, análisis geográficos complejos y producción cartográfica dinámica.

La sinergia entre los SIG y las bases de datos espaciales ha impulsado una evo-
lución significativa en la forma de modelar y gestionar la realidad geográfica,
habilitando soluciones más precisas y eficientes para la toma de decisiones
basadas en el territorio (Pichaimani & Manjula, 2016).

6.3.1. Tipos de bases de datos

Las bases de datos constituyen el núcleo tecnológico para el almacena-

miento y manejo estructurado de la información. En geomática, donde se tra-
baja con grandes volúmenes de datos geoespaciales y sus atributos asociados,
comprender los fundamentos de las bases de datos es esencial para diseñar
sistemas robustos y eficientes. Los sistemas de gestión de bases de datos se
clasifican, en términos generales, en tres grandes categorías relevantes para
esta disciplina:

• Bases de datos relacionales (RDBMS): se basan en el modelo relacional

propuesto por Edgar F. Codd en 1970, en el cual la información se orga-
niza en tablas compuestas por filas (registros) y columnas (campos). Las
relaciones entre diferentes tablas permiten estructurar los datos de forma
lógica y flexible. Sistemas como PostgreSQL, MySQL y Oracle son ejem-
plos clásicos, ampliamente utilizados en aplicaciones SIG (Date, 2004).
• Bases de datos no relacionales (NoSQL): están diseñadas para trabajar
con grandes volúmenes de datos no estructurados o semiestructurados.
A diferencia del modelo relacional, NoSQL permite estructuras más flexi-
bles como documentos (MongoDB), grafos (Neo4j) o pares clave-valor
(Redis). Aunque su uso en geomática es menos tradicional, están ganan-
do espacio en contextos como el big data geoespacial y el análisis en
tiempo real (Sadalage & Fowler, 2012).
• Bases de datos espaciales (Spatial DBMS): extienden las capacidades de
los RDBMS convencionales al incorporar funciones específicas para al-
macenar, consultar y analizar datos espaciales. Integran tipos de datos
geométricos (puntos, líneas, polígonos) y funciones espaciales (por ejem-
plo, intersección o proximidad). Ejemplos destacados incluyen PostGIS
(extensión de PostgreSQL), SpatiaLite (para SQLite) y Oracle Spatial (Pi-
chaimani & Manjula, 2016).

– 175 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Una base de datos se estructura en tablas, que representan entidades del

mundo real. Cada tabla está compuesta por:

• Registros (filas): cada uno representa una instancia o entrada específica.

• Campos (columnas): definen los atributos o variables asociadas a los re-
gistros.

El concepto de llave primaria (primary key) se refiere a un campo único que

identifica de forma inequívoca cada registro dentro de una tabla. Por su parte,
la llave foránea (foreign key) es un campo que conecta una tabla con otra, per-
mitiendo mantener la integridad referencial del modelo de datos.
La normalización de datos es el proceso de organizar las tablas para reducir
la redundancia y mejorar la consistencia. Se logra mediante la descomposición
de tablas en estructuras más simples y relacionadas, lo cual facilita el manteni-
miento y la escalabilidad del sistema (Connolly & Begg, 2015).
El Structured Query Language (SQL) es el lenguaje estándar utilizado para
gestionar y manipular datos en bases de datos relacionales. SQL permite:

- Crear y modificar estructuras (por ejemplo, CREATE TABLE, ALTER TABLE).

- Insertar y actualizar datos (por ejemplo, INSERT, UPDATE).
- Consultar información (por ejemplo, SELECT, WHERE, JOIN).
- Definir restricciones e índices.

En bases de datos espaciales, SQL se extiende mediante funciones espa-

ciales, como ST_Intersects, ST_Distance, o ST_Buffer, que permiten ejecutar
análisis espaciales directamente desde el sistema gestor de base de datos.

6.3.2. Bases de datos espaciales

Las bases de datos espaciales (o Spatial DBMS) son sistemas diseñados es-
pecíficamente para almacenar, gestionar y consultar datos geográficos o espa-
ciales. A diferencia de las bases de datos tradicionales, que solo manejan datos
alfanuméricos, estas incorporan tipos de datos geométricos (como puntos, lí-
neas y polígonos) junto con operaciones especializadas para su análisis. Este
tipo de bases de datos es fundamental en geomática, ya que permite integrar

– 176 –
 Datos geográficos y su organización

de manera eficiente información espacial con atributos descriptivos, soportan-

do operaciones de análisis, visualización y modelado geográfico dentro de una
estructura sistemática y escalable (Rigaux et al., 2002).
Los objetos geográficos se representan mediante geometrías que modelan
ubicaciones y formas sobre la superficie terrestre:

• Puntos: representan localizaciones simples (por ejemplo, torres, estacio-

nes meteorológicas).
• Líneas: representan conexiones lineales o rutas (por ejemplo, carreteras,
ríos).
• Polígonos: representan áreas cerradas (por ejemplo, parcelas catastrales,
lagos).

Estas geometrías se almacenan junto con sus atributos en campos especia-

lizados (por ejemplo, de tipo geometry o geography) dentro de las tablas de la
base de datos. La combinación de datos espaciales y alfanuméricos permite a
los usuarios ejecutar consultas complejas y realizar análisis espaciales directa-
mente desde el sistema gestor, sin depender exclusivamente de software SIG
externo.
Dado que las operaciones espaciales suelen ser computacionalmente in-
tensivas, se emplea índices espaciales para optimizar el rendimiento de las
consultas. Dos de los más comunes son:

• R-Tree: estructura jerárquica que agrupa objetos espaciales en regiones

mínimas delimitadoras (Minimum Bounding Rectangles, MBRs) para faci-
litar búsquedas espaciales eficientes.
• QuadTree: divide recursivamente el espacio en cuadrantes, siendo ideal
para datos ráster o distribuciones regulares de puntos.

Estos índices permiten, por ejemplo, determinar rápidamente qué objetos

geográficos se encuentran dentro de una región determinada o cuáles se in-
tersectan con otros.
Diversos sistemas de gestión de bases de datos relacionales ofrecen exten-
siones espaciales que incorporan tipos de datos geométricos, operadores es-
paciales y funciones especializadas. Entre los más destacados se encuentran:

– 177 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• PostGIS (para PostgreSQL): es la extensión espacial de código abierto

más avanzada. Ofrece soporte completo para tipos de geometría, opera-
dores topológicos, funciones de análisis y transformación de coordena-
das. Es ampliamente utilizada en aplicaciones profesionales y proyectos
de infraestructura de datos espaciales (figura 52) (Hsu & Obe, 2021).
• SpatiaLite (para SQLite): alternativa ligera y portable que añade capaci-
dades espaciales a bases de datos SQLite. Ideal para aplicaciones móvi-
les o de escritorio que no requieren un servidor completo.
• Oracle Spatial and Graph: extensión de Oracle Database que proporcio-
na soporte para análisis espacial complejo, redes topológicas y mode-
lado 3D. Es común en sectores como telecomunicaciones, urbanismo y
defensa.

Gracias a las funciones espaciales integradas, es posible realizar consultas

geográficas directamente en SQL. Algunos ejemplos comunes incluyen:

- ST_Within(geom1, geom2): devuelve verdadero si geom1 está completa-

mente contenido dentro de geom2.
- ST_Intersects(geom1, geom2): determina si dos geometrías se tocan o se
cruzan en alguna parte.
- ST_Distance(geom1, geom2): calcula la distancia mínima entre dos obje-
tos espaciales.

– 178 –
 Datos geográficos y su organización

Figura 52. Interfaz gráfica pgAdmin para trabajar con Postgres y Postgis.

Estas funciones permiten responder a preguntas como: “¿Qué parcelas es-

tán dentro de una zona de riesgo?”, “¿Qué estaciones de monitoreo están a
menos de 5 km de un río contaminado?” o “¿Qué rutas cruzan una determinada
reserva natural?”.
Las bases de datos espaciales permiten automatizar procesos y realizar aná-
lisis espaciales complejos. Algunos de los principales casos de uso en geomá-
tica incluyen:

• Análisis espacial: delimitación de áreas de influencia, detección de su-

perposiciones entre capas, modelado de redes de transporte.
• Geocodificación: conversión de direcciones postales en coordenadas
geográficas para su representación cartográfica.
• Mapas temáticos: generación de mapas dinámicos en plataformas web,
alimentados directamente desde la base de datos.

– 179 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Gestión de infraestructura: monitoreo de redes eléctricas, hidráulicas o

de telecomunicaciones mediante modelos topológicos almacenados en
bases espaciales.

La adopción de bases de datos espaciales ha impulsado una mayor intero-

perabilidad entre sistemas, así como el desarrollo de soluciones SIG empresa-
riales, aplicaciones móviles y servicios geoespaciales en la web. Este enfoque
integral ha consolidado su papel como infraestructura clave en la ciencia geo-
espacial contemporánea.

6.4. Modelado de datos geoespaciales

El modelado de datos geoespaciales es un proceso fundamental para repre-

sentar de manera adecuada la información del mundo real en una base de da-
tos, permitiendo su análisis, consulta y visualización de forma estructurada. En
geomática, este modelado debe considerar tanto las características espaciales
como los atributos temáticos de los objetos, así como las relaciones entre ellos.
En el contexto de los SIG, existen dos enfoques principales para modelar el
espacio: el modelo ráster y el modelo vectorial (Gutiérrez y Gould, 1994). Estas
dos formas de modelado no son excluyentes. De hecho, muchos sistemas y
aplicaciones SIG actuales combinan ambos modelos para aprovechar sus res-
pectivas fortalezas en el análisis y gestión del territorio. A continuación, se pre-
senta sus características y estructuras más relevantes.

6.4.1. Modelo ráster

Este modelo representa el espacio geográfico como una matriz regular de

celdas (píxeles), donde cada celda contiene un valor numérico que refleja una
característica del territorio, como temperatura, uso del suelo o altitud. Es es-
pecialmente adecuado para fenómenos continuos, como imágenes satelitales
o modelos digitales del terreno, y puede ser almacenado en bases de datos
espaciales modernas con soporte para datos ráster (como PostGIS).
A diferencia del modelo vectorial, el modelo ráster se centra más en las pro-
piedades del espacio que en la representación precisa de los objetos indivi-

– 180 –
 Datos geográficos y su organización

duales. Para ello, divide el territorio en una retícula regular de elementos dis-
cretos, generalmente cuadrados (píxeles), aunque también pueden emplearse
triángulos o hexágonos, ya sean regulares o irregulares (Peuquet, 1984). Los
términos “celda” y “píxel” suelen usarse indistintamente para referirse a estos
elementos. Cada celda contiene un único valor asociado a una variable especí-
fica, lo que permite representar fenómenos de forma continua y uniforme (figu-
ra 53). Según Bosque (1997), una cuestión crítica en este modelo es el tamaño
de la celda base: cuanto menor sea, mayor será la precisión de la representa-
ción, ya que determina la escala del mapa ráster generado.

Figura 53. Estructura ráster.

6.4.2. Modelo vectorial

El modelo vectorial representa objetos geográficos mediante geometrías

definidas con precisión: puntos, líneas y polígonos. Es el modelo más común
en bases de datos espaciales y se adapta eficientemente al esquema relacio-
nal, lo que lo hace ideal para representar entidades discretas, como edificios,
caminos, parcelas o límites administrativos.
Según Gutiérrez y Gould (1994), el modelo vectorial se enfoca en las entida-
des y su localización en el espacio. A diferencia del modelo ráster, permite una
mayor nitidez y exactitud en la representación de los contornos, especialmente
en elementos artificiales, siempre que se disponga de datos de buena calidad.
Los objetos espaciales se clasifican de la siguiente forma (figura 54):

– 181 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Puntos: son objetos de cero dimensiones, es decir, tienen localización,

pero no longitud ni anchura. Se representan mediante un par de coor-
denadas y se utilizan para elementos cuyas dimensiones son cartográfi-
camente insignificantes, como manantiales, pozos o semáforos (Bosque,
1997).
• Líneas: objetos unidimensionales que tienen longitud, pero no anchura.
Se definen mediante una secuencia de puntos y suelen representar ele-
mentos lineales, como redes hidrográficas o carreteras.
• Polígonos: objetos bidimensionales con longitud y anchura, representa-
dos por líneas cerradas (anillos). Se emplean para delimitar áreas, como
parcelas catastrales, secciones censales o cuerpos de agua.

Dentro del modelo vectorial, se distingue dos enfoques:

• Modelo spaghetti: representa cada objeto de forma independiente sin es-

tablecer relaciones entre elementos adyacentes. Es simple, pero limita
los análisis espaciales avanzados.
• Modelo topológico: describe explícitamente las relaciones espaciales en-
tre los objetos (como conectividad, vecindad, inclusión o contigüidad), sin
necesidad de usar coordenadas completas. Este modelo es más robusto
y eficiente para el análisis geográfico, ya que permite entender cómo se
relacionan los objetos entre sí más allá de su ubicación exacta.

Figura 54. Estructura vectorial.

– 182 –
 Datos geográficos y su organización

6.4.3. Comparación entre los modelos de datos ráster y vectorial

Aronoff (1995) señala que cada modelo de datos utilizado en la represen-

tación de información geográfica (vectorial y ráster) presenta ventajas y des-
ventajas particulares que los hacen más o menos adecuados según el tipo de
análisis o aplicación específica. La tabla 3 resume las principales características
de ambos enfoques:

Tabla 3. Ventajas y desventajas de los modelos vectorial y ráster

Modelo Ventajas Desventajas
Vectorial - Representación precisa de formas - Estructura de datos más compleja.
geográficas. - Superposiciones espaciales más
- Cálculo exacto de áreas, períme- lentas y propensas a errores.
tros y longitudes. - Las distintas topologías dificultan
- Análisis de redes más consistentes. simulaciones.
- Compatible con bases de datos - Menor eficiencia en zonas con
orientadas a objetos. alta variación espacial.
- Estructura de datos compacta. - Limitaciones en el procesamiento
- Codificación topológica eficiente, de imágenes digitales.
útil en operaciones espaciales
complejas.
- Salidas gráficas de alta calidad,
similares a los mapas dibujados a
mano.
Ráster - Estructura de datos sencilla. - Menor precisión en cálculos de
- Integración directa con datos de área, perímetro y longitud.
sensores remotos. - Dificultades para representar
- Operaciones de superposición ciertas topologías.
más rápidas y simples. - Aumento significativo en el tama-
- Unidades espaciales uniformes, ño de almacenamiento con ma-
lo que facilita simulaciones. yor resolución.
- Eficiente para análisis de distribu- - Ineficiencia en el almacenamiento
ción, densidad y superficies. cuando los datos están dispersos.
- Adecuado para estudios de gran es- - Resultados gráficos menos esté-
cala con menor precisión espacial. ticos, con bordes pixelados o de
apariencia “en bloques”.
- Representación eficaz de fenóme-
nos con alta variabilidad espacial.

– 183 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

6.4.4. Desarrollo de los SIG según los modelos ráster y vectorial

La evolución de los SIG ha estado estrechamente vinculada a los modelos

conceptuales empleados para representar la información geoespacial. Los dos
enfoques principales (vectorial y ráster) han determinado cómo se almacenan,
analizan y visualizan los datos en estos entornos. Cada modelo responde a di-
ferentes formas de interpretar la realidad geográfica, y su desarrollo ha ido de
la mano con el avance de las capacidades computacionales y la diversificación
de las aplicaciones en el ámbito de la geomática.
Desde sus inicios, el modelo vectorial ha sido ampliamente utilizado en
campos como la cartografía, la gestión catastral, la planificación territorial y el
análisis de redes. Su capacidad para conservar y analizar relaciones topológi-
cas (como adyacencia, conectividad y contigüidad) ha sido clave para el desa-
rrollo de herramientas de análisis espacial complejo, como el trazado de rutas
o la simulación de redes de servicios.
Con el tiempo, este modelo ha evolucionado hacia estructuras topológi-
cas más avanzadas, integradas en bases de datos espaciales, como PostGIS,
Oracle Spatial o SpatiaLite. Estas plataformas permiten almacenar y consultar
geometrías directamente dentro de sistemas de gestión de bases de datos,
optimizando la validación topológica y mejorando la eficiencia de las consultas
espaciales.
Por su parte, el modelo ráster ha evolucionado en estrecha relación con el
desarrollo de la teledetección y la creciente disponibilidad de imágenes sate-
litales, así como con la generación de modelos digitales de terreno (MDT). Su
estructura regular de celdas facilita la aplicación de operaciones matemáticas
y estadísticas sobre grandes volúmenes de datos espaciales, lo que lo hace
ideal para análisis como cálculo de pendientes, visibilidad, interpolaciones, ál-
gebra de mapas o evaluaciones multicriterio.
Herramientas como GRASS GIS, SAGA GIS y los módulos ráster de ArcGIS y
QGIS han potenciado significativamente el tratamiento de grandes conjuntos
de datos ráster. Asimismo, los avances en almacenamiento y procesamiento
han permitido integrar datos ráster en sistemas espaciales complejos, como
PostGIS Raster, ampliando sus posibilidades analíticas dentro de flujos de tra-
bajo integrados.

– 184 –
 Datos geográficos y su organización

En los SIG contemporáneos, el uso combinado de modelos vectorial y ráster

es una práctica común, dado que ambos enfoques resultan complementarios y
no excluyentes. Muchos análisis espaciales requieren integrar datos vectoriales
(como límites urbanos, infraestructura vial o zonas de riesgo) con capas ráster
(como precipitación, pendiente o cobertura vegetal).
Este enfoque híbrido ha dado lugar al desarrollo de herramientas y metodo-
logías que permiten operaciones cruzadas, como la zonificación de variables
continuas mediante polígonos vectoriales o la extracción de estadísticas ráster
por áreas delimitadas. La posibilidad de combinar ambos modelos en un mis-
mo entorno de análisis ha ampliado considerablemente el potencial de los SIG
en la toma de decisiones territoriales.
Así, el desarrollo de los SIG ha sido inseparable de la evolución de los mo-
delos de datos ráster y vectorial. Cada uno aporta ventajas específicas para la
representación y el análisis del territorio. Comprender sus características, limi-
taciones y aplicaciones es fundamental para seleccionar adecuadamente las
herramientas, métodos y datos más pertinentes según el problema geoespa-
cial a resolver.

6.4.5. Aplicaciones de los SIG vectoriales y ráster

Los SIG tienen un amplio campo de aplicaciones que puede clasificarse

desde distintas perspectivas. Una de ellas considera su integración con otras
tecnologías geoespaciales, como la cartografía digital, la teledetección, la to-
pografía, la geodesia y la ingeniería civil. En estos contextos, los SIG actúan
como plataformas de análisis y visualización espacial, facilitando la interopera-
bilidad de datos y métodos.
No obstante, desde una perspectiva práctica, resulta más relevante clasifi-
car las aplicaciones de los SIG según los sectores o áreas temáticas donde se
emplean de manera efectiva. Entre estas se destacan la planificación urbana y
territorial, la gestión catastral, el transporte, el análisis de mercado, la gestión
de infraestructuras, la agricultura de precisión, el monitoreo ambiental, la con-
servación de la biodiversidad y el manejo de recursos naturales.
En función del tipo de datos y del fenómeno que se desea modelar o ana-
lizar, puede optarse por SIG de tipo vectorial o ráster. Los SIG vectoriales son
especialmente útiles para representar y analizar entidades discretas, bien de-

– 185 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

limitadas y con relaciones espaciales definidas, como parcelas, edificaciones,

redes de transporte o límites administrativos. Ejemplos de este enfoque inclu-
yen el estudio de Martínez et al. (2002), en el que se optimizaron redes de te-
lecomunicaciones mediante análisis de conectividad, y el trabajo de López et
al. (2002), enfocado en la caracterización de suelos para la planificación agraria.
Por su parte, los SIG ráster resultan más adecuados para representar fenó-
menos continuos o graduales en el espacio, como la altitud, la temperatura, la
humedad del suelo o la cobertura vegetal. Históricamente, han tenido un rol
clave en el análisis ambiental y la gestión de recursos naturales. Desde la déca-
da de 1980, se han utilizado en estudios sobre uso del suelo, calidad del agua,
dinámica de ecosistemas forestales y distribución de fauna silvestre.
Un caso destacado de aplicación del modelo ráster es el análisis de capa-
cidad de uso del territorio, donde se combina con técnicas de evaluación mul-
ticriterio para apoyar decisiones complejas. Gajardo (2001) y Mena et al. (2001),
por ejemplo, utilizaron SIG ráster para determinar la ubicación óptima de ver-
tederos, integrando variables ambientales, sociales y económicas (figura 55).
Estos estudios evidencian cómo el uso adecuado de SIG contribuye a optimizar
procesos de planificación, reduciendo costos, mejorando la precisión técnica y
facilitando la toma de decisiones basada en evidencia.
En síntesis, tanto los SIG vectoriales como los ráster ofrecen soluciones po-
tentes y complementarias para abordar problemáticas territoriales de diversa
índole. La elección entre uno u otro modelo, o su combinación, debe basarse
en la naturaleza del fenómeno a representar, el tipo de análisis requerido y los
objetivos específicos del estudio. Comprender sus potencialidades y limitacio-
nes es fundamental para una implementación eficaz en contextos de planifica-
ción, gestión ambiental, desarrollo territorial y toma de decisiones espaciales.

– 186 –
 Datos geográficos y su organización

Figura 55. Capacidad de acogida del terreno para albergar un vertedero.

6.5. Integración de bases con SIG y herramientas geomáticas

La utilidad de una base de datos geoespacial se potencia significativamente

cuando se integra con herramientas de análisis, visualización y procesamiento
geográfico. En este contexto, los SIG actúan como plataformas front-end que
permiten interactuar de forma dinámica con los datos almacenados, facilitando
su consulta, edición, interpretación y análisis.

6.5.1. Diseño y almacenamiento

El diseño lógico de una base de datos geoespacial suele basarse en el mo-

delo entidad-relación, adaptado para incorporar elementos espaciales (She-
khar & Chawla, 2003). Cada entidad geográfica, como una parcela o una vía, se
representa como una tabla que incluye campos para los atributos descriptivos
(por ejemplo, nombre, código, categoría) y un campo geométrico (geometry)
que define su forma y ubicación en el espacio.

– 187 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Asimismo, el almacenamiento de metadatos es fundamental. Estos descri-

ben aspectos como el origen, la escala, la precisión y las restricciones de uso
de los datos. Pueden almacenarse en tablas auxiliares o integrarse mediante
normas internacionales como la ISO 19115, garantizando la trazabilidad, intero-
perabilidad y reutilización de la información geoespacial.
Entre las buenas prácticas en el diseño de bases de datos geográficas, se
destacan:

- Normalización adecuada: minimiza la redundancia de datos mediante re-

laciones uno-a-muchos o muchos-a-muchos.
- Nombres descriptivos y consistentes: facilita la interpretación del esque-
ma por parte de distintos usuarios.
- Índices espaciales bien definidos: aumentan el rendimiento de las con-
sultas espaciales.
- Separación entre geometrías y atributos temáticos complejos: favorece
la modularidad y el mantenimiento.
- Validación topológica: ayuda a prevenir errores, como superposiciones,
huecos o geometrías no válidas, mediante reglas y restricciones explícitas.

Un modelado cuidadoso permite construir bases geoespaciales robustas,

interoperables y escalables, esenciales en proyectos de cartografía, planifica-
ción territorial, monitoreo ambiental y análisis espacial avanzado.

6.5.2. Conexión entre bases de datos y SIG

Las aplicaciones SIG modernas, tanto de código abierto como comercia-

les, ofrecen soporte nativo para conectarse a bases de datos espaciales, como
PostGIS, Oracle Spatial, SpatiaLite o SQL Server Spatial. Esta integración per-
mite visualizar capas directamente desde la base de datos, realizar consultas
espaciales en tiempo real, editar atributos y geometrías y generar mapas temá-
ticos sin necesidad de duplicar los datos.
En QGIS, por ejemplo, la conexión a bases PostgreSQL/PostGIS se gestiona
mediante el panel de “Fuentes de datos”, lo que permite cargar capas vecto-
riales con todos sus atributos, aplicar simbología personalizada y realizar con-
sultas espaciales mediante SQL o filtros visuales. En el caso de ArcGIS, existen

– 188 –
 Datos geográficos y su organización

herramientas avanzadas para trabajar con geodatabases corporativas (Enter-

prise Geodatabases), incluyendo funcionalidades como versiones, replicación
y publicación de servicios web.

6.5.3. Acceso remoto a bases de datos espaciales

El acceso remoto a bases espaciales facilita la colaboración entre equipos,

el trabajo distribuido y la integración con plataformas en la nube. Esto pue-
de lograrse mediante protocolos estándar, como ODBC o JDBC, o mediante
conexiones directas por TCP/IP. En entornos profesionales, es recomendable
proteger estas conexiones mediante cifrado (SSL/TLS) y autenticación segura.
Además, muchas bases de datos espaciales se integran con servidores de
mapas, como GeoServer o MapServer, que permiten publicar datos a través de
estándares de interoperabilidad, como WMS (Web Map Service), WFS (Web
Feature Service) o WMTS (Web Map Tile Service). Esto posibilita su uso en In-
fraestructuras de Datos Espaciales (IDE) y aplicaciones web geográficas.

6.5.4. Automatización de flujos de trabajo con bases de datos

El uso de bases de datos espaciales permite automatizar procesos geo-

espaciales, reduciendo tareas manuales repetitivas y mejorando la eficiencia
operativa. Algunas prácticas comunes incluyen:

- Generación de consultas programadas para elaborar reportes espaciales

periódicos.
- Uso de scripts en Python, con librerías como psycopg2, SQLAlchemy o
GeoPandas, para acceder, procesar y visualizar datos desde aplicaciones
externas.
- Integración con modeladores de procesos, como ModelBuilder (ArcGIS)
o Processing (QGIS), que permiten encadenar análisis espaciales con
operaciones sobre bases de datos.

Estas capacidades permiten, por ejemplo, el monitoreo automático de cam-

bios en la cobertura del suelo, la emisión de alertas por proximidad a zonas de
riesgo o la actualización dinámica de mapas publicados en la web.

– 189 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

6.6. Aplicaciones y casos de estudio

El valor de una base de datos geoespacial no reside únicamente en su conte-

nido, sino en la calidad, integridad y coherencia de los datos que almacena. Con-
juntos de datos incompletos, desactualizados o topológicamente erróneos pue-
den conducir a análisis incorrectos y, por tanto, a decisiones poco acertadas. Por
esta razón, es fundamental aplicar mecanismos de control de calidad, validación
topológica y seguimiento de versiones para asegurar la fiabilidad del sistema.
Las bases de datos espaciales se han consolidado como herramientas es-
tratégicas en múltiples ámbitos de la geomática. Su capacidad para almacenar,
analizar y distribuir información georreferenciada de manera estructurada per-
mite abordar problemáticas complejas que requieren precisión espacial, inte-
roperabilidad entre plataformas y escalabilidad en el tiempo.
Una base espacial bien diseñada, con datos precisos y actualizados, cons-
tituye un recurso esencial para el desarrollo sostenible, la gestión integral del
territorio y la planificación estratégica a distintos niveles.

• Monitoreo ambiental con bases de datos espaciales: en el ámbito am-

biental, las bases de datos espaciales permiten integrar diversas fuen-
tes de información (como sensores remotos, estaciones meteorológicas,
imágenes satelitales y capas vectoriales) en una sola plataforma analíti-
ca. Por ejemplo, un sistema implementado sobre PostGIS puede alma-
cenar datos sobre cobertura vegetal, calidad del aire y recursos hídricos,
permitiendo realizar análisis espacio-temporales para detectar defores-
tación, contaminación o zonas de riesgo. Funciones espaciales como
ST_Intersects o ST_Buffer hacen posible identificar áreas afectadas por
eventos ambientales y generar alertas automáticas para acciones de mi-
tigación o planificación de políticas públicas basadas en evidencia geo-
gráfica.
• Infraestructura de Datos Espaciales (IDE): las IDEs son plataformas co-
laborativas que permiten el acceso, uso y compartición de datos geo-
gráficos entre múltiples organismos. Las bases espaciales actúan como
núcleo de estas infraestructuras, garantizando el almacenamiento estan-
darizado, estructurado y actualizado de la información. Tecnologías como
GeoServer, junto con estándares del OGC (Open Geospatial Consortium),

– 190 –
 Datos geográficos y su organización

hacen posible la publicación de capas geográficas directamente desde

la base de datos, promoviendo la interoperabilidad, la transparencia insti-
tucional y la toma de decisiones basada en datos abiertos.
• Gestión catastral: en el campo catastral, las bases de datos espaciales
permiten la administración integrada de información sobre parcelas, pro-
pietarios, uso del suelo y valores fiscales. Cada predio puede represen-
tarse como un polígono almacenado en una base PostGIS, vinculado a
atributos y estructuras de relaciones que garantizan la integridad jurídica
y espacial del catastro. Esto permite operaciones como subdivisiones,
análisis de colindancias, procesos de regularización y estudios de recau-
dación fiscal con alta precisión.
• Gestión de emergencias y respuesta ante desastres: en situaciones de
emergencia, como inundaciones, incendios forestales o terremotos, con-
tar con una base de datos espacial robusta y actualizada es fundamental
para una respuesta eficiente. Estas bases permiten identificar rápidamen-
te zonas de impacto, estimar población afectada mediante superposición
con capas de densidad demográfica y planificar rutas de evacuación opti-
mizadas. Por ejemplo, combinando análisis de red con funciones espacia-
les en PostGIS o ArcGIS, se pueden modelar escenarios de accesibilidad
a refugios, priorizar recursos de atención y emitir alertas geolocalizadas.
Este enfoque ha sido implementado con éxito en ciudades con planes
de contingencia ante riesgos naturales, mejorando significativamente los
tiempos de reacción y coordinación institucional.

En conjunto, estos casos evidencian el potencial transformador de las bases

espaciales cuando se integran con herramientas SIG y tecnologías de análisis
espacial. Su uso adecuado permite no solo una mejor comprensión del territo-
rio, sino también una gestión más eficiente, transparente y basada en evidencia
de los recursos, riesgos y oportunidades que configuran los espacios geográ-
ficos.

– 191 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

6.7. Retos y tendencias futuras

El campo de las bases de datos espaciales atraviesa una transformación

acelerada, impulsada por el crecimiento exponencial de los datos geográficos
y la necesidad de análisis más complejos, dinámicos y en tiempo real. Este es-
cenario plantea retos significativos, pero también abre nuevas oportunidades
para la innovación en la geomática y la inteligencia espacial.

• Big data geoespacial: el auge del big data geoespacial (alimentado por
sensores IoT, imágenes satelitales de alta resolución, redes sociales y dis-
positivos móviles) ha sobrepasado las capacidades de los sistemas tra-
dicionales de bases de datos espaciales. Para abordar este desafío, se
requieren arquitecturas distribuidas, escalables y optimizadas para datos
espacio-temporales. Tecnologías como Apache Hadoop y Apache Spark,
junto con extensiones espaciales, como GeoSpark (ahora Apache Sedo-
na) o Magellan, están siendo adoptadas para procesar grandes volúme-
nes de información geográfica. Estas herramientas permiten realizar aná-
lisis espaciales masivos, detección de patrones y consultas complejas en
entornos de alto rendimiento.
• Bases de datos en la nube: el almacenamiento y gestión de datos espa-
ciales en la nube se ha convertido en una práctica común. Plataformas
como Amazon Web Services (AWS), Google Cloud Platform (GCP) y Mi-
crosoft Azure ofrecen soluciones escalables para alojar bases espaciales
(por ejemplo, PostgreSQL/PostGIS, BigQuery GIS) con alta disponibilidad,
automatización de respaldos y acceso remoto seguro. Estas infraestruc-
turas permite, además, la publicación directa de servicios interoperables
(WMS, WFS, WMTS) mediante servidores como GeoServer o MapServer,
fomentando la colaboración y la distribución de datos geográficos a es-
cala global.
• Integración con inteligencia artificial: la fusión entre bases de datos es-
paciales e inteligencia artificial (IA) está redefiniendo el análisis geográfi-
co. Los modelos de aprendizaje automático requieren conjuntos de datos
bien estructurados, etiquetados y de alta calidad, lo que posiciona a las
bases espaciales como componentes clave en procesos de entrenamien-
to y validación. Actualmente, se emplean en tareas como la clasificación

– 192 –
 Datos geográficos y su organización

automática de cobertura terrestre, detección de cambios en series tem-

porales, predicción de riesgos naturales o segmentación de imágenes
satelitales, integrando herramientas, como Python, TensorFlow, PyTorch,
y librerías geoespaciales, como GeoPandas o Rasterio.
• Gemelos digitales del territorio: una tendencia emergente de gran po-
tencial es el uso de gemelos digitales geoespaciales (digital twins) que
corresponden a réplicas virtuales dinámicas de entornos físicos, que in-
tegran, en tiempo real, datos provenientes de sensores, imágenes, bases
espaciales y modelos predictivos. Estas plataformas permiten simular
escenarios urbanos, ambientales o infraestructurales con alta precisión,
facilitando decisiones informadas en planificación, movilidad, gestión de
emergencias o sostenibilidad urbana. La base de un gemelo digital eficaz
es una base espacial robusta, continuamente actualizada y conectada
con otras fuentes de información en tiempo real.
• Tecnologías emergentes: aunque aún en fase exploratoria, la computa-
ción cuántica promete transformar el procesamiento de datos espaciales
mediante algoritmos capaces de resolver problemas complejos (como
optimización de redes, simulación de fenómenos geográficos o análisis
espacial multidimensional) en tiempos drásticamente reducidos. Si bien,
su integración plena en geomática aún está en desarrollo, ya existen ini-
ciativas de investigación que exploran su aplicación en combinación con
bases de datos espaciales y modelos predictivos de gran escala.

En conjunto, estas tendencias apuntan hacia un futuro donde la gestión de

datos espaciales será más automatizada, distribuida, inteligente y sensible al
tiempo real. El desafío no solo reside en procesar grandes volúmenes de datos,
sino en garantizar su calidad, interoperabilidad y utilidad para la toma de deci-
siones estratégicas en contextos complejos y cambiantes.

– 193 –
 CAPÍTULO VII
OPERACIONES Y ANÁLISIS DE DATOS EN LOS SIG

7.1. Conceptos generales

Como se mencionó anteriormente, dentro de los Sistemas de Información Geo-

gráfica (SIG) es posible distinguir cuatro tipos de funciones fundamentales: entra-
da, gestión, transformación y análisis, y salida de datos. En este contexto, un SIG
permite realizar diversas operaciones con la información de la base de datos, eje-
cutando de manera independiente tareas sobre el componente espacial o sobre el
componente temático, o bien integrando ambos componentes simultáneamente.
De manera más detallada, Barredo (1996) señala que es posible identificar seis
grupos genéricos de operaciones en un SIG (figura 56), que son: entrada de datos,
operaciones sobre el aspecto temático, operaciones sobre el aspecto espacial,
operaciones sobre ambos componentes simultáneamente, modelado cartográfi-
co y espacial, y salida de datos. A continuación, se describe estas operaciones con
un mayor énfasis en las relacionadas con el análisis de datos.

Figura 56. Operaciones de los SIG.

– 195 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

7.2. Operaciones de entrada de información

La entrada de información en un SIG es una etapa crucial para establecer

una base de datos adecuada. Los datos geográficos pueden abordarse desde
dos enfoques fundamentales: por un lado, los datos cartográficos, que descri-
ben los objetos del territorio en función de su posición en el espacio y por otro,
los atributos descriptivos de esos objetos o fenómenos geográficos (Comas
y Ruiz, 1993). La correcta integración de estos dos componentes es esencial
para el funcionamiento eficiente del sistema. Dependiendo de si los datos es-
tán en formato analógico o digital y del tipo de formato en que se encuentren,
las técnicas de entrada pueden variar desde la digitalización manual hasta la
conversión de formatos.
En términos generales, existen dos formas principales de ingresar datos
geográficos en un SIG: cuando los datos están en formato analógico, lo que
requiere un proceso de conversión antes de que puedan ser utilizados en el
SIG, y cuando los datos ya están elaborados y se encuentran en formato digital.

7.2.1. Tratamiento de los datos analógicos

Cuando la información se encuentra en formato analógico, se puede ingre-

sar al SIG mediante diversos periféricos de entrada de datos, como:

- Teclado: usado generalmente para ingresar los atributos descriptivos de

los elementos geográficos.
- Tableta digitalizadora: permite la digitalización manual de objetos sobre
un mapa o plano, ingresando la posición de los objetos de interés que se
almacenan en un archivo digital (figura 57). También se puede digitalizar
la información a partir de fotografías aéreas o mediante la obtención de
coordenadas GPS sobre el terreno.
- Barredor óptico o escáner: se utilizan para la conversión de mapas o imá-
genes en formato analógico a formato digital.
- Métodos fotogramétricos analíticos o digitales: existen técnicas avanza-
das que permiten la restitución de fotografías aéreas y la digitalización
precisa de mapas. Estos métodos, aunque costosos, ofrecen una mayor
exactitud y precisión en los resultados en comparación con la digitaliza-

– 196 –
 Operaciones y análisis de datos en los SIG

ción manual mediante tableta, siendo útiles cuando se requiere obtener

datos planimétricos o altimétricos de alta calidad (Comas y Ruiz, 1993).

Figura 57. Digitalización con tableta.

7.2.2. Tratamiento de los datos digitales

La información geográfica en formato digital generalmente es proporciona-

da por empresas privadas de servicios o entidades públicas encargadas de su
elaboración, tales como institutos cartográficos u organizaciones similares. En
Chile, por ejemplo, las entidades encargadas de distribuir datos digitales inclu-
yen el Servicio Aerofotogramétrico (SAF), el Instituto Geográfico Militar (IGM),
el Servicio Hidrográfico y Oceanográfico de la Armada (SHOA) y el Centro de
Información de Recursos Naturales (CIREN).
Una vez obtenidos los datos, la entrada en el SIG puede realizarse de diver-
sas formas, dependiendo de los formatos y la estructura de los datos:

• Si los datos tienen un formato y estructura compatibles con el SIG, el

proceso consiste en cargar los datos tal y como fueron proporcionados.
• Si los datos no son compatibles, será necesario realizar una conversión
de formato. Este proceso implica cambiar los datos de un formato digital
a otro y se puede llevar a cabo mediante tres tipos principales de conver-
siones (Aronoff, 1995; Comas y Ruiz, 1993).

– 197 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Conversión de formatos gráficos: se refiere al cambio de formatos grá-

ficos estándar (como DXF, SIF o DWG) a un formato reconocido por el
SIG. Este proceso es común cuando los datos no están estructurados
topológicamente, como ocurre con los sistemas tipo CAD. La conver-
sión permite integrar estos datos gráficos en el entorno del SIG, lo que
incluye la topología necesaria para realizar análisis espaciales.
- Conversión de modelos de datos: implica la transformación de datos
entre diferentes estructuras, como la conversión de modelos ráster a
vectorial, o viceversa. También puede incluir la conversión de estruc-
turas orientadas a objetos a estructuras orientadas a capas. Aunque
estas conversiones son menos frecuentes, no solo se transfiere la in-
formación gráfica y los atributos alfanuméricos, sino también las rela-
ciones espaciales entre los elementos geográficos.
• Conversión de datos vectoriales a ráster: este proceso implica vol-
car la información vectorial sobre las celdas de un mapa ráster me-
diante un algoritmo de presencia-ausencia (figura 58). Este proceso
puede generar una pérdida de precisión, que depende del tamaño
de las celdas y de la complejidad de las geometrías originales (Gu-
tiérrez y Gould, 1994).
• Conversión de datos ráster a vectorial: se realiza cuando se desea
transformar datos provenientes de un barredor óptico o de un sis-
tema ráster a formato vectorial. El proceso se lleva a cabo mediante
operaciones para generar un archivo vectorial equivalente, lo que
incluye la obtención del esqueleto de cada línea, la extracción de
las coordenadas de dichas líneas y la reconstitución de la topología
espacial (Bosque, 1997).
- Conversión de atributos descriptivos: se refiere a la adaptación de los
atributos descriptivos de los datos geográficos para que puedan ser
utilizados en el SIG, asegurando que las características cualitativas o
cuantitativas de los objetos geográficos sean coherentes con la es-
tructura del SIG.

– 198 –
 Operaciones y análisis de datos en los SIG

Figura 58. Conversión de datos vectoriales a ráster.

7.2.3. Entrada de los datos temáticos

Una vez que el componente espacial de la información geográfica ha sido

generado, es posible incorporar los atributos temáticos correspondientes a
cada objeto geográfico. Estos atributos generalmente se gestionan en bases
de datos, que funcionan de manera similar a hojas de cálculo electrónicas,
donde los datos se introducen en filas y columnas.
Existen dos formas principales de ingresar los datos temáticos:

• Ingreso manual: los atributos se introducen directamente desde el tecla-

do, llenando los campos y registros de la base de datos.
• Importación de archivos: si los datos temáticos ya están disponibles en
otros archivos, estos pueden ser importados al sistema directamente, fa-
cilitando la carga de grandes cantidades de datos de manera eficiente.

– 199 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

7.3. Operaciones de mantenimiento, recuperación y análisis de información

temática

En el ámbito de los SIG, las operaciones disponibles sobre el componente

temático de los datos geográficos están estrechamente relacionadas y depen-
den del tipo de base de datos sobre la cual se sustenta la información geográ-
fica. Uno de los modelos más comunes para el almacenamiento y procesa-
miento de datos en los SIG es el modelo de base de datos relacional (figura 59).
Este modelo organiza la información en tablas, estructuradas a partir de una
serie de datos configurados en filas (registros) y columnas (campos). En este
esquema, a cada registro le corresponde un objeto espacial y las columnas
representan los atributos asociados a dicho objeto (Barredo, 1996).
Los procesos que se pueden realizar sobre los atributos de los datos espa-
ciales incluyen diversas operaciones. Aunque muchas de estas operaciones
son simples, al combinarlas de manera lógica se pueden realizar análisis más
complejos y obtener información más precisa. Entre las operaciones más des-
tacadas se incluye:

• Edición de atributos: es uno de los procesos más básicos pero funda-

mentales en la gestión de información temática. Este proceso permite
modificar, actualizar o corregir los atributos asociados a un registro o con-
junto de registros, lo que es esencial para mantener la calidad y la preci-
sión de los datos. A través de este proceso, un usuario puede seleccionar
un registro específico y cambiar los valores de los atributos que lo descri-
ben, ya sea manualmente o mediante operaciones automatizadas.
• Recuperación por especificación simbólica: implica seleccionar registros
o elementos según los valores de sus atributos. Esto permite realizar con-
sultas complejas sobre los datos temáticos, utilizando operadores simbó-
licos, como igual que, mayor que y menor que, entre otros. Esta opera-
ción es útil, por ejemplo, para identificar zonas que cumplen con ciertas
condiciones específicas o hacer un análisis espacial basado en atributos
específicos.

– 200 –
 Operaciones y análisis de datos en los SIG

Figura 59. Estructura relacional de una base de datos SIG.

• Recuperación por condición aritmética o lógica: permite realizar consul-

tas más complejas, que involucran condiciones matemáticas o lógicas.
Estas consultas pueden incluir combinaciones de atributos, como valores
que estén dentro de un rango determinado o cumplan con una combina-
ción de condiciones (por ejemplo, mayor que X y menor que Y). Este tipo
de operaciones es crucial para realizar análisis profundos y específicos
sobre los datos.
• Análisis estadístico de atributos: se ocupa de la exploración e interpreta-
ción de los datos temáticos utilizando herramientas estadísticas clásicas.
Los análisis pueden incluir cálculos de promedios, desviaciones están-
dar, y correlaciones entre diferentes variables, entre otros. Este tipo de
análisis es fundamental para comprender e interpretar los patrones que
subyacen en los datos geográficos y permite a los usuarios hacer inferen-
cias más robustas sobre los fenómenos que están estudiando. Además,
el análisis estadístico en los SIG puede abordar problemas relacionados
con la distribución espacial de los atributos, como la identificación de pa-
trones espaciales, concentración o dispersión.

– 201 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Desafíos en el análisis de datos temáticos: autores como Bosque (1997)

mencionan que, a diferencia de los análisis espaciales, el estudio del com-
ponente temático se enfoca en los valores de los atributos sin considerar
las relaciones topológicas entre los objetos espaciales. En este sentido, el
análisis temático se puede situar dentro del ámbito de la estadística clá-
sica con todas sus posibilidades y limitaciones para el tratamiento de los
datos espaciales. Algunos de los problemas comunes que pueden surgir
durante el análisis de datos temáticos incluyen:

- Inconvenientes con la unidad espacial modificable: este problema se

refiere a cómo los resultados del análisis pueden variar dependiendo
de la escala espacial en la que se realice el análisis. Las unidades es-
paciales elegidas (por ejemplo, áreas de un mapa) pueden afectar sig-
nificativamente los resultados obtenidos. Este concepto está relacio-
nado con la modificabilidad de la unidad espacial, que hace referencia
al hecho de que las observaciones pueden cambiar dependiendo de
la división espacial en la que se realicen.
- Autocorrelación espacial: en muchos casos, los datos espaciales no
son independientes entre sí, lo que puede generar problemas de au-
tocorrelación. Esto significa que los valores de un atributo en una ubi-
cación geográfica están correlacionados con los valores de los mis-
mos atributos en ubicaciones cercanas. La autocorrelación espacial
puede afectar la validez de los resultados estadísticos si no se aborda
adecuadamente. Existen técnicas específicas para identificar y tratar la
autocorrelación espacial, como el uso de índices de autocorrelación
espacial (por ejemplo, el índice de Moran).
- Incompatibilidad con la suposición de independencia estadística de
las observaciones: en el análisis estadístico clásico, se asume que las
observaciones son independientes entre sí, pero en los datos espa-
ciales, esto rara vez es cierto. La dependencia espacial entre obser-
vaciones puede invalidar los resultados de los análisis estadísticos si
no se toma en cuenta. Para corregir esto, se pueden aplicar modelos
estadísticos espaciales que tengan en cuenta la estructura espacial de
los datos.

– 202 –
 Operaciones y análisis de datos en los SIG

7.4. Operaciones de mantenimiento, recuperación y análisis de información

espacial

Las operaciones de mantenimiento, recuperación y análisis de información

espacial se realizan sobre el componente espacial de los datos geográficos.
Según Unwin (1981), estos procedimientos comprenden un amplio conjunto de
estudios sobre los datos geográficos, en los que se consideran sus caracterís-
ticas espaciales de manera integral. Desde una perspectiva operativa, estos
procedimientos incluyen tanto el análisis de las características geométricas de
los datos geográficos como los procesos que integran los atributos temáticos
o valores asociados a los objetos espaciales. En la actualidad, la mayoría de los
paquetes SIG modernos incluyen estos procedimientos dentro de los módulos
de análisis espacial, los cuales siguen evolucionando y optimizándose.
Las capacidades analíticas actuales de los SIG tienen sus raíces en los de-
sarrollos teóricos de las décadas de 1950 y 1960, especialmente en los países
anglosajones, coincidiendo con la revolución cuantitativa en la geografía. Origi-
nalmente, el análisis espacial se basaba en la aplicación de métodos estadísticos
a los datos espaciales (Berry & Marble, 1968). Con el tiempo, se expandió para
incluir modelos matemáticos complejos y métodos de investigación operativa.
Hoy en día, el análisis espacial es fundamental para las ciencias geográficas
y su campo ha evolucionado con la integración de tecnologías emergentes,
como la inteligencia artificial (IA) y el aprendizaje automático, que permiten rea-
lizar análisis predictivos y simulaciones geoespaciales de alto nivel. Además, la
capacidad para manejar grandes volúmenes de datos geográficos (Big Data)
ha transformado las herramientas analíticas en los SIG, permitiendo un análisis
más detallado y dinámico de los patrones espaciales y sus tendencias.
El análisis espacial abarca un conjunto de técnicas centradas en la localiza-
ción de objetos geográficos, que requieren acceso simultáneo tanto al compo-
nente espacial como al temático de la información. Estas técnicas varían des-
de simples análisis descriptivos de distribuciones espaciales hasta complejos
análisis estadísticos y modelos predictivos avanzados. En este contexto, el aná-
lisis espacial da significado a los datos, facilitando su interpretación (Goodchild
et al., 1992).
Gatrell (1987) definió el análisis espacial como la aplicación de métodos es-
tadísticos para resolver problemas en la investigación geográfica. Este enfoque

– 203 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

incluye técnicas como localización-asignación, modelado urbano (figura 60),

modelado regional y demografía espacial, entre otras (Barredo, 1996).

Figura 60. Modelado espacial urbano.

En los SIG, el análisis espacial se realiza a través de un proceso de modeliza-

ción del espacio geográfico, dividiéndolo en unidades lógicas discretas (puntos,
líneas, polígonos, mallas, objetos, etc.), que son manipulables mediante tecno-
logías digitales. Esta descomposición espacial facilita el análisis detallado, ya
que permite distinguir y separar las diferentes partes del espacio geográfico.
Así, el modelo de datos de un SIG condiciona directamente las posibilidades
analíticas del sistema.

7.4.1. Capacidades analíticas de los SIG actuales

A pesar de los avances significativos en las capacidades de los SIG, persis-

ten ciertos desafíos. Si bien, los sistemas SIG modernos han superado muchas
de las limitaciones de los sistemas antiguos, aún existen áreas de mejora en la
implementación de modelos complejos y en la integración de big data para la
toma de decisiones geoespaciales a gran escala.

– 204 –
 Operaciones y análisis de datos en los SIG

Las operaciones analíticas que los SIG pueden realizar hoy en día son ex-
tremadamente diversas. Sin embargo, sus capacidades analíticas todavía se
consideran limitadas en algunos contextos, especialmente cuando se trata de
modelización compleja o análisis en tiempo real. Esto ha llevado a un enfoque
más intensivo en la incorporación de técnicas avanzadas, como la IA y el apren-
dizaje automático, que se espera que tengan un impacto significativo en las
futuras generaciones de SIG.
Un ejemplo notable de esta capacidad de evolución es el SIG canadiense
(Canadian GIS), que pasó de un enfoque centrado en el inventario del territorio
en la década de 1970 a uno orientado al análisis y gestión avanzada de datos
geoespaciales en la década de 1980 (Crain & McDonald, 1984). Este cambio
resalta la entonces, creciente necesidad de capacidades analíticas sofisticadas
para abordar desafíos geoespaciales complejos.
Aunque los SIG continúan avanzando, el proceso de conversión de datos a
información geográfica sigue siendo un desafío técnico. No obstante, con el
avance de las tecnologías, los usuarios disponen, ahora, de herramientas más
intuitivas y potentes para realizar estos análisis, con opciones de automatiza-
ción y visualización más avanzadas.

7.4.2. Operaciones sobre el componente espacial de los datos geográficos

El componente espacial de los datos geográficos permite realizar diversas

operaciones, tales como la recuperación por condición geométrica, la transfor-
mación de proyecciones cartográficas (figura 61), la atenuación de bordes y la
edición de elementos gráficos. Estas operaciones, aunque fundamentales, cons-
tituyen solo una parte del amplio abanico de capacidades que los SIG modernos
pueden ofrecer, con énfasis en la precisión y la eficiencia en el análisis espacial.
Algunas de las operaciones de análisis espacial más comunes en los SIG
incluyen (Maguire & Dangermond, 1991; Aronoff, 1995; Bosque, 1997):

• Para capas de puntos: medidas de centralidad y dispersión, análisis del

vecino más próximo, análisis de autocorrelación espacial y modelos de
autorregresión espacial.
• Para capas de líneas: descripción de líneas, análisis de cohesión de re-
des, determinación de distancias y accesibilidad topológica.

– 205 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Para capas de polígonos: medidas de forma, análisis de contigüidad, aná-

lisis de autocorrelación espacial y comparación de capas.

Figura 61. Módulo de gestión de sistemas de coordenadas de QGIS.

Burrough y McDonnell (1998) identificaron nueve tipos de operaciones ana-

líticas posibles en los SIG:

- Operaciones que derivan un nuevo atributo de un emplazamiento, basado

en los atributos de objetos geográficos situados en ese punto mediante
operadores lógicos, matemáticos, combinados o modelos ponderales.
- Operaciones que utilizan información no exacta, como lógica borrosa,
probabilidad bayesiana y modelos de regresión.
- Operaciones donde el valor del atributo de un punto se deriva de los va-
lores de entidades vecinas, utilizando conceptos como adyacencia, co-
nectividad y proximidad (figura 62).

– 206 –
 Operaciones y análisis de datos en los SIG

Figura 62. Proximidad de centros poblados a volcanes.

- Operaciones que derivan atributos de superficies de variación continua,

como filtrado, interpolación y análisis topográfico (figura 63).

Figura 63. Análisis de pendiente del terreno.

– 207 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Operaciones de creación de nuevas entidades espaciales, como la su-

perposición de polígonos, generación de áreas de influencia (figura 64) y
triangulación.
- Operaciones cuyo valor derivado proviene de atributos geométricos,
como forma, área y topología.
- Operaciones cuyo resultado es un informe, como tabulaciones, histogra-
mas, conteos y desviación estándar.
- Operaciones de gestión como rectificación, cambio de proyección, cam-
bio de escala, unión de mapas y eliminación de información, entre otras.

Con la integración de nuevas tecnologías, los SIG actuales son capaces de

realizar análisis más sofisticados y de integrar datos no exactos (como lógica
borrosa o probabilidades bayesianas) para enriquecer los resultados del análi-
sis espacial.

Figura 64. Áreas de influencia en torno a cursos de agua.

– 208 –
 Operaciones y análisis de datos en los SIG

7.5. Operaciones de análisis integrado de datos espaciales y temáticos

La principal característica que distingue a los SIG de otros sistemas informá-

ticos que gestionan información espacial, como los sistemas CAD (Computer-
Aided Design), la cartografía asistida por ordenador o los sistemas catastrales,
es que los SIG integran en un mismo proceso tanto los componentes espacia-
les como los temáticos de los datos.
Entre las principales operaciones que realizan los SIG, se puede distinguir
las de superposición, vecindad, recuperación, clasificación y medida, y las de
conectividad.

7.5.1. Operaciones de superposición

La superposición es una de las funciones más fundamentales en el mundo

de los SIG. Aunque parece una operación sencilla, es clave para comprender
las capacidades analíticas de estos sistemas. Según Barredo (1996), cuando se
realiza una operación de superposición de polígonos, se identifican dos aspec-
tos fundamentales; por un lado, la superposición espacial de los objetos y, por
otro, el resultado temático que surge de la intersección de estos objetos.
En un proceso que involucra la superposición de dos o más capas de polí-
gonos, la cobertura resultante será una nueva capa de polígonos cuyos atribu-
tos provendrán de la combinación de los atributos originales (figura 65). El re-
sultado de la superposición puede incluir operaciones aritméticas (suma, resta,
multiplicación) o estadísticas entre los atributos de las entidades involucradas.
Estas operaciones pueden generar nuevas categorías de datos o calcular es-
tadísticas, como promedios o sumas, para cada nuevo objeto generado en la
capa resultante.

– 209 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 65. Superposición de coberturas de vegetación y suelos.

La importancia de las operaciones de superposición radica en que permiten

la creación de nuevos conjuntos de datos derivados, lo que facilita la construc-
ción de modelos espaciales más complejos. Las superposiciones pueden ser
especialmente útiles en estudios de planificación territorial, estudios de im-
pacto ambiental y análisis de uso del suelo, ya que posibilitan evaluar múltiples
factores y su interacción en un único proceso analítico (Barredo, 1996).

7.5.2. Operaciones de vecindad

Las operaciones de vecindad se enfocan en la evaluación de las relacio-

nes espaciales entre objetos cercanos o adyacentes. Estas operaciones son
clave para estudiar cómo las características de los objetos espaciales varían
en función de su proximidad o cercanía con otros objetos. En los SIG, estas
operaciones permiten determinar la influencia o el impacto de un objeto sobre
los objetos circundantes en función de su ubicación y sus atributos (figura 66).

– 210 –
 Operaciones y análisis de datos en los SIG

Figura 66. Módulo de selección por ubicación de QGIS.

En este tipo de operaciones, se selecciona un objeto espacial con un atribu-

to conocido y luego se determina qué objetos de la misma capa o de otras ca-
pas se encuentran dentro de una distancia específica o colindan con el objeto
de referencia. Por ejemplo, en el caso de los polígonos, las intersecciones o las
áreas comunes entre ellos son evaluadas; en líneas, se identifican las intersec-
ciones de las líneas con otras entidades; y en el caso de los puntos, se evalúan
las coincidencias espaciales o se mide la distancia entre puntos de distintas
capas.
Además, las búsquedas espaciales pueden definirse en torno a un área de
influencia o distancia alrededor de un objeto específico. Por ejemplo, se puede
identificar todas las construcciones (polígonos) que se encuentren dentro de
una distancia de 200 metros de una carretera (línea) o todas las especies ve-
getales que están dentro de un radio de 500 metros de un río (punto o línea).

– 211 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

7.5.3. Operaciones de recuperación, clasificación y medición

Las operaciones de recuperación permiten seleccionar y extraer datos es-

paciales basados en criterios específicos, ya sean espaciales, temáticos o una
combinación de ambos. La recuperación más simple se basa en condiciones
de selección sobre los atributos temáticos de los objetos, lo que facilita la con-
sulta y el análisis de un conjunto específico de datos dentro de una base de da-
tos geoespacial. No obstante, los SIG permiten realizar búsquedas mucho más
complejas, que combinan tanto las propiedades espaciales como los atributos
temáticos (Comas y Ruiz, 1993). Por ejemplo, se pueden recuperar todos los
edificios de una ciudad que tengan una determinada altura (atributo temático)
y que estén ubicados dentro de una distancia específica de una línea de trans-
porte público (criterio espacial).
Además de la recuperación, las operaciones de clasificación son fundamen-
tales para agrupar los datos según características comunes. En el contexto de
los SIG, la clasificación puede implicar tanto la agrupación de objetos según
atributos temáticos como su agrupación basada en características espaciales
o en un análisis multivariable. Esto se aplica a menudo en el análisis de suelos,
uso del suelo o detección de patrones geoespaciales.
Las operaciones de medición permiten calcular propiedades geométricas
de los objetos espaciales. Esto incluye el cálculo de áreas, perímetros, distan-
cias entre objetos o el análisis de la forma y distribución de los mismos. Estas
mediciones son esenciales en estudios ambientales, planificación urbana, in-
geniería y muchos otros campos, ya que proporcionan una cuantificación pre-
cisa de las características espaciales para su análisis posterior.

7.5.4. Operaciones de conectividad

Las operaciones de conectividad son esenciales para el análisis de cómo

los objetos o las entidades espaciales están relacionados entre sí dentro de
un espacio determinado. Se basan en la acumulación de valores a lo largo de
un recorrido o proceso en un entorno espacial específico. Estas operaciones
permiten evaluar fenómenos como la contigüidad (la relación de cercanía entre
entidades adyacentes), la proximidad (la distancia entre objetos o entidades),
la búsqueda (localización de objetos en función de condiciones espaciales y

– 212 –
 Operaciones y análisis de datos en los SIG

temáticas) y la propagación (distribución de un fenómeno a lo largo de una red

o área) (Aronoff, 1995).
Además, las operaciones de conectividad permiten analizar redes espacia-
les, como las redes de carreteras, líneas eléctricas o sistemas fluviales, y eva-
luar la intervisibilidad, que examina si dos puntos en el espacio pueden ser
vistos uno desde otro, lo cual es fundamental en el análisis de comunicación,
diseño de infraestructuras y planificación del uso del suelo.
En cuanto a la iluminación y la perspectiva visual, estas operaciones son
especialmente útiles en la planificación urbana, arquitectura y estudios de im-
pacto ambiental. Permiten modelar cómo la luz natural afecta el entorno y la
visibilidad desde ciertos puntos, lo cual es clave en el diseño de espacios ur-
banos y en la evaluación de la calidad ambiental en áreas urbanas o naturales.

7.6. Operaciones de modelado cartográfico y espacial

El modelado cartográfico y espacial es un campo amplio y complejo, y a

lo largo del tiempo, diversos autores han propuesto diferentes definiciones y
enfoques sobre este concepto. Según Tomlin (1991), el modelado cartográfico
puede definirse como una metodología para el análisis y síntesis de datos geo-
gráficos, y lo describe como “el uso de las operaciones básicas de un SIG en
una secuencia lógica para resolver problemas espaciales complejos”. Este tipo
de modelado integra una serie de capas, operaciones SIG (tanto topológicas
como temáticas), información externa y juicios de valor en una secuencia lógi-
ca, cuyo propósito es investigar soluciones a problemas espaciales específicos
(figura 67).
Una de las principales ventajas del modelado cartográfico es que sus fun-
ciones pueden ser desarrolladas dentro de un ambiente SIG, lo que permite
generar nueva información espacial mediante el análisis y procesamiento de
datos originales. De esta manera, el modelo cartográfico proporciona una apro-
ximación sistemática que facilita la definición de la información necesaria y los
procedimientos a seguir para alcanzar los objetivos (Aronoff, 1995). Así, el mo-
delado cartográfico abarca un concepto mucho más amplio y complejo que las
operaciones descritas previamente, ya que los procedimientos implementados
dependen del tipo topológico de los datos espaciales utilizados.

– 213 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En este contexto, los procesos de modelado cartográfico suelen expresarse

a través de operaciones (statements) y procedimientos (programas). Las opera-
ciones corresponden a unidades individuales dentro de un proceso de datos,
que se aplican sobre capas de entrada para generar una capa de salida con
ciertos parámetros. Por otro lado, los procedimientos son secuencias lógicas
de operaciones que se aplican sobre los datos para cumplir con un objetivo
predefinido. En este sentido, un conjunto de operaciones ordenadas con el fin
de generar el resultado planteado constituye un programa (Barredo, 1996).
Tomlin (1990) diferencia dos tipos de modelado cartográfico: el modelado
descriptivo y el modelado prescriptivo.

Figura 67. Análisis de acumulación de flujo pluvial.

• El modelado cartográfico descriptivo: se refiere a las técnicas que bus-

can describir la información espacial de manera detallada. Este proceso
es deductivo, ya que parte de un resultado propuesto o esperado y pro-
cesa los datos para obtener dicho resultado. En este sentido, se distin-
gue dos tipos de técnicas; las que sintetizan datos espaciales y las que
los analizan. Las primeras tienden a recomponer la información, mientras

– 214 –
 Operaciones y análisis de datos en los SIG

que las segundas descomponen los datos espaciales en sus unidades

más pequeñas.
• El modelado cartográfico prescriptivo: este enfoque está orientado a la
resolución de problemas espaciales y consta de tres fases esenciales:
propuesta del problema, generación de soluciones y evaluación de las
soluciones. Las dos primeras fases son descriptivas, es decir, aplicables
también al modelado descriptivo, pero la fase de evaluación constitu-
ye la parte fundamental del modelado prescriptivo (Barredo, 1996). En
este tipo de modelado, las técnicas se asocian con formas de localización
geográfica, es decir, la identificación de los lugares más adecuados para
una actividad según ciertas condiciones preestablecidas.

Un desafío significativo en este proceso es la evaluación de soluciones, es-

pecialmente cuando se trata de procesar datos temáticos o atributos. En este
aspecto, los SIG presentan ciertas limitaciones, lo que ha llevado a la integra-
ción de técnicas externas, como las Técnicas de Evaluación Multicriterio (EMC),
que complementan las capacidades de los SIG en la toma de decisiones espa-
ciales, particularmente en problemas complejos como la asignación de usos
del suelo.
El modelado espacial, por su parte, es un enfoque más amplio que el mo-
delado cartográfico propuesto por Tomlin (1991). El modelado espacial general-
mente utiliza operaciones de SIG, especialmente la superposición de capas, y
las integra con procesos aritméticos o estadísticos. Este enfoque está diseñado
para generar modelos espaciales más complejos, que aborden una variedad
de fenómenos y situaciones espaciales.
En el contexto de los SIG, el desarrollo del modelado espacial debe consi-
derarse paralelo al análisis espacial, ya que depende en gran medida de ope-
raciones de análisis espacial para su implementación. Sin embargo, la falta de
funcionalidades avanzadas de modelado en los sistemas SIG sigue siendo una
de las principales limitaciones reconocidas por los expertos (Fisher y Nijkamp,
1993).
Los modelos espaciales se utilizan principalmente para tres propósitos: pre-
dicción y generación de escenarios futuros, análisis del impacto de ciertas po-
líticas y diseño y generación de políticas.

– 215 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Dentro de esta categoría, los modelos espaciales varían desde simples mo-
delos de insumo-salida hasta complejos modelos multirregionales, multiobje-
tivos o de uso del suelo (Barredo, 1996). La integración de nuevas operaciones
al modelado espacial incrementa significativamente el potencial de los SIG,
transformándolos en herramientas cruciales para la toma de decisiones en
áreas como la planificación urbana, la gestión ambiental y la salud pública.
La integración de la tecnología SIG con modelos espaciales permite realizar
descripciones, explicaciones, planificación y predicciones en procesos espa-
ciales. Esto abre nuevas posibilidades para aplicar los SIG en la toma de de-
cisiones sobre problemas como la localización y asignación de actividades, la
gestión de recursos naturales y la planificación de infraestructuras.
Una de las principales capacidades de los modelos espaciales es añadir
valor a la información, generando nuevos datos a partir de la información exis-
tente mediante procesos que simulan el comportamiento del mundo real bajo
condiciones determinadas. Clarke (1990) agrupa el uso de los modelos en dife-
rentes procesos con características específicas; transformación de datos, sín-
tesis e integración de datos, actualización de información, pronóstico, análisis
de impacto y optimización.
Entre estos, el grupo de optimización es particularmente relevante en el
modelado espacial, ya que se utiliza en el análisis de localización/asignación
mediante técnicas como las EMC, aplicadas en sistemas espaciales o espacio-
temporales. En esta aproximación, se buscan soluciones para problemas espa-
ciales que maximizan el valor de una función objetivo, respetando las restric-
ciones o limitantes definidas (Clarke, 1990).
Este enfoque integra elementos de la toma de decisiones, tales como la
evaluación de objetivos, limitantes, metas y factores, que pueden ser incorpo-
rados en un SIG para tomar decisiones informadas sobre problemas espacia-
les, especialmente en lo que respecta a la asignación de actividades o usos del
suelo (Barredo, 1995).
Además, el análisis de impacto es otra aplicación clave en los estudios de
localización/asignación. Los resultados de estos análisis pueden retroalimen-
tar el proceso de modelado, ajustando las decisiones según el impacto espe-
rado de las soluciones implementadas.
Finalmente, aunque los SIG representan una herramienta valiosa para la
gestión de la información espacial, presentan ciertas limitaciones que restrin-

– 216 –
 Operaciones y análisis de datos en los SIG

gen el alcance de los análisis que se puede realizar, especialmente en áreas

como la localización y asignación de actividades, el uso del suelo y la gestión
de rutas para vehículos (Fischer y Nijkamp, 1993). No obstante, se está hacien-
do avances significativos para integrar los SIG con sistemas de planificación,
lo que permitirá superar estas limitaciones y asistir a los planificadores en la
resolución de problemas espaciales complejos.

7.7. Operaciones de salida de datos

Los SIG cuentan con una amplia gama de periféricos y dispositivos de repre-
sentación gráfica o de salida que permiten generar resultados de alta calidad
y resolución. Dependiendo de la estructura de almacenamiento de los datos y
los objetivos del análisis, se seleccionará el medio de salida más adecuado. Por
ejemplo, cuando los datos se almacenan en un modelo ráster, se pueden utili-
zar medios de representación gráfica como impresoras de alta calidad, plotters
electroestáticos o filmadoras láser, que permiten obtener resultados precisos y
detallados. Además, los monitores gráficos, que no dependen del tipo de alma-
cenamiento de la información, se han convertido en uno de los soportes más
comunes para la visualización de resultados en tiempo real (Chuvieco, 1990).
Es importante destacar que la calidad de las reproducciones gráficas gene-
radas por un SIG depende en gran medida de los programas y herramientas
incorporadas en el sistema. Estos programas permiten representar de manera
efectiva y precisa una amplia variedad de productos cartográficos y visualiza-
ciones, tales como cartografía de isolíneas, representaciones en tres dimen-
siones, mapas en niveles de gris o utilizando paletas de colores específicas
para facilitar la interpretación de los datos. Los SIG también permiten la perso-
nalización de las salidas según los requerimientos del usuario, lo que incluye
la elección de la simbología, la localización de títulos, la definición de escalas,
el tramado de las figuras y la rotulación, aspectos clave en el diseño final del
mapa.
Además de la calidad gráfica, es crucial considerar la resolución y el formato
de los productos generados. Los SIG permiten ajustar la resolución de salida
según las necesidades del usuario, ya sea para representar grandes áreas en
mapas de baja resolución o generar detalles precisos en áreas más pequeñas.

– 217 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Los formatos de salida también son diversos, desde archivos de imagen están-
dar (como TIFF, JPEG, PNG) hasta formatos vectoriales (como SHP o DXF), lo
que facilita la integración con otros sistemas y ofrece flexibilidad para adaptar
la salida a diferentes plataformas y dispositivos.
Otro aspecto relevante en las operaciones de salida de datos es la capaci-
dad de los SIG para generar productos dinámicos e interactivos. Las herramien-
tas de visualización avanzada permiten la creación de mapas interactivos y re-
presentaciones en tiempo real, facilitando el análisis por parte de los usuarios y
permitiendo realizar cambios instantáneos en los datos o en las visualizaciones
sin necesidad de generar un nuevo archivo de salida. Este tipo de representa-
ciones interactivas es especialmente útil en aplicaciones como la planificación
urbana, el análisis ambiental y la gestión de infraestructuras, donde las condi-
ciones y escenarios pueden cambiar rápidamente.
En conclusión, las operaciones de salida de datos en un SIG no se limitan a
la capacidad de generar mapas estáticos, sino que abarcan una variedad de
medios y formatos que permiten al usuario adaptar la visualización de los re-
sultados a sus necesidades específicas, manteniendo siempre un alto nivel de
calidad y flexibilidad. La correcta elección de los medios de salida y la per-
sonalización de las representaciones gráficas son esenciales para facilitar la
interpretación y la toma de decisiones basadas en la información geoespacial
generada por el sistema.

– 218 –
 CAPÍTULO VIII
CONVERGENCIA E INTEROPERATIVIDAD TECNOLÓGICA

8.1. Conceptos generales

La demanda de información detallada y actualizada sobre la ocupación del

suelo y los distintos recursos presentes en el territorio ha experimentado un
crecimiento significativo en las últimas décadas. Este fenómeno responde, en
gran medida, al creciente protagonismo que han adquirido los temas relacio-
nados con el medio ambiente y la gestión integral de los recursos naturales
dentro de la agenda social, política y científica global. En efecto, la disponibili-
dad y el acceso a datos espaciales confiables representan hoy un componente
esencial en los procesos de toma de decisiones, tanto en políticas públicas
generales como en aquellas específicamente orientadas al ordenamiento te-
rritorial, la planificación ambiental y el desarrollo sostenible.
Disciplinas como la ordenación del territorio, la planificación urbana y la ges-
tión de recursos naturales han evidenciado la necesidad de contar con he-
rramientas tecnológicas que permitan capturar, integrar, analizar y visualizar
grandes volúmenes de información espacial. Esta información no solo debe
ser precisa, sino también oportuna y útil para comprender dinámicas comple-
jas, muchas veces en constante transformación debido a factores naturales
y/o antrópicos. Sin embargo, cuando se trata de áreas geográficas extensas o
sometidas a cambios rápidos, los métodos tradicionales de recopilación y aná-
lisis de datos resultan insuficientes, ya sea por su alto costo, lentitud o limitada
capacidad de actualización.
En este contexto, tecnologías como la teledetección, los sistemas de
geoposicionamiento y los Sistemas de Información Geográfica (SIG) han
emergido como soluciones eficientes para superar estas limitaciones. Estas
técnicas ofrecen alternativas viables frente a los métodos convencionales al
permitir la adquisición, organización y análisis de grandes volúmenes de infor-
mación ambiental, facilitando su uso en procesos de diagnóstico, monitoreo

– 219 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

y planificación territorial (Chuvieco, 1996). Aunque nacieron como disciplinas

tecnológicas independientes, han encontrado puntos de encuentro y com-
plementariedad que les permiten converger en su aplicación práctica, com-
partiendo el objetivo común de facilitar el estudio, modelado y gestión de los
recursos del territorio.
Este fenómeno de integración no es exclusivo de estas tecnologías. En las
últimas décadas, hemos sido testigos de una acelerada convergencia tecnoló-
gica en el ámbito de la geomática, donde múltiples herramientas, plataformas
y fuentes de datos (antes aisladas) ahora se interconectan, se complementan
y actúan de forma sinérgica. Esta convergencia va de la mano con el concepto
de interoperatividad, que alude a la capacidad de los sistemas y tecnologías
para trabajar de manera conjunta, compartiendo datos, protocolos y procesos
de forma eficiente.
Es necesario, por tanto, explorar ambos conceptos (convergencia e inte-
roperatividad tecnológica) en el marco de la geomática, abordando tanto sus
fundamentos teóricos como sus aplicaciones prácticas. En esta exploración se
busca destacar el valor estratégico que implica avanzar hacia sistemas más
integrados, abiertos y colaborativos, que permitan potenciar las capacidades
de análisis territorial en un contexto marcado por el cambio global, la transfor-
mación digital y la necesidad urgente de gestionar de forma sostenible nuestro
entorno.

8.2. Convergencia tecnológica en geomática

La convergencia tecnológica puede entenderse como el proceso mediante

el cual distintas tecnologías, anteriormente desarrolladas y utilizadas de ma-
nera independiente, comienzan a integrarse en plataformas comunes o com-
plementarias para abordar desafíos complejos de forma más eficiente. En el
contexto de la geomática, esta convergencia ha transformado radicalmente la
forma en que se captura, procesa, analiza y visualiza los datos espaciales, dan-
do lugar a un ecosistema de herramientas interoperables que amplían las ca-
pacidades de observación, modelado y toma de decisiones sobre el territorio.
En términos generales, la convergencia tecnológica implica la integración
de disciplinas, metodologías, infraestructuras y dispositivos que, al combinar-

– 220 –
 Convergencia e Interoperatividad Tecnológica

se, generan nuevas sinergias, optimizan procesos y permiten soluciones más

completas (Cowan & Foray, 1997). Este fenómeno ha sido impulsado por la ace-
lerada evolución de las Tecnologías de la Información y las Comunicaciones
(TIC), el abaratamiento del hardware y el desarrollo de estándares de datos que
facilitan la interoperabilidad entre sistemas.
En el ámbito de la geomática, esta convergencia se manifiesta en la articu-
lación de tecnologías como la teledetección (para la captura de datos espa-
ciales mediante sensores satelitales, aéreos o montados en drones) con los
SIG (empleados en el análisis, gestión y visualización de dichos datos) y con
los sistemas GNSS (que permiten la obtención precisa de coordenadas para la
georreferenciación). Más recientemente, se ha incorporado tecnologías como
el Internet de las Cosas (IoT), que posibilita la monitorización continua de varia-
bles ambientales o urbanas, y la Inteligencia Artificial (IA), utilizada para el pro-
cesamiento avanzado de datos, el reconocimiento de patrones, la predicción y
la automatización de tareas analíticas. Gracias a esta articulación tecnológica,
es posible abordar problemas complejos como la vigilancia de la deforesta-
ción, la gestión de recursos hídricos, el monitoreo urbano inteligente o la pla-
nificación de infraestructuras resilientes al cambio climático (Goodchild, 2018).

8.2.1. Evolución hacia plataformas geoespaciales integradas

La convergencia tecnológica ha impulsado el desarrollo de plataformas

geoespaciales integradas, que unifican capacidades de captura, almacena-
miento, procesamiento, análisis y visualización de datos espaciales dentro de
una arquitectura coherente y escalable. Estas plataformas, en muchos casos
apoyadas en infraestructuras de servicios en la nube, permiten a distintos acto-
res (gobiernos, empresas, organizaciones no gubernamentales e instituciones
académicas) acceder, compartir y colaborar sobre un mismo entorno de datos
geoespaciales en tiempo real o casi real.
Herramientas como Google Earth Engine (GEE), ArcGIS Online (figura 68) o
QGIS, con extensiones de teledetección avanzadas, han transformado los flujos
de trabajo tradicionales al integrar funcionalidades que antes requerían múlti-
ples aplicaciones especializadas. Esto no solo mejora la eficiencia operativa,
sino que también democratiza el acceso a tecnologías avanzadas. Por ejemplo,
la capacidad de aplicar algoritmos de aprendizaje automático directamente

– 221 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

sobre imágenes satelitales almacenadas en la nube sin necesidad de descarga

local, representa un cambio significativo en términos de accesibilidad, escala-
bilidad y velocidad de análisis.

Figura 68. Entorno de trabajo de ArcGIS Online.

Además, la combinación de computación en la nube, almacenamiento dis-

tribuido y el avance en tecnologías de virtualización ha permitido gestionar vo-
lúmenes masivos de datos geoespaciales (Big Geospatial Data), optimizando
tanto el rendimiento como la disponibilidad. Esta capacidad es especialmente
crítica para aplicaciones que requieren monitoreo continuo o que operan a es-
calas regionales y globales, como la gestión del cambio climático, la planifica-
ción urbana sostenible o la respuesta ante desastres naturales (Li et al., 2020).
El avance hacia estas plataformas integradas también fomenta la interope-
rabilidad entre sistemas, lo que facilita la integración de datos provenientes de
sensores heterogéneos, infraestructuras IoT, drones o fuentes abiertas, poten-
ciando aún más el valor estratégico de la información geoespacial.

– 222 –
 Convergencia e Interoperatividad Tecnológica

8.2.2. Factores que impulsan la convergencia en geomática

La convergencia tecnológica, en el ámbito de la geomática, es el resultado

de múltiples factores interrelacionados que han modificado tanto las capacida-
des técnicas como las dinámicas institucionales y sociales del uso de la infor-
mación geoespacial. Entre los principales impulsores, se encuentra:

• Democratización de la tecnología: el acceso creciente a imágenes sateli-

tales gratuitas, como las ofrecidas por los programas Sentinel o Landsat,
ha reducido las barreras de entrada a la observación de la Tierra. Para-
lelamente, el desarrollo y consolidación de software libre, como QGIS,
GRASS GIS, o herramientas de análisis en línea como WhiteboxTools, ha
permitido que un número cada vez mayor de usuarios, incluso sin forma-
ción técnica avanzada, puedan generar, analizar y visualizar información
geoespacial de alta calidad.
• Necesidad de respuestas rápidas y eficaces: en un contexto global, ca-
racterizado por el cambio climático, el aumento de eventos extremos, cri-
sis humanitarias y urbanización acelerada, los sistemas de información
geoespacial deben ofrecer respuestas ágiles, actualizadas y adaptables
a distintos escenarios. La integración tecnológica facilita procesos auto-
matizados de detección de cambios, monitoreo en tiempo real y genera-
ción de alertas tempranas, contribuyendo a una toma de decisiones más
informada.
• Desarrollo de estándares y protocolos de interoperabilidad: la estandari-
zación ha sido un elemento clave para lograr la interacción entre platafor-
mas, software y bases de datos heterogéneas. Formatos como GeoTIFF,
GeoJSON o KML, y servicios interoperables, como WMS, WFS o CSW,
promovidos por organizaciones como el Open Geospatial Consortium
(OGC), permiten el intercambio fluido de datos y la reutilización de recur-
sos geoespaciales en diferentes contextos operativos (OGC, 2025a).
• Inversión pública y privada en tecnologías geoespaciales: las políticas de
datos abiertos y la creciente disponibilidad de APIs y plataformas accesi-
bles han estimulado la participación de diversos sectores en el ecosiste-
ma geoespacial. Desde iniciativas gubernamentales de observación de la
Tierra hasta startups que desarrollan soluciones de análisis espacial con

– 223 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

inteligencia artificial, la convergencia responde a un entorno marcado por

la innovación, la colaboración y la competitividad tecnológica.
• Avances en conectividad y dispositivos de adquisición de datos: la ex-
pansión de redes de IoT geolocalizadas, el uso masivo de drones, sen-
sores móviles y smartphones con GNSS han generado un entorno donde
la recolección de datos espaciales es constante, granular y ubicua. Esta
disponibilidad de información requiere plataformas capaces de integrar y
procesar flujos de datos continuos, impulsando aún más la convergencia
de tecnologías diversas.

En conjunto, estos factores han configurado un nuevo modelo para la

geomática, donde la interoperabilidad, la automatización y la colaboración
multisectorial se convierten en pilares fundamentales del desarrollo tecnológi-
co y científico en el ámbito geoespacial.

8.2.3. Convergencia disciplinar

La convergencia en geomática va más allá de la integración tecnológica,

manifestándose también como una convergencia interdisciplinaria, donde sa-
beres provenientes de la geografía, la estadística, la informática, la ingeniería
ambiental, la arquitectura, la economía o la sociología confluyen para abordar
problemas espaciales complejos de forma integral y contextualizada. Este en-
foque transdisciplinar es clave para enfrentar desafíos territoriales que exigen
soluciones multiescalares y sensibles a la diversidad de actores y variables en
juego. En particular, destaca el uso de análisis espacial multicriterio (AEMC)
como metodología que permite integrar distintos tipos de información (cuanti-
tativa y cualitativa) para evaluar alternativas y apoyar la toma de decisiones en
ordenación del territorio. El AEMC facilita ponderar criterios, como la pendien-
te del terreno, el uso del suelo, la vulnerabilidad ambiental, la accesibilidad a
servicios o la opinión comunitaria, lo que lo convierte en una herramienta in-
dispensable para procesos de planificación participativa, evaluación ambiental
estratégica y gestión del riesgo.
La articulación entre disciplinas no solo amplía el espectro metodológico
de la geomática, sino que enriquece su capacidad para generar conocimiento
aplicable. Así, la planificación urbana, la gestión de recursos naturales, la in-

– 224 –
 Convergencia e Interoperatividad Tecnológica

fraestructura verde o el diseño de políticas públicas encuentran, en la geomá-

tica, un campo de integración y diálogo entre ciencia, técnica y participación
ciudadana. Un ejemplo concreto de esta convergencia es la identificación de
zonas aptas para expansión urbana en áreas metropolitanas. Mediante técnicas
de análisis multicriterio y herramientas SIG, es posible combinar criterios, como
proximidad a vías de comunicación, disponibilidad de servicios básicos, riesgo
de inundación, valor ambiental o uso actual del suelo. Esta integración permite
generar mapas de aptitud territorial que respaldan procesos de planificación
más sostenibles, inclusivos y basados en evidencia, articulando el conocimien-
to técnico con las necesidades locales y la participación de actores diversos.

8.3. Interoperatividad en geomática

La creciente complejidad de los desafíos territoriales y ambientales, como la

urbanización acelerada, el cambio climático, la gestión del agua o la conserva-
ción de la biodiversidad, ha hecho indispensable la colaboración entre distintos
sistemas tecnológicos, instituciones y disciplinas. Esta colaboración solo resul-
ta efectiva si se sustenta en un nivel adecuado de interoperatividad, entendida
como la capacidad de diferentes sistemas y organizaciones para intercambiar,
interpretar y utilizar datos de forma coordinada, eficiente y significativa (OGC,
2025b; ISO/TC 211, 2019).
En el campo de la geomática, la interoperabilidad constituye un pilar estra-
tégico que permite articular flujos de trabajo entre tecnologías diversas, como
los SIG, plataformas de teledetección, redes de sensores in situ, aplicaciones
móviles o plataformas web de análisis espacial colaborativo. Esta integración
tecnológica no solo incrementa la eficiencia operativa, sino que favorece la ge-
neración de conocimiento espacial en tiempo real y su aplicación en contextos
decisionales complejos y diversos.
Es importante destacar que la interoperabilidad va mucho más allá de la
simple capacidad de acceder a archivos o consumir servicios remotos. Implica
una infraestructura compleja de estándares, protocolos, ontologías, lenguajes
comunes y, especialmente, acuerdos institucionales y normativos que permi-
ten el uso compartido de información geoespacial sin necesidad de reconfigu-
raciones costosas o conversiones entre formatos incompatibles.

– 225 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Según la Ley 14/2010, de infraestructuras y servicios de información geográ-

fica de España (Gobierno de España, 2010), la interoperabilidad se define como
la “capacidad, que proporcionan servicios y procedimientos especializados, de
combinar conjuntos de datos geográficos y de facilitar la interacción de los servi-
cios de información geográfica, sin intervención manual repetitiva, de forma que
el resultado sea coherente y se aumente el valor añadido de los datos geográfi-
cos y servicios de información geográfica”. Esta definición pone de relieve que los
datos no solo deben ser accesibles, sino también comprensibles, estructurados
semánticamente y reutilizables en contextos técnicos heterogéneos.
En este contexto, avanzar hacia un ecosistema geoespacial verdaderamen-
te interoperable representa un desafío continuo pero esencial para construir
Infraestructuras de Datos Espaciales (IDE) sólidas, garantizar la transparencia
en la toma de decisiones y promover una colaboración efectiva entre actores
públicos, privados, académicos y ciudadanos.

8.3.1. Tipos de interoperabilidad

La interoperabilidad puede clasificarse en diferentes niveles o tipos, que re-

flejan la profundidad de la integración entre sistemas, datos y organizaciones.
Cada nivel aborda aspectos complementarios y necesarios para lograr un eco-
sistema geoespacial plenamente funcional y cooperativo:

• Interoperabilidad técnica: se refiere a la compatibilidad entre sistemas

a nivel de infraestructura tecnológica. Incluye la capacidad de los siste-
mas para intercambiar datos utilizando formatos, protocolos y servicios
estandarizados. La interoperabilidad técnica es esencial para permitir el
flujo automático de datos entre diferentes plataformas tanto comerciales
(como ArcGIS, ERDAS Imagine) como de código abierto (QGIS, gvSIG, en-
tre otros), facilitando su integración en entornos mixtos. Entre los compo-
nentes más relevantes, se encuentra:

- Protocolos de comunicación (HTTP, FTP, REST, SOAP).

- Formatos de archivo geoespacial (GeoTIFF, GML, GeoJSON, KML,
NetCDF).
- Servicios estándar definidos por el OGC (WMS, WFS, WCS, GML).

– 226 –
 Convergencia e Interoperatividad Tecnológica

• Interoperabilidad semántica: este tipo de interoperabilidad busca asegu-

rar que los datos compartidos no solo sean técnicamente legibles, sino
también semánticamente coherentes entre distintos usuarios o sistemas.
Es decir, que los datos signifiquen lo mismo para todos los participan-
tes. Por ejemplo, si dos instituciones comparten datos sobre el “uso del
suelo”, es fundamental que ambas apliquen las mismas definiciones para
categorías como “urbano”, “agrícola” o “forestal”; de lo contrario, podrían
producirse interpretaciones erróneas o decisiones inconsistentes. Para
garantizar esta coherencia semántica, se utiliza herramientas como:

- Ontologías geoespaciales.
- Tesauros y vocabularios controlados.
- Metadatos normalizados (ISO 19115, Dublin Core).

• Interoperabilidad organizacional: hace referencia al marco institucional,

normativo y procedimental que permite el uso compartido de datos entre
diferentes organizaciones (gubernamentales, académicas, privadas o del
tercer sector). Este tipo de interoperabilidad es fundamental para la sos-
tenibilidad y el éxito de proyectos territoriales complejos, como las IDEs,
donde intervienen múltiples actores con competencias y responsabilida-
des diferenciadas. Una adecuada interoperabilidad organizacional garan-
tiza que los datos se compartan en un entorno de confianza, legalidad y
responsabilidad mutua. Esta dimensión incluye:

- Políticas de datos abiertos y gobernanza de la información.

- Convenios de colaboración interinstitucional y acuerdos marco.
- Normativas sobre derechos de uso, licencias, confidencialidad y priva-
cidad de datos.

8.3.2. Estándares clave para la interoperabilidad

En las últimas décadas, diversos organismos internacionales han desarrolla-

do un conjunto de estándares técnicos y normativos esenciales para garantizar
la interoperabilidad en el ámbito geoespacial. El uso sistemático de estos es-
tándares permite que la información espacial generada por diferentes actores

– 227 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

(públicos o privados, locales o internacionales) pueda integrarse, visualizarse y

analizarse de forma coherente, sin pérdida de valor ni necesidad de reproce-
samientos complejos. Algunos de los marcos y estándares más relevantes son
los siguientes:

• OGC (Open Geospatial Consortium): el OGC lidera a nivel mundial el

desarrollo de especificaciones técnicas abiertas para servicios y datos
geoespaciales. Sus estándares permiten que sistemas heterogéneos se
comuniquen e intercambien información de manera efectiva. Han sido
adoptados ampliamente tanto en plataformas SIG comerciales como de
código abierto y constituyen la base técnica de muchas IDEs. Entre los
más utilizados, se encuentran:

- WMS (Web Map Service): para la visualización remota de mapas.

- WFS (Web Feature Service): para la consulta y edición de datos vecto-
riales.
- WCS (Web Coverage Service): para el acceso a datos ráster multiban-
da o de cobertura.
- GML (Geography Markup Language): como formato XML para el inter-
cambio estructurado de información geográfica.

• ISO/TC 211: es el comité técnico de la Organización Internacional de Nor-

malización (ISO), encargado de establecer normas específicas para la
información geográfica y los servicios relacionados. Su marco normati-
vo busca garantizar la calidad, interoperabilidad y estandarización inter-
nacional de los datos espaciales. Estas normas son fundamentales para
documentar adecuadamente los conjuntos de datos y facilitar su descu-
brimiento, interpretación y reutilización en contextos multidisciplinarios y
transfronterizos. Algunas normas destacadas incluyen:

- ISO 19115: para la descripción de metadatos geoespaciales.

- ISO 19119: sobre arquitecturas de servicios geográficos.
- ISO 19157: para la evaluación de la calidad de los datos espaciales.

– 228 –
 Convergencia e Interoperatividad Tecnológica

• INSPIRE (Infrastructure for Spatial Information in Europe): es una iniciativa

de la Unión Europea destinada a crear una infraestructura de datos espa-
ciales que facilite la armonización, interoperabilidad y accesibilidad de la
información geográfica en Europa, especialmente para fines relacionados
con la gestión ambiental y el cumplimiento de políticas públicas. Estos
estándares no solo aseguran la interoperabilidad técnica, sino que tam-
bién refuerzan la coherencia semántica y la transparencia organizativa,
aspectos clave para el desarrollo de políticas públicas basadas en evi-
dencia y la colaboración en contextos internacionales. INSPIRE establece:

- Directrices técnicas para la producción de servicios interoperables

(metadatos, visualización, descarga, transformación).
- Modelos de datos armonizados para múltiples temas (uso del suelo,
biodiversidad, redes de transporte, riesgos naturales, etc.).
- Requisitos legales para los Estados miembros, promoviendo la coo-
peración transnacional y el acceso abierto a la información.

8.4. Casos prácticos de convergencia e interoperatividad

Los avances tecnológicos en el ámbito geoespacial no solo han transfor-

mado la manera en que se capturan, procesan y analizan los datos, sino que
también han posibilitado el desarrollo de aplicaciones integradas, dinámicas y
escalables que responden a las crecientes demandas de gestión territorial. La
convergencia de herramientas, como los SIG, la teledetección, la inteligencia
artificial y la computación en la nube, junto con estándares de interoperabilidad
consolidados, ha dado lugar a entornos colaborativos que facilitan una toma
de decisiones más informada, oportuna y basada en evidencia. A continuación,
se presenta diversos casos prácticos que ilustran cómo la convergencia tec-
nológica y la interoperatividad de datos y servicios se materializan en solucio-
nes reales aplicadas a problemas territoriales y ambientales complejos. Estos
ejemplos destacan el potencial transformador de la geomática moderna para
mejorar la eficiencia operativa, reducir la fragmentación de la información y au-
mentar la precisión en los procesos de análisis espacial y planificación.

– 229 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

8.4.1. Agricultura de precisión con drones, SIG e IoT

La agricultura de precisión representa uno de los sectores donde la conver-

gencia tecnológica e interoperabilidad han producido transformaciones más
tangibles, combinando herramientas geoespaciales, sensores inteligentes y
modelos predictivos para optimizar la toma de decisiones a nivel parcelario.
Estos sistemas integran múltiples tecnologías en un flujo de trabajo coordinado
y basado en datos interoperables:

- Drones (UAVs) equipados con cámaras multiespectrales o térmicas cap-

turan imágenes de alta resolución que permiten monitorear el estado de
los cultivos, detectar estrés hídrico o identificar zonas con problemas de
nutrición vegetal.
- SIG procesan e integran estas imágenes con información edáfica, topo-
gráfica y meteorológica, facilitando el análisis espacial y la generación de
mapas temáticos.
- Sensores IoT, distribuidos en el campo registran, en tiempo real, varia-
bles como humedad del suelo, temperatura, luminosidad o niveles de
nutrientes y transmiten estos datos mediante protocolos estándar (MQTT,
LoRaWAN, etc.).
- Modelos predictivos e IA procesan los datos combinados para estimar
rendimientos, anticipar enfermedades, diseñar planes de riego y realizar
fertilización variable, todo en función de datos georreferenciados y es-
tructurados.

Esta arquitectura tecnológica interoperable permite generar productos,

como mapas de vigor, zonificación de manejo diferencial o sistemas de
alerta temprana, con impactos directos en la eficiencia productiva, el uso
racional de recursos hídricos y fertilizantes y la sostenibilidad económica
y ambiental de las explotaciones agrícolas. Un ejemplo representativo es
el proyecto SmartAgriHubs (Unión Europea), que promueve ecosistemas
digitales para la agricultura conectada mediante el uso de estándares abiertos,
APIs interoperables y plataformas de análisis espacial (figura 69). De forma
complementaria, en América Latina, iniciativas lideradas por universidades,
startups y cooperativas agrícolas están desarrollando soluciones locales

– 230 –
 Convergencia e Interoperatividad Tecnológica

basadas en QGIS, drones de bajo costo y redes de sensores, demostrando la

adaptabilidad y escalabilidad de este enfoque en contextos diversos.

Figura 69. Sitio web de SmartAgriHubs.

8.4.2. Monitoreo urbano inteligente y ciudades sostenibles

En los entornos urbanos contemporáneos, caracterizados por su alta densi-

dad poblacional, movilidad intensiva y vulnerabilidad ambiental, la convergen-
cia tecnológica y la interoperabilidad se han consolidado como pilares funda-
mentales para avanzar hacia modelos de ciudades inteligentes y sostenibles.
La integración de plataformas SIG, sensores IoT, sistemas de gestión municipal
y herramientas de participación ciudadana permite desarrollar soluciones de
monitoreo urbano que responden a las necesidades de planificación, gober-
nanza y resiliencia. En estos sistemas, diversas tecnologías actúan de manera
coordinada:

- Sensores distribuidos en el entorno urbano (como cámaras, estaciones

meteorológicas, sensores de calidad del aire, ruido o tráfico) capturan da-
tos sobre el estado de la ciudad en tiempo real.

– 231 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Estos datos se integran en bases de datos espaciales interoperables, ac-

cesibles desde múltiples plataformas mediante servicios estándar (WMS,
WFS, APIs RESTful), lo que permite su visualización y análisis geoespacial
inmediato.
- SIG procesan esta información para generar mapas temáticos, emitir aler-
tas en tiempo real, construir modelos predictivos de movilidad o generar
mapas de calor aplicables a la gestión de servicios públicos.
- A través de infraestructuras digitales interoperables, distintas dependen-
cias gubernamentales (medio ambiente, urbanismo, transporte, emergen-
cias) pueden trabajar sobre una base de datos común, lo que reduce dupli-
cidades y mejora significativamente la coordinación interinstitucional.

Un caso destacado es el proyecto SmartSantander (España), que ha imple-

mentado una red urbana de sensores conectados con plataformas SIG y sis-
temas de información municipal. Este sistema permite monitorear parámetros
ambientales, gestionar el alumbrado público de forma inteligente, optimizar
rutas de recolección de residuos y ofrecer a la ciudadanía información geo-
espacial en tiempo real (figura 70). Todo ello es posible gracias a una arqui-
tectura interoperable basada en estándares abiertos y a la articulación entre
datos geoespaciales, tecnologías de comunicación y procesos de gobernanza
urbana.
Cabe destacar que una tendencia emergente en este contexto es la integra-
ción de BIM (Building Information Modeling) con plataformas SIG. Esta sinergia
permite vincular modelos tridimensionales de edificaciones e infraestructuras
(incluyendo información sobre materiales, estructuras, instalaciones y crono-
gramas de mantenimiento) con datos del entorno urbano y territorial. Mediante
formatos interoperables, como IFC (Industry Foundation Classes), y su integra-
ción con servicios definidos por el OGC, es posible generar una visión integral
del espacio construido. Esto favorece la gestión eficiente del ciclo de vida de
infraestructuras, el análisis de riesgos estructurales, la simulación energética y
la planificación urbana detallada. Así, la interoperabilidad SIG-BIM se posiciona
como una herramienta estratégica para el diseño de ciudades más resilientes,
eficientes e inteligentes.

– 232 –
 Convergencia e Interoperatividad Tecnológica

Figura 70. Sitio web de SmartSantander.

8.4.3. Gestión de riesgos y desastres con datos satelitales y SIG colaborativo

La gestión del riesgo de desastres es un ámbito en el que la convergencia

tecnológica y la interoperabilidad de datos geoespaciales resultan especial-
mente críticas. Ante fenómenos como inundaciones, incendios forestales, te-
rremotos o deslizamientos, es indispensable contar con sistemas capaces de
integrar múltiples fuentes de información en tiempo real y de facilitar la toma
de decisiones ágiles, coordinadas y basadas en evidencia. En este tipo de apli-
caciones, se articula diversas tecnologías y plataformas:

- Imágenes satelitales de alta frecuencia (Sentinel, Landsat, MODIS), que

permiten monitorear cambios en el territorio antes, durante y después del
evento, generando información clave para la evaluación de daños y la
planificación de respuestas efectivas.
- Plataformas SIG colaborativas, que posibilitan la edición y consulta simultánea
de datos por parte de múltiples actores (protección civil, gobiernos locales,
ONGs (Organizaciones No Gubernamentales), organismos internacionales) a
través de infraestructuras interoperables basadas en estándares abiertos.

– 233 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Sistemas de alerta temprana, que integran datos meteorológicos, hidro-

lógicos, topográficos y demográficos para identificar zonas de riesgo y
emitir notificaciones automáticas a autoridades y población. Estas aler-
tas pueden visualizarse mediante plataformas web o móviles que utilizan
servicios interoperables, como WMS o GeoJSON.

La interoperabilidad en estos contextos no solo debe ser técnica, sino tam-

bién semántica y organizacional: los datos deben ser compartidos, comprendi-
dos y utilizados por actores con distintos niveles de infraestructura tecnológica
y capacidades institucionales. Esto requiere acuerdos de colaboración, proto-
colos comunes y flujos de trabajo bien definidos.
Un ejemplo destacado es la iniciativa SERVIR, impulsada por la NASA y
USAID, que integra imágenes satelitales, herramientas SIG y modelos predicti-
vos para apoyar la gestión de riesgos en regiones vulnerables como Mesoamé-
rica, los Andes y África Oriental. A través de una arquitectura basada en datos
abiertos y herramientas interoperables, SERVIR (figura 71) permite a gobiernos
locales y organizaciones no gubernamentales acceder a información crítica so-
bre incendios, sequías, deforestación o inundaciones, fortaleciendo sus capaci-
dades de monitoreo, planificación y respuesta ante emergencias. Este enfoque
colaborativo y tecnológicamente integrado demuestra cómo la convergencia
entre teledetección, análisis geoespacial y gobernanza territorial puede incre-
mentar la resiliencia y reducir la vulnerabilidad de comunidades expuestas a
amenazas naturales o inducidas por el ser humano.

– 234 –
 Convergencia e Interoperatividad Tecnológica

Figura 71. Plataforma [Link].

8.4.4. Plataformas abiertas para el análisis geoespacial en la nube

El procesamiento en la nube ha democratizado el acceso a grandes volúme-

nes de datos geoespaciales, permitiendo a usuarios con recursos computacio-
nales limitados realizar análisis avanzados y tomar decisiones basadas en datos
de alta calidad. Estas plataformas integran diversas tecnologías, combinando:

- Repositorios de imágenes satelitales (como Sentinel y Landsat), que pro-

porcionan datos de observación de la Tierra con alta frecuencia y cober-
tura global.
- Entornos de programación y análisis (como Python y JavaScript) accesi-
bles a través de la web, que permiten la ejecución de algoritmos comple-
jos y la personalización de los procesos de análisis geoespacial.
- Herramientas de visualización en tiempo real, que facilitan la interpreta-
ción de grandes volúmenes de datos y la creación de mapas interactivos,
favoreciendo la toma de decisiones informadas.

– 235 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Un ejemplo destacado de esta convergencia es Google Earth Engine (fi-

gura 72), una plataforma en la nube que permite a investigadores, gobiernos y
organizaciones no gubernamentales analizar décadas de datos satelitales sin
necesidad de contar con hardware avanzado. Además, Earth Engine facilita la
compartición de resultados de manera reproducible, lo que promueve la trans-
parencia y la colaboración en proyectos de monitoreo ambiental, planificación
urbana, gestión de recursos naturales y respuesta ante emergencias.
Gracias a estas plataformas abiertas, el análisis geoespacial se ha vuelto
más accesible y escalable, reduciendo barreras técnicas y aumentando la ca-
pacidad de respuesta ante los desafíos globales relacionados con el medio
ambiente, la urbanización y el cambio climático.

8.5. Beneficios y retos de la convergencia e interoperatividad

La convergencia e interoperatividad tecnológica en el ámbito geoespacial

han transformado significativamente la forma en que accedemos, procesamos
y utilizamos la información territorial. Estas transformaciones han abierto nue-
vas oportunidades para mejorar la toma de decisiones y la eficiencia operativa,
pero también han traído consigo desafíos que deben abordarse para garantizar
un aprovechamiento óptimo, equitativo y sostenible de las tecnologías dispo-
nibles. A continuación, se revisa los principales beneficios de estas innovacio-
nes, así como los retos que aún persisten desde una perspectiva tanto técnica
como institucional.

– 236 –
 Convergencia e Interoperatividad Tecnológica

Figura 72. Entorno de trabajo de Google Earth Engine.

8.5.1. Beneficios de la convergencia e interoperabilidad

Entre los múltiples beneficios de la convergencia e interoperabilidad, se

tiene:

• Mejora en la toma de decisiones basadas en evidencia: la disponibilidad

de datos geoespaciales interoperables permite a los tomadores de deci-
siones acceder a información actualizada, precisa y contextualizada. Esto
contribuye a la formulación de políticas públicas más eficaces y mejor
fundamentadas, especialmente en áreas como planificación urbana, ges-
tión ambiental, infraestructura y riesgos naturales (Goodchild, 2007).
• Eficiencia operativa y ahorro de recursos: el uso de tecnologías conver-
gentes reduce la duplicación de esfuerzos y facilita la automatización de
procesos que anteriormente eran manuales o fragmentados. La interope-
rabilidad permite que múltiples actores trabajen sobre una misma base
de datos, compartiendo información sin necesidad de reprocesarla, lo
que optimiza recursos y reduce costos.

– 237 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Fortalecimiento de la colaboración interinstitucional: las plataformas in-

teroperables fomentan la colaboración entre organismos públicos, ins-
tituciones académicas y actores privados. Las IDEs, por ejemplo, permi-
ten que diferentes instituciones contribuyan con datos validados bajo un
marco común, lo que favorece la transparencia, la cooperación y la efi-
ciencia en la gestión territorial.
• Estímulo a la innovación tecnológica y científica: la convergencia de tec-
nologías impulsa el desarrollo de nuevas aplicaciones, servicios y meto-
dologías. La integración de IA con SIG y teledetección, por ejemplo, ha
abierto nuevas posibilidades en el análisis automatizado de patrones es-
paciales, como la clasificación del uso del suelo o la detección temprana
de desastres.
• Mayor acceso a la información: gracias al desarrollo de software libre,
datos abiertos y plataformas en la nube, un número creciente de usua-
rios, incluidos aquellos con menos recursos técnicos, puede acceder a
herramientas geoespaciales avanzadas. Esto contribuye a democratizar
el uso de la información, promoviendo la equidad territorial y ofreciendo
mayores oportunidades para el desarrollo de capacidades locales.

8.5.2. Retos de la convergencia e interoperabilidad

Como retos de la convergencia e interoperabilidad, se tiene:

• Fragmentación tecnológica y heterogeneidad de sistemas: uno de los

principales desafíos es la coexistencia de múltiples plataformas, forma-
tos y estándares que no siempre son compatibles entre sí. Esta fragmen-
tación dificulta la integración fluida de datos, especialmente en países
o regiones con un bajo desarrollo tecnológico (Rajabifard & Williamson,
2001).
• Falta de estandarización completa: aunque existen numerosos estánda-
res internacionales, su adopción no es universal ni sistemática. Muchas
instituciones aún trabajan con sistemas propietarios o formatos cerrados,
lo que limita la interoperabilidad y la reutilización de los datos. Además,
la evolución de los estándares genera a veces conflictos entre versiones,
dificultando su implementación efectiva.

– 238 –
 Convergencia e Interoperatividad Tecnológica

• Brechas institucionales y culturales: la interoperabilidad organizacional

no solo depende de la infraestructura técnica, sino también de la volun-
tad política, acuerdos formales y culturas institucionales abiertas a la co-
laboración. En algunos contextos, existen resistencias al intercambio de
datos por razones legales, estratégicas o de control de la información, lo
que puede frenar el progreso hacia una mayor integración.
• Riesgos en la privacidad y seguridad de los datos: el uso intensivo de
datos espaciales, especialmente cuando están vinculados a personas o
servicios críticos, plantea desafíos en términos de protección de datos
personales, confidencialidad y ciberseguridad. La interoperabilidad debe
implementarse con medidas de protección claras y adecuadas para miti-
gar estos riesgos (Batty et al., 2012).
• Dependencia tecnológica y sostenibilidad: el acceso a plataformas avan-
zadas y servicios en la nube a menudo depende de proveedores exter-
nos, lo que puede generar vulnerabilidades en términos de continuidad
del servicio, costos a largo plazo o pérdida de soberanía tecnológica. Este
aspecto es especialmente relevante para países en desarrollo que bus-
can consolidar sus capacidades locales y evitar la dependencia de pro-
veedores internacionales.

8.6. Tendencias futuras y perspectivas

La geomática se encuentra en una etapa de madurez tecnológica, pero tam-

bién de transformación acelerada. Avances recientes en inteligencia artificial,
computación en la nube, datos abiertos, sensores inteligentes y big data están
configurando un nuevo escenario en el que la convergencia y la interoperabi-
lidad tecnológica ya no son opcionales, sino condiciones indispensables para
enfrentar los desafíos territoriales del siglo XXI. Esta sección explora algunas
de las principales tendencias que delinean el futuro de la geomática y su papel
estratégico en la toma de decisiones territoriales y ambientales.

• Inteligencia Artificial y aprendizaje automático geoespacial: el uso de al-

goritmos de machine learning y deep learning aplicados a datos espa-
ciales está revolucionando el análisis territorial. Estas técnicas permiten

– 239 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

automatizar la clasificación de coberturas del suelo, detectar cambios

ambientales o urbanísticos en series temporales y predecir fenómenos
como incendios forestales o inundaciones mediante modelos avanzados.
La integración de IA en entornos SIG y plataformas como GEE permite
que usuarios con escasa formación en programación accedan a análisis
complejos, promoviendo así la democratización del conocimiento geoes-
pacial (Reichstein et al., 2019).
• Geomática en tiempo real y datos en streaming: la proliferación de sen-
sores IoT, imágenes satelitales de alta frecuencia (como las generadas
por constelaciones CubeSat) y datos geográficos generados por usuarios
(volunteered geographic information, VGI) está impulsando el desarrollo
de sistemas capaces de operar en tiempo real. Estas plataformas permi-
ten monitorear y responder de forma inmediata en áreas como movilidad
urbana, calidad del aire y agua, vigilancia forestal y seguimiento agrocli-
mático. Para ello, se requiere arquitecturas capaces de soportar procesa-
miento en streaming, análisis automatizado y visualización dinámica con
un alto grado de interoperabilidad.
• Infraestructuras de datos geoespaciales inteligentes y colaborativas: las
IDE de nueva generación están evolucionando hacia ecosistemas abier-
tos de datos, que incorporan capacidades analíticas avanzadas, interope-
rabilidad semántica y visualización en la web. Estas plataformas permiten
la contribución y reutilización de información por parte de ciudadanía,
empresas y gobiernos bajo marcos normativos y técnicos comunes. Tec-
nologías emergentes, como blockchain, para la trazabilidad de transac-
ciones espaciales, o las ontologías geográficas para enriquecer la semán-
tica de los datos, fortalecen la confianza, transparencia y coherencia de
estos sistemas (Kamel et al., 2018).
• Ética geoespacial y gobernanza de datos: a medida que aumentan las
capacidades de monitoreo espacial y de las dinámicas humanas, también
crecen las preocupaciones por la privacidad, la seguridad y la equidad
territorial. Surgen interrogantes clave: ¿Cómo proteger la privacidad en
el uso masivo de datos de movilidad? ¿Qué mecanismos deben evitar
sesgos algorítmicos en modelos predictivos espaciales? ¿Cómo asegurar
una distribución equitativa de los beneficios del conocimiento geoespa-
cial? Estos desafíos exigen marcos éticos sólidos, regulaciones claras y

– 240 –
 Convergencia e Interoperatividad Tecnológica

una gobernanza participativa de los datos, especialmente en contextos

de desigualdad tecnológica o institucional.
• Educación, capacitación y cultura geoespacial: para consolidar la con-
vergencia y la interoperabilidad como prácticas comunes y sostenibles,
es fundamental fortalecer las capacidades humanas. Esto incluye incor-
porar la alfabetización geoespacial en los sistemas educativos, promo-
ver programas de formación interdisciplinaria que conecten SIG, progra-
mación, análisis territorial y gestión pública; e impulsar comunidades de
práctica que compartan experiencias, tecnologías y datos. En este sen-
tido, la geomática del futuro será tanto una disciplina tecnológica como
una construcción social, donde el acceso abierto, la colaboración y la in-
clusión digital tendrán un papel central.

La convergencia y la interoperabilidad tecnológica no solo están redefinien-

do la forma de hacer geomática, sino que están expandiendo sus fronteras.
Lo que antes era dominio de especialistas, hoy está al alcance de gestores,
comunidades, académicos y ciudadanos comprometidos con la comprensión
y transformación de su entorno. Frente a retos globales como el cambio cli-
mático, la urbanización acelerada o la seguridad alimentaria, las herramientas
geoespaciales integradas se convierten en aliadas estratégicas; su desarrollo
futuro dependerá no solo de avances técnicos, sino de nuestra capacidad co-
lectiva para construir infraestructuras de conocimiento abiertas, éticas y orien-
tadas al bien común.

– 241 –
 CAPÍTULO IX
INFRAESTRUCTURA DE DATOS ESPACIALES

9.1. Conceptos generales

El avance tecnológico ha facilitado el acceso a gran cantidad de datos,

pero su dispersión en distintos sistemas, formatos y especificaciones dificul-
ta su integración e interoperabilidad. En este contexto, las Infraestructuras de
Datos Espaciales (IDE) surgen para promover el uso eficiente y coordinado de
los datos geográficos generados por múltiples instituciones. Una IDE propor-
ciona un entorno que permite organizar, compartir y utilizar datos espaciales
mediante estándares técnicos y normativos comunes. Este capítulo analiza la
importancia de contar con datos georreferenciados interoperables y presenta
los conceptos clave sobre el funcionamiento de las IDE junto con ejemplos de
su implementación a nivel nacional. El término IDE abarca tecnologías, normas,
políticas y acuerdos institucionales que facilitan el acceso y gestión de datos
geoespaciales. No se trata solo de bases de datos, sino de una infraestructura
que incluye hardware, software, servicios web y protocolos organizativos que
garantizan un entorno confiable. El crecimiento de fuentes de datos geográfi-
cos ha generado problemas como duplicación de información, falta de intero-
perabilidad y altos costos operativos. Para enfrentar estos desafíos, las IDE pro-
ponen el uso de datos de referencia compartidos, lo que reduce redundancias,
optimiza recursos y mejora la calidad de la información.
Como plataforma integradora, una IDE permite descubrir, visualizar y gestio-
nar datos espaciales, facilitando su acceso, evaluación y reutilización por par-
te de gobiernos, academia, empresas o ciudadanía. Además de repositorios y
mapas, incorpora herramientas de análisis, visualización y servicios interope-
rables, así como estructuras de gobernanza y cooperación interinstitucional,
fundamentales para su funcionamiento a distintas escalas. El desarrollo de las
IDE está estrechamente ligado a la evolución de la geomática y los Sistemas
de Información Geográfica (SIG), que han ampliado el acceso y la participación

– 243 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

en la generación y uso de datos geoespaciales. Sin embargo, esta diversidad

también ha generado desafíos, como la heterogeneidad de fuentes y la falta
de estándares comunes, que las IDE buscan resolver potenciando, al mismo
tiempo, los beneficios del uso compartido de la información espacial.

9.2. Definiciones de IDE

Una IDE puede entenderse como un SIG abierto, distribuido e implementa-

do sobre Internet, que permite realizar múltiples operaciones geográficas de
forma remota (Bernabé-Poveda y López-Vázquez, 2012).
El Ministerio para la Transición Ecológica y el Reto Demográfico de España
(2024) la define como: “Un sistema informático integrado por un conjunto de
recursos (catálogos, servidores, programas, datos, aplicaciones, páginas web,…)
dedicados a gestionar la información geográfica (mapas, ortofotos, imágenes
de satélite, topónimos,…), disponibles en Internet, que cumplen con una se-
rie de condiciones de interoperabilidad (normas, especificaciones, protocolos,
interfaces,…) y que permiten que un usuario, utilizando un simple navegador,
pueda utilizarlos y combinarlos según sus necesidades”.
Por su parte, la Global Spatial Data Infrastructure (GSDI) la conceptualiza
como: “Una acumulación importante de tecnologías, normas y planes institu-
cionales que facilitan la disponibilidad y el acceso a datos espaciales. La IDE
provee una base para el descubrimiento de datos espaciales, con evaluación
y aplicación para usuarios y proveedores a todos los niveles gubernamentales,
para el sector comercial, instituciones no lucrativas, sector académico y públi-
co en general” (Nebert, 2004).
Una IDE requiere múltiples componentes interrelacionados para funcionar
correctamente. En primer lugar, debe contar con datos geoespaciales accesi-
bles, organizados y documentados, con metadatos claros que faciliten su inter-
pretación, aunque su disponibilidad puede estar sujeta a restricciones legales
o de confidencialidad. Esta información debe apoyarse en una infraestructura
tecnológica robusta, con software especializado (como servidores de mapas
y gestores de metadatos) y hardware capaz de procesar y distribuir datos de
forma eficiente.
La interoperabilidad exige aplicar normas y estándares internacionales,
como las ISO 19100 o el Perfil de Metadatos para Latinoamérica (LAMP) (IPGH,

– 244 –
 Infraestructura de Datos Espaciales

2011), que garantizan la compatibilidad entre plataformas. También es clave la

cooperación entre entidades públicas y privadas para coordinar la producción
y publicación de datos, reducir duplicidades y asegurar su actualización. Esta
estructura debe ser gestionada por personal capacitado y respaldada por un
marco jurídico adecuado que regule derechos de autor, oficialidad de los da-
tos, obligaciones institucionales y derecho ciudadano al acceso a la informa-
ción geográfica

9.3. Componentes de una IDE

El funcionamiento de una Infraestructura de Datos Espaciales depende tan-

to de la existencia como de la articulación efectiva de sus componentes. Su
objetivo principal es facilitar el acceso, gestión y uso eficiente de la información
geográfica bajo condiciones técnicas, institucionales y legales adecuadas. Para
lograrlo, se requiere la integración coordinada de datos, metadatos, tecnolo-
gías, normas, políticas, instituciones, recursos y personal capacitado (figura 73).

Figura 73. Componentes de una IDE (Iniesto y Núñez, 2014).

– 245 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

9.3.1. Datos espaciales

Los datos espaciales son el núcleo de cualquier IDE, representando objetos

y fenómenos del mundo real tanto tangibles como intangibles. Incluyen ele-
mentos concretos, como caminos, edificaciones, cuerpos de agua y unidades
de uso del suelo, así como elementos abstractos, como límites administrativos,
divisiones políticas y roles de propiedad. Estos datos de referencia son esencia-
les para aplicaciones en gestión territorial, planificación y monitoreo ambiental.
Para facilitar su uso, los datos deben estar organizados en niveles territo-
riales comprensibles y accesibles a usuarios diversos, desde técnicos hasta
ciudadanos, y disponibles en diferentes escalas. En una IDE, los datos pueden
provenir de fuentes abiertas, tecnologías de sensoramiento remoto, como sa-
télites y drones, o de la contribución ciudadana mediante dispositivos conec-
tados a Internet.
El Marco Integrado de Información Geoespacial (UN-GGIM) señala que, ade-
más de contar con datos, es crucial asegurar su calidad y continuidad durante
todo su ciclo de vida, estableciendo procesos claros para su captura, valida-
ción, almacenamiento y difusión. La disponibilidad de datos prioritarios debe
ser una tarea estratégica respaldada por políticas que garanticen su accesibili-
dad, interoperabilidad y sostenibilidad (Morales et al., 2023).

9.3.2. Metadatos

Los metadatos son información descriptiva que acompaña a los datos es-
paciales, proporcionando detalles sobre su origen, contenido, referencia tem-
poral y espacial, autoría, escala y formato. Al igual que la leyenda de un mapa,
los metadatos son esenciales para la gestión, búsqueda, uso y preservación de
los datos geoespaciales. En el ámbito geográfico, destacan por incorporar la
dimensión espacial. En una Infraestructura de Datos Espaciales, los metadatos
permiten responder preguntas clave sobre los datos, como su significado, ori-
gen, localización y método de obtención. Esta información facilita el descubri-
miento, evaluación técnica y el acceso eficiente a los datos.
Técnicamente, los metadatos están vinculados a sistemas de gestión como
bases de datos espaciales o plataformas SIG y emplean formatos estandari-
zados como XML (ISO 19115 o Dublin Core). Su presentación debe ser clara y

– 246 –
 Infraestructura de Datos Espaciales

accesible, a través de catálogos web o interfaces visuales. La estandarización

de los metadatos, como el LAMP, asegura su interoperabilidad y hace que los
datos sean accesibles, comprensibles y reutilizables, convirtiéndolos en un
componente esencial de las infraestructuras geoespaciales modernas.

9.3.3. Tecnología

La evolución tecnológica ha elevado las expectativas de los usuarios sobre

la cantidad, calidad y diversidad de la información geoespacial disponible en la
web. Este crecimiento se refleja en la expansión de la cobertura de mapas, la
adición de nuevas capas de información y la demanda de aplicaciones como
navegación, monitoreo ambiental y planificación de viajes. La cartografía web
debe ser rápida, intuitiva y eficiente, adaptándose a las diferentes necesidades
de los usuarios, desde consultas simples hasta análisis más complejos.
Hoy en día, un sistema cartográfico en línea debe ofrecer tanto represen-
taciones generales como herramientas para análisis espaciales avanzados,
según el perfil del usuario. Para facilitar esta interacción, es clave que tanto
usuarios como productores de datos dispongan de tecnología interoperable,
que permita compartir, acceder y visualizar información mediante estándares
comunes. Esto ha impulsado el uso de formatos abiertos y no propietarios, que
facilitan la integración de datos de diversas fuentes.
Un avance fundamental ha sido el uso de XML, un formato de codificación
estructurada que garantiza la coherencia de los datos. Además, tecnologías
como XML Style Language (XSL) permiten personalizar la presentación de los
datos según las necesidades del usuario. Estas tecnologías abiertas aseguran
la interoperabilidad, flexibilidad y sostenibilidad de las IDEs, promoviendo la
eficiencia y accesibilidad en la gestión de la información geográfica.

9.3.4. Estándares

La interoperabilidad dentro de una Infraestructura de Datos Espaciales de-

pende del uso de estándares técnicos que regulen la producción, estructu-
ra, almacenamiento, descripción y compartición de los datos geoespaciales y
sus metadatos. Estos estándares aseguran que la información, sin importar su
origen, pueda ser utilizada, combinada y comparada de manera clara, lo cual

– 247 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

es esencial para integrar datos de múltiples fuentes. Además de asegurar la

consistencia en el contenido, los estándares garantizan coherencia en el estilo
y formato de los datos, facilitando su descubrimiento, interpretación y reutiliza-
ción. Las normativas de la Organización Internacional de Normalización (ISO),
especialmente las del ámbito geográfico, son ampliamente adoptadas en con-
textos IDE a nivel mundial.
Entre las normas más relevantes están la ISO 19109, que proporciona direc-
trices para estructurar los datos geoespaciales según sus propiedades y rela-
ciones, y la ISO 19110, que define cómo catalogar objetos espaciales y describir
sus características. Estas normas son fundamentales para la interoperabilidad
semántica, permitiendo que diferentes sistemas comprendan e interpreten las
descripciones de los datos de manera coherente. En conjunto, estas normas ga-
rantizan que los componentes de una IDE puedan comunicarse eficientemente,
promoviendo un entorno donde los datos geoespaciales sean accesibles, com-
parables y reutilizables bajo principios comunes de calidad y estructura.

9.3.5. Marco institucional

El marco institucional es esencial para el funcionamiento eficaz y sostenible

de una IDE. Establece las estructuras organizativas, roles, responsabilidades
y mecanismos de coordinación necesarios para asegurar que los datos geo-
espaciales sean generados, gestionados y compartidos de manera coherente
entre actores del sector público, privado, académico y la sociedad civil.
Una IDE no solo depende de tecnología y datos, sino también de acuerdos
institucionales que promuevan la interoperabilidad, eviten duplicaciones y fo-
menten estándares comunes. El marco institucional facilita políticas públicas,
regula los flujos de información y crea incentivos para la generación, mante-
nimiento y publicación de datos. Además, establece mecanismos para asig-
nar responsabilidades, financiar plataformas y servicios, capacitar al personal y
gestionar los derechos de uso de la información.
Este marco se manifiesta en modelos de gobernanza que varían según el
contexto y en organismos dedicados a la coordinación geoespacial. Un ejem-
plo destacado en América Latina es IDE Chile, que integra instituciones públi-
cas bajo un marco común para mejorar el acceso y gestión de la información
territorial, sirviendo tanto a usuarios gubernamentales como a la ciudadanía.

– 248 –
 Infraestructura de Datos Espaciales

Por tanto, el marco institucional brinda soporte organizativo y normativo,

garantizando la estabilidad, adaptación y alineación de la infraestructura con
políticas nacionales e internacionales de datos abiertos y desarrollo sostenible.

9.3.6. Políticas

El desarrollo y sostenibilidad de una IDE requiere un marco político y legal

que regule el acceso, la producción, el intercambio y la protección de la infor-
mación geoespacial. Este entorno normativo asigna responsabilidades claras
entre los actores involucrados (organismos públicos, instituciones académicas,
empresas y usuarios), promueve la transparencia, la equidad en el acceso y la
eficiencia en el uso de los datos.
Las políticas públicas deben incluir legislación que establezca el marco le-
gal para la generación y difusión de datos espaciales, abarcando temas como
el acceso a la información pública, protección de datos personales y propie-
dad intelectual. Además, deben contemplar normas técnicas y guías operativas
para garantizar la calidad y la interoperabilidad de los sistemas.
La política de licenciamiento debe equilibrar el acceso público con la pro-
tección de derechos, utilizando esquemas como licencias abiertas o regíme-
nes que definan los usos permitidos y condiciones de redistribución de la in-
formación.
El marco normativo debe ser flexible para adaptarse a la evolución tecnoló-
gica, incorporando nuevas fuentes de datos como los provenientes de senso-
res remotos, dispositivos móviles o plataformas de colaboración ciudadana, sin
comprometer la calidad o seguridad de la información.
La gobernanza de los datos, que abarca mecanismos institucionales, nor-
mativos y operativos, asegura que la información geoespacial se gestione de
manera ética y eficaz, alineada con objetivos como el desarrollo sostenible, la
gestión del territorio y la democracia digital.

9.3.7. Recursos humanos

El funcionamiento efectivo de una IDE depende de los recursos humanos

involucrados en su diseño, operación y uso. La gestión geoespacial moderna
requiere perfiles técnicos y estratégicos que participen a lo largo de todo el

– 249 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

ciclo de vida de los datos, desde su generación hasta su uso final. En la base
están los productores de datos, responsables de la recopilación y actualización
de información geográfica, como imágenes satelitales y levantamientos de
campo. Los distribuidores o administradores gestionan los servicios web, como
geoportales y catálogos de metadatos, que permiten acceder a los datos.
Los desarrolladores y especialistas en tecnologías de la información geo-
gráfica crean las soluciones técnicas, como algoritmos, APIs y programas, para
garantizar la interoperabilidad y usabilidad de la IDE. Además, los usuarios de
la IDE se dividen en básicos, que realizan tareas sencillas como consultas es-
paciales, y avanzados, que aplican herramientas analíticas o integran datos en
modelos de planificación. También son clave las comunidades IDE, formadas
por redes de profesionales e instituciones que promueven buenas prácticas,
desarrollan estándares y organizan eventos. Estas comunidades impulsan la
innovación y la sostenibilidad a largo plazo.
Resumiendo, la calidad y continuidad de una IDE dependen de la forma-
ción técnica especializada, la colaboración interdisciplinaria y el compromiso
de mantener equipos humanos capacitados ante los avances tecnológicos.

9.3.8. Recursos financieros

La disponibilidad de recursos financieros es esencial para el desarrollo, ope-

ración y sostenibilidad de una IDE. La inversión en una IDE debe verse como
una estrategia que mejora la gestión del territorio, la toma de decisiones, la
transparencia y el desarrollo económico. El financiamiento adecuado refleja la
importancia que una sociedad o Estado otorga a la gestión eficiente de la infor-
mación geográfica. El éxito de una IDE depende de cuatro aspectos financieros
clave: el modelo de negocio, las oportunidades de financiamiento, la inversión
directa y la realización de beneficios.
El modelo de negocio establece cómo se genera valor, identificando fuentes
de financiamiento, estructuras de costos y modalidades de acceso a los datos.
Este modelo orienta las decisiones sobre sostenibilidad financiera y políticas
de licenciamiento. Las oportunidades de financiamiento surgen de prioridades
públicas, como la planificación urbana o la gestión de desastres, alineando pro-
yectos IDE con programas de desarrollo para captar fondos adicionales. La in-
versión se refiere a las asignaciones presupuestarias necesarias para desarro-

– 250 –
 Infraestructura de Datos Espaciales

llar o mantener la IDE, que provienen de presupuestos públicos, cooperación

internacional o asociaciones público-privadas.
La realización de beneficios implica medir el impacto de la IDE en eficiencia
administrativa, ahorro de costos y bienestar social, lo que justifica nuevas inver-
siones y asegura apoyo político y ciudadano.

9.4. Arquitectura técnica de una IDE

La arquitectura técnica de una IDE constituye el conjunto de componentes

físicos, lógicos y funcionales que permiten que los datos geográficos puedan
ser almacenados, gestionados, publicados y accedidos de forma interopera-
ble y eficiente. Esta arquitectura debe asegurar la disponibilidad, integridad,
rendimiento y escalabilidad de los servicios ofrecidos a los distintos tipos de
usuarios, ya sean técnicos, institucionales o ciudadanos.

9.4.1. Infraestructura física y lógica

En términos generales, la arquitectura de una IDE se apoya en dos nive-

les; la infraestructura física, que incluye servidores, redes, almacenamiento y
sistemas de respaldo, y la infraestructura lógica, que comprende el software,
las configuraciones, protocolos de comunicación, bases de datos y estándares
utilizados para gestionar y distribuir la información geoespacial.

• La infraestructura física debe estar dimensionada de acuerdo con el vo-

lumen de datos a manejar, la cantidad de usuarios concurrentes, la critici-
dad de los servicios y la disponibilidad esperada. Puede estar ubicada en
centros de datos propios, en servicios de hosting externo o en entornos
de nube, que actualmente ofrecen ventajas en términos de flexibilidad y
escalabilidad.
• La infraestructura lógica se organiza habitualmente en una arquitectura
modular compuesta por un sistema de gestión de base de datos espa-
cial, un servidor de mapas, un catálogo de metadatos, interfaces y servi-
cios web (WMS, WFS, WCS, CSW, etc.), y herramientas de administración,
visualización y análisis. Cada uno de estos componentes cumple funcio-

– 251 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

nes específicas y se comunica bajo estándares definidos por organismos

como el Open Geospatial Consortium (OGC).

9.4.2. Plataformas tecnológicas

Entre las plataformas más utilizadas para implementar una IDE, destacan
las soluciones de código abierto, ampliamente adoptadas por su flexibilidad,
escalabilidad y comunidad de soporte.

• PostgreSQL/PostGIS: PostgreSQL es un sistema de gestión de bases

de datos relacional potente y extensible. PostGIS es su extensión espa-
cial, que permite almacenar, consultar y manipular datos geográficos de
manera nativa. Juntas conforman una solución robusta para el almace-
namiento de datos espaciales, compatible con múltiples aplicaciones y
servicios geográficos.
• GeoServer: es uno de los servidores de mapas más populares, diseñado
para publicar datos espaciales utilizando estándares OGC, como WMS
(Web Map Service), WFS (Web Feature Service) y WCS (Web Coverage
Service). Su interfaz amigable y alto grado de personalización lo hacen
ideal para proyectos IDE de distintas escalas.
• MapServer: similar a GeoServer en funcionalidades, MapServer destaca
por su rendimiento y eficiencia en el manejo de grandes volúmenes de
datos. Es particularmente valorado en entornos donde se prioriza la velo-
cidad de carga y la estabilidad del sistema.

9.4.3. Catálogo de metadatos y servicios web

Un componente clave en la arquitectura técnica de una IDE es el catálogo

de metadatos, ya que permite el descubrimiento y evaluación previa de los
datos disponibles. Este catálogo debe ser accesible vía servicios CSW y estar
alineado con estándares internacionales como el ISO 19115 o perfiles regiona-
les como el LAMP.
Los servicios web geoespaciales permiten la interoperabilidad y son la base
funcional de una IDE. Los más comunes incluyen:

– 252 –
 Infraestructura de Datos Espaciales

• WMS (Web Map Service): para visualizar mapas como imágenes georre-
ferenciadas.
• WFS (Web Feature Service): para acceder y editar datos vectoriales de
forma estructurada.
• WCS (Web Coverage Service): para compartir datos rasterizados, como
modelos digitales de elevación o imágenes satelitales.
• CSW (Catalogue Service for the Web): para búsqueda y consulta de me-
tadatos.

9.5. Normativa y políticas de datos

El funcionamiento ético y efectivo de una IDE requiere un marco normativo

que regule la disponibilidad, accesibilidad, licenciamiento, uso y protección de
los datos geoespaciales. Las políticas y normativas aseguran la interoperabili-
dad técnica, protegen los derechos individuales y fomentan el uso público de
la información territorial.
El principio de datos abiertos es clave en la gestión moderna de datos, esti-
pulando que la información pública debe estar disponible para su uso, reutiliza-
ción y redistribución con mínimas restricciones. En el ámbito geoespacial, esto
implica que datos como cartografía, límites administrativos y redes viales de-
ben ser accesibles sin barreras técnicas, legales ni económicas. Este principio se
implementa mediante licencias abiertas, como Creative Commons (CC) y Open
Data Commons Open Database License (ODbL), que establecen claramente los
derechos y condiciones de uso de los datos. Las licencias adecuadas fomentan
la transparencia y el desarrollo de aplicaciones basadas en datos públicos.
A nivel de políticas públicas, muchos países han adoptado estrategias de
datos abiertos geoespaciales. Iniciativas como IDE Chile, GeoBolivia y el portal
Datos Abiertos del Gobierno de México promueven el acceso a la información
geográfica pública. En Europa, la Infraestructura de Datos Espaciales Europea
(INSPIRE) establece un marco obligatorio para los países miembros.
Aunque el acceso abierto es fundamental, las políticas deben también pro-
teger la privacidad y la seguridad, especialmente cuando los datos contienen
información sensible. Legislaciones como el Reglamento General de Protec-
ción de Datos (GDPR), en Europa, regulan la publicación de estos datos, exi-

– 253 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

giendo medidas de anonimización y consentimiento informado. Por tanto, las

políticas de una IDE deben equilibrar la apertura de los datos con la protección
de la privacidad, alineándose con estándares internacionales para garantizar la
confianza, sostenibilidad y utilidad social de la infraestructura.

9.6. Global Spatial Data Infraestructure (GSDI)

La creación de la GSDI en 1996, formalizada en 2004, surgió para promover

el desarrollo de IDEs a nivel mundial, facilitando la interoperabilidad y el uso de
datos geoespaciales. Su objetivo era fomentar el uso de estándares interna-
cionales, especialmente los de ISO y el Open Geospatial Consortium (OGC), y
apoyar la distribución, acceso y uso de estos datos a través de internet.
La GSDI actuó como plataforma de cooperación internacional, reuniendo a go-
biernos, instituciones académicas, empresas tecnológicas y ONGs (Organizacio-
nes No Gubernamentales). Su visión estratégica era garantizar el acceso equitativo
a la información geoespacial para el desarrollo sostenible, mejorando áreas como
la planificación territorial, la gestión de recursos naturales y la atención a desastres.
Entre sus contribuciones, destacan la publicación de guías y documentos
técnicos, la organización de conferencias y el apoyo a países en desarrollo para
construir sus propias IDE. Aunque la GSDI cesó formalmente sus actividades en
2018, su legado persiste, ya que muchas de sus funciones han sido asumidas por
el Comité de Expertos de las Naciones Unidas sobre la Gestión Global de la Infor-
mación Geoespacial (UN-GGIM) y el OGC. La GSDI consolidó la conciencia global
sobre la importancia de las IDE interoperables y abiertas, sentando las bases de
las políticas y estándares actuales en la gestión de datos geoespaciales.

9.7. Comité de Expertos en Información Geoespacial de Naciones Unidas

(UN-GGIM)

El UN-GGIM es la principal instancia internacional para coordinar la coopera-

ción en temas geoespaciales entre los países miembros de la ONU. Estableci-
do en 2011 por el Consejo Económico y Social de la ONU (ECOSOC), UN-GGIM
tiene el objetivo de guiar el desarrollo y uso efectivo de la información geoes-

– 254 –
 Infraestructura de Datos Espaciales

pacial a nivel global, respaldado por el apoyo político directo de los Estados
miembros.
A diferencia de iniciativas previas, UN-GGIM cuenta con legitimidad institucional
y la capacidad de generar recomendaciones normativas. Sus acciones incluyen es-
tablecer normas técnicas, promover la interoperabilidad de datos, fortalecer las ca-
pacidades nacionales y alinear políticas con los ODS (Objetivos de Desarrollo Sos-
tenible). Un aporte destacado ha sido su integración de la información geoespacial
en la Agenda 2030 para el Desarrollo Sostenible, ayudando a monitorear indicado-
res territoriales clave, como el acceso a servicios y la exposición a riesgos naturales.
Además, UN-GGIM ha promovido el Marco Integrado de Información Geo-
espacial (IGIF), que guía a los países en el desarrollo de estrategias nacionales
de datos espaciales. También ha fortalecido capacidades regionales mediante
plataformas como UN-GGIM Américas, Asia-Pacífico y África, facilitando la co-
laboración entre países con diferentes contextos geoespaciales.
Colaborando con entidades como el OGC y el Grupo de Observación de la
Tierra (GEO), UN-GGIM promueve sinergias entre gobiernos, academia y sector
privado. En conjunto, ha contribuido a profesionalizar la información geoespa-
cial y su integración en políticas públicas y estrategias de desarrollo sostenible,
posicionándose como el principal referente en gobernanza geoespacial.

9.8. Open Geoespatial Consortium (OGC)

La creciente necesidad de compartir datos geoespaciales ha impulsado

el desarrollo de normas y tecnologías para asegurar la interoperabilidad. En
este contexto, el OGC, creado en 1994, es una organización internacional sin
fines de lucro que agrupa a gobiernos, empresas, universidades y ONGs para
desarrollar estándares abiertos en el ámbito geoespacial. Gracias al OGC, hoy
se puede construir plataformas interoperables que permiten la comunicación
y el intercambio eficiente de información entre sistemas de diferentes oríge-
nes. Sus estándares han sido adoptados ampliamente en software libre, como
GeoServer y QGIS, así como en soluciones comerciales, consolidando un eco-
sistema técnico robusto. El objetivo principal del OGC es promover especifica-
ciones técnicas abiertas que faciliten el acceso, intercambio e integración de
datos geoespaciales, fundamentales para la interoperabilidad de las IDEs. Su
trabajo se estructura en tres programas principales:

– 255 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Programa de Especificaciones, encargado del desarrollo y mantenimien-

to de estándares técnicos.
• Programa de Interoperabilidad, que promueve la implementación prácti-
ca de los estándares mediante pruebas, prototipos y proyectos piloto.
• Programa de Extensión y Adopción, enfocado en la difusión, capacitación
y adopción de estos estándares a nivel global.

Entre las especificaciones más relevantes desarrolladas por el OGC, se en-

cuentran las siguientes:

• GML (Geography Markup Language): establecido como norma ISO 19118,

GML es un lenguaje de marcado basado en XML, diseñado para describir
objetos geográficos y sus propiedades espaciales y no espaciales. Puede
usarse tanto para almacenamiento como para el transporte de datos en-
tre sistemas geográficos.
• KML (Keyhole Markup Language): también basado en XML, este formato
permite representar información geográfica para su visualización en en-
tornos como Google Earth. Soporta datos vectoriales y ráster, así como
anotaciones espaciales, y se utiliza ampliamente para compartir ubica-
ciones y rutas geográficas.
• WMS (Web Map Service): este protocolo permite solicitar mapas renderi-
zados (imágenes) a servidores geoespaciales en función de coordenadas
y otros parámetros definidos por el usuario. Aunque proporciona imáge-
nes útiles para visualización, no incluye los datos vectoriales subyacen-
tes, por lo que su uso está limitado a consulta visual.
• WCS (Web Coverage Service): a diferencia del WMS, el WCS permite ac-
ceder a datos ráster (como imágenes satelitales o modelos digitales de
elevación) en su forma original, lo que lo hace útil para análisis cuantitati-
vos. El estándar incluye operaciones como GetCapabilities, DescribeCo-
verage y GetCoverage, que permiten explorar, describir y recuperar co-
berturas espaciales.
• CSW (Catalogue Service for the Web): este estándar define interfaces
para la publicación, búsqueda y acceso a metadatos de datos y servi-
cios geoespaciales. Existen varias implementaciones, incluyendo perfiles

– 256 –
 Infraestructura de Datos Espaciales

como: CSW-core, que soporta metadatos en XML; CSW-ebRIM, basado

en el modelo de información de registro de OASIS; CSW ISO 19115/19139,
que permite manejar metadatos normalizados internacionalmente; y ver-
siones con arquitectura cliente-servidor avanzada como el CSW 3.9.5, que
asigna operaciones específicas a distintos servicios dentro del sistema.

9.9. Open Source Geospatial Foundation (OSGeo)

La Open Source Geospatial Foundation (OSGeo) es una organización sin fines

de lucro creada en 2006 para promover el desarrollo de tecnologías geoespa-
ciales libres y el uso de datos abiertos. OSGeo apoya proyectos de software
geoespacial de código abierto, brindando soporte legal, financiero y organiza-
tivo, y fomenta un ecosistema basado en apertura, colaboración y accesibilidad
tecnológica. Inspirada en el modelo de la Apache Software Foundation, OSGeo
funciona como una entidad independiente que permite a sus miembros contri-
buir con código, documentación y recursos, asegurando su disponibilidad para
la comunidad global. Su gobernanza, basada en la meritocracia, se centra en
aquellos comprometidos con el desarrollo y sostenibilidad del software. OSGeo
apoya proyectos en varias categorías: bibliotecas geoespaciales, aplicaciones
de escritorio, soluciones web y herramientas de documentación, fundamen-
tales para el desarrollo de IDEs que utilizan estándares abiertos, ampliamente
adoptados por gobiernos, universidades, ONGs y empresas.

9.9.1. Bibliotecas espaciales

Las bibliotecas espaciales auspiciadas por OSGeo proporcionan funciones

esenciales para la manipulación, análisis y visualización de datos geográficos.
Estas bibliotecas se integran comúnmente en aplicaciones de escritorio, servi-
cios web y sistemas más complejos de procesamiento geoespacial.

• GDAL/OGR (Geospatial Data Abstraction Library): es una de las bibliote-

cas más influyentes y ampliamente utilizadas en el mundo geoespacial.
GDAL permite la lectura, escritura y transformación de datos en múlti-
ples formatos tanto ráster como vectorial. Compatible con software como

– 257 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

QGIS, GRASS GIS, Google Earth, MapServer y Kosmo, ofrece herramien-

tas para reproyección de capas, generación de mosaicos, rasterización,
vectorización, cálculo de curvas de nivel y procesamiento de modelos
digitales de elevación (DEM), entre otras funcionalidades.
• GeoTools: esta biblioteca geoespacial de código abierto, escrita en Java,
permite el procesamiento de datos espaciales en diversos entornos, in-
cluyendo aplicaciones web, servidores de mapas y software de escrito-
rio. Su arquitectura modular facilita la integración con otros sistemas y el
desarrollo de soluciones personalizadas. GeoTools se adhiere a las es-
pecificaciones del OGC, lo que garantiza la interoperabilidad de sus he-
rramientas y asegura su compatibilidad con estándares internacionales.
Es especialmente útil para desarrolladores que buscan construir aplica-
ciones SIG escalables y flexibles.

9.9.2. Aplicaciones de escritorio

Entre las aplicaciones de escritorio respaldadas por OSGeo, destacan GRASS

GIS y QGIS, dos soluciones de código abierto esenciales en el ámbito de los
SIG. Ambas ofrecen potentes capacidades para el análisis, procesamiento y vi-
sualización de datos geoespaciales, siendo ampliamente utilizadas por profe-
sionales y académicos globalmente.

• GRASS GIS (Geographic Resources Analysis Support System): GRASS GIS

(figura 74) es una herramienta integral para el análisis de datos geoes-
paciales, compatible con datos vectoriales y ráster. Desarrollado inicial-
mente en la década de 1980 por el USA-CERL, fue liberado como soft-
ware de código abierto en 1991. GRASS GIS es ideal para tareas como el
procesamiento de imágenes satelitales, análisis de redes, modelado 3D
y análisis de suelos. Se destaca por su capacidad para tratar datos ráster
avanzados y generar modelos digitales de terreno (DTM), así como por su
compatibilidad con datos LiDAR, siendo clave para proyectos de mode-
lado de superficies y análisis espacial detallado.

– 258 –
 Infraestructura de Datos Espaciales

Figura 74. Vista de la interface de GRASS GIS.

• QGIS (Quantum GIS): QGIS es uno de los SIG más populares debido a su
interfaz amigable y su potente conjunto de funcionalidades. Lanzado en
2002, maneja datos vectoriales y ráster mediante la biblioteca GDAL, lo
que le permite trabajar con diversos formatos geoespaciales. Se destaca
por su flexibilidad e integración con otras herramientas, como GRASS GIS
y SAGA GIS, ofreciendo un entorno unificado. Su arquitectura extensible
mediante complementos (plugins) permite añadir funcionalidades perso-
nalizadas en C++ o Python. QGIS es ideal tanto para principiantes como
para expertos y su capacidad para conectarse con bases de datos geoes-
paciales, como GeoPackage, PostgreSQL/PostGIS y Oracle lo hace ade-
cuado para proyectos pequeños o aplicaciones empresariales de gran
escala.

9.9.3. Aplicaciones web

Entre las aplicaciones web respaldadas por OSGeo, destacan MapServer y

OpenLayers, dos herramientas clave para el desarrollo y visualización de infor-
mación geoespacial en línea. Estos proyectos permiten crear soluciones SIG
basadas en la web, facilitando la consulta y el análisis de datos geoespaciales
a través de Internet.

– 259 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• MapServer: es uno de los proyectos más representativos de OSGeo, co-

nocido por permitir la creación de aplicaciones SIG en Internet e Intranet.
Su principal función es la visualización, consulta y análisis de datos geo-
espaciales mediante tecnología IMS (Internet Map Server). Originalmente
desarrollado por la Universidad de Minnesota en colaboración con NASA,
MapServer no es un SIG de escritorio tradicional, sino un sistema que se
integra con otras aplicaciones para ofrecer capacidades geoespaciales.
A lo largo del tiempo, se ha utilizado globalmente para crear mapas in-
teractivos y plataformas de análisis geográfico en la web. Destaca por su
capacidad para interactuar con diversos formatos de datos, como sha-
pefiles y PostGIS, y servicios, como WMS y WFS, permitiendo desde la
visualización estática hasta aplicaciones complejas con interacción en
tiempo real. Gracias a una comunidad activa de desarrolladores y apoyo
financiero, MapServer continúa evolucionando, siendo una opción popu-
lar para geoportales y aplicaciones SIG a gran escala.
• OpenLayers: OpenLayers es una biblioteca de código abierto que facilita
la creación de mapas interactivos en aplicaciones web. Permite integrar
mapas dinámicos en cualquier página, ofreciendo acceso a información
geoespacial desde dispositivos conectados a Internet. Los usuarios pue-
den visualizar datos geoespaciales, como mosaicos (mapas ráster), da-
tos vectoriales y marcadores, y es compatible con servicios como WMS,
Google Maps y OpenStreetMap. Su versatilidad en dispositivos móviles
permite el acceso a mapas interactivos en teléfonos y tabletas, siendo
ideal para aplicaciones móviles. Además, su modularidad permite crear
perfiles personalizados para optimizar rendimiento y experiencia. Desde
su inclusión en OSGeo en 2007, OpenLayers ha crecido significativamen-
te y es utilizado globalmente en miles de proyectos, respaldado por una
comunidad activa que asegura su mejora continua.

9.9.4. Otros proyectos

Además de las herramientas mencionadas, OSGeo respalda otros proyectos

clave que han influido significativamente en la gestión y uso de datos geoespa-
ciales. Estos proyectos abarcan desde la creación de catálogos de datos hasta
la construcción de mapas colaborativos. A continuación, se destaca algunos de
los más importantes:

– 260 –
 Infraestructura de Datos Espaciales

• GeoNetwork opensource: es una plataforma de catálogo de datos geo-

espaciales de código abierto que facilita la gestión y el intercambio de
información geográfica. Permite a las organizaciones crear catálogos de
metadatos estandarizados, facilitando la búsqueda y compartición de da-
tos geoespaciales. Con una interfaz web fácil de usar, GeoNetwork ha
sido adoptada globalmente por diversas organizaciones, como el Centro
de Información e Investigación sobre el Cambio Climático Global (GCIRC).
Su capacidad de realizar búsquedas avanzadas lo convierte en una he-
rramienta eficaz para localizar información geográfica específica, siendo
ideal para la gestión de datos a gran escala y promoviendo el intercambio
entre actores diversos.
• Open StreetMap (OSM): es uno de los proyectos más conocidos en la
comunidad geoespacial, permitiendo a los usuarios crear y editar mapas
con datos geográficos de diversas fuentes, como ortofotos, GPS e imá-
genes satelitales (figura 75). Basado en una comunidad abierta, cualquier
persona puede contribuir al mapa, lo que lo convierte en una herramienta
valiosa gracias a su licencia libre. OSM se ha destacado en situaciones de
emergencia, como el terremoto de Haití en 2010, donde permitió actua-
lizar rápidamente rutas críticas para las operaciones de rescate. Además
de su uso en emergencias, OSM es popular en proyectos de desarrollo
urbano, planificación territorial y navegación. Su adaptabilidad y precisión
lo han establecido como una alternativa principal en cartografía digital
para gobiernos, ONG y desarrolladores.

9.10. Implementación de IDE

Las IDEs han experimentado un desarrollo significativo a nivel mundial, con

un notable crecimiento en América Latina, convirtiéndose en el continente con
mayor número de implementaciones de IDE. Algunos de los ejemplos más
destacados de IDE a nivel regional son ASDI en Canadá, NSDI en Estados Uni-
dos, INECI en México, IDERC en Cuba, IDERD en República Dominicana, SINIT
en Guatemala, IPDE en Panamá, Guayane SIG en Guayana, ICDE en Colombia,
IEDG en Ecuador, INDE en Brasil, IDEP en Perú, IDE Chile en Chile, IDE Uruguay
en Uruguay e IDERA en Argentina. A continuación, se profundiza en la imple-

– 261 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

mentación de ICDE en Colombia, uno de los casos más reconocidos a nivel re-
gional, e IDE Chile, que es de particular interés por ser el ejemplo más cercano
a nivel nacional.

Figura 75. Vista de sitio web de Open StreetMap.

9.10.1. ICDE de Colombia

En América Latina, Colombia se ha destacado por desarrollar una IDE que

cumple con los estándares internacionales. La Infraestructura Colombiana de
Datos Espaciales (ICDE) ha sido fundamental para mejorar la gestión y el acce-
so a la información geoespacial, promoviendo su uso a nivel nacional y fomen-
tando la colaboración regional y global. La ICDE busca la producción y difusión
de información geográfica relevante para sectores como el medio ambiente, la
economía y los asuntos sociales. Sus principales proveedores de información
son los programas gubernamentales y actores del sector privado clave para
la economía nacional. El ICDE se define como un conjunto de políticas, están-
dares, organizaciones y tecnología trabajando juntos para producir, compartir
y usar información geográfica en Colombia, con el fin de apoyar el desarrollo
nacional sostenible (ICDE, 2024). El ICDE (figura 76) ha trabajado para facilitar la

– 262 –
 Infraestructura de Datos Espaciales

integración de la información geográfica de diversas entidades mediante dos

instrumentos clave:

• Marco de Referencia Geoespacial (MRG): este marco proporciona los li-

neamientos necesarios para optimizar los procesos de gestión y acceso
a la información geográfica en el país. Busca armonizar y estandarizar la
manera en que las entidades públicas y privadas gestionan y distribuyen
los datos geoespaciales.
• Marco de Administración del Territorio (MAT): este instrumento adopta
el Modelo LADM (Land Administration Domain Model), el cual facilita los
procesos de intercambio de información relacionada con la administra-
ción de tierras. A través de este modelo, se busca mejorar la eficiencia y
transparencia en la gestión de los recursos territoriales del país.

Ambos marcos son esenciales para la integración de datos de distintas

fuentes y sectores, asegurando que la información geoespacial sea accesible,
confiable y útil para la toma de decisiones a nivel nacional.

Figura 76. Visualización de información geográfica en Geovisor ICDE.

– 263 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

9.10.2. IDE Chile

La Infraestructura de Datos Espaciales de Chile (IDE Chile), dependiente del

Ministerio de Bienes Nacionales, fue creada en 2006 como el Sistema Nacional
de Coordinación de Información Territorial (SNIT), adoptando su nombre ac-
tual posteriormente. IDE Chile trabaja en cuatro áreas principales: coordinación,
para fortalecer la articulación entre los sectores a nivel regional, nacional e in-
ternacional; información, que asegura el acceso público a los datos geográfi-
cos a través del Geoportal; normas y estándares, brindando asesoría a 107 ins-
tituciones en normativas ISO y estándares del OGC; y tecnología, desarrollando
herramientas para crear, mantener y acceder a la información geoespacial.
Su misión es coordinar la generación, acceso y uso eficiente de la informa-
ción territorial para apoyar la toma de decisiones en el sector público y privado.
IDE Chile busca consolidarse como la autoridad nacional en la coordinación y
promoción de la información geográfica. Para ello, cuenta con un Consejo de
Ministros y un Comité Técnico de Coordinación, además de colaborar con las
16 regiones del país y mantener vínculos con el UN-GGIM para las Américas.
IDE Chile proporciona una plataforma amigable que ofrece servicios de ma-
pas, metadatos y coberturas cartográficas digitales. Su catálogo alberga más
de 15.000 coberturas organizadas en más de veinte categorías, disponibles
para visualización y descarga (figura 77). Por su parte, el visor de mapas (figura
78) permite desplegar casi 8.000 registros, con filtros para refinar la búsqueda
por localización, tipo de recurso, categoría, institución, fecha y formato.

– 264 –
 Infraestructura de Datos Espaciales

Figura 77. Catálogo de datos de IDE Chile.

Tecnológicamente, IDE Chile utiliza el software Geonodo, que incluye 14 mó-

dulos para gestionar capas de información, cargar archivos, administrar meta-
datos y conectar con servicios externos de mapas. También permite configurar
distintos perfiles de acceso.
Además, coordina una red de IDEs institucionales a nivel ministerial, local y
en servicios públicos, lo que facilita el acceso a datos específicos y ofrece una
visión integrada de la información territorial a nivel nacional.

– 265 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 78. Visor de mapas de IDE Chile.

9.11. Tendencias actuales y futuro de las IDE

Las IDEs están evolucionando constantemente, impulsadas por avances

tecnológicos, la creciente demanda de acceso a la información geográfica y la
necesidad de abordar desafíos globales, como el cambio climático, la planifi-
cación territorial y la gestión de riesgos. A continuación, se destaca algunas de
las principales tendencias que están definiendo el presente y futuro de las IDE
a nivel global.

• Integración con tecnologías emergentes: una tendencia clave es la con-

vergencia de las IDE con tecnologías emergentes, como el Internet de
las Cosas (IoT), big data, Inteligencia Artificial (IA) y sensores remotos. Es-
tas tecnologías permiten la recolección masiva y en tiempo real de datos
geoespaciales, abriendo nuevas posibilidades para el monitoreo ambien-
tal, transporte inteligente y agricultura de precisión. Por ejemplo, los da-
tos de sensores en redes urbanas pueden alimentar sistemas de alerta
temprana o gestionar dinámicamente el espacio público, mientras que

– 266 –
 Infraestructura de Datos Espaciales

la IA facilita el procesamiento automatizado de imágenes satelitales y el

análisis predictivo.
• Web semántica y geodatos enlazados: el desarrollo de la web semántica
y los geodatos enlazados mejora la interoperabilidad y reutilización de la
información geoespacial. Esta tendencia busca estructurar los datos para
que sean comprensibles tanto por humanos como por máquinas, pro-
moviendo una integración efectiva con otras fuentes abiertas. El uso de
estándares como RDF, OWL y ontologías geoespaciales permite construir
redes de conocimiento que enriquecen los datos territoriales y facilitan su
uso en entornos colaborativos y de datos abiertos.
• Participación ciudadana y datos voluntarios: una tendencia creciente es
la participación activa de la ciudadanía en la generación de información
geoespacial, conocida como Información Geográfica Voluntaria (VGI). Pla-
taformas como Open StreetMap han demostrado el valor de los datos
generados por usuarios para complementar las fuentes oficiales. Esta
participación mejora la cobertura, actualización y precisión de los datos,
especialmente en áreas con recursos limitados, y promueve la planifica-
ción participativa y la gobernanza digital.
• Desafíos actuales y futuros: a pesar de los avances, las IDE enfrentan de-
safíos clave para su sostenibilidad y efectividad. Uno de ellos es la soste-
nibilidad institucional y financiera, ya que muchas dependen de recursos
públicos limitados y la voluntad política para su mantenimiento. También
persiste el reto de la interoperabilidad, que requiere adoptar estándares
comunes entre diversos actores y niveles administrativos. Además, la ac-
tualización oportuna de los datos sigue siendo fundamental, especial-
mente en contextos de rápida transformación territorial.

En suma, el futuro de las IDE dependerá de su capacidad para adaptarse a

un ecosistema digital en constante cambio, integrando tecnologías disruptivas,
promoviendo la apertura de datos y fortaleciendo la colaboración entre actores
públicos, privados y ciudadanos. Así, se consolidarán como herramientas clave
para la toma de decisiones basadas en evidencia en un mundo cada vez más
complejo.

– 267 –
 CAPÍTULO X
EVALUACIÓN MULTICRITERIO

10.1. Conceptos generales

La Evaluación Multicriterio (EMC) es un conjunto de técnicas que permite

integrar múltiples factores o criterios, frecuentemente conflictivos, en un pro-
ceso estructurado de toma de decisiones. Su objetivo principal es ayudar a los
responsables de la planificación o la gestión a seleccionar la mejor alternativa
posible entre varias opciones, considerando tanto aspectos cuantitativos como
cualitativos. En contextos complejos, como la planificación territorial, la gestión
ambiental o la selección de sitios, la EMC resulta especialmente útil, ya que
permite valorar de forma equilibrada los distintos intereses y restricciones que
suelen estar presentes (Malczewski, 1999; Geneletti, 2005).
En términos generales, un problema multicriterio se caracteriza por la ne-
cesidad de tomar decisiones que involucran más de un criterio de evaluación.
Por ejemplo, al planificar la expansión urbana, pueden considerarse criterios
como la pendiente del terreno, el acceso a servicios, el valor ecológico de las
zonas involucradas y el riesgo de desastres naturales. La EMC permite forma-
lizar estos criterios, asignarles pesos según su importancia relativa, normalizar
las unidades de medida y combinarlos para obtener una evaluación integral de
las distintas alternativas espaciales (Barredo, 1996).
La geomática ha transformado significativamente la forma en que se aplican
los métodos multicriterio. La integración de la EMC con los Sistemas de Infor-
mación Geográfica (SIG) permite espacializar los criterios y modelar escenarios
con base en capas de información geográfica. De este modo, se fortalece la
capacidad de análisis territorial al proporcionar herramientas para visualizar los
impactos espaciales de las decisiones, simular alternativas y facilitar la comu-
nicación entre los diferentes actores implicados en el proceso de planificación
(Eastman, 1999; Malczewski & Rinner, 2015).

– 269 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La sinergia entre la EMC y los SIG ha dado lugar a un subcampo conocido

como Evaluación Multicriterio Espacial (EMCE), ampliamente utilizado en estu-
dios de impacto ambiental, análisis de aptitud del suelo, gestión de riesgos na-
turales y ordenación del territorio. Por ejemplo, la elección de áreas prioritarias
para conservación puede realizarse considerando simultáneamente variables
como la cobertura vegetal, la biodiversidad, las amenazas antrópicas y la co-
nectividad ecológica. De igual manera, en la planificación de infraestructuras,
la EMCE permite identificar trazados óptimos de carreteras o redes eléctricas,
minimizando costos económicos y ambientales (Carver, 1991; Chen et al., 2010).
Por tanto, la evaluación multicriterio constituye una herramienta poderosa
para enfrentar problemas complejos de decisión. Su integración con la geomá-
tica no solo amplía sus capacidades analíticas, sino que introduce una dimen-
sión espacial fundamental para abordar eficazmente los desafíos del territorio.
A lo largo de este capítulo se explorará los fundamentos teóricos de la EMC y
su implementación técnica en entornos SIG y se presentarán ejemplos aplica-
dos en contextos reales, con el objetivo de brindar una base sólida para su uso
en proyectos geoespaciales.

10.2. Fundamentos teóricos de la Evaluación Multicriterio

La EMC se basa en el análisis estructurado de múltiples factores que inciden

en una decisión. A diferencia de los modelos tradicionales, que priorizan un
único criterio (por ejemplo, minimizar costos o maximizar beneficios), la EMC
permite integrar simultáneamente aspectos económicos, sociales, ambienta-
les, técnicos o culturales, con el fin de identificar la mejor alternativa o esta-
blecer un ordenamiento racional entre varias opciones a través de una matriz
de evaluación (figura 79). Las diferencias entre los métodos o técnicas de EMC
radican en los procedimientos aritmético-estadísticos aplicados sobre las ma-
trices de evaluación y de prioridades, los cuales otorgan una evaluación final a
las alternativas consideradas (Barredo, 1996).

– 270 –
 Evaluación Multicriterio

Figura 79. Matriz de Evaluación.

10.2.1. Tipos de problemas multicriterio

En el contexto de la EMC, los problemas pueden clasificarse según la natu-

raleza de las alternativas:

• Problemas de decisión discreta: el conjunto de alternativas es finito y

conocido de antemano. Por ejemplo, elegir entre cinco sitios candidatos
para construir una planta de tratamiento.
• Problemas de decisión continua: las alternativas no están definidas previa-
mente, sino que pueden generarse infinitamente dentro de un espacio de
soluciones. Este tipo es común en aplicaciones geoespaciales, donde cada
píxel o celda de un mapa representa una alternativa potencial. La Evalua-
ción Multicriterio continua se combina de forma natural con los SIG, al per-
mitir el análisis espacial sobre la totalidad del territorio (Malczewski, 1999).

10.2.2. Componentes básicos de una EMC

Independientemente del tipo de problema, toda EMC implica ciertos com-

ponentes esenciales. Barredo (1996) propone los siguientes elementos clave
en el entorno de los SIG (figura 80):

• Objetivos: un objetivo se entiende como una función a desarrollar o un

problema a resolver.

– 271 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Criterios: son las variables que definen los aspectos relevantes de la de-
cisión. Pueden ser cuantitativos (como la pendiente del terreno) o cualita-
tivos (como el valor cultural de un sitio). Los criterios pueden organizarse
jerárquicamente, descomponiéndose en subcriterios más específicos.
Existen dos tipos principales:

- Factores: criterios que realzan o disminuyen la conveniencia de una

alternativa. Generalmente se expresan en escalas continuas.
- Restricciones: criterios utilizados para excluir alternativas no viables.
En SIG, se representan mediante capas binarias: las áreas excluidas se
codifican con un valor de 0; las áreas consideradas aptas, con un 1.
Asociado a los criterios, existen dos elementos a considerar:
- Alternativas: son las opciones disponibles para tomar una decisión. En
entornos espaciales, pueden representarse como entidades vectoria-
les (por ejemplo, parcelas) o celdas ráster.
- Pesos: indican la importancia relativa de cada criterio. Su correcta asig-
nación es crucial, ya que influye directamente en el resultado. Los pe-
sos pueden derivarse del juicio experto, análisis estadístico o métodos
matemáticos

• Regla de decisión: es el mecanismo que combina criterios y pesos para

obtener un valor final de prioridad o aptitud.
• Evaluación: es el proceso de aplicar la regla de decisión a los criterios
para producir finalmente el modelo de decisión.

– 272 –
 Evaluación Multicriterio

Figura 80. Componentes de EMC en entorno SIG.

10.2.3. Métodos de ponderación

Asignar pesos a los criterios es una etapa crítica en la EMC. Existen diversos
métodos; cada uno con ventajas y limitaciones:

• AHP (Analytic Hierarchy Process): desarrollado por Saaty (1980), se basa

en comparaciones por pares entre criterios, utilizando una escala de in-
tensidad (1 a 9). A partir de una matriz de comparaciones, se derivan los
pesos mediante álgebra lineal. Además, permite verificar la consistencia
lógica de los juicios del decisor, lo que lo hace robusto y ampliamente
utilizado en SIG (Malczewski, 1999).
• Método de entropía: técnica objetiva que asigna pesos según la disper-
sión de los datos. A mayor variabilidad de un criterio, mayor su peso. Es útil
para evitar subjetividad, aunque no incorpora las preferencias del usuario
(Zeleny, 1982).
• Asignación directa: el analista o un grupo de expertos asigna pesos di-
rectamente, distribuyendo un valor total (como 1 o 100) entre todos los
criterios. Es simple y rápida, pero altamente dependiente del juicio del
evaluador.

– 273 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

10.2.4. Métodos de agregación

Una vez definidos los criterios, sus pesos y los valores normalizados, se re-
quiere un método para combinarlos y obtener un resultado final. Los más co-
munes son:

• Suma ponderada (Weighted Linear Combination, WLC): el método más

utilizado en EMC espacial. Consiste en multiplicar el valor normalizado
de cada criterio por su peso y luego sumar los resultados (figura 81). La
combinación se expresa mediante la siguiente ecuación:

rj = ∑W * Xj ij

donde: ri es la capacidad de acogida de la actividad; Wj es el peso del

criterio; Xij es el valor de la alternativa i en el criterio j.
Su principal ventaja es la facilidad de implementación y su compatibilidad
con SIG. Sin embargo, asume compensación total entre criterios: un mal
valor en un criterio puede ser compensado por uno bueno en otro, lo que
no siempre es deseable (Eastman, 1999).

Figura 81. Sumatoria lineal ponderada de criterios.

– 274 –
 Evaluación Multicriterio

• OWA (Ordered Weighted Averaging): propuesto por Yager (1988), permite

una agregación más flexible, combinando propiedades de la suma pon-
derada y la lógica booleana. En OWA, los valores se ordenan antes de
aplicar los pesos, los cuales dependen de la posición en el orden, no del
criterio en sí. Así, se pueden modelar actitudes optimistas, pesimistas o
intermedias respecto a la compensación. Requiere mayor esfuerzo en la
definición de los vectores de ponderación.
• Lógica booleana: utiliza operadores lógicos (AND/OR) para seleccionar
alternativas que cumplen (o no) con ciertos umbrales. Es útil cuando al-
gunos criterios son excluyentes, aunque no permite graduación entre al-
ternativas.
• Ordenamiento por dominancia (ranking): asigna jerarquía a las alternati-
vas según cuántos criterios superan respecto a otras. Es útil para buscar
soluciones “no dominadas”, aunque su manejo se complica con muchos
criterios.
• Métodos avanzados (ELECTRE y PROMETHEE): técnicas sofisticadas ba-
sadas en la teoría de sobre clasificación. No requieren compensación
entre criterios y manejan mejor la ambigüedad o el conflicto. Aunque
potentes, su implementación en SIG es más limitada y requiere software
especializado (Roy, 1991; Brans & Mareschal, 2005).

10.3. Integración de EMC con SIG

La integración de la EMC con los SIG ha dado lugar a una potente herra-
mienta para la toma de decisiones espaciales. Mientras la EMC proporciona el
marco conceptual y metodológico para incorporar múltiples criterios en una
decisión, los SIG aportan capacidades técnicas para manejar, analizar y visua-
lizar información georreferenciada. Esta sinergia permite que los procesos de
análisis multicriterio se desarrollen sobre el territorio, haciendo posible la iden-
tificación de zonas óptimas o prioritarias según un conjunto de factores espa-
cialmente distribuidos (Malczewski, 1999; Feick & Hall, 2004).

– 275 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

10.3.1. Ventajas de utilizar EMC en entornos SIG

El uso combinado de EMC y SIG presenta múltiples ventajas, desde el punto

de vista tanto técnico como práctico:

• Espacialización del análisis: permite representar cada criterio en forma

de capas temáticas geográficas, facilitando la evaluación espacial y la ge-
neración de mapas de aptitud o riesgo.
• Visualización y comunicación: los resultados pueden presentarse me-
diante mapas temáticos, mejorando la comprensión de las decisiones por
parte de actores técnicos y no técnicos.
• Manejo de grandes volúmenes de datos: los SIG permiten integrar bases
de datos espaciales complejas, gestionar múltiples escalas y realizar aná-
lisis sobre áreas extensas
• Modelización flexible: el entorno SIG permite construir modelos de deci-
sión que pueden modificarse, ajustarse o replicarse fácilmente en distin-
tos contextos.
• Automatización de procesos: herramientas como ModelBuilder (ArcGIS)
o el Modelador Gráfico (QGIS) permiten automatizar flujos de trabajo en
EMC, reduciendo errores y tiempos de procesamiento.

10.3.2. Descripción del proceso de modelado espacial

Aunque cada aplicación puede variar, un proceso típico de EMCE en SIG

sigue una serie de pasos estructurados (Eastman et al., 1995; Malczewski, 1999):

a. Definición del problema: establecer claramente el objetivo del análisis

(por ejemplo, reforestación, mitigación de riesgos, expansión urbana).
b. Selección de criterios: identificar las variables relevantes a partir de litera-
tura, estudios previos o conocimiento experto. Estos criterios deben estar
disponibles como datos espaciales o ser convertibles en capas geográfi-
cas. Por ejemplo, en un análisis de aptitud para agricultura podría incluir-
se pendiente del terreno, tipo de suelo, cobertura vegetal y accesibilidad
al agua. Los criterios deben cumplir tres condiciones básicas: disponibi-
lidad de datos, relevancia temática y posibilidad de evaluación espacial.

– 276 –
 Evaluación Multicriterio

También debe considerarse posibles criterios de exclusión (como áreas

protegidas o zonas inundables), que pueden eliminarse mediante lógica
booleana.
c. Preparación de datos: adquisición, validación y preprocesamiento de ca-
pas geográficas, ya sean vectoriales o ráster.
d. Normalización: conversión de los datos a una escala común (0 a 1 ó 0 a
100), utilizando funciones de utilidad o métodos de reescalado. Dado que
los criterios pueden expresarse en unidades distintas (metros, porcen-
tajes, índices, categorías), su normalización es esencial para permitir la
comparación y posterior agregación. Los métodos comunes incluyen:
- Reescalado lineal.
- Funciones de utilidad (preferencia creciente o decreciente).
- Clasificación por rangos o cuantiles.
La elección del método depende de la relación entre el valor del criterio
y su influencia sobre la decisión (por ejemplo, a menor pendiente, mayor
aptitud).
e. Asignación de pesos: reflejar la importancia relativa de cada criterio me-
diante técnicas como AHP, entropía o asignación directa. En contextos
colaborativos, los pesos pueden derivarse también de procesos partici-
pativos con expertos o comunidades. En SIG, se aplican mediante ope-
raciones matemáticas simples, multiplicando cada capa normalizada por
su peso respectivo.
f. Agregación: combinación de las capas ponderadas mediante un método
apropiado (como WLC o lógica booleana). La agregación da como resul-
tado un índice de aptitud o prioridad. El método más común es la suma
ponderada, que produce una capa final donde cada valor representa
el grado de adecuación espacial. Opcionalmente, puede clasificarse el
mapa final en categorías como “muy alta”, “alta”, “media”, “baja” o “no apta”.
g. Clasificación y visualización: aplicar rangos o categorías para facilitar la
interpretación visual de los resultados.
h. Validación: comparar los resultados con datos de campo, registros histó-
ricos o el juicio de expertos.
i. Toma de decisiones: utilizar los resultados para apoyar políticas públicas,
estrategias de gestión o decisiones de inversión.

– 277 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Este flujo de trabajo puede implementarse manualmente en SIG o automati-

zarse mediante herramientas como ModelBuilder (ArcGIS) o el Modelador Grá-
fico (QGIS).

10.3.3. Herramientas disponibles en software SIG

Diversos programas SIG ofrecen funcionalidades específicas para imple-

mentar EMC. Entre los más utilizados se encuentran:

• ArcGIS (ESRI): incluye la herramienta Weighted Overlay Tool (módulo

Spatial Analyst) (figura 82) y el entorno ModelBuilder para automatizar
flujos. También puede complementarse con CommunityViz para análisis
participativos.

Figura 82. Módulo WOT del programa ArcGIS.

– 278 –
 Evaluación Multicriterio

• QGIS: ofrece herramientas similares mediante el Modelador Gráfico, Ras-

ter Calculator y el complemento MCDA plugin. Es una alternativa libre,
versátil y en constante evolución.
• TerrSet (antes Idrisi): desarrollado por Clark Labs, es uno de los pioneros
en EMC espacial. Ofrece módulos como MCE (Multi-Criteria Evaluation)
(figura 83) y soporte para AHP y técnicas fuzzy.
• gvSIG: aunque con funcionalidades más básicas, permite realizar opera-
ciones algebraicas ráster y vectoriales útiles para EMC.

Figura 83. Módulo MCE del programa TerrSet.

10.3.4. Consideraciones técnicas

La combinación de EMC y SIG representa una metodología flexible, robusta

y visualmente poderosa para la toma de decisiones espaciales complejas. Esta
integración no solo optimiza las decisiones técnicas, sino que también facilita
procesos participativos, mejora la transparencia y genera productos cartográfi-
cos útiles para la planificación territorial y ambiental.
La implementación exitosa de una EMC en SIG requiere atender ciertos as-
pectos técnicos clave:

• Resolución espacial: el tamaño de celda (ráster) o la escala (vectorial)

influye directamente en el nivel de detalle del análisis. Una resolución

– 279 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

demasiado gruesa puede ocultar variaciones relevantes; una demasiado

fina puede introducir ruido o aumentar la carga computacional.
• Escalas de medición: los criterios deben estar en escalas comparables
luego de la normalización. Además, es crucial tener en cuenta la natura-
leza de los datos (ordinales, nominales, intervalares, racionales) al elegir
las funciones de evaluación.
• Consistencia de datos: todas las capas deben compartir el mismo siste-
ma de proyección, resolución y extensión. Asimismo, deben ser actualiza-
das, completas y de calidad aceptable, ya que errores o inconsistencias
pueden comprometer los resultados.

10.4. Aplicaciones de EMC en geomática

La integración de la EMC con los SIG ha demostrado ser una herramienta

esencial para resolver problemas espaciales complejos en distintos ámbitos.
Gracias a su flexibilidad metodológica y capacidad para integrar variables de
naturaleza diversa, la EMC se ha aplicado exitosamente en campos como la
planificación territorial, la gestión ambiental, el manejo de riesgos y el diseño
de infraestructuras. Esta sección presenta tres estudios de caso representati-
vos: selección de áreas para conservación, análisis de susceptibilidad a desli-
zamientos y localización de centros de salud.

10.4.1. Ejemplo 1: selección de áreas para conservación

En zonas afectadas por la deforestación, seleccionar áreas óptimas para la

reforestación requiere considerar múltiples factores ecológicos, sociales y eco-
nómicos. Geneletti (2007) desarrolló un estudio en la cuenca del río Avisio (Ita-
lia) para evaluar el valor de conservación de paisajes agrícolas y generar resul-
tados cartográficos que sirvieran como variables de decisión en la planificación
del uso del suelo. La EMC, integrada en un entorno SIG, permitió priorizar áreas
que maximicen la eficiencia de los esfuerzos de restauración forestal.

– 280 –
 Evaluación Multicriterio

• Criterios utilizados: los criterios empleados en el estudio fueron:

- Tipo de paisaje agrícola (según las prácticas agrícolas y la morfología
del paisaje).
- Cubierta de vegetación remanente y de contorno (porcentaje de vege-
tación como bosquetes, bordes de campos o vegetación ribereña).
- Amplitud de los ecotonos bosque-área abierta (zonas de transición de
al menos 5 ha, relevantes como hábitat y corredores ecológicos).
- Proximidad a reservas naturales (distancia a sitios protegidos conforme
a la EU Habitat Directive).
• Proceso de EMC: cada criterio fue representado como una capa ráster y
normalizado mediante reescalado lineal. Los pesos fueron asignados uti-
lizando el método AHP con participación de expertos forestales. La agre-
gación se realizó mediante combinación lineal ponderada (WLC), gene-
rando un índice de prioridad para la conservación.
• Resultados: el mapa de aptitud permitió identificar zonas con alta priori-
dad de intervención, especialmente en corredores ecológicos fragmen-
tados (figura 84). Los resultados fueron compartidos con entidades loca-
les como base para focalizar inversiones y orientar planes de manejo.

Figura 84. Mapa del valor de conservación natural de las áreas agrícolas.

– 281 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

10.4.2. Ejemplo 2: análisis de susceptibilidad a deslizamientos

En regiones montañosas tropicales, la expansión agrícola, la deforestación

y las lluvias intensas incrementan la frecuencia de deslizamientos. Shahabi &
Hashim (2015) realizaron un estudio en los Cameron Highlands (Malasia) para
identificar áreas susceptibles a deslizamientos mediante EMC en un entorno
SIG, combinando datos topográficos, geológicos y de uso del suelo. El objetivo
fue generar mapas de susceptibilidad que apoyaran la planificación territorial y
la gestión del riesgo.

• Criterios utilizados: los criterios seleccionados, basados en su relación

comprobada con la ocurrencia de deslizamientos, incluyeron pendiente
del terreno, orientación (aspecto), tipo de suelo, litología, cobertura del
suelo, índice de vegetación (NDVI), distancia a caminos, distancia a dre-
najes, precipitaciones y distancia a fallas geológicas.
• Proceso de modelado espacial: cada criterio fue modelado como capa
ráster y normalizado por escalamiento lineal. Se aplicó tres métodos de
procesamiento, generando tres mapas de susceptibilidad:
- AHP (Proceso de Jerarquía Analítica), con la asignación de pesos por
juicio experto.
- WLC (Suma Lineal Ponderada).
- SMCE (Evaluación Multicriterio Espacial), que agrupa variables temáti-
cas antes de ponderar.

Un inventario de 92 deslizamientos históricos sirvió para calibrar (80%) y vali-

dar (20%) los modelos. La evaluación se realizó mediante análisis ROC (Receiver
Operating Characteristic).

• Resultados: el modelo SMCE (figura 85) mostró el mejor desempeño pre-

dictivo, identificando correctamente más del 96% de los deslizamientos
conocidos. AHP y WLC alcanzaron precisiones del 91% y 89%, respecti-
vamente. Las zonas de alta y muy alta susceptibilidad coincidieron con
áreas deforestadas, cercanas a caminos y con fuertes pendientes. Los re-
sultados fueron compartidos con autoridades locales como insumo para
la planificación territorial y la mitigación del riesgo geológico.

– 282 –
 Evaluación Multicriterio

Figura 85. Mapa de susceptibilidad de deslizamientos de tierra.

10.4.3. Ejemplo 3: localización de centros de salud

En ciudades en expansión, planificar servicios de salud sostenibles exige

equilibrar criterios sociales, ambientales y económicos. Cardoso & Carñel (2022)
aplicaron EMC en un entorno SIG para identificar áreas óptimas para nuevos
centros de atención primaria (sin internación) en el distrito de Santa Fe (Argen-
tina), considerando el riesgo hídrico y la desigualdad en el acceso.

• Criterios utilizados: se definió cuatro criterios principales, ajustados al

contexto local:
- Riesgo hídrico (probabilidad de inundación).
- Nivel de necesidades básicas insatisfechas (NBI).
- Accesibilidad al transporte público (proximidad a paradas y líneas).
- Cobertura del sistema de salud pública (distancia a centros existentes).

– 283 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Proceso: el análisis se desarrolló en dos etapas: a) Evaluación individual

de cada criterio mediante intersecciones y análisis de capas vectoriales;
b) Superposición espacial de las cuatro capas para identificar zonas con
máxima aptitud y sin restricciones.
• Resultados: el modelo identificó como más aptas las zonas del norte del
distrito (figura 86), donde coinciden altos niveles de vulnerabilidad social,
acceso limitado y riesgo hídrico moderado. Se detectó un desajuste entre
la localización actual de centros de salud y las zonas con mayor necesi-
dad, lo que evidencia el valor de este enfoque para orientar decisiones de
inversión pública.

Figura 86. Áreas de aptitud según los criterios considerados.

10.4.4. Visualización de resultados y toma de decisiones

Uno de los principales aportes de la EMC espacial es su capacidad para ge-

nerar mapas temáticos que sintetizan de forma clara y visual los resultados del
análisis. Estos mapas permiten:

- Identificar zonas prioritarias según niveles de aptitud, riesgo o vulnerabi-

lidad.

– 284 –
 Evaluación Multicriterio

- Servir como base para definir políticas públicas, inversiones o acciones

preventivas.
- Integrarse en sistemas de apoyo a decisiones (Decision Support Systems,
DSS).
- Facilitar procesos participativos y de consulta pública.

Por ejemplo, un mapa de aptitud para reforestación puede orientar esfuer-

zos de restauración; un mapa de riesgo por deslizamientos puede guiar res-
tricciones urbanas o rutas de evacuación; y un mapa de aptitud urbana puede
apoyar la planificación de servicios en zonas vulnerables.
Además, estos productos cartográficos pueden combinarse con simulacio-
nes de escenarios futuros (como expansión urbana, cambio climático o desa-
rrollo de infraestructuras), lo que permite anticipar impactos y diseñar respues-
tas más resilientes. Esta capacidad prospectiva convierte a la EMC espacial en
una herramienta estratégica para la toma de decisiones informada, transparen-
te y sostenible.

10.5. Fortalezas, limitaciones y retos

La EMC en entornos geoespaciales ha demostrado ser una herramienta

metodológica robusta para abordar decisiones complejas en planificación te-
rritorial, gestión ambiental y análisis de riesgos, entre otros campos. No obs-
tante, su implementación no está exenta de desafíos. Esta sección examina las
principales fortalezas de la EMC espacial, así como sus limitaciones y los retos
emergentes que enfrenta en escenarios cada vez más complejos y dinámicos.

10.5.1. Fortalezas de la EMC en contextos espaciales

Una de las principales fortalezas de la EMC aplicada en SIG es su flexibilidad.

Permite integrar criterios de distinta naturaleza (económicos, sociales, ambien-
tales) y escala (local, regional, nacional), lo que la hace adecuada para una am-
plia gama de aplicaciones. Esta capacidad de síntesis es especialmente valiosa
cuando debe tomarse decisiones bajo condiciones de conflicto entre intereses
contrapuestos. Según Malczewski & Rinner (2015), la EMC:

– 285 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Facilita una toma de decisiones estructurada al obligar a explicitar crite-

rios, pesos y supuestos.
- Favorece la transparencia, ya que el proceso puede documentarse, repli-
carse y validarse.
- Permite análisis espaciales detallados, combinando múltiples capas de
información georreferenciada.
- Es adaptable a diferentes contextos y niveles de información, desde es-
tudios exploratorios hasta modelaciones avanzadas.
- Promueve la participación de expertos y, cada vez más, de actores socia-
les, fortaleciendo el enfoque colaborativo en la gestión territorial.

Además, el uso de EMC con SIG mejora notablemente la visualización de

resultados, lo que facilita la comunicación efectiva mediante mapas temáti-
cos, modelos tridimensionales o simulaciones de escenarios. Esta visualización
clara y accesible es crucial para procesos de planificación, consulta pública y
toma de decisiones interinstitucionales.

10.5.2. Limitaciones

A pesar de sus múltiples ventajas, la EMC espacial presenta ciertas limita-

ciones metodológicas, técnicas y operativas, que deben considerarse cuida-
dosamente:

• Subjetividad en la asignación de pesos: una crítica frecuente a la EMC

es la subjetividad inherente en la ponderación de los criterios. Aunque
existen métodos estructurados, como AHP, la asignación de pesos sigue
dependiendo del juicio humano, susceptible a sesgos, intereses o infor-
mación incompleta. Esta subjetividad puede comprometer la reproduci-
bilidad y validez de los resultados, particularmente en contextos de alta
incertidumbre o conflicto entre actores.
• Complejidad computacional en algunos métodos: técnicas avanzadas
como ELECTRE, PROMETHEE, lógica difusa o redes neuronales implican
mayores requerimientos computacionales y una curva de aprendizaje
más empinada. Esto puede limitar su adopción en instituciones con ca-

– 286 –
 Evaluación Multicriterio

pacidades técnicas restringidas. Además, su implementación en SIG co-

merciales o de código abierto suele exigir programación especializada o
el uso de complementos poco documentados.
• Dependencia de la calidad de los datos: la EMC espacial es altamen-
te sensible a la calidad, precisión y coherencia de los datos geográficos.
Problemas como errores de georreferenciación, desactualización, baja
resolución o inconsistencias entre capas pueden llevar a resultados dis-
torsionados o inválidos. Esta dependencia se vuelve crítica en territorios
donde la información espacial es escasa, dispersa o poco confiable.

10.5.3. Retos actuales

En un contexto de transformación tecnológica acelerada y creciente de-

manda por decisiones basadas en evidencia e inclusivas, la EMC espacial en-
frenta varios retos estratégicos:

• Automatización de flujos de trabajo: existe una necesidad creciente de

automatizar los procesos EMC en SIG. Esto no solo incrementa la eficien-
cia y reduce errores humanos, sino que también facilita la replicabilidad
del análisis. Herramientas como ModelBuilder (ArcGIS) y el Modelador
Gráfico (QGIS) han avanzado en esta dirección, aunque persiste la necesi-
dad de interfaces más intuitivas y procesos más integrados (Feizizadeh &
Blaschke, 2013).
• Inclusión de incertidumbre: la mayoría de los modelos EMC operan bajo
supuestos de certeza, lo que no refleja la complejidad del mundo real.
Muchas variables clave presentan incertidumbre o ambigüedad. Por ello,
se está avanzando hacia métodos que integran lógica difusa, análisis de
sensibilidad y simulación de múltiples escenarios. Estos enfoques permi-
ten una representación más realista, aunque aún requieren mayor desa-
rrollo metodológico y accesibilidad técnica (Haile & Abebe, 2022).
• EMC participativa y modelos colaborativos: la inclusión de actores so-
ciales en la toma de decisiones espaciales es una prioridad creciente. La
EMC participativa busca incorporar el conocimiento local y las preferen-
cias de múltiples actores (comunidades, técnicos, autoridades) median-
te talleres, encuestas y plataformas digitales. Sin embargo, el reto reside

– 287 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

en traducir estas preferencias en modelos matemáticos consistentes y

gestionar el conflicto entre prioridades divergentes (Rinner & Malczewski,
2002).

10.6. Recomendaciones

La EMCE constituye una de las metodologías más potentes y versátiles

dentro del campo de la geomática. Su capacidad para estructurar decisiones
complejas, integrar múltiples fuentes de información y comunicar resultados
mediante productos visuales la convierte en una herramienta esencial para la
planificación territorial, la gestión ambiental, el análisis de riesgos y otros ám-
bitos clave.
Sin embargo, su eficacia depende directamente de un uso crítico y riguroso
de sus componentes: la adecuada selección de criterios, la asignación justifica-
da de pesos, la calidad de los datos y la claridad de los objetivos. Al combinarse
con los SIG, la EMC no solo permite modelar decisiones espacialmente, sino
también facilitar la comprensión e interpretación de sus implicancias por parte
de distintos actores, desde técnicos hasta la ciudadanía.
En este capítulo se ha mostrado que la estructura lógica de esta metodo-
logía, junto con sus capacidades de visualización, la hacen especialmente útil
en escenarios de alta complejidad. No obstante, se ha identificado limitaciones
clave, como la subjetividad en la ponderación de criterios, la dependencia de
datos geoespaciales de calidad y la necesidad de representar adecuadamente
la incertidumbre.

10.6.1. Mejores prácticas en la implementación

Para maximizar el potencial de la EMC en entornos geoespaciales, se reco-

mienda seguir una serie de buenas prácticas:

- Definir con claridad los objetivos del análisis, asegurando que los crite-
rios y métodos estén alineados con la decisión que se busca apoyar.
- Seleccionar criterios relevantes, medibles y espacialmente representa-
bles, validados mediante fuentes confiables y consulta a expertos temá-
ticos.

– 288 –
 Evaluación Multicriterio

- Garantizar la calidad, consistencia y actualidad de los datos espaciales,

cuidando aspectos como la resolución, el sistema de proyección, la co-
bertura y la escala.
- Justificar la asignación de pesos y los métodos de agregación utilizados,
documentando cada decisión metodológica para favorecer la transpa-
rencia, replicabilidad y trazabilidad del proceso.
- Validar los resultados mediante datos de campo, registros históricos o
consultas con actores locales, para evaluar la coherencia del modelo con
la realidad observada.
- Fomentar la participación de distintos actores, integrando perspectivas
sociales, institucionales y técnicas, especialmente en contextos donde
existen conflictos de uso del suelo o prioridades divergentes.

10.6.2. Futuras líneas de investigación

El futuro de la EMC se encuentra estrechamente ligado al avance de tecno-

logías emergentes y enfoques metodológicos más robustos y colaborativos.
Entre las líneas de investigación más prometedoras se destacan:

• Integración con Inteligencia Artificial (IA): el uso de algoritmos de apren-

dizaje automático puede permitir la automatización en la asignación de
pesos, la identificación de patrones no evidentes y la optimización diná-
mica de modelos multicriterio.
• Uso de big data y datos en tiempo real: el procesamiento de grandes
volúmenes de información geoespacial proveniente de sensores remo-
tos, redes sociales o plataformas de monitoreo urbano, permite una res-
puesta más ágil y actualizada ante fenómenos dinámicos como desastres
naturales, conflictos de uso del suelo o cambios ambientales.
• Representación de la incertidumbre: avanzar hacia métodos que incor-
poren enfoques probabilísticos, lógicos, difusos o bayesianos permitirá
representar mejor la variabilidad e incertidumbre inherente en muchos
criterios, especialmente aquellos ligados a proyecciones, opiniones o da-
tos incompletos.
• Desarrollo de plataformas colaborativas: el fortalecimiento de la EMC
participativa, mediante herramientas digitales que faciliten la co-creación

– 289 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

de modelos junto a comunidades locales, instituciones públicas y exper-

tos, permitirá avanzar hacia decisiones más democráticas, informadas y
socialmente legítimas.

En resumen, la EMC espacial no solo representa una metodología consoli-

dada, sino también un campo en constante evolución. Su integración con nue-
vas tecnologías, su apertura a enfoques colaborativos y su capacidad de adap-
tación a contextos diversos la posicionan como una herramienta estratégica
para enfrentar los desafíos actuales y futuros en la gestión del territorio.

– 290 –
 CAPÍTULO XI
GESTIÓN Y ORDENACIÓN DEL TERRITORIO

11.1. Conceptos generales

La ordenación del territorio y la gestión territorial constituyen pilares funda-

mentales para promover un desarrollo equilibrado, equitativo y sostenible de
los espacios geográficos. Aunque están estrechamente vinculados, difieren en
su enfoque y alcance. La ordenación del territorio se concibe como un proceso
estratégico, normativo y planificador, orientado a organizar de manera racio-
nal el uso del suelo y las actividades humanas sobre el espacio. En cambio,
la gestión territorial alude a la implementación práctica, operativa y continua
de políticas, programas y acciones dirigidas al desarrollo del territorio (Faludi,
2000; CEPAL, 2019).
En el contexto actual, marcado por una urbanización creciente, crisis ambien-
tal, degradación de ecosistemas, desigualdad social y cambio climático, resulta
urgente adoptar un enfoque territorial integrado. La ordenación territorial permite
articular el uso sostenible de los recursos naturales, la localización estratégica
de infraestructuras, el control del crecimiento urbano, la conservación ambiental
y la inclusión social. Esto se logra a través de instrumentos técnicos, normativos
y participativos que abordan al territorio como un sistema complejo, dinámico
y multidimensional. Desde esta perspectiva, el territorio no es solo un soporte
físico, sino también un espacio donde interactúan factores naturales, sociales,
económicos y culturales (Dematteis y Governa, 2005; CEPAL, 2019).
En este escenario de creciente complejidad, la geomática emerge como
una disciplina clave para apoyar y fortalecer los procesos de planificación y
gestión territorial. Al integrar tecnologías como los Sistemas de Información
Geográfica (SIG), la teledetección, los sistemas de geoposicionamiento (GNSS),
la cartografía digital y el modelado espacial, la geomática permite recolectar,
analizar, gestionar y representar información georreferenciada de manera pre-
cisa y actualizada.

– 291 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Estas herramientas facilitan la visualización de relaciones espaciales, la

identificación de patrones territoriales, la evaluación de impactos potenciales
y la simulación de escenarios futuros, aportando así una base técnica robusta
para la toma de decisiones informadas. Por ejemplo, la geomática hace po-
sible delimitar áreas protegidas, identificar zonas de riesgo natural, planificar
infraestructuras, evaluar la aptitud del uso del suelo o implementar políticas
de adaptación al cambio climático. Además, contribuye a la transparencia y la
participación ciudadana al generar información accesible y comprensible para
distintos actores sociales.
A lo largo de este capítulo se explorará cómo la geomática contribuye de
manera sustantiva a los procesos de ordenación y gestión territorial, desde el
diagnóstico hasta la evaluación de políticas públicas. Se presentará fundamen-
tos teóricos, metodologías aplicadas, estudios de caso y desafíos emergentes
que configuran el campo de la planificación territorial apoyada por tecnología
geoespacial. En un mundo interconectado y presionado por múltiples crisis, la
articulación entre geomática y gestión del territorio no solo es útil, sino impres-
cindible para alcanzar un desarrollo más justo, resiliente y sostenible.

11.2. Fundamentos y evolución del ordenamiento territorial

El ordenamiento territorial es una disciplina que integra saberes técnicos,

científicos y sociales con el propósito de organizar, gestionar y planificar el uso
del suelo, los recursos naturales y las actividades humanas en un territorio de-
terminado. Para comprender su relevancia y aplicación práctica, es necesario
examinar sus fundamentos teóricos y jurídicos, los enfoques históricos y con-
temporáneos, así como su articulación con las políticas públicas y los procesos
de gobernanza.

11.2.1. Marco teórico y jurídico

Desde sus orígenes, el ordenamiento territorial ha estado influenciado por

distintas corrientes filosóficas, jurídicas y metodológicas centradas en la utili-
zación racional y equitativa del espacio geográfico. Este campo se sustenta en
una serie de principios rectores (figura 87), entre los que destacan:

– 292 –
 Gestión y ordenación del territorio

• Sostenibilidad: busca equilibrar el desarrollo económico, la equidad so-

cial y la protección ambiental. El ordenamiento debe asegurar que las
generaciones futuras puedan acceder a recursos naturales y a un entorno
saludable.
• Equidad territorial: promueve una distribución justa de recursos, oportu-
nidades y servicios entre las diferentes zonas del territorio, con especial
atención a aquellas más vulnerables o marginadas.
• Participación y democracia: reconoce el derecho de la ciudadanía y de los
actores locales a incidir en las decisiones sobre el territorio, fortaleciendo la
legitimidad y la aceptación social de los procesos de planificación.
• Flexibilidad y adaptabilidad: dado el carácter dinámico del territorio, los
planes y estrategias deben tener capacidad de respuesta ante nuevos de-
safíos, como el cambio climático, las crisis económicas o las migraciones.

El marco jurídico que respalda el ordenamiento territorial varía según el país,

pero existen principios comunes orientados a su incorporación en los sistemas
legales y normativos, nacionales e internacionales. Estas normativas constitu-
yen la base para implementar políticas coherentes de planificación y uso del
suelo, garantizando su cumplimiento mediante instrumentos regulatorios, in-
centivos y mecanismos de fiscalización.

Figura 87. Principios rectores de la ordenación territorial.

– 293 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

11.2.2. Enfoques tradicionales versus enfoques contemporáneos

En sus primeras etapas, la ordenación territorial se concebía como una ac-

tividad técnica centrada en la zonificación y regulación del uso del suelo. Este
enfoque tradicional, de carácter sectorial y normativo, clasificaba el territorio
en zonas con funciones específicas (residencial, agrícola, industrial, etc.), sin
considerar suficientemente las interacciones entre los distintos factores que
configuran el espacio.
Con el tiempo, y frente a la creciente complejidad de los sistemas territoria-
les, se ha consolidado un enfoque contemporáneo, que considera al territorio
como un sistema dinámico y multifactorial. Este nuevo paradigma reconoce
que el espacio geográfico no es solo un soporte físico, sino un escenario de
interacciones complejas entre componentes naturales, sociales, económicos y
culturales (Faludi, 2000).
Los enfoques actuales promueven una visión holística, integradora y par-
ticipativa, incorporando distintas dimensiones del desarrollo y reconociendo
la necesidad de incluir a múltiples actores en los procesos de planificación.
También se valora el conocimiento local y las percepciones comunitarias, lo
que permite diseñar estrategias de intervención más contextualizadas y social-
mente aceptadas. Este giro conceptual responde a presiones contemporáneas
como el cambio climático, la urbanización acelerada, la migración y la transfor-
mación acelerada de los usos del suelo.

11.2.3. Integración con políticas públicas y gobernanza

Una condición fundamental para el éxito del ordenamiento territorial es su

articulación efectiva con las políticas públicas. Esto implica que las decisiones
sobre uso del suelo, infraestructura o conservación ambiental deben alinearse
con los objetivos nacionales y regionales de desarrollo sostenible. La planifica-
ción territorial no debe operar de forma aislada, sino en sinergia con sectores
clave como vivienda, salud, educación, transporte, seguridad y producción.
La gobernanza territorial es otro componente clave. Ya no se concibe como
un proceso jerárquico o exclusivamente estatal, sino como una gestión colabo-
rativa, en la que participan gobiernos locales, comunidades, organizaciones de
la sociedad civil, sector privado y otros actores con intereses sobre el territorio.

– 294 –
 Gestión y ordenación del territorio

Esta gobernanza se basa en principios de transparencia, corresponsabilidad

y participación activa, favoreciendo la construcción de consensos y la imple-
mentación de soluciones más legítimas y sostenibles (Böhme et al., 2015).

11.2.4. Referencias a marcos internacionales

En un contexto globalizado y de alta interdependencia, el ordenamiento te-

rritorial no puede limitarse a escalas locales o nacionales. Diversos marcos in-
ternacionales orientan su desarrollo hacia objetivos globales de sostenibilidad
y resiliencia.
Entre ellos, destaca la Agenda 2030 para el Desarrollo Sostenible (Naciones
Unidas, 2015), que promueve un enfoque integral del desarrollo y reconoce la
necesidad de gestionar el territorio de forma sostenible para alcanzar los Obje-
tivos de Desarrollo Sostenible (ODS) (figura 88). En particular, el ODS 11 plantea
el desafío de lograr ciudades y asentamientos humanos inclusivos, seguros,
resilientes y sostenibles.
Otro marco relevante es la Nueva Agenda Urbana (ONU-Hábitat, 2017),
adoptada en la Conferencia Hábitat III, que hace un llamado a mejorar la plani-
ficación y gestión del crecimiento urbano, incluyendo el vínculo urbano-rural.
Asimismo, conferencias como la COP22 de la Convención Marco de las Na-
ciones Unidas sobre el Cambio Climático (CMNUCC) han destacado el rol del
ordenamiento territorial en la mitigación y adaptación al cambio climático me-
diante estrategias como la planificación resiliente, la reducción del riesgo de
desastres y el control de la expansión urbana.

11.3. Herramientas geoespaciales aplicadas a la planificación territorial

La planificación y gestión del territorio han experimentado una transforma-

ción significativa con la incorporación de herramientas geoespaciales, las cua-
les permiten analizar, modelar y representar información territorial con una pre-
cisión y eficiencia sin precedentes. Tecnologías como los SIG, la teledetección,
el modelado espacial y la evaluación multicriterio han sido fundamentales para
mejorar la toma de decisiones y promover la sostenibilidad y la equidad territo-
rial en los procesos de ordenamiento del territorio.

– 295 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 88. Objetivos de Desarrollo Sostenible de la Agenda 2030.

11.3.1. SIG como base para análisis multiescalares

Los SIG constituyen una herramienta central para la planificación territorial,

ya que permiten almacenar, gestionar, analizar y visualizar datos georreferen-
ciados de forma integrada. Su capacidad para manejar grandes volúmenes de
datos espaciales (mapas, imágenes satelitales, bases de datos tabulares, etc.)
permite abordar problemáticas complejas mediante análisis multiescalares,
es decir, a diferentes niveles espaciales y temporales (Burrough & McDonnell,
1998).
Los SIG permiten realizar análisis a escala local (por ejemplo, zonificación ur-
bana), regional (infraestructura interurbana, corredores ecológicos) y nacional
(planificación de grandes sistemas territoriales). A través de la superposición
de capas temáticas (como uso del suelo, biodiversidad, infraestructura, riesgos
naturales o densidad poblacional) es posible identificar patrones espaciales,
relaciones causa-efecto y conflictos territoriales, lo que facilita una toma de
decisiones más informada y contextualizada.
Además, los SIG permiten simular escenarios futuros mediante modelos
predictivos, como el crecimiento urbano o el cambio en la cobertura del suelo,
lo cual resulta clave en la planificación a largo plazo frente a fenómenos como
el cambio climático, la presión sobre los recursos o la expansión demográfica.

– 296 –
 Gestión y ordenación del territorio

11.3.2. Teledetección y monitoreo de cambios territoriales

La teledetección es otra herramienta clave en la gestión del territorio, ya que

permite capturar información del entorno terrestre desde sensores montados
en satélites, drones o aeronaves. Esta tecnología posibilita el monitoreo conti-
nuo y a gran escala de cambios en el uso y cobertura del suelo, la expansión
urbana, la degradación ambiental o los fenómenos naturales extremos (Chu-
vieco, 2008).
La capacidad de observación periódica que ofrece la teledetección facilita
la detección de cambios significativos en el territorio, como la deforestación, el
crecimiento urbano no planificado o la pérdida de cobertura vegetal. Esta infor-
mación es esencial tanto para la evaluación de políticas públicas como para el
diseño de intervenciones territoriales más eficaces.
Asimismo, la teledetección es ampliamente utilizada en la gestión de ries-
gos naturales, permitiendo generar información sobre topografía, humedad del
suelo, cambios en cuerpos de agua o actividad volcánica, lo cual mejora la
capacidad de anticipación y respuesta ante desastres.

11.3.3. Modelado espacial

El modelado espacial es una técnica analítica avanzada que permite simular

procesos y representar variables geográficas en función de sus interacciones
en el territorio. En el contexto del ordenamiento territorial, se utiliza para evaluar
la aptitud del suelo, predecir escenarios de cambio y optimizar la asignación de
usos del territorio.
Un ejemplo común son los modelos de aptitud territorial, que ayudan a
identificar zonas óptimas para determinados usos (agricultura, urbanización,
conservación, etc.), considerando múltiples factores: tipo de suelo, pendiente,
acceso a servicios y disponibilidad hídrica, entre otros. Estos modelos permiten
minimizar conflictos entre usos del suelo y orientar el desarrollo de forma efi-
ciente y sostenible.
Otro tipo relevante son los modelos de expansión urbana o rural, que simu-
lan el crecimiento del territorio en distintos escenarios futuros. Estos modelos
integran variables como la densidad poblacional, el valor del suelo, la accesi-
bilidad vial y las restricciones legales o ambientales, permitiendo planificar el

– 297 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

desarrollo urbano y evitando impactos negativos sobre áreas sensibles o co-

munidades vulnerables.

11.3.4. Evaluación multicriterio aplicada a ordenamiento territorial

La Evaluación Multicriterio (EMC) es una metodología que permite comparar

distintas alternativas de planificación considerando múltiples criterios simultá-
neamente, como viabilidad económica, impacto ambiental, equidad territorial o
aceptabilidad social. Como se abordó en capítulos anteriores, la EMC implica
identificar criterios relevantes, asignarles pesos según su importancia relativa y
combinar los resultados para generar una solución integrada (Malczewski, 2006).
En planificación territorial, la EMC se aplica en múltiples situaciones, tales
como localización óptima de infraestructuras (hospitales, carreteras, escuelas),
identificación de áreas prioritarias para conservación o restauración ambiental,
evaluación de escenarios de expansión urbana y priorización de proyectos de
inversión pública, entre otras.
Uno de los principales aportes de la EMC es que facilita procesos partici-
pativos y transparentes al permitir que las preferencias de diferentes actores
(técnicos, comunidades, instituciones) sean incorporadas explícitamente en el
análisis.

11.3.5. Plataformas colaborativas y geoportales

En los últimos años, las plataformas colaborativas y los geoportales se han

consolidado como instrumentos clave para fortalecer la gobernanza territorial
y la participación ciudadana. Estas herramientas digitales permiten el acceso
abierto y dinámico a datos geoespaciales, facilitando la consulta, el análisis y la
toma de decisiones de manera colectiva.
Los geoportales son plataformas web que permiten visualizar, consultar y
descargar información geográfica producida por organismos públicos, centros
de investigación o consorcios regionales. Estos espacios mejoran la transpa-
rencia institucional, democratizan el acceso a los datos y fortalecen la planifi-
cación basada en evidencia.
Por su parte, las plataformas colaborativas (como mapas participativos, en-
cuestas georreferenciadas o apps ciudadanas) permiten integrar las percep-

– 298 –
 Gestión y ordenación del territorio

ciones y conocimientos locales en los procesos de planificación. Estas herra-

mientas fortalecen la dimensión social del ordenamiento territorial, generando
procesos más inclusivos, adaptados y con mayor legitimidad social.

11.4. Estudios de caso

La aplicación de herramientas y metodologías geoespaciales en la planifica-

ción y gestión territorial ha demostrado ser crucial para enfrentar los desafíos
contemporáneos, tales como la expansión urbana descontrolada, la pérdida
de biodiversidad o la gestión de riesgos naturales. A continuación, se presenta
tres estudios de caso que ilustran cómo la geomática (a través de tecnologías
como los SIG, la teledetección, el modelado espacial y la evaluación multicrite-
rio) puede integrarse de manera exitosa en procesos de ordenación territorial,
mejorando la calidad de las decisiones y fomentando la sostenibilidad, la inclu-
sión y la resiliencia.

11.4.1. Zonificación ecológica y económica en territorios con alta presión

antrópica: el caso del Estado de São Paulo, Brasil

El Estado de São Paulo, una de las regiones más urbanizadas e industriali-

zadas de América Latina, enfrenta una fuerte presión sobre sus ecosistemas
y recursos naturales. Para orientar un desarrollo territorial más sostenible, el
gobierno estatal implementó la Zonificación Ecológica y Económica (ZEE-SP),
oficializada mediante el Decreto Estadual Nº 67.430/2022 (Governo do Esta-
do de São Paulo, 2022). Este instrumento busca integrar criterios ambientales,
socioeconómicos y climáticos en la planificación territorial de largo plazo, en
consonancia con los lineamientos del Ministerio de Medio Ambiente de Brasil
(MMA, 2006) y los marcos teóricos de Becker y Egler (1998).

• Metodología: la ZEE-SP se estructuró en cuatro fases: planeamiento,

diagnóstico, prognosis y formulación de directrices. Se aplicaron SIG,
análisis multicriterio, teledetección y modelado espacial para delimitar
zonas homogéneas en función de su vulnerabilidad y potencialidad (SE-
MIL, 2023). Un aporte metodológico destacado fue la incorporación de

– 299 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

escenarios climáticos al año 2050, basados en el RCP 8.5, en colaboración

con el CPTEC/INPE (2022).
Cinco directrices estratégicas guiaron el análisis: resiliencia climática,
seguridad hídrica, conservación de la biodiversidad, reducción de des-
igualdades territoriales y promoción de una economía sostenible. Con
base en estos lineamientos, se definieron nueve Zonas de Gestión, cada
una con recomendaciones específicas sobre usos del suelo y políticas
ambientales.
• Actores involucrados: la Secretaría de Medio Ambiente, Infraestructura y
Logística (SEMIL) lideró el proceso con apoyo técnico del Instituto Geo-
lógico y el CPTEC/INPE. La Comisión Estatal del ZEE-SP integró más de
diez secretarías sectoriales, fomentando una gobernanza intersectorial.
Se desarrollaron consultas públicas y talleres regionales con la partici-
pación activa de municipios, universidades, organizaciones sociales y el
sector productivo.
• Resultados e Impactos: la ZEE-SP permitió identificar áreas prioritarias
para la conservación y restauración ecológica (como el Vale do Ribeira),
así como zonas aptas para actividades productivas sostenibles (agricultu-
ra regenerativa, ecoturismo) (figura 89). Se generó productos clave, como
mapas temáticos, cartas síntesis, escenarios prospectivos y una platafor-
ma digital interactiva.
El carácter dinámico del instrumento, con actualizaciones periódicas pre-
vistas cada cuatro años (diagnóstico) y diez años (zonificación), fortalece
su capacidad adaptativa frente al cambio climático. Este caso constituye
una referencia de gobernanza territorial basada en ciencia, tecnología y
participación ciudadana.

– 300 –
 Gestión y ordenación del territorio

Figura 89. Zonificación Ecológico y Económica del estado de São Paulo.

11.4.2. Ordenación ambiental urbana mediante geomática: el caso “Ruta

del Agua” en el Área Metropolitana de Concepción, Chile

La urbanización acelerada del Área Metropolitana de Concepción (AMC), en

la región del Biobío, ha incrementado la presión sobre sus humedales urbanos,
ecosistemas clave para la regulación hídrica y la biodiversidad. Como respues-
ta, desde 2018 se desarrolla la iniciativa “Ruta del Agua”, un proyecto de orde-
nación ambiental basado en herramientas geomáticas, participación ciudada-
na y planificación multiescalar. El objetivo es integrar los humedales en una red
de infraestructura verde urbana mediante corredores ecológicos (Toledo, 2020;
Rueda-Seuel et al., 2018).

• Metodología: el proyecto combinó análisis geoespacial, diseño urbano y

participación social. Se elaboró un catastro SIG de los humedales urbanos
del AMC, utilizando teledetección y cartografía digital a través del sistema
Urbancost, una plataforma SIG-Web desarrollada por la Universidad del

– 301 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Bío-Bío (figura 90). Este visor permitió caracterizar servicios ecosistémi-

cos, estado de conservación y amenazas antrópicas de cada humedal.
Mediante talleres y encuestas, se incorporó percepciones ciudadanas
sobre el valor cultural y ambiental de los humedales. Con esta informa-
ción, se diseñó corredores verdes que conectan humedales estratégicos
mediante intervenciones como senderos, puentes ecológicos, espacios
públicos y zonas de amortiguamiento integradas a los planes regulado-
res urbanos.

Figura 90. Plataforma SIG-Web Urbancost para gestión de humedales urbanos.

• Actores involucrados: entre los actores involucrados, estuvieron:

- Municipalidades del AMC: Concepción, Talcahuano, San Pedro de la
Paz, Hualpén y Chiguayante (Mesa Metropolitana de Humedales).
- Centro de Estudios de Humedales (Universidad del Bío-Bío), desarro-
llador de Urbancost.

– 302 –
 Gestión y ordenación del territorio

- Gobierno Regional del Biobío y el BID, que aportaron apoyo financiero

y técnico.
- Organizaciones comunitarias y ciudadanía local, activamente involu-
cradas en el diseño territorial participativo.
• Resultados e Impactos: “Ruta del Agua” consolidó una red de corredores
ecológicos urbanos, articulando conservación, planificación urbana e in-
fraestructura verde. El uso de SIG facilitó la visibilización y protección de
humedales, así como la toma de decisiones por parte de los gobiernos
locales.
La plataforma Urbancost se convirtió en una herramienta pública para
la gestión ambiental, combinando datos geoespaciales, indicadores am-
bientales y memoria territorial. Este caso evidencia cómo la geomática,
combinada con participación social, puede impulsar una planificación ur-
bana sostenible y resiliente.

11.4.3. Ordenación territorial metropolitana con geomática: el caso del

SIUM en Monterrey, México

La Zona Metropolitana de Monterrey (ZMM), una de las más dinámicas de

México, ha experimentado una expansión urbana acelerada y fragmentada, ge-
nerando desafíos en términos de movilidad, servicios, sostenibilidad ambiental
y calidad de vida. Para enfrentarlos, en 2024 se implementó el Sistema de In-
formación Urbano Metropolitano (SIUM), una plataforma geoespacial desarro-
llada por el Tecnológico de Monterrey en colaboración con el gobierno local y
Fundación FEMSA (figura 91) (Tecnológico de Monterrey, 2024; SIUM, 2025).

• Metodología: el SIUM integra múltiples capas de información geoespa-

cial sobre la ZMM: crecimiento urbano, densidad poblacional, infraes-
tructura, movilidad, fenómenos ambientales (como islas de calor), y datos
presupuestarios. La plataforma, basada en arquitectura cloud, permite
visualizar y consultar información mediante mapas interactivos y análisis
dinámicos.
Para simular escenarios de crecimiento urbano, se incorporó el modelo
SLEUTH (basado en autómatas celulares), calibrado con series históricas.

– 303 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Este modelo permite evaluar impactos y orientar políticas públicas hacia

un desarrollo más compacto, resiliente y sostenible.
• Actores involucrados: como actores involucrados, estuvieron:
- Tecnológico de Monterrey, a través del Centro para el Futuro de las
Ciudades (desarrollo técnico).
- Gobierno del Estado de Nuevo León y municipios metropolitanos
(usuarios e implementadores).
- Fundación FEMSA (cofinanciadora y promotora).
- Ciudadanía, que accede a datos abiertos y participa en procesos con-
sultivos basados en evidencia.
• Resultados e impactos: entre los resultados obtenidos, se tiene que:
- El SIUM ha mejorado la visualización de patrones urbanos, facilitando
la toma de decisiones multiescalares.
- Ha permitido identificar zonas vulnerables (como islas de calor), pro-
moviendo políticas de infraestructura verde.
- La simulación de escenarios ha sido clave para evitar una urbanización
dispersa.
- Se ha fortalecido la gobernanza metropolitana al promover transpa-
rencia, colaboración interinstitucional y participación ciudadana.
Este caso destaca cómo la integración de SIG, modelado espacial y parti-
cipación social puede apoyar una planificación metropolitana más estra-
tégica, eficiente e inclusiva.

– 304 –
 Gestión y ordenación del territorio

Figura 91. Plataforma interactiva del SIUM.

11.5. Desafíos y perspectivas futuras

La gestión y ordenación del territorio enfrenta, actualmente, desafíos com-

plejos, como el cambio climático, la urbanización acelerada y la creciente pre-
sión sobre los recursos naturales. Estos retos requieren enfoques innovadores,
integrados y colaborativos. En este contexto, la planificación territorial del fu-
turo debe sustentarse en la evidencia científica, la cooperación interinstitucio-
nal y la participación ciudadana para avanzar hacia territorios más sostenibles,
equitativos y resilientes.
A pesar de las dificultades, las perspectivas futuras son alentadoras. Las in-
novaciones tecnológicas, la consolidación de una gobernanza territorial más
inclusiva y la necesidad urgente de superar las brechas institucionales y técni-
cas ofrecen una oportunidad única para transformar profundamente la manera
en que planificamos y gestionamos nuestros territorios.

– 305 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

11.5.1. Fragmentación institucional y debilidad normativa

Uno de los principales obstáculos en la planificación territorial es la frag-

mentación institucional, es decir, la falta de articulación entre los diversos ac-
tores (estatales, privados y sociales) involucrados en la gestión del territorio.
Con frecuencia, las competencias en materia de uso del suelo, infraestructura,
protección ambiental o gestión de riesgos están dispersas en múltiples orga-
nismos, lo que genera duplicación de funciones, contradicciones normativas y
falta de coherencia en las políticas públicas.
A esto se suma una debilidad normativa persistente: muchas leyes, regla-
mentos y planes territoriales están desactualizados o son insuficientes para
abordar la complejidad de los problemas actuales. Esta falta de un marco legal
robusto y articulado limita la capacidad de implementar estrategias sostenibles
y dificulta la distribución clara de responsabilidades (Máttar y Cuervo, 2017).
Superar estos desafíos requiere impulsar una gobernanza territorial integra-
da, promoviendo la cooperación interinstitucional y la construcción de visiones
compartidas de desarrollo territorial. La creación de plataformas de coordina-
ción, la modernización del marco normativo y el diseño de planes de gestión
más inclusivos y adaptativos son pasos esenciales. En este proceso, las tecno-
logías de la información y la comunicación (TIC) y los sistemas integrados de
información geoespacial pueden desempeñar un papel clave para facilitar el
intercambio de datos y la toma de decisiones coordinada.

11.5.2. Brechas tecnológicas y de capacidades

A pesar del avance en tecnologías geoespaciales, persisten importantes

brechas tecnológicas y de capacidades que limitan su implementación, es-
pecialmente en países en desarrollo. El acceso a software SIG especializado,
sistemas de teledetección o plataformas de modelado espacial puede ser cos-
toso o técnicamente complejo. Asimismo, muchas instituciones públicas care-
cen de la infraestructura adecuada y de personal capacitado para aplicar estas
herramientas de manera eficaz.
Para superar estas limitaciones es crucial fortalecer las capacidades institu-
cionales y técnicas locales. Esto implica no solo invertir en infraestructura tec-
nológica, sino también en formación continua y especializada para funcionarios

– 306 –
 Gestión y ordenación del territorio

públicos, técnicos, planificadores y tomadores de decisiones. La creación de

centros de excelencia en SIG y modelado espacial, así como la inclusión de
estos temas en currículos universitarios, contribuirá a aumentar la eficiencia y
la calidad de la planificación territorial (Craglia et al., 2012).
Además, la democratización del acceso a tecnologías (a través del uso de
software libre como QGIS o el desarrollo de plataformas de datos abiertos) re-
presenta una vía concreta para reducir desigualdades de acceso y ampliar la
base de usuarios de estas herramientas, favoreciendo así una planificación más
participativa y descentralizada.

11.5.3. Participación ciudadana y justicia territorial

La participación ciudadana es un componente esencial de una planificación

territorial inclusiva, especialmente en contextos donde existen tensiones entre
distintos intereses sobre el uso del territorio. Sin embargo, en muchos casos,
las comunidades locales y grupos vulnerables son excluidos de los procesos
decisionales, lo que puede acentuar las desigualdades sociales y generar con-
flictos, especialmente en áreas rurales, comunidades indígenas o sectores ur-
banos marginalizados.
La justicia territorial implica asegurar que todas las personas tengan ac-
ceso equitativo a los beneficios derivados de la planificación y que sus voces
sean escuchadas de manera efectiva en los procesos de toma de decisiones
(CEPAL, 2019). Esto es especialmente relevante en territorios expuestos a ame-
nazas ambientales o donde los proyectos de desarrollo generan tensiones en-
tre crecimiento económico y derechos comunitarios.
Para avanzar en esta dirección, es necesario fortalecer los mecanismos ins-
titucionales de participación desde las etapas más tempranas del diseño te-
rritorial. Herramientas como geoportales públicos, plataformas colaborativas
y aplicaciones móviles pueden facilitar el diálogo entre ciudadanía e institu-
ciones, haciendo más transparente y accesible la información territorial. A su
vez, es fundamental desarrollar marcos legales que garanticen la participación
efectiva, asegurando que los procesos sean no solo consultivos, sino también
vinculantes y con capacidad de incidencia real.

– 307 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

11.5.4. Innovaciones emergentes

Las tecnologías emergentes, como la inteligencia artificial (IA), el big data y

los sensores remotos en tiempo real, están transformando los enfoques tradi-
cionales de la gestión territorial. Estas herramientas permiten analizar grandes
volúmenes de datos geoespaciales, simular escenarios complejos a través de
gemelos digitales (digital twin) y anticipar impactos con mayor precisión.
La IA y el big data, por ejemplo, pueden prever tendencias urbanas, identi-
ficar patrones de uso del suelo o evaluar riesgos ambientales en tiempo real.
Los sensores remotos avanzados, junto con sistemas de alerta temprana, están
permitiendo el monitoreo dinámico de ecosistemas y la gestión de emergen-
cias ambientales, como incendios, inundaciones o deslizamientos (UN-GGIM,
2020).
Estas tecnologías ofrecen el potencial de una planificación territorial más
predictiva, proactiva y adaptativa, pero su adopción implica desafíos. Se requie-
re inversiones significativas en infraestructura, gestión de datos de alta calidad,
interoperabilidad de plataformas y una formación continua de recursos huma-
nos. La creación de redes de sensores integradas y sistemas de análisis en
tiempo real será clave para facilitar una gestión territorial más ágil y basada en
evidencia.

11.5.5. Hacia una nueva cultura del territorio basada en evidencia, equidad
y sostenibilidad

Los enfoques tradicionales de planificación, muchas veces centrados en in-

tereses de corto plazo o en visiones fragmentadas del territorio, están siendo
gradualmente reemplazados por una nueva cultura territorial. Esta transforma-
ción implica pasar a un modelo basado en datos confiables, principios de sos-
tenibilidad y justicia social y una visión de largo plazo.
Una cultura territorial fundamentada en la evidencia científica y los datos
geoespaciales permite integrar eficazmente el conocimiento técnico con las
dinámicas sociales y ambientales del territorio. Este enfoque busca no solo op-
timizar el uso del suelo, sino también asegurar la resiliencia frente al cambio cli-
mático, la protección de ecosistemas y el bienestar colectivo (Davoudi, 2006).
Adoptar esta nueva cultura requiere transformar las formas en que se dise-
ña, gestiona y evalúa los procesos de ordenamiento territorial. La combinación

– 308 –
 Gestión y ordenación del territorio

de tecnologías geomáticas, participación ciudadana, marcos legales inclusivos

y estrategias de gobernanza colaborativa será central para consolidar un mo-
delo de planificación capaz de enfrentar los desafíos del siglo XXI y construir
territorios más justos, resilientes y sostenibles.

11.6. Consideraciones y recomendaciones

La gestión y ordenación del territorio ha experimentado una transformación

significativa con la incorporación de herramientas geomáticas. Tecnologías
como los SIG, la teledetección y el modelado espacial han contribuido a una
planificación más eficiente, precisa y sostenible, permitiendo una mejor toma
de decisiones y favoreciendo un desarrollo territorial más equilibrado, justo y
alineado con las dinámicas locales y globales.

11.6.1. Aportes de la geomática a la gestión del territorio

La geomática ha revolucionado la planificación territorial del siglo XXI al per-

mitir la recopilación, análisis y visualización de grandes volúmenes de datos
espaciales. Esta capacidad ha sido fundamental para mejorar la toma de deci-
siones en ámbitos como la expansión urbana, la gestión de riesgos, la conser-
vación ambiental y la asignación eficiente del uso del suelo.
Tecnologías como los SIG, la teledetección y la evaluación multicriterio han
facilitado el monitoreo en tiempo real, el modelado predictivo y la evaluación
integrada de escenarios territoriales. Asimismo, la creación de plataformas co-
laborativas ha democratizado el acceso a la información geoespacial, impul-
sando procesos participativos e interinstitucionales que fortalecen la justicia
territorial al incorporar a las comunidades en la toma de decisiones que afectan
su entorno.

11.6.2. Lecciones aprendidas

Las experiencias analizadas en distintos contextos territoriales han dejado

importantes aprendizajes para una gestión más eficaz e inclusiva del territorio:

– 309 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Interdisciplinariedad: abordar la complejidad territorial requiere integrar

saberes provenientes de la geografía, la ingeniería, la planificación urbana
y las ciencias sociales, entre otras disciplinas.
• Cooperación interinstitucional: la colaboración entre gobiernos, aca-
demia, sociedad civil y sector privado es esencial para lograr una visión
compartida y coherente del desarrollo territorial.
• Capacitación continua: el uso eficaz de tecnologías geomáticas exige el
fortalecimiento constante de capacidades técnicas y metodológicas en-
tre profesionales y funcionarios públicos.
• Datos abiertos y accesibles: la disponibilidad de datos geoespaciales pú-
blicos es fundamental para promover la transparencia, la participación y
la innovación en los procesos de gestión territorial.

11.6.3. Recomendaciones

A partir de los hallazgos y estudios de caso presentados, se propone reco-

mendaciones diferenciadas para distintos actores clave:

a. Para los tomadores de decisiones:

- Impulsar plataformas de gobernanza territorial integradora, que inclu-
yan a todos los sectores y niveles de gobierno, junto a la ciudadanía y
organizaciones de base.
- Actualizar y armonizar los marcos legales y normativos para fortalecer la
coherencia institucional y la sostenibilidad en la planificación territorial.
- Invertir en tecnologías emergentes (IA, big data, sensores remotos)
que aumenten la capacidad de anticipación y respuesta ante cambios
en el territorio.

b. Para técnicos y profesionales:

- Desarrollar y aplicar competencias técnicas en SIG, modelado espa-
cial, evaluación multicriterio y herramientas de análisis espacial adap-
tadas a las realidades locales.
- Promover la gestión colaborativa de datos espaciales, fomentando la
interoperabilidad y el acceso público a bases de datos actualizadas.

– 310 –
 Gestión y ordenación del territorio

- Aplicar metodologías participativas y basadas en evidencia para abor-

dar los desafíos territoriales complejos desde un enfoque multidimen-
sional.

c. Para los académicos e investigadores:

- Fomentar la investigación interdisciplinaria que integre tecnologías
geomáticas con enfoques de justicia social, sostenibilidad y resiliencia
territorial.
- Diseñar programas de formación profesional que preparen a las nue-
vas generaciones para liderar procesos de planificación territorial par-
ticipativa e innovadora.
- Contribuir al desarrollo de metodologías y marcos conceptuales que
vinculen el conocimiento técnico con los saberes locales y la acción
pública.

11.6.4. Líneas de acción

En un contexto marcado por el cambio climático, la urbanización descon-

trolada y la presión sobre los ecosistemas, la necesidad de una planificación
territorial integral, resiliente y basada en evidencia es más urgente que nunca.
La geomática ofrece las herramientas técnicas para enfrentar estos desafíos
(Yépez y Ley, 2024), pero su aplicación efectiva dependerá de la voluntad polí-
tica, la colaboración intersectorial y el compromiso social.
Es momento de pasar de una planificación reactiva a una planificación
proactiva, capaz de anticiparse a los cambios, minimizar los impactos nega-
tivos y maximizar las oportunidades para el desarrollo sostenible. Este nuevo
paradigma debe tener como base:

• La evidencia científica como soporte para la toma de decisiones.

• La equidad territorial como principio rector del diseño de políticas públicas.
• La sostenibilidad como horizonte compartido entre generaciones.

La gestión del territorio no puede seguir siendo un ejercicio técnico aislado.

Debe convertirse en una práctica política, social y cultural comprometida con
la transformación justa y sustentable de nuestros territorios.

– 311 –
 REFERENCIAS BIBLIOGRÁFICAS

Aronoff, S. (1983). “Evaluating the effectiveness of remote sensing derived data

for environmental planning”. Journal of Environmental Management 17(3): pp
277-290.
Aronoff, S. (1995). Geographic Information Systems: A management perspective.
Otawa: WDL Publications. Fourth edition. 294 p.
Avery, T.E.; Berlin, G.L. (1985). Interpretation of aerial photographs. New York:
Macmillan publishing company. Fourth edition. 554 p.
Ayala, R. (2002). Historia, cronología, funcionamiento y aplicación del “GPS” a
través de tres décadas. Hipermarketing.
Barredo, J. (1995). “Aplicación de técnicas de evaluación multicriterio y sistemas
de información geográfica para la asignación/localización de actividades”.
Tesis Doctoral de la Universidad de Alcalá de Henares, Departamento de
Geografía. Alcalá de Henares. España.
Barredo, J. (1996). Sistemas de Información Geográfica y Evaluación Multicriterio
en la ordenación del territorio. Madrid: Ra-Ma. 263 p.
Barrientos, V. 1999. “Experiencias del Servicio Aerofotogramétrico con los Siste-
mas de Información Geográfica”. Seminario Internacional: Sistemas de Infor-
mación Geográfica y Teledetección Espacial Aplicadas a la Ordenación del
Territorio y el Medio Ambiente. Universidad de Talca. Talca, Chile. pp 23-28.
Batty, M., Axhausen, K. W., Giannotti, F., Pozdnoukhov, A., Bazzani, A., Wachowi-
cz, M., Ouzounis, G. & Portugali, Y. (2012). “Smart cities of the future”. The Eu-
ropean Physical Journal Special Topics, 214(1), 481–518.
Becker, B. K., & Egler, C.A.G. (1998). Brasil, Uma nova Potência Regional na Eco-
nomia-Mundo. Rio de Janeiro: Bertrand Brasil. 3era Ed.
Benlloch, M. (2017) “Comparación de las Temperaturas de Brillo en Banda L
Proporcionadas por SMOS y Aquiarius sobre Distintas Zonas de la Tierra”. Te-
sis Doctoral, Doctorado en Teledetección. Universidad de Valencia.
Bernabé-Poveda, M.A., López-Vázquez, C. (2012). Fundamentos de las Infraestruc-
turas de Datos Espaciales (IDE). Madrid: UPM-Press, Serie Científica. 599 p.

– 313 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Berné, JL., Anquela, A.B., Garrido, N. (2014). GNSS. GPS: fundamentos y aplicacio-
nes en Geomática. Editorial Universitat Politècnica de València
Berné, JL.; Garrido, N., Capilla, R. (2023). GNSS. Geodesia espacial y Geomáti-
ca. Editorial Universitat Politècnica de València. [Link]
le/10251/193985
Berry, B. J.; Marble, D. F. (1968). Spatial Analysis, Englewood Cliffs. Prentice Hall,
pp 91-100.
Böhme, K., Zillmer, S., Toptsidou, M., & Holstein, F. (2015). Territorial Governance
and Cohesion Policy. Brussels: European Parliament. Policy Department B:
Structural and Cohesion Policies.
Bosque, J. (1997). Sistemas de Información Geográfica. Ediciones Rialp, S.A. Ma-
drid. Segunda Edición. 451 p.
Brans, JP., & Mareschal, B. (2005). “PROMETHEE Methods”. In: Multiple Criteria
Decision Analysis: State of the Art Surveys. International Series in Operations
Research & Management Science, vol 78. Springer, New York, NY. https://
[Link]/10.1007/0-387-23081-5_5
Briones, H. (2000). “Evaluación del Sistema de Posicionamiento Global (G.P.S)
- Sistemas de Información Geográfica (S.I.G) en el trazado de caminos fores-
tales”. Tesis Ing. Forestal. Talca. Universidad de Talca. Facultad de Ciencias
Forestales. 90 p.
Buiten, H.J., & Clevers, J.G.P.W. (1993). Land Observation by Remote Sensing:
Theory and Applications, vol. 3 of Current Topics in Remote Sensing. Gorden &
Breach.
Burrough, P. (1986). Principles of Geographical Information Systems for Land Re-
sources Assessment. Oxford: Oxford University Press. 303 p.
Burrough, P. A., & McDonnell, R. A. (1998). Principles of Geographical Information
Systems. Oxford University Press.
Burrough, P., McDonnell, R. (1998). Principles of Geographical Information Sys-
tems (Spatial Information Systems). Oxford: Oxford University Press. Second
edition. 333 p.
Calvo, M. (1993). Sistemas de Información Geográfica Digitales. Sistemas geomé-
tricos. Victoria-Gasteiz: IVAP. 616 p.

– 314 –
 Referencias bibliográficas

Campbell, J. B., & Wynne, R. H. (2011). Introduction to remote sensing (5th ed.).
Guilford Press.
Cardoso, M. M., & Carñel, G. E. (2022). “Planificación urbana: evaluación multicri-
terio para nuevas localizaciones de centros de salud en Santa Fe”. Cuader-
nos de Vivienda y Urbanismo, 15, 37.
Carter, J. (1988). “Digital representation of topographic surfaces”. Photogramme-
tric Engineering and Remote Sensing, Nº54 (11), pp 1577-1580.
Carver, S. J. (1991). “Integrating multi-criteria evaluation with geographical infor-
mation systems”. International Journal of Geographical Information Systems,
5(3), 321–339.
Cebrián, J. (1988). “Sistemas de Información Geográfica”, en Bosque et al. (Ed.)
Aplicaciones de la informática a la geografía y las ciencias sociales. Síntesis.
Madrid. España.
Cebrián, J. (1992). Información geográfica y Sistemas de Información Geográfica.
Servicio de publicaciones de la Universidad de Cantabria, Santander. España.
CEPAL (Comisión Económica para América Latina y el Caribe) (2019). “Planifi-
cación para el desarrollo territorial sostenible en América Latina y el Caribe
(LC/CRP.17/3)”, Santiago, 2019.
Chang, K. T. (2019). Introduction to Geographic Information Systems. 9th edition.
McGraw-Hill.
Chen, Y., Yu, J., & Khan, S. (2010). “Spatial sensitivity analysis of multi-criteria
weights in GIS-based land suitability evaluation”. Environmental Modelling &
Software, 25(12), 1582–1591.
Chorley, R. J. (1987). The nature of geographic information systems. GeoBooks.
Chuvieco, E. (1990). “Visual versus digital analysis for vegetation mapping: some
examples on Central Spain”. Geocarto International. 3: 21-30.
Chuvieco, E. (1996). Fundamentos de Teledetección Espacial. Madrid: Riapl S.A.
Tercera edición. Madrid. 568 p.
Chuvieco, E. (1996). Fundamentos de teledetección. Ediciones Rialp.
Chuvieco, E. (2002). Teledetección Ambiental. La observación de la Tierra desde
el espacio. Barcelona: Editorial Ariel S.A. 586 p.

– 315 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Chuvieco, E. (2008). Teledetección ambiental. La observación de la Tierra desde

el espacio. Ariel Ciencia. 3ra Ed.
Chuvieco, E. (2008). Teledetección Ambiental: La Observación de la Tierra desde
el Espacio. Ariel Ciencia. 3ra Ed.
Chuvieco, E. (2016). Fundamentals of Satelite Remote Sensing. An Environmental
Approach. Second edition. CRC Press.
Chuvieco, E., Alonso, M. (1995). Teledetección y Medio Ambiente. Guía Didáctica.
Universidad Nacional de Educación a Distancia. 90 p.
Clarke, M. (1990). “Geographical information systems and model based analy-
sis: towards effective decision support systems”, en H. Scholten y J. Stillwell
(Eds.) Geographical information system for urban and regional planning,
Kluwer, Dordrecht.
Comas, D., Ruiz, E. (1993). Fundamentos de los Sistemas de Información Geográ-
fica. Barcelona: Ariel S.A. Primera edición. 295 p.
Connolly, T., & Begg, C. (2015). Database Systems: A Practical Approach to De-
sign, Implementation, and Management (6th ed.). Pearson.
Coppock, J. y Rhind, J. (1991). “The History of GIS”, en: D. Maguire, M. Goodchild y
D. Rhind (Eds.) Geographical Information Systems, Vol.1. Longmen. New York.
Cowan, R., & Foray, D. (1997). “The economics of codification and the diffusion of
knowledge”. Industrial and Corporate Change, 6(3), 595–622.
Cowen, D. (1988). “GIS versus CAD DBMS: What are the Differences?” Photo-
grammetric Engineering and Remote Sensing, 54, pp 1551-1554.
CPTEC/INPE. (2022). “Projeções climáticas aplicadas ao ZEE-SP. São José dos
Campos: Centro de Previsão de Tempo e Estudos Climáticos”.
Craglia, M., de Bie, K., Jackson, D., Pesaresi, M., Remetey-Fülöpp, G., Wang, C.,
Annoni, A., Bian, L., Campbell, F., Ehlers, M., van Genderen, J., Goodchild, M.,
Guo, H., Lewis, A., Simpson, R., Skidmore, A., & Peter Woodgate. (2012). “Digi-
tal Earth 2020: Towards the Vision for the Next Decade”. International Journal
of Digital Earth, 5(1), 4–21. [Link]
Crain, I. K., MacDonald, C. L. (1984). “From Land Inventory to Land Management”.
Cartographica, 21, pp 40-46.

– 316 –
 Referencias bibliográficas

Date, C. J. (2004). An Introduction to Database Systems (8th ed.). Addison-Wesley.

Davoudi, S. (2006). “Evidence-Based Planning: Rhetoric and Reality”. disP - The
Planning Review, 42(165), 14–24.
Dematteis, G., Governa, F. (2005). “Territorio y Territorialidad en el desarrollo lo-
cal. La contribución del Modelo SLOT”. Boletín de la Asociación de Geógrafos
Españoles, 39: 31-58.
Duckham, M., Goodchild, M.F., & Worboys, M. (Eds.). (2003). Foundations of Geo-
graphic Information Science (1st ed.). CRC Press. ISBN-10. 0415307260. ISBN-
13. 978-0415307260. 268 p.
Duckham, M., Kealy, A., Wallace, J. (2009). Geomatics. En Kitchin, R., Thrift, N.
(Eds.). International Encyclopedia of Human Geography. Elsevier. 435-440 p.
ISBN 9780080449104. [Link]
Duecker, K. J. (1979). “Land resource information systems: a review of fifteen
years experience”. Geo-Processing, 1. pp 105-128.
Eastman, J. R. (1999). “Multi-criteria evaluation and GIS”. In: Longley, P.A., Goo-
dchild, M.F., Maguire, D.J., and Rhind, D.W. (Eds.). Geographical Information
Systems. Longley, John Wiley and Sons, New York. pp. 493-502.
Eastman, J. R., Jin, W., Kyem, P. A. K., & Toledano, J. (1995). “Raster procedures for
multi-criteria/multi-objective decisions”. Photogrammetric Engineering and
Remote Sensing, 61(5), 539–547.
Encyclopædia Britannica. (2015). “GPS satellite”. Disponible en [Link]
[Link]/technology/Navstar-Global-Positioning-System#/me-
dia/1/235395/73033
Esri. (1992). PC-ARC/INFO. Version 3.4 D Plus. Environmental System Research
Institute. California.
Esri. (2025). What is GIS? Environmental Systems Research Institute. Recupera-
do de [Link]
Faludi, A. (2000). The Performance of Spatial Planning. Planning Practice & Re-
search, 15(4), 299–318.
Faludi, A. (2000). The Performance of Spatial Planning. Planning Practice & Re-
search, 15(4), 299–318.

– 317 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Feick, R., & Hall, G. B. (2004). “A method for examining spatial dimension of multi-
criteria weight sensitivity”. International Journal of Geographical Information
Science 18(8):815-84. DOI:10.1080/13658810412331280185
Feizizadeh, B., & Blaschke, T. (2013). “Land suitability analysis for Tabriz County,
Iran: A multi-criteria evaluation approach using GIS”. Journal of Environmental
Planning and Management, 56(1), 1–23.
Fischer, M., & Nijkamp, P. (1993). Design and use of geographic information sys-
tems and spatial models, en M. Fischer y P. Nijkamp (Eds.), Geographic In-
formation Systems, spatial modeling and policy evaluation, Springer-Verlag,
Berlín.
Gajardo, J. (2001). “Localización de sitios adecuados para albergar un vertede-
ro utilizando Sistemas de Información Geográfica y técnicas de Evaluación
Multicriterio”. Tesis Ing. Forestal. Talca. Universidad de Talca. Facultad de
Ciencias Forestales. 112 p.
Gatrell, A. (1987). “On putting some statistical analysis into Geographical Infor-
mation Systems: with special reference to problems of map comparison and
map overlay”, Research Report Nº5, University of Lancaster: Northern Regio-
nal Research Laboratory.
Geneletti, D. (2005). “Multicriteria analysis to compare the impact of alternative
road corridors: a case study in northern Italy”. Impact Assessment and Project
Appraisal 23(2):135-146. DOI:10.3152/147154605781765661
Geneletti, D. (2007). “An approach based on spatial multicriteria analysis to map
the nature conservation value of agricultural land”. Journal of Environmental
Management, 83(2), 228–235.
Geocom. (1996). “Sistema Satelital G.P.S: Medición y procesamiento de datos”.
IV Curso seminario internacional G.P.S. Ingeniería GEOCOM. Santiago. Chile.
116 p.
Ghilani, CH. D., & Wolf, P. R. (2011). Elementary Surveying: An Introduction to
Geomatics. 13th edition. Pearson Education. 984 p.
Gobierno de España (2010). Ley 14/2010, de 5 de julio, sobre las infraestructuras
y los servicios de información geográfica en España. [Link]
eli/es/l/2010/07/05/14/con

– 318 –
 Referencias bibliográficas

Gomarasca, M. (2009). Basics of Geomatics. Springer. 656 p.

Gomarasca, M.A. (2009). Basic of Geomatics; Springer: London, UK.
Goodchild, M. F. (1992). “Geographical information science”. Internatio-
nal Journal of Geographical Information Systems, 6(1), 31–45. [Link]
org/10.1080/02693799208901893
Goodchild, M. F. (2007). “Citizens as sensors: the world of volunteered geogra-
phy”. GeoJournal, 69(4), 211–221.
Goodchild, M. F. (2018). “Reimagining the history of GIS”. Annals of GIS, 24(1), 1–8.
Goodchild, M., Haining, R., & Wise, S. (1992). Integrating GIS and spatial data
analysis: problems and possibilities. Int. J. of Geographical Information Sys-
tems, Vol.6, Nº5, pp 407-423.
Governo do Estado de São Paulo. (2022). Decreto nº 67.430, de 30 de dezem-
bro de 2022. Institui o Zoneamento Ecológico-Econômico do Estado de São
Paulo – ZEE-SP. Recuperado de [Link]
lacao/decreto/2022/[Link]
Granshaw, S.I. (2020). Photogrammetric terminology: fourth edition. Photogram
Rec, 35: 143-288. [Link]
Gutiérrez, J., Gould, M. (1994). SIG: Sistemas de Información Geográfica. Madrid:
Síntesis. 240 p.
Haile, M.M., & Abebe, A.K. (2022). “GIS and fuzzy logic integration in land suita-
bility assessment for surface irrigation: The case of Guder watershed, Upper
Blue Nile Basin, Ethiopia”. Appl Water Sci 12, 240. [Link]
s13201-022-01761-w
Hansen, M. (1996). “Portable technologies: Improving forestry field work”. Jour-
nal of forestry. June, 1996. Published monthly by the Society of American Fo-
resters (SAF). Salem. pp 29-30.
Harvey, D. (1969). Explanation in Geography. University of Chicago Press.
Heywood, I., Cornelius, S., & Carver, S. (2011). An Introduction to Geographical
Information Systems (4th ed.). Pearson Education.
Hsu L.S, & Obe, R.O. (2021). PostGIS in Action (3rd ed.). Manning Publications.

– 319 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

ICDE. (2024). “La Infraestructura Colombiana de Datos Espaciales – ICDE”. Go-

bierno de Colombia. Disponible en: [Link]
Iniesto, M., Núñez, A. (Eds.). (2014). “Introducción a las Infraestructuras de Datos
Espaciales”. Instituto Geográfico Nacional, Ministerio de Fomento, Gobierno
de España. 418 p.
IPGH (Instituto Panamericano de Geografía e Historia). (2011). Perfil Latinoame-
ricano de Metadatos LAMP (versión preliminar de 2011).
ISO/TC 211. (2019). “Geographic Information/Geomatics Standards”. https://
[Link]/committee/[Link]
ISO/TR 19122:2004(en) “Geographic information/Geomatics - Qualification
and certification of personnel”. Disponible en [Link]
ui/#iso:std:iso:tr:19122:ed-1:v1:en
Jerez, G. O.; Alves, D. B. M. (2018). “GLONASS: Revisão teórica e estado da arte”.
R. bras. Geom., Curitiba, v. 6, n. 2, p. 155-173, abr/jun.
Kamel, M.N., Wilson, J.T. & Clauson, K.A. (2018). “Geospatial blockchain: promi-
ses, challenges, and scenarios in health and healthcare”. Int J Health Geogr
17, 25. [Link]
Kaplan, E. D., & Hegarty, C. J. (Eds.). (2006). Understanding GPS: Principles and
Applications (2.ª ed.). Artech House.
Leica. (1999). Introducción al Sistema GPS (Sistema de Posicionamiento Global).
Geosystem AG. Heerburgg. Suiza. 63 p.
Li, S., Dragicevic, S., & Veenendaal, B. (2020). Advances in Web-based GIS, Map-
ping Services and Applications. CRC Press.
Lillesand, T.M., Kiefer, R.W., & Chipman, J.W. (2004). Remote Sensing and Image
Interpretation. Ffth edition. John Wiley & Sons, New York, NY.
Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2005). Geographical
Information Systems and Science. 2nd edition. John Wiley & Sons.
Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2015). Geographic
Information Science and Systems (4th ed.). Wiley.
López, F., Crecente, R., Álvarez, C. (2002). “Los usos del suelo analizados me-
diante S.I.G.” Universidad de Santiago de Compostela. XIV Congreso Interna-
cional de Ingeniería Gráfica. Santander, España.

– 320 –
 Referencias bibliográficas

Maguire, D., & Dangermond, J. (1991). “The functionality of GIS”, en D. Maguire,

M. Goodchild y D. Rhind (Eds.) Geographical Information Systems, Vol.1, Long-
man, Nueva York.
Malczewski, J. (1999). GIS and Multicriteria Decision Analysis. John Wiley & Sons.
Malczewski, J. (2006). “GIS‐based multicriteria decision analysis: a survey of the
literature”. International Journal of Geographical Information Science, 20(7),
703–726. [Link]
Malczewski, J., & Rinner, C. (2015). Multicriteria Decision Analysis in Geographic
Information Science. Springer.
“Management”. Indian Journal of Science and Technology, Vol 9(39).
Mark, D.M. (2000). “Geographic information science: Critical issues in an emer-
ging cross-disciplinary research domain”. Journal of the Urban and Regional
Information Systems Association, 12(1):45–54.
Marrero-Betancort, N., Rodríguez-Esparragón, D., Marcello-Ruiz, F.J. (2019). Eva-
luación de variables climáticas obtenidas mediante teledetección en el entor-
no de las aguas del archipiélago canario. Instituto de Oceanografía y Cam-
bio Global, Universidad de Las Palmas de Gran Canaria, Unidad Asociada
ULPGC-CSIC.
Martínez, A. F., Ordóñez, J. A. (2010). “Plataforma web 2.0 para un sistema GPS
- GSM/GPRS de monitoreo en tiempo real para el transporte público de la
ciudad de Pasto”. Informe final de Trabajo de Grado. Universidad De Nariño,
Pasto.
Martínez, G., Bello, A., Álvarez, J., Villanueva, J. (2002). “Optimización de redes de
telecomunicación mediante SIG”. XIV Congreso Internacional de Ingeniería
Gráfica. Santander, España.
Martínez, J., Fuster, J. (1995). El Sistema de Posicionamiento Global (GPS): Princi-
pios Básicos de Funcionamiento. Libro Apunte número 38. Universidad Poli-
técnica Valencia. Servicio de Publicaciones. Valencia. 355 p.
Máttar, J.; Cuervo, L.M. (2017). Planificación para el desarrollo en América Latina y
el Caribe: enfoques, experiencias y perspectivas. Libros de la CEPAL 148 (LC/
PUB.2017/16-P), Santiago, Comisión Económica para América Latina y el Ca-
ribe (CEPAL).

– 321 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Mena, C., Cantillana, J.C., Ormazábal, Y. (2016). “Distribución espacial de las va-
riedades de cepa País y Cabernet Sauvignon en el secano costero de la re-
gión del Maule”. Interciencia. December 2016, 41(12).
Mena, C., Gajardo, J., Ormazábal, Y. (2001). Programa “Aplicación, Metodología y
Localización de Sitios Adecuados para Albergar un Relleno Sanitario utilizan-
do Sistemas de Información Geográfica y Técnicas de Evaluación Multicrite-
rio” Área de estudio: Comunas Longaví, Retiro y Parral (COD BIP 20172165-
0). Proyecto Fondo Nacional de Desarrollo Regional (FNDR). Universidad de
Talca. 105 p.
Ministerio para la Transición Ecológica y el Reto Demográfico. (2024). “¿Qué es
una IDE?” Disponible en: [Link]
ide/presentacion/[Link]
MMA (Ministério do Meio Ambiente). (2006). Diretrizes metodológicas para o
zoneamento ecológico-econômico do Brasil. Brasília: MMA/SDS.
Morales, P., Melo, J., Chávez, G. (2023). Recomendación Técnica: Marco Integrado
de Información Geoespacial de Naciones Unidas. Ministerio de Bienes Nacio-
nales. 21 p.
Naciones Unidas. (2015). “Transformar nuestro mundo: la Agenda 2030 para el
Desarrollo Sostenible”. Organización de las Naciones Unidas. [Link]
[Link]/es/documents/agenda-2030-para-el-desarrollo-sostenible
Nappi, M. (1990). “Growth of geographical information system applications in
developing countries”, en H. Sholten y J. Stillwell (Eds.) Geographical Informa-
tion Systems for urban and regional planning. Kluwer. Dordrecht.
NCGIA. (1989). “Research plan of the National Center of Geographic Information
and analysis”. International Journal of Geographical Information Systems. 3 (2)
pp 117-136.
Nebert, D. (2004). “Developing Spatial Data Infrastructures: The SDI Cookbook”.
The Global Spatial Data Infrastructure Association (GSDI), version 2.0. 171 p.
[Link]
Núñez-García, A., Valbuena, J., Velasco, J. (1992). G.P.S. La nueva era de la topo-
grafía. Madrid: Ediciones Ciencias Sociales. 236 p.
OGC - Open Geospatial Consortium. (2025a). OGC Standards. [Link]
org/standards

– 322 –
 Referencias bibliográficas

OGC - Open Geospatial Consortium. (2025b). OGC List of Best Practices. https://
[Link]/best-practice/
ONU-Hábitat. (2017). “Nueva Agenda Urbana. Programa de las Naciones Unidas
para los Asentamientos Humanos (ONU-Hábitat)”. [Link]
new-urban-agenda/
Ormeño, S. (1993). Teledetección Fundamental. España. Escuela Universitaria de
Ingeniería Técnica Topográfica. Universidad Politécnica. Madrid.
Peuquet, D. J. (1979). “Raster Processing: An Alternative Approach to Automated
Cartographic data handling”. American Cartographer, Vol.6, pp 129-139.
Peuquet, D. J. (1984). “A conceptual framework and comparison of spatial data
models”. En: Peuquet, D. J. y Marble, D.F. (1990). Introductory readings in Geo-
graphic Information Systems. Londres, Taylor & Francis, pp 250-285.
Pichaiman, V. & Manjula, K.R. (2016). Research Directions on GIS Database De-
sign and
Pinilla, C. (1995). Elementos de Teledetección. Madrid: Ra-ma. 314 p.
Prodan, M., Peters, R., Cox, F., Real, P. (1997). Mensura forestal. Instituto Interame-
ricano de Cooperación para la Agricultura. 561 p.
Rajabifard, A., & Williamson, I. P. (2001). Spatial Data Infrastructures: Hierarchy of
SDI Components. GSDI 5 Conference Proceedings.
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., Carvalhais, N.,
& Prabhat. (2019). “Deep learning and process understanding for data-driven
Earth system science”. Nature, 566(7743), 195–204.
Rigaux, P., Scholl, M., & Voisard, A. (2002). Spatial Databases: With Application to
GIS. Morgan Kaufmann.
Rinner, C., & Malczewski, J. (2002). “Web-enabled spatial decision analysis using
Ordered Weighted Averaging (OWA)”. Journal of Geographical Systems 4(4),
385-403. doi:10.1007/s101090300095
Robinson, A., Sale, R., Morrison, J., Muerhrcke, P. (1987). Elementos de Cartogra-
fía. Barcelona: Omega. 543 p.
Roy, B. (1991). “The outranking approach and the foundations of ELECTRE
methods”. Theory and Decision, 31(1), 49–73.

– 323 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Rueda-Seguel, I. A., Rojas-Quezada, C. A., De la Fuente-Contreras, H. E., & Vi-

rano-Reyes, P. Z. (2018). “Diseño colaborativo de una plataforma SIG web
de humedales urbanos del área Metropolitana de Concepción (urbancost)”.
Urbano, 21(37), 32–43. [Link]
Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill, New York.
Sabins, F. F. (1996). Remote Sensing: Principles and Interpretation. Third edition.
Freeman & Co., New York, NY.
Sadalage, P. J., & Fowler, M. (2012). NoSQL Distilled: A Brief Guide to the Emerging
World of Polyglot Persistence. Addison-Wesley.
Seeber, G. (1993). Satellite Geodesy: Foundations, Methods & Applications. Walter
de Gruyter, Berlin New York, 531p.
SEMIL (Secretaria de Meio Ambiente, Infraestrutura e Logística). (2023). Portal
ZEE-SP. Recuperado de [Link]
Shahabi, H., & Hashim, M. (2015). “Landslide susceptibility mapping using GIS-
based statistical models and Remote sensing data in tropical environment”.
Sci Rep 5, 9899. [Link]
Shekhar, S., & Chawla, S. (2003). Spatial Databases: A Tour. Pearson.
SIUM (Sistema de Información Urbano Metropolitano). (2025). [Link]
[Link]/
Star, J., & Estes, J. (1990). Geographic Information Systems. An introduction. Nueva
Jersey, Englewood Cliffs.
Tecnológico de Monterrey. (2024). “Futuro y Ciudad lanza el Sistema de Infor-
mación Urbano Metropolitano para Monterrey”. Conecta Tec. [Link]
[Link]/es/noticias/monterrey/institucion/futuro-y-ciudad-lanza-tec-
sistema-de-informacion-urbano
Toledo, C. (2020). “Construyendo metrópolis en Chile: el caso ruta del agua
como piloto de gestión del territorio metropolitano en el Gran Concepción”
/ Building metropolis in Chile: the case of the water route as a pilot for the
management of the metropolitan territory in Greater Concepción. Revista te-
rritorios y regionalismos, 2(2), 15–23. [Link]

– 324 –
 Referencias bibliográficas

Tomlin, D. (1990). Geographic Information Systems and cartographic modeling,

Prentice Hall, Nueva Jersey.
Tomlin, D. (1991). “Cartographic modelling”, en D. Maguire, M. Goodchild y D.
Rhind (Eds.) Geographical Information Systems, Vol.1, Longman, Nueva York.
Tomlinson, R. F. (1987). “Review of North American experience of current and
potencial uses of Geographic Information Systems”, en DOE. Department
of Environment, Handling Geographic Information, Her Majesty´s Stationery
Office, London, pp 153-161.
Tomlinson, R. F. (1988). “The impact of the transition from analogue to digital
cartographic representation”. The American Cartographer, 15: 249-262.
Ulloa, Domingo, Fotógrafo, 1925-2018. Servicio Aerofotogramétrico de la Fuerza
Aeréa del comandante Juan Soler Manfredini [fotografía] Domingo Ulloa. Ar-
chivo Fotográfico. Disponible en Biblioteca Nacional Digital de Chile https://
[Link]/bnd/629/[Link]. Ac-
cedido en 11/8/2024.
UN-GGIM (United Nations Committee of Experts on Global Geospatial Informa-
tion Management). (2020). Future trends in geospatial information manage-
ment: The five to ten year vision (Third edition).
Unwin, D. J. (1981). Introductory Spatial Analysis. London: Methuen. 226 p.
Yager, R. R. (1988). “On ordered weighted averaging aggregation operators in
multicriteria decisionmaking”. In: IEEE Transactions on Systems, Man, and Cy-
bernetics, 18(1), 183–190. [Link]
Yépez, F. D., Ley, J. (2024). Aplicaciones geomáticas en el estudio de la sustenta-
bilidad. Editorial UANL. ISBN: 978-607-27-2346-7.
Zeleny, M. (1982). Multiple Criteria Decision Making. McGraw-Hill.

– 325 –
 SECCIÓN II

APLICACIONES DE GEOMÁTICA
 CAPÍTULO I
EL USO DE LA GEOMÁTICA PARA EL MAPEO DE LOS EFECTOS DE
EVENTOS EXTREMOS: ESTUDIO DE CASO INUNDACIÓN DE LA
CUENCA HIDROGRÁFICA DEL RÍO TAQUARI-ANTAS, BRASIL

María Silvia Pardi Lacruz1, Manoel de Araújo Sousa Júnior1,

Tania Maria Sausen2, João Roberto dos Santos3

1.1. Introducción

Eventos naturales, como inundaciones, sequías, huracanes e incendios, son

considerados desastres cuando se registra la interacción de estos procesos
físicos con grupos sociales, lo que perjudica las actividades económicas, am-
bientales o humanas. Los eventos climáticos y meteorológicos extremos son
fenómenos que ocurren en gran volumen y fuera de los niveles considerados
normales, siendo también un aspecto integrante de la variabilidad climática, en
frecuencia y en intensidad (Artaxo, 2022). Estudios recientes indican un aumen-
to en la magnitud y frecuencia de estos eventos, independientemente de su
localización geográfica y características climáticas.
En Brasil, cuando se tiene la influencia del fenómeno El Niño, frecuentemen-
te ocurren eventos extremos con consecuencias importantes en los diversos
biomas. En los primeros siete meses de 2024, el Pantanal sufrió la mayor sequía
de los últimos 40 años, lo que contribuyó a la propagación de incendios de
gran magnitud (Dias et al., 2024), mientras que la Amazonía presentó la ma-
yor sequía en 120 años. Por otro lado, la región Sur, la única del país que tiene
su territorio totalmente localizado en una zona de clima subtropical templado,
presentó grandes volúmenes de precipitación, que resultaron en inundaciones
catastróficas.

1
Universidade Federal de Santa Maria - UFSM, Santa Maria - RS, Brasil.
2
GS Engenharia Ltda., Porto Alegre - RS, Brasil.
3
Instituto Nacional de Pesquisas Espaciais - INPE, São José dos Campos - SP, Brasil.

– 329 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En este escenario, los cambios climáticos no pueden seguir siendo tratados

como un tema geográficamente aislado o que afecta a pocas áreas, sino como
el resultado de las interacciones del ser humano con el medio ambiente en una
escala regional o global. Al analizar los gráficos con las anomalías de tempera-
turas globales, se puede constatar que los 10 años más calientes registrados
coinciden con el período de 2014 a 2024 (NCEI, 2024; WMO, 2024).
Cada vez más frecuentemente, organismos internacionales, institutos de in-
vestigación y universidades expresan a los gobernantes mundiales sus preocu-
paciones con el medio ambiente y los posibles impactos y consecuencias que
los cambios climáticos pueden causar al planeta. En 2015, durante la Cumbre
de las Naciones Unidas sobre el Desarrollo Sostenible, fueron definidos los 17
Objetivos de Desarrollo Sostenible (ODS), de los cuales el décimo tercero se
centra en los mecanismos a ser adoptados para minimizar los efectos del cam-
bio global del clima y sus impactos resultantes (Nações Unidas Brasil, 2024).
Entre las metas trazadas en este objetivo están la resiliencia y la capacidad de
adaptación, la mejora de la educación y la concienciación sobre la mitigación,
adaptación y reducción de impactos, así como la integración de medidas del
cambio del clima en las políticas, estrategias y planificación.
Otro ODS que está relacionado con los desastres y la ordenación del territo-
rio es el décimo primero, “Ciudades y Comunidades Sostenibles”: las políticas
de uso y cobertura del suelo y la planificación urbana deben ser parte de las
estrategias para la reducción y evaluación de riesgos de desastres, y para el
fortalecimiento de la resiliencia de las ciudades y comunidades afectadas por
desastres (PNUD Brasil, 2024).
La geomática, por medio de los tres ejes: percepción remota, geoprocesa-
miento y sistemas globales de navegación por satélite, constituye una fuente
importante de datos geoespaciales para el estudio de los diferentes tipos de
desastres naturales en cada una de sus fases: antes del desastre (prevención
y preparación), durante el desastre (respuesta y mitigación) y después del de-
sastre (recuperación).
La ordenación del territorio tiene como objetivo diagnosticar y establecer las
mejores formas de uso de un determinado lugar y promover la interacción del
ser humano con el medio ambiente, con la finalidad de planificar la ocupación
y servir como un instrumento de políticas de uso y ocupación del territorio. Así,
la ordenación es una herramienta primordial en la planificación y manejo de

– 330 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

cuencas hidrográficas en la prevención y mitigación de desastres que puedan

ocurrir dentro de estas unidades.
Considerando los aspectos antes expuestos, el objetivo general de este tra-
bajo es presentar el uso de la geomática para la caracterización de eventos
de inundación en la cuenca hidrográfica del río Taquari-Antas. Los objetivos
específicos son:

- Mapear las áreas afectadas por eventos de inundación a partir de un

ejemplo de una cuenca hidrográfica de la región Sur de Brasil.
- Hacer el levantamiento de los municipios de la unidad de gestión del
Baixo Taquari-Antas, que fueron afectados por estos eventos.
- Demostrar la utilidad de las imágenes de diferentes sensores y resolucio-
nes para el mapeo de los eventos de inundación.

Entre el final de abril y el inicio de mayo de 2024, el estado de Rio Grande

do Sul fue afectado por fuertes lluvias que causaron grandes inundaciones en
diferentes regiones del estado. La Defensa Civil estadual hizo un balance en
números de afectados en este evento, que retrata de forma clara su magnitud
y la consecuente dimensión de los daños causados en todo el estado:

- De los 497 municipios del estado, 478 fueron afectados.

- El estado de Rio Grande do Sul tiene una población de 10.882.965 habi-
tantes, de los cuales el 22% fue afectado.
- Del total de personas afectadas, hubo 806 personas heridas, 27 desapa-
recidos y 183 óbitos confirmados (Governo do Estado do Rio Grande do
Sul, 2024).

Los ríos y arroyos de la cuenca hidrográfica del río Taquari-Antas, que es

uno de los afluentes pertenecientes a la región hidrográfica del estuario del
Guaíba, alcanzaron caudales récord con niveles nunca vistos desde la histórica
inundación del año 1941, cuando el Guaíba alcanzó la marca de 4,76 metros. En
2024, el día 5 de mayo, esa marca fue superada y llegó a 5,35 metros. Las aguas
de la cuenca del río Taquari-Antas contribuyeron de forma significativa a estas
inundaciones históricas (Faleiro, 2024).

– 331 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Este fue un evento de proporciones extremas que causó grandes daños y

pérdidas sociales y económicas al estado, lo que llevó a que se activara la Car-
ta Internacional Espacio y Grandes Desastres por medio del Centro Nacional de
Gerenciamento de Riscos e Desastres (CENAD) de Brasil. Como resultado, fue-
ron realizados varios mapas de las áreas afectadas, con el uso de imágenes or-
bitales con diferentes resoluciones. La magnitud de los eventos de inundación
ocurridos en la cuenca hidrográfica del río Taquari-Antas motivó a los autores
de este trabajo a realizar estudios más detallados sobre las áreas afectadas en
esta cuenca.

1.2. Desarrollo

1.2.1. Área de estudio

La cuenca hidrográfica del río Taquari-Antas está localizada en la parte no-

reste del estado y tiene un área de 26.491,82 km², lo que corresponde al 9% del
territorio de Rio Grande do Sul; dentro de sus límites, la cuenca contiene 119
municipios total o parcialmente. El río Taquari-Antas es el principal afluente del
río Jacuí, mayor formador de la región hidrográfica de la cuenca del Guaíba.
La naciente del río principal se localiza en el extremo este del Planalto dos
Campos Gerais (alto y medio curso) en el municipio de Cambará do Sul (1.039
m s. n. m.), con la denominación de río das Antas hasta la desembocadura del
río Carreiro, próximo al municipio de São Valentim do Sul. A partir de este punto
pasa a ser denominado río Taquari, y desemboca en el río Jacuí, próximo a la
ciudad de Triunfo (31 m s. n. m.) en la Depressão Central (bajo curso) (FEPAM,
2024). El río Taquari-Antas tiene una extensión de 546 km desde su naciente
hasta su desembocadura, de los cuales 359 km corresponden al río das Antas
y 187 km al río Taquari (figura 1).
La cuenca hidrográfica tiene una población estimada de 1.383.442 habitantes
para el año 2020, de los cuales el 78% se encuentra en áreas urbanas y el 22%
en áreas rurales. Según la clasificación climática de Köppen, Rio Grande do Sul
se encuentra dentro de la zona de clima templado (tipo C); la cuenca presenta
predominantemente un clima templado, variedad Cfb, característico de áreas
con altitud superior a 600 m s. n. m., lluvias distribuidas de forma uniforme, sin

– 332 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

estación seca y con temperaturas del mes más cálido que no alcanzan los 22°C.
La parte oeste de la cuenca presenta un clima subtropical, variedad Cfa, carac-
terizado por un verano cálido, con temperaturas superiores a 22°C y más de 30
mm de precipitación en el mes más seco (SEMA, 2024).

Figura 1. Mapa de la cuenca hidrográfica del río Taquari-Antas.

Debido a que los registros de eventos de inundación de abril y mayo de 2024 se

concentraron en la parte baja de la cuenca hidrográfica, el procesamiento de las
imágenes ópticas y de radar se limitó a la unidad de gestión Baixo Taquari-Antas.

1.2.2. Materiales y métodos

El modelo de elevación (MDE) global NASADEM se deriva de una combi-

nación de mejoras de procesamiento de la Shuttle Radar Topography Mission
(SRTM), control de elevación, relleno de vacíos y fusión con datos no disponi-
bles al momento en que fue producido el SRTM (NASA JPL, 2020). Los produc-
tos NASADEM están disponibles desde febrero de 2020 por medio del Land
Processes Distributed Active Archive Center (LP DAAC). Se utilizaron 12 produc-

– 333 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

tos del modelo digital de elevación, versión 1, con resolución de 1 arco-segun-

do (~30 metros), que cubren el área total de la cuenca hidrográfica.
Las imágenes Sentinel son fundamentales para el mapeo de áreas afecta-
das por desastres, debido al tiempo de revisita de los satélites, la resolución
espacial de las imágenes y la región del espectro electromagnético en la que
operan los sensores. En momentos en que las imágenes ópticas del Sentinel-2
presentan restricciones por la cobertura de nubes, una opción es el uso de
imágenes de radar de apertura sintética (Synthetic Aperture Radar, SAR) obte-
nidas por los satélites Sentinel-1. Este sensor opera en la región de las microon-
das y es ampliamente utilizado para la detección de áreas húmedas y cuerpos
de agua (ESA, 2024). La diferencia entre los datos ópticos y los de radar radica
en que los primeros detectan alteraciones en la reflectancia de la superficie,
mientras que los SAR detectan cambios en la estructura de la vegetación y en
la humedad, lo que los hace ideales para el mapeo de áreas inundadas.
Las imágenes ópticas y de radar Sentinel se limitaron al área correspondiente
a la unidad de gestión del Baixo Taquari-Antas. Se utilizaron cuatro imágenes del
Sentinel-2 (sensor multiespectral) del día 6 de mayo y otras cuatro del 30 de junio,
bandas 2, 3, 4 y 8, correspondientes al azul, verde, rojo e infrarrojo cercano, con 10
metros de resolución espacial (ESA, 2024). También se usaron imágenes de radar
del Sentinel-1, banda C (5.405 GHz), con una longitud de onda de aproximadamen-
te 5,55 cm: dos escenas del día 8 de mayo y una del día 4 de junio de 2024. Adicio-
nalmente, se utilizaron los límites municipales del estado de Rio Grande do Sul y
de Brasil, obtenidos del Instituto Brasileiro de Geografía e Estatística (IBGE, 2023),
así como los límites de la cuenca hidrográfica y de las unidades de gestión dispo-
nibles en el portal de la Secretaria do Meio Ambiente e Infraestrutura (SEMA, 2024).
El procesamiento de las imágenes se realizó utilizando el software Senti-
nel Application Platform (SNAP), versión 11, desarrollado por la Agencia Espa-
cial Europea (ESA, 2024). Para la integración de las diferentes capas necesarias
(como las máscaras de inundación resultantes del procesamiento de las imá-
genes, el modelo digital de elevación NASADEM y los límites de la cuenca y de
la unidad de gestión del Baixo Taquari-Antas) se utilizó el software QGIS, versión
3.34.6-Prizren. El mosaico de los doce productos NASADEM permitió generar
el mapa hipsométrico y calcular la declividad de la cuenca hidrográfica del río
Taquari-Antas.
Para determinar el área afectada por la inundación a partir de las imágenes
Sentinel-2, se siguió la práctica recomendada de mapeo de inundaciones y

– 334 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

evaluación de daños, utilizando datos ópticos Sentinel-2 (UN-SPIDER, 2024a). A

partir de estas imágenes se realizó un mosaico que cubrió la unidad de gestión
del Baixo Taquari-Antas. A pesar de la alta frecuencia de revisita de las imáge-
nes Sentinel, no se encontró imágenes sin nubes de otras fechas para el área
de interés. El siguiente paso consistió en el cálculo del Índice de Agua de Dife-
rencia Normalizada (NDWI, por su sigla en inglés), desarrollado por McFeeters
(1996), utilizando las bandas del verde y del infrarrojo cercano. La ecuación [1]
muestra la fórmula del NDWI para las imágenes Sentinel-2.

NDWI = (banda 3 - banda 8) / (banda 3 - banda 8) [1]

El resultado del cálculo es una imagen con valores entre -1 y 1, donde los va-
lores positivos representan áreas con agua y los valores cero o negativos corres-
ponden a vegetación y suelo (McFeeters, 1996; Gao, 1996). Para extraer la máscara
de agua en formato vectorial, se importó la imagen al software QGIS y se generó el
mapa de inundación para el día 6 de mayo de 2024. El mosaico del día 30 de junio
se utilizó para verificar las áreas afectadas dos meses después del evento.
El procesamiento de las imágenes de radar se inició con la calibración me-
diante corrección geométrica, convirtiendo las imágenes de amplitud a deci-
beles (dB). Posteriormente, se aplicó un filtro Lee para reducir el ruido speckle y
se utilizó un umbral de 0,0222 dB para separar los cuerpos de agua, siguiendo
lo propuesto en la práctica recomendada (UN-SPIDER, 2024b). El resultado fue
una imagen binaria que se sometió a corrección geométrica utilizando como
parámetro el modelo digital de elevación, y se generaron las máscaras de inun-
dación del 8 de mayo y del 4 de junio de 2024.

1.3. Resultados y discusión

A partir de 1824, grandes grupos de inmigrantes alemanes llegaron al estado

de Rio Grande do Sul y se asentaron a lo largo del río Taquari y sus afluentes,
dando origen a las ciudades del valle del río Taquari. Muchas de estas ciudades
se establecieron en las márgenes de los ríos, principalmente en el Bajo Taqua-
ri-Antas; dado que no existían carreteras, el río era la única vía de comunicación
con el resto del estado. Estas ciudades crecieron y, con cierta frecuencia, prác-
ticamente todas son afectadas en mayor o menor grado por las inundaciones.

– 335 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En 1941 se registró una de las mayores inundaciones del estado, provocada por
las lluvias que ocurrieron entre el 13 de abril y el 6 de mayo, acumulando alre-
dedor de 900 mm de precipitación. En septiembre y noviembre de 2023, tam-
bién se presentaron altos volúmenes de precipitación que causaron enormes
pérdidas económicas, llegando a inundar más de la mitad del área urbana de
algunas ciudades o, incluso, arrasarlas completamente.
Entre el 26 de abril y el 15 de mayo de 2024, se volvió a registrar un volumen
significativo de lluvias en la Región Hidrográfica del Guaíba y sus cuencas aso-
ciadas. Las estaciones meteorológicas automáticas del Instituto Nacional de
Meteorología (INMET) registraron las mayores precipitaciones del Estado en
ese período. En 20 días, la variación del volumen de precipitación fue de en-
tre 401,4 mm y 836,4 mm, con una media de 603,3 mm, valor que es un 77,8%
superior a la media climatológica del período (1991–2020) (Caron et al., 2024).
El mayor volumen (836,4 mm) se registró en la estación de Bento Gonçalves,
próxima a los municipios de Muçum, Encantado y Roca Sales; todos pertene-
cientes a la cuenca del Taquari-Antas.
El análisis del mapa hipsométrico de la cuenca del Taquari-Antas (figura 2)
revela tres niveles altitudinales distintos, desde la naciente, con más de 1.000
m s. n. m., hasta la desembocadura, con altitudes próximas a los 5 m s. n. m.

Figura 2. Mapa hipsométrico de la cuenca hidrográfica del río Taquari-Antas.

– 336 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

- Cuenca alta: localizada en el Planalto dos Campos Gerais, presenta alti-

tudes entre 700 y 1.000 m s. n. m., con una extensión de 183 km. Se ca-
racteriza por pendientes acentuadas, afluentes encajados y numerosos
rápidos, lo que favorece una escorrentía acelerada.
- Cuenca media: también en el Planalto dos Campos Gerais, presenta al-
titudes entre 200 y 700 m s. n. m. con pendientes menos pronunciadas,
valles encajados y rápidos que concentran caudales y generan inunda-
ciones repentinas.
- Cuenca baja: desde la desembocadura del río Guaporé hasta su con-
fluencia con el río Jacuí. Presenta altitudes inferiores a los 200 m s. n. m.,
con pendiente baja y escasa presencia de rápidos. En su tramo final, el río
discurre por una extensa planicie aluvial limitada por colinas residuales
de 20 a 50 m s. n. m., formando un río de planicie de 140 km de extensión.
Estas características geomorfológicas favorecen la acumulación de agua
en eventos de precipitación extrema.

El volumen y la persistencia de las lluvias en la cuenca baja del Taquari-An-

tas provocaron una inundación de grandes proporciones, que persistió duran-
te varios días. Según los boletines de alertas hidrológicas, la primera estación
en alcanzar la cota de inundación fue Estrela (19,00 m) el 30 de abril de 2024.
La cota de inundación es el nivel a partir del cual se observan daños (CPRM,
2024). Luego, otras estaciones alcanzaron sus respectivas cotas: Bom Retiro
do Sul (16,50 m), Encantado (12,00 m) y Porto Mariante (14,00 m). El 1 de mayo
se sumaron Santa Tereza (15,00 m) y Muçum (18,00 m). Las cotas máximas se
registraron el 2 de mayo en Estrela (32,75 m) y Bom Retiro do Sul (21,73 m), y se
mantuvieron por encima de la cota de inundación hasta el 6 de mayo. Las de-
más estaciones no registraron niveles después del 2 de mayo.
La primera imagen satelital disponible de la inundación fue proporcionada
por The International Charter: Space and Major Disasters (2024), correspondien-
te al 1 de mayo por la mañana, capturada por radar entre Bom Retiro do Sul
y Taquari (figura 3a). El área afectada abarca aproximadamente 14 km en su
sección más extensa. En la figura 3b se observa la evolución de la inundación:
el área del 1 de mayo por la mañana (azul claro), por la noche (azul oscuro) y
del 3 de mayo (rojo), notándose un crecimiento principalmente hacia el sur y la
margen derecha del río.

– 337 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

a b

Figura 3. a) Imagen del área afectada por la inundación entre Bom Retiro do Sul y
Taquari, 1 de mayo de 2024; b) Evolución del área inundada del 1 y 3 de mayo.
Fuente: The International Charter: Space and Major Disasters (2024).

En la imagen en color natural del Sentinel-2 (bandas 4, 3, 2) del 6 de mayo de

2024, se distingue el agua del río en color marrón claro, debido a la alta carga
de sedimentos. Las zonas inundadas se observan en marrón oscuro o amarillo
claro (figura 4a). Esta coloración se mantiene hasta Bom Retiro do Sul (figura
4b), reflejando áreas con sedimentos o suelo expuesto.

a b

Figura 4. Imagen Sentinel-2 del 6 de mayo de 2024. a) Proximidades de Arroio do

Meio y Colinas; b) Tramo de Porto Mariante y Taquari.

– 338 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

La figura 5 muestra la imagen Sentinel-2 del 6 de mayo y la correspondiente

máscara de inundación obtenida mediante el NDWI. En la cuenca media, la
inundación se encuentra mayormente concentrada en las áreas adyacentes
al canal principal del río, siendo más extensa en las proximidades de Muçum,
donde alcanza aproximadamente 1 km de ancho.

a b

Figura 5. a) Imagen Sentinel-2, 6 de mayo de 2024; b) Imagen con la mancha de

inundación generada a partir del NDWI.

En la unidad de gestión del Baixo Taquari-Antas, en el tramo comprendido

entre el sur de Muçum y las ciudades de Lajeado y Estrela, la inundación pre-
senta una mayor extensión en comparación con el tramo anterior. No obstante,
continúa restringida a las zonas próximas al canal del río. A partir de Bom Retiro
do Sul y hasta la desembocadura, las aguas se expanden ampliamente por
la planicie aluvial, cubriendo extensas áreas marginales del río Taquari-Antas.
Esto genera un evento de inundación de gran magnitud en este tramo del cur-
so fluvial.
Esta situación se explica por las condiciones geomorfológicas presentes en
este sector, que abarca desde Bom Retiro do Sul hasta Triunfo. En esta zona
se encuentran terrenos de menor pendiente, topografía más llana y la mayor
extensión de la planicie aluvial del río. La Figura 6 muestra un recorte del mapa
hipsométrico correspondiente a este sector, donde se puede observar la rela-
ción entre el cauce principal y la extensión de la zona inundada, la cual se man-
tiene confinada a la planicie de inundación. En estas áreas se localizan varias
ciudades cuyas economías dependen fundamentalmente de la agricultura y la
ganadería, sectores que sufren pérdidas significativas durante los eventos de
inundación.

– 339 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

a b

Figura 6. a) Hipsometría del sector entre Bom Retiro do Sul y Triunfo, destacando
la planicie de inundación y el drenaje; b) Hipsometría con el área inundada
correspondiente al 6 de mayo de 2024, indicada en rojo.

La imagen del 8 de mayo muestra una reducción del área afectada respecto
a la imagen del 6 de mayo. En la cuenca media del Taquari-Antas, aún se ob-
serva zonas inundadas, especialmente entre Santa Tereza y Muçum, así como
en el río Guaporé. En la cuenca baja, aunque se nota una disminución general
del área inundada, aparecen nuevas áreas anegadas que no estaban afectadas
en la fecha anterior, principalmente entre Roca Sales, Colinas y en las márge-
nes del río Forqueta (figuras 7a y 7b). La mayor reducción se observa en el tra-
mo del río entre Bom Retiro do Sul y Taquari, con una longitud aproximada de
22 km a lo largo del canal, concentrándose ahora la inundación entre Taquari y
la desembocadura.
La imagen de radar del 4 de junio muestra una lámina de agua y áreas hú-
medas similares a las observadas el 8 de mayo, abarcando desde la cuenca
media hasta la baja del Taquari-Antas, aproximadamente hasta Porto Mariante.
A partir de ese punto, se identifica pequeñas áreas aún inundadas cercanas
al canal del río (figuras 7c y 7d). Estas áreas persisten debido a la continuidad
de las precipitaciones, que mantienen el suelo saturado y provocan una alta
respuesta en las imágenes de radar, las cuales son sensibles a la humedad del
suelo. Esta capacidad refuerza la importancia del uso de imágenes SAR en el
monitoreo de inundaciones.

– 340 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

a b

c d

Figura 7. a) Imagen Sentinel-1 (polarización VH) del 8 de mayo de 2024; b) Imagen del
8 de mayo con la mancha de inundación obtenida mediante umbral de 0,0222 dB; c)
Imagen Sentinel-1 del 4 de junio de 2024; d) Imagen del 4 de junio con la respectiva
mancha de inundación generada con el mismo umbral.

Un aspecto relevante es que las imágenes de radar permiten identificar con

precisión cuerpos de agua y áreas húmedas, debido a la gran absorción de
energía que produce una baja respuesta de la señal de retorno. Sin embargo,
las áreas afectadas donde se ha producido cambios en la cobertura del sue-
lo, pero ya no contienen agua en superficie, no son detectadas con este tipo
de sensor. La figura 8 corresponde a una imagen Sentinel-2 del 30 de junio
de 2024, dos meses después del inicio del evento, donde aún se observa se-
dimentos en el cauce del río y zonas con acumulación de detritos y barro en
áreas previamente inundadas.
La unidad de gestión del Baixo Taquari-Antas comprende total o parcial-
mente 45 municipios. De este total, solo catorce fueron afectados por la inun-

– 341 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

dación en alguna proporción. La tabla 1, elaborada a partir del procesamiento

de imágenes ópticas y de radar, presenta la extensión de las áreas afectadas
en cada municipio, considerando únicamente el área localizada dentro de los
límites de la unidad de gestión.

a b c

Figura 8. a) Imagen Sentinel-2 del 30 de junio de 2024; b) Fragmento correspondiente

a la región de Colinas; c) Detalle del área afectada próxima a la ciudad de Taquari.

El análisis revela que los municipios de Taquari y General Câmara presenta-

ron las mayores áreas afectadas en las tres fechas analizadas. En términos rela-
tivos, considerando el porcentaje del área municipal afectada, General Câmara
ocupa la primera posición en todas las imágenes, seguido por Taquari en las
imágenes de mayo y por Colinas en la imagen de junio. Las principales clases
de uso y cobertura del suelo afectadas corresponden a cultivos agrícolas, zo-
nas agropecuarias y campos.

– 342 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

Tabla 1: Áreas afectadas por la inundación de los municipios de la unidad de

gestión del Baixo Taquari-Antas.
Área afectada del municipio Área afectada del municipio
Área del
dentro de la unidad de dentro de la unidad de
municipio (km2)
gestión (km2) gestión (%)
Dentro
Municipio Total de la 6/5/2024 8/5/2024 4/6/2024 6/5/2024 8/5/2024 4/6/2024
unidad
General
510,01 281,09 77,89 39,53 11,79 27,71 14,06 4,19
Câmara
Taquari 349,97 349,97 80,13 41,18 13,77 22,90 11,77 3,93
Bom
Retiro do 102,54 102,54 14,74 1,82 1,79 14,37 1,78 1,75
Sul
Lajeado 91,23 55,52 7,96 1,70 2,00 14,33 3,07 3,61
Cruzeiro
155,06 155,06 20,69 4,19 5,02 13,34 2,70 3,24
do Sul
Estrela 185,03 185,03 19,00 4,86 5,74 10,27 2,63 3,10
Triunfo 817,63 181,03 16,45 8,81 5,01 9,09 4,87 2,77
Passo do
265,13 165,94 14,78 3,69 2,15 8,91 2,22 1,29
Sobrado
Venâncio
772,59 754,66 65,85 5,90 3,64 8,73 0,78 0,48
Aires
Colinas 60,73 60,73 4,63 2,69 2,52 7,62 4,43 4,15
Vale
329,73 157,43 11,62 4,24 4,57 7,38 2,69 2,90
Verde
Arroio do
157,09 118,39 7,68 4,35 3,93 6,49 3,68 3,32
Meio
Encantado 140,01 135,62 7,81 4,18 3,10 5,76 3,08 2,29
Roca
208,11 168,19 7,98 5,72 4,86 4,74 3,40 2,89
Sales

1.4. Conclusiones

El uso de imágenes orbitales provenientes de diferentes satélites, con va-

riadas resoluciones espectrales, temporales y espaciales, se ha consolidado
como una herramienta fundamental para el monitoreo y la gestión de desas-
tres naturales, como las inundaciones. Estas tecnologías permiten no solo deli-

– 343 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

mitar con precisión las áreas afectadas y cuantificar su magnitud, sino también
generar información en tiempo casi real, que sirve como apoyo operativo para
las acciones de planificación, rescate y respuesta por parte de entidades gu-
bernamentales, organismos de defensa civil y equipos voluntarios.
Además de su aplicación inmediata en la fase de emergencia, estas infor-
maciones geoespaciales constituyen un insumo estratégico para el diseño de
políticas públicas orientadas al ordenamiento territorial, la prevención de de-
sastres y la planificación de la reconstrucción post-evento. De este modo, el
análisis espacial y temporal de las áreas impactadas puede guiar la priorización
de inversiones, el diseño de proyectos y la asignación más eficiente de recur-
sos financieros en regiones vulnerables.
Resulta fundamental destacar la importancia de integrar imágenes ópticas
(que operan en el espectro visible) con imágenes de radar de apertura sintética
(SAR), que utilizan microondas y no se ven afectadas por la cobertura de nubes.
Esta integración es especialmente valiosa en escenarios donde las condicio-
nes meteorológicas limitan la captura de imágenes ópticas, permitiendo un
monitoreo continuo, incluso durante eventos extremos prolongados.
Dada la magnitud del evento analizado (tanto por su extensión territorial
como por el impacto en áreas urbanas y rurales), se hace evidente la urgen-
cia de revisar y aplicar de forma más rigurosa las directrices de ordenamiento
territorial, las normativas ambientales y la legislación sobre uso del suelo. Asi-
mismo, es imprescindible fortalecer el papel de los comités de cuencas hidro-
gráficas como instancias activas en la gestión y planificación integrada de los
recursos hídricos
Finalmente, este tipo de eventos extremos refuerza la necesidad de que los
gobiernos regionales y nacionales comprendan que los fenómenos climáticos
están adquiriendo nuevas características de frecuencia e intensidad, represen-
tando un desafío creciente. La formulación de políticas públicas innovadoras,
orientadas a la prevención, adaptación y mitigación, se vuelve indispensable
para minimizar las pérdidas humanas y económicas. La naturaleza, una vez
más, actúa como un recordatorio de que el desarrollo humano debe alinearse
con los principios de sostenibilidad, resiliencia y respeto a los límites ecológi-
cos de cada territorio.

– 344 –
 El uso de la geomática para el mapeo de los efectos de eventos extremos

1.5. Referencias

Artaxo, P. (2022). “Mudanças climáticas: caminhos para o Brasil. Ciência e Cultu-

ra”, 74(4). DOI: [Link]
Caron, B. O., Nardini, C., Baumhardt, E. (2024). “Boletim Climático: precipitação
entre os dias 26 de abril a 15 de maio de 2024 para o Rio Grande do Sul”.
UFSM, Campus de Frederico Westphalen. Recuperado de [Link]
377-11566
CPRM (Companhia de Pesquisa de Recursos Minerais). (2024). “Boletim de aler-
ta hidrológico da bacia do rio Taquari”. Recuperado de: [Link]
br/sace/index_bacias_monitoradas.php#
Dias, M., Rosa, M. R., Rosa, E. R., Correa, H., Maioli, V., Santos, C., Coelho, M. E. (2024).
“Alerta precoce para mitigar impactos da seca no Pantanal. WWW-Brasil”.
Recuperado de [Link]
[Link]
ESA (European Space Agency). (2024). Welcome to the SentiWiki Home Page.
Recuperado de: [Link]
Faleiro, F. (2024). “A fúria devastadora das águas”. A Hora. Lajeado, 18 mayo 2024.
Recuperado de [Link]
devastadora-das-aguas/
FEPAM (Fundação Estadual de Proteção Ambiental Henrique Luis Roessler, RS).
(2024). Qualidade ambiental - região hidrográfica do Guaíba. Recuperado de:
[Link]
[Link]
Gao, B. C. (1996). “NDWI - A Normalized Difference Water Index for remote sen-
sing of vegetation liquid water from space”. Remote Sensing of Environment,
58(3), p.257-266. DOI: [Link]
Governo do Estado do Rio Grande do Sul. (2024). Secretaria de Comunicação.
SOS Rio Grande do Sul. Situação dos municípios. Recuperado de: https://
[Link]/situacao-nos-municipios
IBGE (Instituto Brasileiro de Geografia e Estatística). (2023). “Malhas territo-
riais”. Recuperado de: [Link]
[Link]

– 345 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

McFeeters, S. K. (1996). “The use of the Normalized Difference Water Index (NDWI)
in the delineation of open water features”. International Journal of Remote
Sensing, 17(7), 1425-1432. DOI: [Link]
Nações Unidas Brasil. (2024). “Os objetivos de desenvolvimento sustentáveis no
Brasil”. Recuperado de: [Link]
NASA JPL (2020). NASADEM Merged DEM Global 1 arc second V001 [Data
set]. NASA EOSDIS Land Processes Distributed Active Archive Center. DOI:
[Link]
NCEI (National Centers for Environmental Information). (2024). “Monthly Global
Climate Report for July 2024”. Recuperado de: [Link]
access/monitoring/monthly-report/global/202407/supplemental/page-
PNUD (Programa das Nações Unidas para o Desenvolvimento Brasil). (2024).
“ODS em ação”. Recuperado de: [Link]
de-desenvolvimento-sustentavel
SEMA (Secretaria do Meio Ambiente e Infraestrutura). (2024). “G040 - Bacia Hi-
drográfica do Rio Taquari-Antas”. Mapas. Governo do Estado do Rio Grande
do Sul. Recuperado de: [Link]
The International Charter: Space and Major Disasters (2024). [Link]
[Link]/web/guest/activations/-/article/flood-in-brazil-activa-
tion-875-
UN-SPIDER (United Nations Platform for Space-based Information for Disaster
Management and Emergency Response). (2024a). Viena: United Nations Offi-
ce for Outer Space Affairs, Recuperado de: [Link]
support/recommended-practices/recommended-practice-flood-map-
ping-and-damage-assessment
UN-SPIDER (United Nations Platform for Space-based Information for Disaster
Management and Emergency Response). (2024b). Viena: United Nations Offi-
ce for Outer Space Affairs. Recuperado de: [Link]
support/recommended-practices/recommended-practice-radar-based-
flood-mapping
WMO (World Meteorological Organization). (2024). “2024 is on track to be
hottest year on record as warming temporarily hits 1.5°C”. Recuperado de:
[Link]
warming-temporarily-hits-15degc

– 346 –
 CAPÍTULO II
ESTUDIO DE LA SEVERIDAD DE LAS ÁREAS AFECTADAS POR
INCENDIOS FORESTALES OCURRIDOS DURANTE LA TORMENTA DE
FUEGO (2016-2017) MEDIANTE PERCEPCIÓN REMOTA

Leonardo Ibarra S.1, Carolina Barrientos G.1,

Daniela González A.1, Esteban barra P. 1

2.1. Introducción

El Servicio Aerofotogramétrico es un organismo de la Fuerza Aérea de Chile,

creado mediante la Ley 15.284, cuya misión es entregar soluciones de aerofo-
togrametría tanto a la Institución como al Estado, así como también elaborar la
cartografía aeronáutica nacional y realizar levantamientos aerofotogramétricos
a solicitud de entidades públicas y privadas.
Desde 1963, el SAF ha desarrollado paulatinamente capacidades de plani-
ficación, adquisición, procesamiento, análisis y distribución de imágenes sate-
litales y aerotransportadas, que le permiten responder a las necesidades del
país tanto en materias de desarrollo nacional como frente a situaciones de
emergencia, provocadas por diversos tipos de desastres socionaturales, que
han afectado históricamente al territorio. Es por esto que las capacidades tec-
nológicas y humanas han permitido al SAF mantener un rol como referente en
teledetección a nivel nacional.
Prueba de ello son los innumerables levantamientos de información geo-
espacial efectuados por el SAF con motivo del terremoto y tsunami de Valdivia
en 1960; el terremoto de 1985 en la zona central del país; el terremoto y tsuna-
mi del Biobío en 2010 y las erupciones volcánicas de Chaitén (2008), Copahue
(2015, 2016, 2018), Lascar (2015) y Calbuco (2019), entre otras; así como también
durante aluviones ocurridos en las regiones de Atacama (2015), Metropolitana

1
Servicio Aerofotogramétrico (SAF), Fuerza Aérea de Chile (FACh), Santiago, Chile.

– 347 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

(2017) y Los Lagos (2017), entre otros eventos. En todos estos casos, el SAF ha
utilizado sus medios para capturar información del territorio ante erupciones
volcánicas, terremotos, maremotos, inundaciones y deslizamientos de terreno,
entre otros.
Por otro lado, entre las consecuencias del cambio climático, durante la úl-
tima década se ha registrado un incremento significativo de emergencias por
incendios forestales a nivel país, afectando particularmente a las regiones de
Valparaíso, Metropolitana, O’Higgins, Maule, Ñuble y La Araucanía, entre otras.
Con la incorporación de tecnología de sistemas aerotransportados y satelita-
les de observación terrestre, los organismos del Estado a cargo de las emer-
gencias cuentan con información geoespacial oportuna que permite, por una
parte, actuar en la identificación y caracterización geográfica de estos eventos,
y por otra, apoyar la mitigación de los mismos. En este contexto, el rol de la te-
ledetección, tanto satelital como aerotransportada, resulta fundamental como
complemento para el análisis y la toma de decisiones.
Asimismo, desde el año 2021 se incorporó el Sistema Nacional Espacial al
desarrollo del país, el cual ha permitido contar con una mayor amplitud de
capacidades de observación terrestre en los ámbitos óptico, multiespectral e
hiperespectral, facilitando el uso de herramientas de análisis que permiten en-
tregar información con valor añadido para la mitigación de incendios forestales
a nivel nacional.
El presente artículo describe el trabajo realizado por el Centro de Investiga-
ción en Teledetección del Servicio Aerofotogramétrico en materias de proce-
samiento y análisis de imágenes, como herramienta de apoyo a los tomadores
de decisiones.

2.2. Desarrollo

2.2.1. Incendios forestales y teledetección

Los incendios forestales se definen como fuegos que se propagan sin con-
trol y que pueden originarse de manera natural o por acción humana, exten-
diéndose a través de la vegetación, incluyendo árboles, matorrales y pastizales
(Pausas, 2012). Aunque en ocasiones constituyen una perturbación común del

– 348 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

medio ambiente, en determinadas circunstancias pueden transformarse en in-

cendios forestales extremos, causando daños severos al ecosistema, como de-
gradación del suelo y pérdida de biodiversidad (Avetisyan et al., 2023), así como
pérdidas humanas, afectaciones a la salud y perjuicios económicos.
Es fundamental comprender dos conceptos clave relacionados con los in-
cendios forestales: la gravedad del incendio y la gravedad de las quemaduras.
La primera se refiere a la intensidad y extensión del fuego, evaluando sus efec-
tos inmediatos después del evento (Lentile et al., 2006). En cambio, la grave-
dad de las quemaduras se define como el cambio ambiental provocado por el
incendio, cuantificando cómo ha sido alterado el ecosistema (Key & Benson,
2002; Lentile et al., 2006).
Por otra parte, las técnicas de percepción remota o teledetección se em-
plean para adquirir información de la superficie terrestre, constituyéndose en
herramientas versátiles con aplicaciones que abarcan desde la planificación
urbana y el uso agrícola hasta el monitoreo de eventos ambientales. Gracias
a su capacidad para cubrir grandes extensiones de terreno de manera rápida
y repetitiva, la teledetección es considerada una herramienta esencial para la
prevención, monitoreo y evaluación de incendios forestales, permitiendo ade-
más comprender cómo responden los ecosistemas ante estos siniestros (Chu
& Guo, 2014).
La teledetección aplicada a incendios forestales ha evolucionado significa-
tivamente desde mediados de los años 1980 (Lentile et al., 2006; Chu & Guo,
2014), abarcando todo el ciclo del fuego, desde la prevención hasta la evalua-
ción de impactos. Esta se puede aplicar en tres fases temporales: condiciones
previas al incendio, características del fuego activo, y respuesta del ecosistema
posterior al incendio (Lentile et al., 2006; Seidl et al., 2011). En este estudio, se
emplea el concepto de severidad de las quemaduras para estimar los efectos
del incendio mediante el análisis de imágenes satelitales y la evaluación de la
variación en la reflectancia espectral, lo que permite clasificar la severidad del
daño en alta, moderada o baja (Chen et al., 2011; Keeley, 2009).
A nivel internacional, se ha utilizado diversas plataformas e instrumentos
con sensores de distintas características para mapear áreas quemadas y mo-
nitorear de forma remota tanto las características del fuego activo como los
efectos posteriores al evento (ver tabla 2). Estos sistemas utilizan datos con re-
soluciones espaciales que van desde gruesas hasta muy finas, proporcionando

– 349 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

métodos rentables y eficaces para delimitar la extensión de incendios a escalas

locales, regionales o globales, facilitando así la evaluación de los impactos am-
bientales generados por el fuego.
Los datos satelitales multiespectrales se utilizan ampliamente en el ma-
peo de los efectos de los incendios forestales, desarrollándose y aplicándose
distintos algoritmos y metodologías para detectar áreas quemadas mediante
sensores, tanto a escala global, regional como local (Oliva et al., 2023). Estas
técnicas se presentan como alternativas de interés para la generación de car-
tografías de áreas quemadas (Fernández-Manso et al., 2017).
En este contexto, se ha diseñado varios índices espectrales que permiten
evaluar los cambios sobre la vegetación afectada, mapear áreas quemadas y
estimar el grado de severidad del incendio. Entre los métodos más utilizados
para calcular superficies quemadas, se encuentra el Índice Normalizado de
Área Quemada (NBR, por su sigla en inglés), el cual analiza la alteración pos-
terior al incendio basándose en la relación entre la diferencia de reflectancia
en las bandas del infrarrojo cercano (NIR) y del infrarrojo de onda corta (SWIR)
(Ponomarev et al., 2022). Para determinar la severidad del incendio, se utiliza el
Índice Diferencial Normalizado de Área Quemada (dNBR), que se obtiene cal-
culando la diferencia entre el NBR antes y después del incendio, evaluando así
el cambio producido en el ecosistema (Key & Benson, 2006). Las ecuaciones [1]
y [2] se emplean para calcular el NBR y el dNBR, respectivamente:

NBR = (NIR - SWIR) [1]

(NIR + SWIR)
dNBR = NBRprevio - NBRposterior [2]

Donde NIR: reflectancia en el infrarrojo cercano, SWIR: reflectancia en el in-

frarrojo de onda corta, NBRprevio: valor del NBR antes del incendio y NBRpos-
terior: valor del NBR después del incendio.

– 350 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

Tabla 2: Algunos satélites y sensores para aplicaciones relacionadas a

incendios forestales.
Plataforma/ Resolución Resolución Resolución
Descripción
Instrumento Espacial Espectral Temporal
Landsat Satélites de la 15 - 60 m Visible e 16 días (para
NASA/USGS que infrarrojo Landsat 7 y 8)
proporcionan cercano
imágenes
multiespectrales
para monitoreo
continuo
MODIS (Moderate Sensor en satélites 250 - 500 m, Visible e 1 a 2 días
resolution imaging de la NASA para 1 km infrarrojo
spectroradiometer) detección de cercano,
incendios y cambios infrarrojo
en la vegetación térmico
Sentinel - 2 Satélite de la 10 - 20 m Visible e 5 días
ESA que captura infrarrojo
imágenes ópticas de cercano,
alta resolución para infrarrojo de
vigilancia ambiental onda corta
GOES (Geostationary Satélites que 1 km Infrarrojo Cada 5 - 15
Operational monitorean las térmico min
Environmental condiciones
Satellite) meteorológicas y
detectan incendios
en tiempo real
VIIRS (Visible Sensor montado 375 m Visible e 1 vez al día
Infrared Imaging en satélites que infrarrojo
Radiometer Suite) detecta incendios y cercano,
proporciona datos infrarrojo
de temperatura térmico
superficial
AVHRR (Advanced Sensor a bordo de 1,1 - 4 km Visible e Varias veces
very high resolution satélites NOAA para infrarrojo durante el día
radiometer) monitoreo ambiental, cercano,
incluyendo incendios infrarrojo
forestales térmico
CALIPSO (Cloud Satélites que utilizan Variable Lidar, Variable
– Aerosol Lidar LIDAR para estudiar infrarrojo
and infrared la atmosfera y térmico
pathfinder satellite superficie terrestre,
observation) útil en incendios.

– 351 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Estos índices permiten no sólo delimitar con mayor precisión las áreas afec-
tadas por el fuego, sino también estimar el nivel de impacto sobre la vegeta-
ción y el suelo, lo cual es de gran utilidad para las tareas de evaluación am-
biental, recuperación del territorio y planificación de acciones de mitigación y
restauración. A partir del dNBR, la imagen resultante se clasifica en los niveles
de severidad establecidos (tabla 3), teniendo como objetivo identificar zonas
con alta y baja afectación.

Tabla 3: Nivel de severidad de un incendio.

Grado de Severidad Rango de dNBR
No quemado -0,1 - 0,1
Área quemada de baja severidad 0,1 - 0,27
Área quemada de severidad media 0,27 - 0,44
Área quemada de severidad media alta 0,44 - 0,66
Área quemada de severidad alta > 0,66
Fuente: Key & Benson (2006).

2.2.2. Incendios forestales a nivel nacional

A nivel nacional, el mayor número de incendios y superficie afectada se con-

centra entre las regiones de Valparaíso y La Araucanía. Durante la temporada
2016-2017, se registró una situación excepcionalmente crítica: los incendios fo-
restales quemaron más de medio millón de hectáreas, superando en más de
diez veces el promedio histórico observado desde mediados de 1970. En los
momentos más complejos del evento, se llegó a contabilizar más de 500 focos
activos simultáneamente (Galilea, 2019).
Según estadísticas recopiladas y publicadas por la Corporación Nacional
Forestal (CONAF), la distribución de causas de incendios a nivel nacional, en el
período comprendido entre 2003 y 2023, se agrupa en cinco categorías princi-
pales: a) accidentales, con un 54,27% de casos, b) intencionales, con 34,42%, c)
naturales, con 0,35%, d) desconocidas, con 10,95% y e) sin causa ingresada, con
un 0,01%. Se observa que las causas accidentales e intencionales concentran
en conjunto un 88,69% del total de incendios, lo que evidencia la alta participa-
ción de factores antrópicos en estos eventos.

– 352 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

Particularmente durante la temporada 2016-2017, las causas con mayor re-

levancia fueron: 1) tránsito de personas, vehículos o aeronaves, con un 37,2% de
los incendios ocurridos entre las regiones de Valparaíso y La Araucanía (1.963
incendios), y 2) incendios intencionales, con un 32% de los casos (1.690 incen-
dios). Las tres regiones más afectadas en términos de número de siniestros
fueron la región del Biobío, con 1.951 incendios; la región de Valparaíso, con 961
siniestros, y la región de La Araucanía, con una cifra también considerable.
A partir de esta información y de otras fuentes abiertas, el Servicio Aerofoto-
gramétrico (SAF), a través del Centro de Investigación y Desarrollo en Telede-
tección (CIDET), llevó a cabo un estudio orientado a determinar la severidad de
las áreas afectadas por los incendios forestales ocurridos durante la denomina-
da “tormenta de fuego” (2016-2017). Este análisis se realizó utilizando tanto las
capacidades de teledetección del Sistema Nacional Espacial como otros datos
provenientes de fuentes satelitales y cartográficas complementarias, permi-
tiendo así un diagnóstico detallado de los impactos ambientales ocasionados
por estos eventos sin precedentes en la historia reciente del país.

2.2.3. La tormenta de fuego (temporada 2016-2017)

La tormenta de fuego se describe como una manifestación extrema del

comportamiento del fuego, caracterizada por frentes estacionarios de llamas
de gran extensión con una alta tasa de liberación calórica. Sobre estos frentes,
se generan frecuentemente violentos movimientos de masas gaseosas en la
atmósfera (Julio y Bosnich, 2025).
En Chile, entre el 18 de enero y el 5 de febrero de 2017, se registraron 717 in-
cendios forestales, concentrándose los eventos más críticos en las regiones de
O’Higgins, Maule y Biobío, donde ocurrieron 681 siniestros. El día 26 de enero se
alcanzó el punto máximo de simultaneidad, con 120 incendios activos en una
sola jornada (Correa y Castillo, 2022).
Previo a este evento, la escala global de clasificación de incendios alcanzaba
hasta la denominada “quinta generación”, considerada hasta entonces la más
destructiva. Sin embargo, las características excepcionales de esta tormenta
de fuego, en términos de intensidad y velocidad de propagación, llevaron a
CONAF (2017) a clasificar los siniestros de la temporada 2016-2017 como los
primeros incendios de sexta generación a nivel mundial. El impacto fue devas-

– 353 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

tador: 450.000 hectáreas de vegetación dañadas, 2.288 viviendas destruidas,

cuantiosos daños ambientales y costos de combate estimados en USD 35 mi-
llones (Correa y Castillo, 2022).
Ante este escenario, el Centro de Investigación y Desarrollo en Teledetec-
ción (CIDET) del SAF desarrolló un estudio con el objetivo de cuantificar las
áreas afectadas por esta tormenta de fuego mediante el uso de herramientas
de teledetección. Para ello, se llevaron a cabo las siguientes actividades:

- Levantamiento de datos mediante imágenes satelitales, particularmente

del sensor Landsat 8 OLI.
- Clasificación de imágenes utilizando índices espectrales, con el propósito
de zonificar la severidad del incendio.
- Elaboración de cartografía temática, que detallara espacialmente las
áreas impactadas según niveles de severidad.

2.2.4. Metodología

El proceso metodológico utilizado para determinar y cuantificar la severidad

de los incendios forestales durante la temporada 2016-2017 se fundamentó en
el análisis multitemporal de imágenes del satélite Landsat 8 OLI. Esta platafor-
ma fue seleccionada por sus características técnicas, que incluyen resolución
espacial de 30 metros, resolución temporal de 16 días y resolución espectral
de 8 bandas, incluyendo bandas en el infrarrojo cercano (NIR) y de onda corta
(SWIR), esenciales para el análisis de quemas. Las imágenes fueron descar-
gadas desde el portal oficial del USGS Earth Explorer, que proporciona acceso
libre a datos de observación terrestre.
Para cada evento significativo de la temporada, se seleccionó una imagen
previa y otra posterior al incendio. A partir de estas, se calcularon dos índices
espectrales ampliamente utilizados; el Normalized Burn Ratio (NBR) y el Diffe-
renced Normalized Burn Ratio (dNBR). Los índices permitieron detectar áreas
quemadas y evaluar el grado de alteración del ecosistema. Con base en los
umbrales de severidad establecidos por Key & Benson (2006), se clasificaron
las áreas en las siguientes categorías: severidad alta, severidad moderada, se-
veridad baja, sin cambio o áreas no quemadas.

– 354 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

Una vez procesadas las imágenes y generados los datos en formato ráster,
se realizó su conversión a formato vectorial para facilitar la interpretación y la
elaboración de productos cartográficos finales. Estos productos consistieron
en mapas de severidad de incendios, los cuales fueron utilizados como insu-
mos clave para el análisis de los impactos del evento y la generación de reco-
mendaciones para la gestión de riesgos.

2.3. Resultados

2.3.1. Análisis de los resultados y cuantificación de severidad temporada

2016-2017

A continuación, se presentan los resultados obtenidos para cada región

afectada por incendios forestales durante la temporada 2016-2017. Los datos
incluyen el área estimada afectada en cada una de las clases de severidad
evaluadas.

[Link]. Mapas de severidad de quemaduras

Una vez aplicados los índices espectrales NBR y dNBR, se generaron mapas
temáticos que representan la severidad de las quemaduras provocadas por los
incendios forestales (figura 9). Estos mapas permiten visualizar espacialmente
la distribución de los eventos ocurridos durante la temporada en la zona cen-
tral de Chile, clasificados en tres niveles de severidad: baja, moderada y alta.
A partir del análisis espacial, se identificó que la región del Maule fue la más
afectada, concentrando una gran proporción de superficie con severidad alta.
Las áreas con severidad moderada y baja también se distribuyen en las regio-
nes de O’Higgins y Biobío, sin embargo, es en el Maule donde el impacto fue
más significativo, tanto en extensión como en intensidad.
Los mapas generados entregan una herramienta visual y cuantitativa que
permite priorizar zonas para acciones de restauración, mitigación de impactos
y planificación del uso del suelo post-incendio. Además, ofrecen insumos fun-
damentales para la toma de decisiones por parte de los organismos responsa-
bles de la gestión del riesgo y la protección de los recursos naturales

– 355 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 9. Mapa severidad de incendios, zona central Chile.

[Link]. Regiones con menor superficie quemada

Según los datos obtenidos a partir del análisis satelital y la aplicación de índi-
ces espectrales, las regiones de Coquimbo y La Araucanía registraron la menor
superficie quemada durante la temporada 2016-2017.
En la región de Coquimbo, el único evento registrado corresponde al incen-
dio Agua Amarilla, iniciado el 24 de enero de 2017 en la provincia de Choapa
(ver tabla 4). Este siniestro concentró la totalidad del área afectada en la región,
siendo un caso aislado dentro del contexto nacional, donde otras regiones pre-
sentaron múltiples focos activos.
En cuanto a la región de La Araucanía, se registraron nueve incendios fo-
restales, todos ellos localizados en la provincia de Malleco, con una superficie
total afectada de 2.301 hectáreas (ver tabla 4). El evento de mayor magnitud se
desarrolló en la comuna de Lumaco el 21 de enero de 2017, alcanzando una

– 356 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

extensión de 1.775 hectáreas quemadas, lo que representa más del 77% de la

superficie total afectada en la región durante ese período.

Tabla 4: Superficie (ha) afectadas por grado de severidad en la provincia de

Choapa, región de Coquimbo, y provincia de Malleco, región de la Araucanía.
Región de Coquimbo Región de La Araucanía
Severidad
CHOAPA MALLECO
Baja 1.022,13 441,09
Media 1.098,63 752,13
Media-Alta 316,17 687,68
Alta 81,27 420,39
Total 2.518,20 2.301,29
Fuente: SAF (2017).

[Link]. Regiones con mayor superficie quemada

En la región de Valparaíso, se registraron 30 incendios forestales de importan-

cia, siendo la provincia de Valparaíso la más afectada (ver tabla 5). En la provincia
de San Antonio, los incendios quemaron una superficie cercana a las 10.000 hec-
táreas, lo que refleja la alta vulnerabilidad de esta zona a este tipo de eventos.
Particularmente críticos fueron los sectores de Placilla de Peñuelas y Laguna Ver-
de, ambos en la provincia de Valparaíso, donde el área afectada superó las 6.000
hectáreas. Estos sectores combinan áreas de interfaz urbano-rural con vegetación
altamente combustible, lo que incrementa el riesgo y severidad de los siniestros.

Tabla 5: Superficie (ha) afectadas por grado de severidad por provincia,

región de Valparaíso
MARGA SAN SAN
Severidad PETORCA QUILLOTA VALPARAÍSO
MARGA ANTONIO FELIPE
Baja 1.252,07 1.212,48 521,28 2.765,69 245,70 957,41
Media 866,51 652,14 244,71 4.324,76 524,16 1.339,20
Media-Alta 323,46 232,11 110,06 2.317,05 351,53 2.282,76
Alta 80,09 84,60 50,66 492,29 49,68 1.437,38
Total 2.522,13 2.181,33 926,71 9.899,79 1.171,07 6.016,75
Fuente: SAF (2017).

– 357 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En la región Metropolitana, se contabilizaron 37 eventos distribuidos entre

todas las provincias (ver tabla 6). La provincia de Melipilla fue una de las más
afectadas, situación atribuida a la alta presencia de vegetación esclerófila, ca-
racterizada por su resistencia a la sequía, pero también por su inflamabilidad
(MMA - ONU Medio Ambiente, 2020). A esto se suma una mayor proporción de
superficie rural y la aparición de focos de incendio en sectores de difícil acceso,
lo que dificultó las labores de combate. En este contexto, destaca el incendio
en la comuna de Curacaví, donde se registró una superficie quemada cercana
a las 5.000 hectáreas.

Tabla 6: Superficie (ha) afectadas por grado de severidad por provincia en la

región Metropolitana
Severidad CHACABUCO CORDILLERA MAIPO MELIPILLA SANTIAGO TALAGANTE
Baja 832,49 1.574,63 700,02 4.523,58 166,32 218,61
Media 140,39 1.631,6 389,33 7.238,34 255,15 223,92
Media-Alta 36,98 745,56 242,46 9.055,35 24,12 127,52
Alta 30,60 66,96 10,53 3.052,26 2,16 28,53
Total 1.040,46 4.018,75 1.342,34 23.869,53 447,75 598,58
Fuente: SAF (2017).

En la región del Maule se registraron 20 siniestros de gran magnitud duran-

te la temporada. En esta región ocurrió el incendio forestal más destructivo
de la historia de Chile, afectando gravemente a las comunas de Empedrado y
Constitución, en la provincia de Talca. La suma total de hectáreas quemadas en
las distintas provincias de la región (ver tabla 7) supera las 120.000 hectáreas,
posicionando al Maule como la región más afectada en términos de superficie
durante la temporada 2016-2017. Este escenario se vio agravado por la combi-
nación de factores topográficos, condiciones meteorológicas extremas y pre-
sencia de vegetación altamente inflamable.

– 358 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

Tabla 7: Superficie (ha) afectadas por grado de severidad por provincia de la

región del Maule
Severidad CAUQUENES CURICÓ LINARES TALCA
Baja 17.018,19 15.352,38 10.079,37 31.985,27
Media 13.110,75 13.251,06 12.047,76 40.961,06
Media-Alta 5.925,51 11.420,64 5.277,68 36.090,81
Alta 1.717,64 5.137,11 887,49 16.146,81
Total 37.772,09 45.161,19 28.292,30 125.183,95
Fuente: SAF (2017).

En la región del Biobío, se contabilizaron 59 incendios relevantes, con un

impacto menor en comparación al Maule, pero igualmente significativo. La pro-
vincia de Concepción concentró el mayor número de hectáreas afectadas, con
una cifra que supera las 10.000 hectáreas quemadas (ver tabla 8). Por su parte,
la provincia de Biobío sufrió daños en aproximadamente 3.000 hectáreas. Estas
cifras reflejan una distribución más dispersa de los incendios en la región, con
menor intensidad en comparación con los eventos ocurridos en las regiones
vecinas.

Tabla 8: Superficie (ha) afectadas por grado de severidad por provincia de la

región del Biobío
Severidad ARAUCO BIOBÍO CONCEPCIÓN ÑUBLE
Baja 98,28 1.308,68 10.739,70 14.307,29
Media 158,13 1.100,34 17.722,80 10.251,36
Media-Alta 66,60 714,78 14.635,62 4.824,27
Alta 12,96 49,86 7.946,09 802,52
Total 335,97 3.173,66 51.044,21 30.185,44
Fuente: SAF (2017).

– 359 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

2.3.2. Discusión

La teledetección se considera una opción adecuada tanto para la preven-

ción como para el monitoreo de incendios forestales, gracias a las característi-
cas de resolución temporal y espacial de las imágenes satelitales. No obstante,
existen limitaciones en los sensores pasivos, como los del programa Landsat,
las cuales están directamente relacionadas con las condiciones atmosféricas.
Un ejemplo es la nubosidad, que genera pérdida de información en los píxeles;
situación que se agrava durante los incendios, ya que estos suelen generar
grandes cantidades de humo, reduciendo aún más la probabilidad de obtener
imágenes limpias.
En este estudio, se aplicó el índice dNBR a partir de imágenes Landsat, ob-
teniendo como resultado una superficie afectada de aproximadamente 462
mil hectáreas, cifra inferior a la reportada por CONAF, que mediante trabajo en
terreno estimó cerca de 600 mil hectáreas quemadas. Esta diferencia puede
atribuirse, en gran parte, a las interferencias atmosféricas que afectan la capta-
ción de datos por parte del sensor, así como a la falta de acceso a ciertas zonas
en imágenes satelitales. Por esta razón, el trabajo en terreno sigue siendo una
herramienta relevante, ya que complementa y valida los resultados obtenidos
por teledetección. Asimismo, la incorporación de variables ambientales y del
tipo y grado vegetacional puede enriquecer los modelos empleados para la
estimación de severidad.
Frente a las limitaciones señaladas, existen otros tipos de sensores, como
los radares activos, que permiten analizar el comportamiento de los incendios
sin verse afectados por las condiciones atmosféricas. Además, el uso de imá-
genes multiespectrales ha demostrado ser valioso para mapear los efectos de
los incendios forestales (Oliva et al., 2023).

2.4. Conclusiones

Del análisis satelital efectuado por el Centro de Investigación y Desarrollo en

Teledetección del SAF, relacionado a los incendios forestales ocurridos duran-
te la temporada 2016-2017, conocida como la “tormenta de fuego”, se concluye
que la información satelital permite elaborar productos útiles para la carac-

– 360 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

terización del fenómeno, así como para determinar la magnitud del impacto
ambiental, social y económico de estos eventos. Dicho impacto afecta tanto
a extensas áreas de bosque como a comunidades locales. Por lo tanto, los
instrumentos de teledetección deben ser utilizados con el propósito de pro-
poner medidas preventivas, mejorar la respuesta ante emergencias y fomentar
la conciencia pública sobre el riesgo que representan los incendios forestales.
En este contexto, la teledetección representa una herramienta fundamental
para el monitoreo, mapeo, determinación y cuantificación de áreas afectadas,
consolidándose como una técnica relevante frente al cambio climático, el cual
proyecta para la zona central de Chile mayores periodos de sequía y aumento
de temperaturas. Estas condiciones comprometen la salud y vigorosidad de
la vegetación, aumentando el material combustible disponible para futuras
temporadas de incendios (Garreaud et al., 2017). El monitoreo permanente de
grandes extensiones forestales permite identificar áreas dañadas por el fuego
mediante herramientas de análisis y cartografía temática, apoyando la gestión
del riesgo, la planificación territorial y los procesos de restauración ecológica.
Finalmente, con la implementación del Sistema Nacional Espacial (SNE), la
Fuerza Aérea de Chile, a través del Servicio Aerofotogramétrico (SAF), podrá
complementar sus análisis incorporando datos satelitales de alta resolución es-
pacial y temporal, provenientes tanto de constelaciones internacionales como
de futuros satélites nacionales, permitiendo así entregar información geoespa-
cial precisa, oportuna y de calidad para el desarrollo y seguridad del país.

– 361 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

2.5. Referencias

Avetisyan, D., Stankova, N., Dimitrov, Z. (2023) “Assessment of Spectral Vegeta-

tion Indices Performance for Post-Fire Monitoring of Different Forest Environ-
ments”. Fire 2023(6), 290.
Chen, X., Vogelmann, J. E., Rollins, M., Ohlen, D., Key, C. H., Yang, L., & Shi, H.
(2011). “Detecting post-fire burn severity and vegetation recovery using mul-
titemporal remote sensing spectral indices and field-collected composite
burn index data in a ponderosa pine forest”. International Journal of Remote
Sensing, 32(23), 7905-7927.
Chu, T., & Guo, X. (2014). “An assessment of fire occurrence regime and perfor-
mance of Canadian fire weather index in south central Siberian boreal re-
gion”. Natural Hazards and Earth System Sciences Discussions, 2(7), 4711-4742.
Correa, L., & Castillo, M. (2022). “Un nuevo enfoque para la atención del combate
de incendios forestales, desde una perspectiva social y política”. Territorium,
(29 (II)), 93-100.
Fernández-Manso, A., Fernández-Manso, O., Quintano, C., Marcos, E., & Calvo, L.
(2017). “Utilización de las imágenes Sentinel-2 para cartografía de área que-
mada”. In Congreso AET.
Galilea, S. (2019). “La tormenta de fuego y la Nueva Santa Olga”.
Garreaud, RD, Alvarez-Garreton, C., Barichivich, J., Boisier, JP, Christie, D., Ga-
lleguillos, M., & Zambrano-Bigiarini, M. (2017). “La megasequía 2010-2015 en
Chile central: impactos en el hidroclima y la vegetación regional”. Hidrología
y ciencias del sistema terrestre, 21 (12), 6307-6327.
Julio, G., & Bosnich, J. (2005). Fundamentos del manejo del fuego. Santiago, Chile.
Publicación Departamento de Manejo de Recursos Forestales, Facultad de
Ciencias Forestales, Universidad de Chile.
Keeley, J. E. (2009). “Fire intensity, fire severity and burn severity: a brief review
and suggested usage”. International journal of wildland fire, 18(1), 116-126.
Key, C. H., & Benson, N. C. (2002). Remote sensing measure of severity, the nor-
malized burn ratio. Fire effects monitoring and inventory protocol, landscape
assessment.
Key, C. H., & Benson, N. C. (2006). Landscape Assessment: Ground measure of
severity, the composite burn index; and remote sensing of severity, the nor-

– 362 –
 Estudio de la severidad de las áreas afectadas por incendios forestales

malized burn ratio. LA1-LA51. FIREMON: Fire Effects Monitoring and Inventory
System. USDA Forest Service, Rocky Mountain Research Station, Ogden, UT.
Lentile, L. B., Holden, Z. A., Smith, A. M., Falkowski, M. J., Hudak, A. T., Morgan, P.,
& Benson, N. C. (2006). “Remote sensing techniques to assess active fire cha-
racteristics and post-fire effects”. International Journal of Wildland Fire, 15(3),
319-345.
MMA - ONU Medio Ambiente. (2020). “Informe comuna de Melipilla. Estudio flo-
rístico y vegetacional en el área del Proyecto GEF Corredores Biológicos de
Montaña”. Proyecto GEFSEC ID 5135 MMA - ONU Medio Ambiente, Santiago,
Chile. 1-19.
Oliva, P., Mansilla, R., Roteta, E., & Pérez-Martínez, W. (2023). “Suitability of band
angle indices for burned area mapping in the Maule Region (Chile)”. Frontiers
in Forests and Global Change, 5, 1052299.
Pausas, J. G. (2012). Incendios Forestales una visión desde la ecología. [En línea]
Madrid.
Ponomarev, E., Zabrodin, A., & Ponomareva, T. (2022). “Classification of fire dama-
ge to boreal forests of Siberia in 2021 based on the dNBR index”. Fire, 5(1), 19.
SAF, (2017) “Incendios Forestales 2017 Cuantificación y Clasificación de Áreas
Quemadas según Severidad en base a Análisis Multitemporal de Imágenes
Satelitales Landsat-8 OLI”. Informe Interno. Fuerza Aérea de Chile, abril 2017.
Seidl, R., Fernandes, P. M., Fonseca, T. F., Gillet, F., Jönsson, A. M., Merganičová,
K., & Mohren, F. (2011). “Modelling natural disturbances in forest ecosystems:
a review”. Ecological Modelling, 222(4), 903-924.

– 363 –
 CAPÍTULO III
GEOMÁTICA E IMPACTO PSICOSOCIAL DEL CAMBIO CLIMÁTICO:
HALLAZGOS ROBUSTOS PARA NUESTRA RESILIENCIA

Marcelo Leiva Bianchi1

3.1. Introducción

Imaginemos una comunidad rural. Hace setenta años, sus primeros habitan-
tes se instalaron en las inmediaciones de un bosque y comenzaron a explotarlo:
desde la recolección de sus frutos y hongos hasta su tala. Veinte años después
de fundado el asentamiento, surgió la oportunidad económica de reemplazar
el bosque por plantaciones de pinos. Los pinos crecen y se venden más rápi-
do; el reemplazo parecía lógico. Gracias a ello, la comunidad prosperó durante
dos décadas más; mejoró las casas, calles y comercio; estableció áreas verdes,
deportivas, una escuela para los niños y hasta un liceo. Todo parecía perfecto
gracias al pino, el “oro verde” milagroso.
Sin embargo, los pinos invadieron prácticamente todo el territorio. Quitaron
espacio a otras especies y ganaron la competencia por la luz, el agua y los nu-
trientes. Ni los pájaros, ni los hongos, ni los antes diversos y abundantes frutos
del bosque fueron capaces de vivir bajo su sombra. Incluso desplazaron al ser
humano de su hábitat: era imposible vivir entre esos árboles. Al salir de sus
parcelas, los desplazados aumentaron la población de una localidad cada vez
más urbanizada.
Más que los árboles nativos, los pinos requieren cuidados especiales: más
agua, fertilizantes, tratamientos contra enfermedades y plagas. Su manteni-
miento elevó los costos de producción. Como las plantaciones se volvieron
masivas, el precio de venta bajó; ya no era rentable cultivarlos. Solo ganaban
quienes contaban con maquinaria para talar. Donde antes trabajaban diez leña-

1
FPs, LMBN, Universidad de Talca, Talca, Chile.

– 365 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

dores, hoy basta un “operario calificado”. Esto produjo desempleo. Y al aumento

de la población desempleada se sumaron las botillerías y la aparición de nue-
vas sustancias adictivas. Los “carretes”, peleas y delitos comenzaron a verse
con mayor frecuencia.
Hasta que, casi sesenta años después de su fundación, ocurrió lo inimagi-
nable. Primero, otro verano extremadamente caluroso tras años de sequía. En
los cerros, los ya habituales focos de incendio. Según vecinas y vecinos, clara-
mente intencionales, provocados por delincuentes o terroristas. De lo contrario,
¿cómo explicar que cuando se extinguía uno, aparecía otro más lejos? Los múl-
tiples focos de incendio fueron el anuncio de algo peor. Al cabo de pocas horas,
lenguas de fuego cruzaron los cielos, arrasando los sueños de una comunidad
entera. ¿Qué es de esas personas ahora?
Para responder esa pregunta, la evidencia científica más robusta es clara.
Las revisiones sistemáticas y los meta-análisis muestran el alto impacto de los
desastres sobre personas y comunidades. De hecho, cuando ocurre un desas-
tre, las condiciones psiquiátricas se duplican (Beaglehole et al., 2018; Leiva-
Bianchi et al., 2018a). Es lo que sucede con el estrés postraumático (PTSD, por
su sigla en inglés), considerado el principal problema de salud pública tras un
trauma, incluidos los desastres. Por ejemplo, su prevalencia después de una
inundación puede llegar al 16% (Chen & Liu, 2015). Es el caso de la población
expuesta al huracán Katrina en 2005 en Nueva Orleans, que presentó síntomas
casi tres veces más que en zonas no inundadas (Chan, 2012). Otro ejemplo: las
olas de calor pueden aumentar el riesgo de suicidio. Por cada grado Celsius
que sube la temperatura, este riesgo puede incrementarse entre un 1,4% y un
37% (Aghamohammadi et al., 2022). En resumen, las condiciones disruptivas
(antes conocidas como “enfermedades”) aumentan a medida que se intensifica
la vulnerabilidad ante los desastres.
Pero no todo es disrupción tras un desastre. Su impacto psicosocial también
puede generar respuestas adaptativas entre las personas expuestas. Esto ocu-
rre, por ejemplo, entre rescatistas, bomberos, policías, militares y profesionales
de la salud. Si estas personas perciben que sus organizaciones, colegas, fami-
lias y amigos conforman una red de apoyo social protectora, su satisfacción y
compromiso laboral aumentan (Guilaran et al., 2018). Sin embargo, a diferencia
de las condiciones disruptivas, las respuestas adaptativas no son ni mayores ni
menores según el nivel de exposición al desastre (Guilaran et al., 2018; Leiva-

– 366 –
 Geomática e impacto psicosocial del cambio climático

Bianchi et al., 2017). Es decir, la satisfacción, el crecimiento, el bienestar, las

emociones positivas y la solidaridad son igual de probables tanto en quienes
cuentan con una red de apoyo como en quienes no la tienen. En otras palabras,
la salud puede surgir independientemente de la exposición, incluso entre per-
sonas y comunidades afectadas.
Sin percatarnos, hemos estado describiendo el modelo de impacto psico-
social del trauma (Leiva-Bianchi et al., 2018b). Este modelo, como se verá más
adelante, será clave para comprender cómo el cambio climático, a través de
desastres como incendios forestales, sequías e inundaciones, impacta en las
personas y comunidades. Como se observa en la figura 10, posee al menos dos
dimensiones independientes. En el eje de ordenadas se representa la adapta-
ción, que fluctúa entre un polo de respuestas disruptivas y otro de respuestas
adaptativas. Mientras tanto, en el eje de abscisas, la vulnerabilidad varía desde
la exposición hasta la protección.
Cuando hablamos de impacto psicosocial, nos referimos al menos a esas
dos dimensiones, aunque existe una tercera que explicaría por qué las perso-
nas se sitúan en uno u otro tipo de impacto. Esta tercera dimensión la denomi-
namos creencias, y también pueden clasificarse como disruptivas o adaptati-
vas. Las creencias explicarían por qué alguien vulnerable puede ser resiliente
si responde de forma adaptativa o por qué puede desarrollar un trauma si su
respuesta es disruptiva. También ayudarían a entender por qué, de manera “pa-
radójica”, una persona protegida puede responder disruptivamente. Es el caso
de poblaciones más sensibles, como la infantil o la adulta mayor, por ejemplo.
Otro caso es el de las “hordas” de voluntarios que, sin haber estado expues-
tos directamente al evento, generan respuestas adaptativas, como el deseo de
“ayudar” tras un desastre. Como testigos del evento, creen de buena fe que su
intervención beneficia a quienes realmente han sido afectados. Sin embargo,
decimos “hordas” y “ayuda” entre comillas porque, en muchos casos, esa buena
intención termina superando a los profesionales de emergencia. Literalmente,
invaden la zona impactada por el desastre, depredando los escasos recursos
disponibles. Además, suelen estar ausentes cuando el impacto inicial del trau-
ma concluye, las cámaras de televisión se retiran y comienza la verdadera eta-
pa de recuperación comunitaria.

– 367 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 10. Modelo de impacto psicosocial.

Fuente: Actualizado a partir de Leiva-Bianchi et al. (2018b).

Pero las dimensiones del impacto psicosocial no se agotan ahí. Existen, nue-
vamente, al menos otras dos: el tiempo y el espacio. Sobre la primera, la teoría
de trayectorias del trauma (Bonanno et al., 2010) plantea que quienes están ex-
puestos a un trauma pueden recuperarse en un período que puede extenderse
hasta dos años. Durante ese tiempo, al menos la mitad de las personas expe-
rimenta solo una angustia transitoria y mantiene una trayectoria estable, libre
de condiciones disruptivas. A esta respuesta, Bonanno la denomina resiliencia:
ser vulnerable y, aun así, no presentar disrupciones. Esto es similar, aunque no
idéntico, al concepto de resiliencia propuesto por nuestro modelo de impacto
psicosocial: siendo vulnerable, responder de manera adaptativa (al menos, sin
disrupción). Sobre este concepto de resiliencia profundizaremos más adelante.
Ahora bien, exploremos con mayor detalle la dimensión temporal. El periodo
de dos años parece ser crítico para observar la dinámica entre recuperación y
persistencia de condiciones disruptivas, como lo sería el estrés postraumático.
Y decimos “parece” porque nuestros propios hallazgos contribuyen a mejorar la
comprensión sobre los límites temporales del trauma y su impacto.
En nuestro artículo “Changes in geographic clustering of post-traumatic
stress disorder and post-traumatic growth seven years after an earthquake in
Cauquenes, Chile”, descubrimos una propiedad inédita de los eventos traumá-
ticos como los desastres. La identificamos a través de los cuatro mapas de la
figura 11. Seis y siete años después del terremoto más destructivo en la historia
de Chile (el 27-F, por su fecha: 27 de febrero de 2010), seleccionamos aleatoria-
mente una muestra de viviendas de la ciudad de Cauquenes y evaluamos a sus
jefes y jefas de hogar (Leiva-Bianchi et al., 2020). Nuestro objetivo era identificar

– 368 –
 Geomática e impacto psicosocial del cambio climático

tanto respuestas disruptivas como adaptativas, más allá del límite teórico de
los dos años. Lo que descubrimos nos sorprendió.

Figura 11. Disrupción y adaptación en Cauquenes seis y siete años después del 27-F.
Fuente: Leiva-Bianchi et al. (2020).

A los seis años de ocurrido el evento, los síntomas de PTSD seguían agrupán-
dose allí donde la destrucción fue mayor: el casco antiguo del centro de la ciu-
dad. Por eso, en la figura 11, los puntos rojos se concentran en el sector downtown
o Barrio Centro en el primer mapa del año 2016. Pero, ¿por qué? Imaginemos
ahora a Cauquenes. Como muchas otras ciudades y poblados de la Macrozona
Centro Sur, su centro está compuesto por tradicionales construcciones de ado-
be, sello distintivo de la arquitectura de esta zona. No obstante, este material, si
bien es un excelente aislante térmico, es poco resiliente frente a los sismos. Sí,
nuevamente el concepto de resiliencia. Aplicado a la construcción, un material
es resiliente cuando, al ser sometido a un evento que lo estresa, es capaz de

– 369 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

absorber energía y recuperar su forma original una vez retirado el estrés. No es

el caso del adobe. Ante el impacto de un terremoto, no se recupera: sufre daños
permanentes. No garantiza la durabilidad ni la integridad estructural de las edifi-
caciones. De hecho, ha sido responsable del colapso histórico de muchas ciuda-
des chilenas, desde los terremotos coloniales de gran magnitud hasta el primero
del siglo XXI. Por lo tanto, es comprensible que quienes viven en el centro de una
ciudad de adobes, como Cauquenes, sean más vulnerables.
Lo curioso es que, al evaluar a las mismas personas un año después, los sínto-
mas de PTSD ya no presentaban agrupación espacial. Por eso, todos los puntos
son del mismo color (verde) en el primer mapa del año 2017. Es como si ya no
importara que el centro de la ciudad hubiese sido destruido siete años atrás.
Por el contrario, ese año 2017, respuestas adaptativas, tales como mejorar las
relaciones con otras personas, sí mostraron agrupación. Como se aprecia en el
cuarto mapa, en el centro fueron menores (puntos azules) y en la periferia, más
altas (puntos rojos). La explicación está en el uso del territorio: en el downtown se
concentran el comercio y los servicios. Al no ser una zona predominantemente
residencial y recibir población flotante, las relaciones interpersonales tienden a
ser más débiles. Por su parte, en la periferia (por ejemplo, el suburbio de Fernán-
dez), se encuentran poblaciones con casas de un piso que resistieron el 27-F.
Su menor vulnerabilidad frente al desastre trajo consigo un mayor desarrollo de
respuestas adaptativas siete años después del evento (puntos rojos).
Aún más interesante fue descubrir que las respuestas adaptativas no pre-
sentaban una relación espacial a los seis años: todos los puntos son verdes en
el segundo mapa del año 2016. Como señalamos anteriormente, el modelo de
impacto psicosocial pronostica que las respuestas adaptativas pueden apare-
cer en cualquier punto del continuo de vulnerabilidad, independientemente de
si existe o no exposición. Pero este patrón (la ausencia de agrupación espacial
de respuestas adaptativas) se mantiene solo hasta seis años después de un
desastre. Al séptimo año, sí se observa un predominio de dichas respuestas en
zonas donde la vulnerabilidad espacial es menor.
Respecto de la propiedad descubierta, debo mencionar dos cosas. La pri-
mera es que, aunque corresponde a un terremoto, este patrón es igualmen-
te aplicable a desastres asociados al cambio climático. Lo segundo, gracias a
la georreferenciación, descubrimos algo que no hubiésemos podido encon-
trar sin el análisis de la dimensión espacial. Por mucho que incluyésemos la
medición repetida en el tiempo de los mismos participantes, nuestro estudio

– 370 –
 Geomática e impacto psicosocial del cambio climático

longitudinal no hubiese llegado a conclusiones localizadas; tampoco al nuevo

período de tiempo crítico de siete años para evaluar el impacto de un trauma,
como un desastre. Aparte de este hallazgo, todavía no hemos encontrado evi-
dencia tan robusta como las revisiones sistemáticas, meta-análisis y otros es-
tudios longitudinales que establezcan el vínculo entre la dimensión espacial y
el impacto psicosocial de desastres, menos aún del cambio climático o de sus
desastres asociados (por ejemplo, incendios, sequías, inundaciones). Este capí-
tulo pretende orientarnos en ese sendero a partir de la experiencia interdiscipli-
naria de dos equipos de la Universidad de Talca: el Laboratorio de Metodología,
Comportamiento y Neurociencia (LMBN) de la Facultad de Psicología (FPs) y el
Centro de Geomática.
Concretamente, este capítulo tiene como objetivo analizar el impacto psi-
cosocial del cambio climático en comunidades vulnerables, evaluando condi-
ciones como la solastalgia y el PTSD. Se utilizará la geomática para identificar
patrones espaciales de vulnerabilidad y resiliencia, proporcionando evidencia
que permita diseñar intervenciones más efectivas frente a desastres asociados
al cambio climático, como incendios forestales y sequías.
Este capítulo ha sido concebido con un enfoque divulgativo, buscando
compartir de manera accesible y amplia lo que hemos aprendido en años de
colaboración. Para ilustrar de la mejor manera nuestros descubrimientos y ha-
llazgos, he recurrido a ejemplos cercanos y significativos, como el bosque nati-
vo maulino y el devastador incendio de Santa Olga. Estas temáticas, además de
ser representativas de la realidad local, permiten visualizar con mayor claridad
la magnitud del impacto psicosocial del cambio climático y la importancia de
desarrollar respuestas adaptativas y resilientes.

3.2. Desarrollo

3.2.1. Qué es “eso” del cambio climático

El famoso “cambio climático”... ¿Saben cuántos resultados encontraremos

en Google Académico si lo buscamos en inglés? Aproximadamente 3.310.000.
Más importante aún, nuevamente las revisiones sistemáticas y meta-analíticas
son reveladoras: el cambio climático es una de las principales amenazas para
la humanidad y el planeta. Desde sus efectos en la producción de alimentos

– 371 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

(Liu et al., 2021; Morgado et al., 2022) hasta en la producción de polen alérgico
(Mousavi et al., 2024), pasando por los problemas de adaptación de agricul-
tores (Kori et al., 2024). Desde sus impactos en la salud global (Cromar et al.,
2022) hasta en la malnutrición (Lieber et al., 2022), incluyendo los riesgos para
la salud infantil (Weeda et al., 2024). Los problemas vinculados con el cambio
climático son múltiples.
Debido a ello, el Objetivo de Desarrollo Sostenible número 13 de la Organi-
zación de las Naciones Unidas es: “Adoptar medidas urgentes para combatir el
cambio climático y sus efectos”. Pese a los muchos problemas que conlleva, su
solución pasa por dos metas más fáciles de entender que de lograr: reducir las
emisiones de gases de efecto invernadero en un 45% para el 2030 y alcanzar
la neutralidad de carbono para el 2050. La dificultad radica en que se requiere
una cooperación global sin precedentes (Naciones Unidas, 2023). Este rito, este
primer acto unificador de la humanidad, requiere algo fundamental para que
se produzca: un cambio de creencias que favorezca nuestra adaptación y resi-
liencia. Veamos las lecciones que los meta-análisis nos enseñan para lograrlo.
¿Qué será más efectivo cambiar? ¿Nuestras creencias sobre las causas y
efectos del cambio climático? ¿Nuestras creencias sobre las medidas nece-
sarias para mitigarlo? ¿O nuestras creencias sobre su existencia? En su meta-
análisis, Rode et al. (2021) concluyen algo lamentable para el desafío mundial
número 13: el escepticismo es más fuerte. Quienes públicamente influyen con
discursos que sostienen que el cambio climático es “relativo”, “falaz” o “natural”,
debilitan la creencia en un fenómeno que no siempre es evidente. La exposi-
ción a inundaciones, sequías, incendios forestales y otros desastres vinculados
al cambio climático es variable y no siempre pronosticable. Por lo tanto, se olvi-
da fácilmente que su causa común es el cambio climático.
Ahora bien, para esperanza de la humanidad, cambiar las creencias sobre las
causas y efectos del cambio climático sí puede ser efectivo. ¿La explicación?
Al aprender, se expande la conciencia y la aceptación de los hechos científi-
cos sobre el cambio climático. Por ejemplo, una intervención que proporcione
información sobre el consenso científico respecto al fenómeno podría ser sufi-
ciente para convencer a algunas personas de que el cambio climático es una
realidad y que la actividad humana lo agrava. Por su parte, si alguien no tiene
conciencia del cambio climático, difícilmente aceptará que se aplique políticas
para mitigarlo. Las intervenciones que buscan aumentar el apoyo a estas polí-

– 372 –
 Geomática e impacto psicosocial del cambio climático

ticas enfrentan un desafío mayor: deben convencer a las personas no solo de

que el cambio climático es real y grave, sino también de que las políticas pro-
puestas son necesarias, efectivas, y valen los posibles costos o sacrificios aso-
ciados. Por ejemplo, una intervención que promueva aumentar los impuestos
a los combustibles fósiles necesita superar barreras adicionales de aceptación.
Las personas pueden estar de acuerdo con la idea del cambio climático, pero
preocuparse por el aumento del precio del combustible de sus vehículos.
El escepticismo frente al cambio climático tiene una explicación filosófica
desde la dialéctica (Hegel, 2017). Consideremos que el fenómeno se llama “cam-
bio” climático. Por lo tanto, el escepticismo del primer momento es conservador;
negamos que ese “cambio” exista, porque así el mundo permanece estable. “El
cambio climático no existe, es una falacia, un invento. Siempre ha habido incen-
dios, sequías e inundaciones”. Esas son nuestras creencias de base. Pero esas
creencias chocan con la nueva evidencia. Desde hace años, la intensidad y fre-
cuencia de incendios, sequías e inundaciones está aumentando. Los veranos son
cada vez más calurosos. Incluso hay playas que ya no existen. Hay islas a punto de
desaparecer. Hay menos nieves eternas en las montañas. Los glaciares se están
derritiendo. La Antártica es menos blanca y más verde. Quienes no han podido
presenciarlo personalmente lo han visto por los múltiples medios de comunica-
ción y redes sociales. El asombro supera nuestro escepticismo, llevándonos a un
segundo momento: la negación. Es una negación propia de un ser consciente de
sí y para sí. Como humanos, no olvidamos el primer momento de conservación.
Íntima y humildemente aceptamos nuestra ignorancia inicial, comprendiendo el
fenómeno de manera más profunda, integrada y completa.
Es ahí cuando vemos que incendios, sequías, inundaciones, desaparición de
playas y reducción de glaciares no son desastres aislados. Están explicados
por un “único anillo que los domina a todos”: un fenómeno emergente que da
sentido a esos desastres y a otros eventos relacionados que antes parecían dis-
persos. Es entonces cuando comenzamos a prestar atención a aquellas nue-
vas teorías basadas en probabilidades, que indican el aumento promedio de
las temperaturas y la disminución promedio de las precipitaciones. Ahora, que
llueva mucho en un solo día no niega el cambio climático: indica que el resto
de los días no lloverá y que serán más calurosos. Es un signo del mismo fenó-
meno. Negar la conservación inicial facilita la síntesis que supera ambas nega-
ciones. Esto no solo nos lleva a aceptar la nueva realidad y sus consecuencias

– 373 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

“de la boca para afuera”; nos lleva a actos más sublimes, más elevados, más
espirituales. Quien realmente ha superado ambas negaciones cambiará sus
patrones de consumo; podrá pagar de buena gana los impuestos ambientales;
también se sumará a las campañas de reciclaje o ahorro energético. En síntesis,
responderá de manera adaptativa porque sus creencias han cambiado. Como
suele ocurrir con procesos complejos del alma humana, para que se produzca
este cambio de creencias, la filosofía, la ciencia, la educación, la comunicación
y la vinculación con personas y comunidades son fundamentales.

3.2.2. Qué es “eso” de la resiliencia

El cambio de creencias es la base para la resiliencia ante el cambio climáti-

co. Como insinuamos antes, la resiliencia es un concepto muy famoso, incluso
más que el de cambio climático. Si buscamos “resilience” en Google Académi-
co, encontraremos aproximadamente 4.730.000 resultados. Más que buscando
“climate change” o “global warming”. Pero, ¿qué es resiliencia?
Imaginemos un roble: sus raíces profundas y conectadas con otros árboles le
permiten resistir tormentas y sequías al compartir recursos y minimizar la pérdi-
da de agua. Su fortaleza reside en su flexibilidad para adaptarse y recuperarse
tras el daño, fortaleciendo su estructura frente a futuras adversidades. Más allá
de su propia supervivencia, el roble es esencial para la resiliencia del bosque,
promoviendo la regeneración y estabilidad del ecosistema incluso después de
desastres. Su presencia impulsa la recuperación del bosque, asegurando que,
incluso ante desastres, el conjunto pueda regenerarse y florecer.
Este roble representa la esencia más básica de la resiliencia: la fuerza, una
motivación intrínseca para resistir, adaptarse y prosperar frente a las adversida-
des. Esa fuerza asegura la continuidad y el equilibrio de la vida a su alrededor
y, por consiguiente, su propia existencia.
El concepto de resiliencia planteado en la revisión bibliométrica de Rana
(2020) va por el mismo sendero. Todo sistema (por ejemplo, persona, organiza-
ción, comunidad) posee un grado de exposición o vulnerabilidad ante el cam-
bio climático. La resiliencia sería la capacidad de prevenir, resistir, procesar y
recuperarse de manera oportuna y eficaz. Es lo que se conoce como adapta-
ción, una respuesta que no implica cambiar todo el sistema, sino preservar y
restaurar sus estructuras y funciones esenciales. Como la resiliencia del siste-

– 374 –
 Geomática e impacto psicosocial del cambio climático

ma y su respuesta adaptativa abarcan desde la prevención de riesgos hasta la

recuperación, permiten su sostenibilidad a largo plazo, independientemente
de su nivel de vulnerabilidad.
La relación entre vulnerabilidad, resiliencia y adaptación en la agricultura ha
sido estudiada meta-analíticamente por Challinor et al. (2014). La vulnerabilidad
de los cultivos depende de variables como la temperatura, las precipitaciones,
el dióxido de carbono y la región productiva. El agua es central; tanto el exceso
como la escasez aumentan la exposición, especialmente en regiones tropica-
les y desérticas.
Por lo tanto, la resiliencia agrícola implica mantener el rendimiento pese a
estos cambios. Se necesita ajustar las fechas de siembra, seleccionar culti-
vos más resistentes y optimizar el uso de agua y fertilizantes. Estas respuestas
adaptativas pueden incrementar el rendimiento de cultivos como trigo y arroz
entre un 7% y un 15% en escenarios de mayor temperatura.
La revisión sistemática de Ibáñez et al. (2019) concluye que la resiliencia de
los bosques ante el cambio climático depende de variables como la fertilidad
del suelo y la disponibilidad de agua. El equilibrio es crucial; tanto la sequía
como el exceso de agua afectan su capacidad de adaptación. Por ejemplo, los
bosques templados (Mediterráneo, Australia y Chile) son vulnerables a sequías
intensas, mientras que los bosques boreales (Escandinavia, Rusia y Canadá)
sufren por el exceso de humedad.
La resiliencia forestal se manifiesta cuando los individuos mantienen su cre-
cimiento y diversidad, ajustando sus sistemas radiculares o la orientación de
sus hojas para optimizar recursos. Además, estas adaptaciones permiten a cier-
tas especies recuperarse rápidamente tras perturbaciones como incendios,
plagas o inundaciones.
Al igual que en los cultivos agrícolas, no basta con que el bosque en sí ten-
ga condiciones para la resiliencia. Se necesita respuestas adaptativas de otra
especie que lo compone: el ser humano. La resiliencia de los bosques también
depende de respuestas adaptativas humanas. Estas incluyen el cuidado inicial
del bosque, desde la producción de semillas hasta la protección de individuos
jóvenes, y la reducción de biomasa que compite por luz y agua, favoreciendo
su crecimiento en períodos de sequía.
Otra medida clave es identificar áreas susceptibles a la sequía: sitios secos
albergan especies adaptadas, mientras que los húmedos contienen especies

– 375 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

más vulnerables, con suelos ricos que mitigan la sequía. En general, un aumen-
to de agua beneficia a los bosques templados, pero perjudica a los bosques
boreales adaptados a condiciones húmedas. Comprender estos impactos faci-
lita un manejo forestal más eficiente y mejora las proyecciones de productivi-
dad frente al cambio climático.
Finalmente, la resiliencia también ocurre en las comunidades humanas. La
vulnerabilidad aumenta cuando disminuyen los ingresos, el acceso a alimen-
tos y educación. También cuando se reduce la participación en asociaciones
agrícolas y el tamaño de las propiedades productivas. Aquí, la alimentación en
su sentido amplio (desde comida hasta educación) es clave para sostener la
resiliencia.
Sin embargo, dedicarse únicamente a producir alimentos aumenta la vul-
nerabilidad. La respuesta adaptativa requiere diversificar los medios de vida.
Cuando la sociedad se organiza con pequeñas empresas, con sistemas edu-
cativos robustos y con actividades no agrícolas, se reduce la dependencia de
los recursos naturales, los cuales son altamente sensibles al cambio climático.
Aunque las estrategias temporales, como el uso de ahorros o cambios en el
consumo, ayudan a manejar impactos inmediatos, solo la diversificación eco-
nómica ofrece soluciones sustentables al integrarse a las prácticas culturales
de las comunidades.

3.3. Resultados y discusión

El ejemplo del inicio podría ser el caso de nuestro documental Una Gran
Montaña Gris, disponible en el siguiente enlace: [Link]
yYRw. Es Santa Olga, localidad arrasada el 25 de enero de 2017 por el incendio
forestal más grande ocurrido en Chile en lo que va del Siglo XXI. Ahí podemos
apreciar la necesidad importante y urgente de adaptarse al cambio climático.
Ya sabemos que esa adaptación se relaciona con las creencias, vulnerabilidad
y resiliencia para afrontar el cambio climático. Ahora, ¿cómo podemos facilitar
la adaptación?
Evaluar el impacto psicosocial del cambio climático en la comunidad no es
sencillo y requiere instrumentos válidos y precisos. Durante cuatro años, traba-
jamos en estas evaluaciones junto al Centro de Geomática de la Universidad

– 376 –
 Geomática e impacto psicosocial del cambio climático

de Talca (Cáceres et al., 2022). En este contexto, la solastalgia es la disrupción

más esperable ante el cambio climático: una angustia profunda al ver que el
entorno familiar se deteriora, similar a una nostalgia vivida en el mismo terri-
torio (Higginbotham et al., 2006; Eisenman et al., 2015; Phillips & Murphy, 2021;
Warsini et al., 2014).
La solastalgia puede manifestarse como estrés, tristeza y nostalgia vincula-
das al deterioro ambiental o como ansiedad y preocupación generalizada (Al-
brecht et al., 2007; Cáceres et al., 2022). Se ubica en el eje adaptación-disrup-
ción del modelo de impacto psicosocial: a mayor solastalgia, menor capacidad
adaptativa, lo que puede derivar en problemas de salud pública si se asocia
con el estrés postraumático.
Por ello, es fundamental identificar dónde la solastalgia es mayor, para com-
prender sus causas e intervenirlas. Aquí, la georreferenciación permite detectar
con precisión los casos de solastalgia y PTSD, facilitando estrategias de mitiga-
ción más efectivas.
Eso fue justamente lo que realizamos. Determinamos en qué lugar de un
territorio vulnerable había más casos de ambas condiciones. Para eso, nos fo-
calizamos en dos comunas del secano interior de la Macrozona Centro Sur:
Pencahue y Curepto. Nuestros hallazgos indican que los casos se concentra-
ron en Curepto. Esto estaría relacionado con las dificultades en el acceso al
agua. Cabe mencionar que Curepto se encuentra entre la llanura costera y la
cordillera de la costa, zonas fuertemente afectadas por la sequía. Mientras que
Pencahue se ubica más lejos de la costa, donde la mayor implementación de
sistemas de riego ha facilitado a la población acceder al agua (figura 12).
La solastalgia está relacionada con el dolor ecológico y la eco-ansiedad de-
rivadas de vivir en un entorno cambiante e incierto (Cunsolo & Ellis, 2018). Esta
respuesta disruptiva, caracterizada por miedo, ansiedad, estrés e incertidum-
bre, ha sido reportada en comunidades expuestas a ambientes degradados,
como explotaciones mineras o sequías (Dodd et al., 2018; Hanigan et al., 2018;
Trombley et al., 2017). Aplicando nuestro modelo de impacto psicosocial, la so-
lastalgia refleja un impacto traumático, especialmente al relacionarse con el
estrés postraumático, lo que la convierte en una preocupación para autorida-
des ambientales y de salud. Se sugiere combinar intervenciones basadas en
evidencia con la entrega de recursos a las comunidades, para mitigar los efec-
tos del cambio climático y fortalecer sus respuestas adaptativas, por ejemplo,

– 377 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

terapia cognitivo-conductual post-desastres (Leiva-Bianchi et al., 2018; Leiva-

Bianchi, 2015).

Figura 12. Distribución espacial de casos de solastalgia y PTSD.

Fuente: Cáceres et al. (2022).

3.4. Conclusiones

En este capítulo, hemos aprendido cómo la geomática permite identificar

patrones espaciales de vulnerabilidad y resiliencia, fundamentales para com-
prender el impacto psicosocial del cambio climático en comunidades vulnera-
bles.
Gracias al análisis georreferenciado, como se evidenció en Curepto y Penca-
hue, es posible localizar con precisión las zonas con mayores casos de solas-
talgia y PTSD. Esto facilita intervenciones focalizadas, como el manejo de re-
cursos hídricos y el desarrollo de respuestas adaptativas específicas. Además,
el análisis espacial reveló la distribución diferencial de respuestas disruptivas

– 378 –
 Geomática e impacto psicosocial del cambio climático

y adaptativas en función de la vulnerabilidad del territorio, extendiendo los lí-

mites temporales del modelo de impacto psicosocial más allá de los dos años.
En conclusión, la geomática no solo aporta una visión localizada del pro-
blema, sino que ofrece herramientas esenciales para diseñar estrategias de
mitigación basadas en evidencia, mejorando la capacidad de adaptación y re-
siliencia de las comunidades ante los desastres asociados al cambio climático.
Estas aplicaciones son clave para informar políticas públicas y reforzar la soste-
nibilidad de las comunidades expuestas al impacto ambiental.
En otras palabras, si aplicáramos estos aprendizajes, la historia podría ter-
minar de la siguiente manera. Conscientes de la necesidad de un cambio sos-
tenible, la comunidad ha diversificado su actividad económica. Ha adoptado
el ecoturismo, transformando los bosques nativos que aún conservaban en
parques naturales para visitantes. Las habilidades previamente dedicadas a la
tala han sido redirigidas hacia la gestión de senderos, educación ambiental y
hospitalidad. Este cambio no solo ha revitalizado la economía local con un flujo
constante de ingresos, sino que también ha fomentado una nueva identidad
cultural en la comunidad, arraigada en la conservación del entorno natural que
antes explotaban. Esta transición hacia actividades más sostenibles ha traído
consigo un renovado sentido de propósito y resiliencia frente a los desafíos
económicos y ambientales. Van más allá de tácticas de afrontamiento pun-
tuales y desconectadas; ha implicado un cambio de creencias, necesario para
afrontar el otro cambio, el climático. Con la reducción de las plantaciones de
pino, el bosque nativo ha renacido. Ahora predominan los robles y otras espe-
cies que no se veían hace años. Ahora su entorno se parece más al de antaño,
al que recordaban haber vivido en su infancia. Aquel en el que sus antecesores
se arraigaron. Aquel en que sus hijas e hijos son más felices.

3.5. Agradecimientos

Proyecto FONDECYT N° 1190578 “Crisis, Impacto Psicológico, Electroencefa-

lografía, Ensayo clínico”.

– 379 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

3.6. Referencias

Aghamohammadi, N., Fong, C. S., Farid, N. D. N., Ramakreshnan, L., & Moham-
madi, P. A. (2022). “Heat and Mental Health in Cities”. In Urban Overheating:
Heat Mitigation and the Impact on Health (pp. 81-107). Springer.
Albrecht, G., Sartore, G.-M., Connor, L., Higginbotham, N., Freeman, S., Kelly,
B., Stain, H., Tonna, A., & Pollard, G. (2007). “Solastalgia: the distress caused
by environmental change”. Australasian Psychiatry, 15(Suppl. 1). [Link]
org/10.1080/10398560701701288
Beaglehole, B., Mulder, R. T., Frampton, C. M., Boden, J. M., Newton-Howes, G.,
& Bell, C. J. (2018). “Psychological distress and psychiatric disorder after na-
tural disasters: systematic review and meta-analysis”. The British Journal of
Psychiatry, 213(6), 716-722.
Bonanno, G., Brewin, C., Kaniasty, K., & La Greca, A. (2010). “Weighing the costs
of disaster: Consequences, risks, and resilience in individuals, families, and
communities”. Psychological Science in the Public Interest, Supplement, 11(1),
1-49. [Link]
Cáceres, C., Leiva-Bianchi, M., Serrano, C., Ormazábal, Y., Mena, C., & Cantillana,
J. C. (2022). “What is Solastalgia and how is it measured? SOS, a validated
scale in population exposed to drought and forest fires”. International Journal
of Environmental Research and Public Health, 19(20), 13682.
Challinor, A. J., Watson, J., Lobell, D. B., Howden, S. M., Smith, D. R., & Chhetri, N.
(2014). “A meta-analysis of crop yield under climate change and adaptation”.
Nature Climate Change, 4(4), 287-291.
Chan, C. S. (2012). Measuring exposure in natural disaster: A meta-analysis, an
integrative data analysis, and a multi-wave longitudinal study of Hurricane Ka-
trina survivors. University of Massachusetts Boston.
Chen, L., & Liu, A. (2015). “The incidence of posttraumatic stress disorder after
floods: a meta-analysis”. Disaster Medicine and Public Health Preparedness,
9(3), 329–333.
Cromar, K. R., Anenberg, S. C., Balmes, J. R., Fawcett, A. A., Ghazipura, M., Gohlke,
J. M., Hashizume, M., Howard, P., Lavigne, E., Levy, K., & others. (2022). “Global
health impacts for economic models of climate change: a systematic review
and meta-analysis”. Annals of the American Thoracic Society, 19(7), 1203-1212.

– 380 –
 Geomática e impacto psicosocial del cambio climático

Cunsolo, A., & Ellis, N. R. (2018). “Ecological grief as a mental health response to
climate change-related loss”. Nature Climate Change, 8(4), 275-281. https://
[Link]/10.1038/s41558-018-0092-2
Dodd, W., Scott, P., Howard, C., Scott, C., Rose, C., Cunsolo, A., & Orbinski, J.
(2018). “Lived experience of a record wildfire season in the Northwest Territo-
ries, Canada”. Canadian Journal of Public Health, 109(3), 327-337. [Link]
org/10.17269/S41997-018-0070-5
Eisenman, D., Mccaffrey, S., Donatello, I., & Marshal, G. (2015). “An Ecosystems
and Vulnerable Populations Perspective on Solastalgia and Psychological
Distress After a Wildfire”. EcoHealth, 12, 602-610. [Link]
s10393-015-1052-1
Fan, Y., Shi, X., Li, X., & Feng, X. (2022). “Livelihood resilience of vulnerable groups
in the face of climate change: A systematic review and meta-analysis”. Envi-
ronmental Development, 44, 100777.
Guilaran, J., de Terte, I., Kaniasty, K., & Stephens, C. (2018). “Psychological outco-
mes in disaster responders: A systematic review and meta-analysis on the
effect of social support”. International Journal of Disaster Risk Science, 9, 344–
358.
Hanigan, I. C., Schirmer, J., & Niyonsenga, T. (2018). “Drought and distress in
southeastern Australia”. EcoHealth, 15(3), 642–655. [Link]
S10393-018-1339-0
Hegel, G. W. F. (2017). Fenomenología del espíritu. Fondo de cultura económica.
Higginbotham, N., Connor, L., Albrecht, G., Freeman, S., & Agho, K. (2006). “Vali-
dation of an environmental distress scale”. EcoHealth, 3(4), 245-254. https://
[Link]/10.1007/s10393-006-0069-x
Ibáñez, I., Acharya, K., Juno, E., Karounos, C., Lee, B. R., McCollum, C., Schaffer-
Morrison, S., & Tourville, J. (2019). “Forest resilience under global environmen-
tal change: Do we have the information we need? A systematic review”. PLoS
One, 14(9), e0222207.
Kori, D. S., Kelso, C., & Musakwa, W. (2024). “Climate change adaptation by sma-
llholder farmers in Southern Africa: A bibliometric analysis and systematic
review”. Environmental Research Communications.

– 381 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Leiva-Bianchi, M., Cornejo, F., Fresno, A., Rojas, C., & Serrano, C. (2018a). “Effec-
tiveness of cognitive-behavioural therapy for post-disaster distress in post-
traumatic stress symptoms after Chilean earthquake and tsunami”. Gaceta
Sanitaria, 32(3). [Link]
Leiva-Bianchi, M. (2015). Qué le pasa, María. Gráfica LOM.
Leiva-Bianchi, M., Ahumada, F., Araneda, A., & Botella, J. (2017). “What is the
Psychosocial Impact of Disasters? A Meta-Analysis”. Issues in Mental Health
Nursing, 21.
Leiva-Bianchi, M., Ahumada, F., Araneda, A., & Botella, J. (2018b). “What is the
Psychosocial Impact of Disasters? A Meta-Analysis”. Issues in Mental Health
Nursing, 39(4), 320-327. [Link]
Leiva-Bianchi, Marcelo, Mena, C., Ormazábal, Y., Serrano, C., & Rojas, P. (2020).
“Changes in geographic clustering of post-traumatic stress disorder and
post-traumatic growth seven years after an earthquake in Cauquenes, Chile”.
Geospatial Health, 15(2).
Lieber, M., Chin-Hong, P., Kelly, K., Dandu, M., & Weiser, S. D. (2022). “A systematic
review and meta-analysis assessing the impact of droughts, flooding, and
climate variability on malnutrition”. Global Public Health, 17(1), 68-82.
Liu, J.-M., Borazon, E. Q., & Muñoz, K. E. (2021). “Critical problems associated with
climate change: a systematic review and meta-analysis of Philippine fishe-
ries research”. Environmental Science and Pollution Research, 28(36), 49425-
49433.
Morgado, J. N., Santeramo, F., Lamonaca, E., Ciliberti, M. G., & Caroprese, M.
(2022). “Meta-analysis and systematic literature review of climate change
effects on livestock welfare”. EFSA Journal, 20, e200413.
Mousavi, F., Oteros, J., Shahali, Y., & Carinanos, P. (2024). “Impacts of climate
change on allergenic pollen production: A systematic review and meta-
analysis”. Agricultural and Forest Meteorology, 349, 109948.
Naciones Unidas. (2023). “Informe de los Objetivos de Desarrollo Sostenible”
2023: Edición especial.
Phillips, C. & Murphy, C. (2021). “Solastalgia, place attachment and disruption:
insights from a coastal community on the front line”. Regional Environmental
Change, 21(46), 1–14. [Link]

– 382 –
 Geomática e impacto psicosocial del cambio climático

Rana, I. A. (2020). “Disaster and climate change resilience: A bibliometric analy-

sis”. International Journal of Disaster Risk Reduction, 50, 101839.
Rode, J. B., Dent, A. L., Benedict, C. N., Brosnahan, D. B., Martinez, R. L., & Ditto,
P. H. (2021). “Influencing climate change attitudes in the United States: A sys-
tematic review and meta-analysis”. Journal of Environmental Psychology, 76,
101623.
Trombley, J., Chalupka, S., & Anderko, L. (2017). “Climate Change and Mental
Health” | Union of Concerned Scientists. AJN, American Journal of Nursing,
117(4), 44–52.
Warsini, S., Buettner, P., Mills, J., West, C., & Usher, K. (2014). “Translation, cultu-
ral adaptation, and psychometric testing of the environmental distress scale
with Indonesian survivors of a volcanic eruption”. Disaster Medicine and Pu-
blic Health Preparedness, 8(3), 229–238.
Weeda, L. J. Z., Bradshaw, C. J. A., Judge, M. A., Saraswati, C. M., & Le Souëf, P. N.
(2024). “How climate change degrades child health: A systematic review and
meta-analysis”. Science of The Total Environment, 170944.

– 383 –
 CAPÍTULO IV
HACIA UNA MODELACIÓN MÁS ROBUSTA DE LA PROBABILIDAD
DE IGNICIÓN: EL ROL DE LAS CNN EN LA GESTIÓN DEL RIESGO DE
INCENDIOS

John Gajardo1, Danko Inzunza2, Robert Padilla2, Marco Yáñez3,

Antonio Cabrera4

4.1. Introducción

Actualmente, los incendios forestales constituyen uno de los fenómenos

más devastadores que enfrentan los países, y su frecuencia continúa en au-
mento debido al cambio climático (Liu et al., 2010). Según Chuvieco et al. (2008),
más del 30% de la superficie terrestre del planeta presenta una actividad sig-
nificativa asociada a incendios, siendo África y Latinoamérica algunas de las
zonas más activas. En el caso particular de Chile, esta tendencia ha ido en as-
censo, con más de 130.000 hectáreas afectadas en 2014 (Úbeda & Sarricolea,
2016), aumentando a 518.000 hectáreas en 2017 (De la Barrera et al., 2018) y
alcanzando las 420.000 hectáreas en 2023 (Cordero et al., 2024).
En este contexto, el cambio climático ha incrementado la actividad de los
incendios tanto en su número (frecuencia de ignición) como en su superficie
(magnitud de ocurrencia), asociados al aumento de eventos extremos, como
las olas de calor y las sequías (Sun et al., 2019). Existe certeza de que, en varias
partes del mundo, el clima ha cambiado hacia condiciones más secas, gene-
rando temporadas de incendios más largas (Liu et al., 2013). En el escenario
futuro, gran parte de los modelos climáticos predicen un aumento de tempe-
ratura para la temporada de invierno, mientras que otros sugieren un mayor

1
Instituto de Bosques y Sociedad, Universidad Austral de Chile, Valdivia, Chile.
2
NASP - Consultorías Ambientales, Valdivia, Chile.
3
College of Forestry, Agriculture, and Natural Resources, University of Arkansas at Monticello, Arkansas, [Link].
4
Centro de Investigación de Estudios Avanzados del Maule, Universidad Católica del Maule, Talca, Chile.

– 385 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

déficit de humedad, particularmente en el centro de los continentes durante el

verano (Sun et al., 2019). Lamentablemente, estas condiciones han sido iden-
tificadas como los principales factores que controlan los incendios forestales
en Chile (Gómez-González et al., 2019; González et al., 2018), en conjunto con la
variación climática interanual que condiciona el estado de la vegetación (Holtz
et al., 2012). Por otra parte, se debe tener en cuenta que, en Chile, los incendios
son causados casi exclusivamente por personas que provocan la ignición, ya
sea por accidente o intencionalidad (Sarricolea et al., 2020), y cuyas interaccio-
nes de mayor riesgo se dan en las zonas de interfaz urbano-agrícola y forestal
(Miranda et al., 2020).
En los últimos años, se han desarrollado técnicas de modelación más com-
plejas, denominadas de aprendizaje de máquinas (Machine Learning) y su evo-
lución, el aprendizaje profundo (Deep Learning). Estas técnicas y sus respecti-
vos algoritmos permiten trabajar con grandes cantidades de datos, encontrar
patrones y relaciones no lineales, y tratar con variables que pueden estar al-
tamente correlacionadas (Liu et al., 2018). Una de las principales ventajas de
estos algoritmos es que permiten trabajar con modelos no paramétricos, por
lo que las interrelaciones de las variables predictoras no se definen a priori,
sino que son derivadas de un proceso iterativo de entrenamiento y testeo (Vilar
et al., 2016). El uso de estos algoritmos ha permitido transitar hacia una apro-
ximación de la modelación que puede incluir datos de incendios capturados
por las agencias nacionales o proporcionados por productos de teledetección,
en combinación con variables climáticas, topográficas y antropogénicas (Jain
et al., 2020). En particular, las Redes Neuronales Convolucionales (CNN) son
algoritmos de arquitecturas jerárquicas entrenadas con conjuntos de datos de
gran escala y constituyen una de las aproximaciones que ha mostrado mayor
robustez en el reconocimiento de patrones, considerando el contexto espacial
de los fenómenos (Hu et al., 2015). Estas redes han sido aplicadas con buenos
resultados en la predicción de la probabilidad de ignición en diversas partes
del mundo (Wang et al., 2019; Zhang et al., 2019, 2021, 2022). Dada la gravedad
y extensión del fenómeno en Chile, se hace necesario investigar la adaptación
y potencial utilidad de las CNN para generar información que permita gestionar
el riesgo de ignición en el territorio.

– 386 –
 Hacia una modelación más robusta de la probabilidad de ignición

4.2. Desarrollo

El desarrollo del trabajo se llevó a cabo en el lenguaje de programación

Python (Van Rossum & Python Development Team, 2023), utilizando las biblio-
tecas TensorFlow (Abadi et al., 2016) y scikit-learn (Pedregosa et al., 2011). La
zona de estudio involucró desde las regiones de O’Higgins a Los Lagos, la cual
es considerada como una zona de particular interés forestal en Chile (Poblete
et al., 2023). La aproximación para estimar la probabilidad de ignición en la zona
de estudio se realizó mediante la modelación espacial. Para esta modelación,
los datos históricos de las igniciones y las variables consideradas predictoras
del fenómeno (Miranda et al., 2020) se preprocesaron para la extracción de
muestras, las cuales se dividieron en dos conjuntos de datos: el 70% se destinó
al entrenamiento del modelo y el 30% al testeo. No se consideró en el entrena-
miento el año 2016 de los datos históricos, con el fin de realizar una evaluación
independiente y obtener métricas de desempeño que permitieran comparar
dos algoritmos: CNN y Random Forest (RF) (figura 13). El modelo resultante de
esta comparación se utilizó para realizar una predicción de la probabilidad de
ignición para el año 2024.

Figura 13. Metodología general del proceso de entrenamiento y evaluación del modelo.

– 387 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

4.2.1. Descripción y preprocesado de datos

Se recolectó una serie temporal de datos climáticos desde el año 2013 hasta
2017, así como datos topográficos y antrópicos en distintos formatos y resolu-
ciones espaciales (ver tabla 9). Con el objetivo de estandarizar estas variables,
se convirtieron los vectores a formato ráster, lo que permitió generar una nueva
capa que representó la distancia a los elementos antrópicos. Por otra parte, del
modelo digital de elevación (DEM) se derivaron dos variables correspondientes
a las pendientes y al Índice de Posición Topográfica (TPI). Respecto a los datos
de cobertura del suelo, se dividieron en capas binarias, donde un valor de 1
indicó la presencia de un uso de suelo en particular. Posteriormente, los datos
fueron remuestreados a una resolución de 250 metros, considerada adecuada
para la escala del estudio, y se organizaron en archivos por cada año (stacks).
En el caso de los datos que presentaban una menor frecuencia temporal, se
utilizó la capa del año anterior. Para generar el dataset del año 2024, se siguió
un proceso similar al descrito, empleando los datos antrópicos del año 2023 y
los datos climáticos proyectados en el escenario RCP 2.6 con el modelo Had-
GEM-2 (Carrasco, 2021).
Los datos de la variable respuesta, entendidos como las coordenadas de
los puntos de ignición, fueron solicitados a la Corporación Nacional Forestal
(CONAF). Estos datos se transformaron en imágenes y se utilizaron como píxe-
les de ignición para el algoritmo RF o como el píxel central de una ventana para
el algoritmo CNN.

[Link]ón de muestras

Se generaron muestras de entrenamiento (43.312) utilizando los stacks crea-

dos para los años 2013, 2014, 2015 y 2017. Los datos del año 2016 se reserva-
ron para la validación independiente. Las muestras se extrajeron en ventanas
de 25x25 píxeles (Zhang et al., 2019), donde el punto de ignición se consideró
como el píxel central. Este último se empleó también como la variable respues-
ta para el procesamiento llevado a cabo con el algoritmo RF.

– 388 –
 Hacia una modelación más robusta de la probabilidad de ignición

Tabla 9: Fuente de Datos (paréntesis indican número de variables en la

categoría)
Formato
Categoría Variables Temporalidad Fuente
original
Climática Bioclimáticas (19) Ráster Anual Carrasco (2021)
Antrópicas Caminos Vector Cada dos años OpenStreetMap
(2023)
Zonas Urbanas Vector Cada dos años OpenStreetMap
(2023)
Fisiográfico Red Hídrica Vector Fijo Biblioteca
del Congreso
Nacional de Chile
(2017)
Modelo de elevación Ráster Fijo Farr (2007)
(DEM) (3)
Vegetación Cobertura (10) Ráster Cada dos años MODIS Land
Cover (2023)

4.2.3. Selección de variables

Para evitar la correlación entre las variables continuas, se calculó el coefi-

ciente de Pearson y se descartaron aquellas que superaron un valor de 0,8.
Posteriormente, se aplicó un segundo filtro utilizando los valores del VIF (Factor
de Inflación de la Varianza) y TOL (Tolerancia). Este filtro permite detectar varia-
bles que presentan una fuerte multicolinealidad, la cual influye en la calidad de
los modelos (Jaafari et al., 2018). En este caso, se estableció un umbral de VIF
superior a 10 (Guo et al., 2016). De esta forma, se eliminó la variable que supera-
ba este umbral y se recalculó el VIF, repitiendo el proceso hasta no contar con
una multicolinealidad significativa.
Además, se empleó el método de Information Gain Ratio (IGR), que incorpo-
ra las variables categóricas y proporciona una métrica de importancia conocida
como Average Merit (AM), donde a medida que el valor AM aumenta, implica
un mayor aporte de la variable. En consecuencia, aquellas variables que arro-
jaron un valor 0 se interpretaron como un aporte nulo para la predicción del
fenómeno, y por lo tanto fueron eliminadas (Zhang et al., 2019).
Para concluir el proceso de selección de variables, se entrenó un modelo
CNN utilizando todas las variables seleccionadas, considerando este resultado
como una referencia. Posteriormente, se entrenaron modelos parciales incor-

– 389 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

porando una variable a la vez, repitiendo el proceso en diez ocasiones y obte-

niendo así un promedio de los ajustes. Esto permitió generar un ranking con
la importancia de cada variable en el ajuste de los modelos parciales. A conti-
nuación, se volvieron a entrenar los modelos agregando las variables en orden
descendente según el ranking obtenido. Se agregaron gradualmente las varia-
bles que generaban un menor ajuste, asegurando que el modelo resultante no
disminuyera en más de un 1% de la exactitud respecto al modelo de referencia.

4.2.4. Descripción de modelos

La arquitectura del modelo CNN utilizado en este trabajo tiene como entra-
da imágenes de 25 píxeles de ancho, 25 píxeles de alto y 5 capas de profun-
didad, donde la profundidad corresponde a las variables seleccionadas en el
paso anterior. Se utilizó la arquitectura de red propuesta por Zhang et al. (2019),
la cual entregó los mejores resultados respecto a varias arquitecturas proba-
das. Esta arquitectura cuenta con tres capas que procesan la imagen: la prime-
ra capa usa 64 filtros, la segunda capa 128 filtros y la tercera capa, 256 filtros.
Cada filtro es una pequeña ventana de 3x3 que se mueve por la imagen, ayu-
dando a encontrar patrones. Estas ventanas tienen un borde añadido (padding)
que permite que la imagen no cambie de tamaño al pasar por estas capas.
Entre cada una de estas, se utilizan capas denominadas Max Pooling, las cua-
les dividen la imagen en secciones de 2x2 píxeles y eligen el valor más alto
de cada sección. Esto ayuda a reducir el tamaño de la imagen y a resaltar las
características más relevantes.
Las salidas de las capas convolucionales se conectan completamente a una
red neuronal con capas de 128, 64 y 32 neuronas, que finalmente convergen
en una salida con 2 categorías de clasificación: ignición y no ignición. Se utilizó
la función de activación ReLU en toda la red, ampliamente reconocida por su
eficiencia (Wang et al., 2019), y Softmax en la capa de salida, la cual permite
entregar la probabilidad de pertenencia de cada píxel a una categoría (Zhang
et al., 2021) (ver figura 14).
Para la clasificación, se seleccionó la función de pérdida Binary Cross En-
tropy, dado que el modelo busca realizar una clasificación binaria. Esta función
calcula la pérdida de entropía cruzada entre las etiquetas reales y las predic-
ciones. Además, se eligió el algoritmo de optimización Adam, una variante del

– 390 –
 Hacia una modelación más robusta de la probabilidad de ignición

descenso del gradiente que ajusta los pesos de la red de manera adaptativa,
optimizando la función de pérdida para mejorar el rendimiento del modelo (Ke-
tkar, 2017). En el caso del modelo de referencia RF, se asignaron los parámetros
por defecto de la librería scikit-learn.

4.2.5. Curvas respuesta de las variables

Para obtener un acercamiento a la interpretabilidad del modelo, se utilizó el

método SHAP para el modelo RF, dado que su implementación no es factible
de aplicar directamente sobre el modelo CNN. Se entiende como valor SHAP
la contribución marginal media de cada variable en todos los valores posibles
del espacio de características (posibles en las muestras) (Bhattacharya, 2022).
Este enfoque se basa en la teoría de juegos, desglosando la predicción en la
contribución de cada variable a través del valor SHAP, el cual entrega tanto la
magnitud como la dirección de la relación (Bountzouklis et al., 2023).

Figura 14. Diagrama del modelo de red convolucional.

4.2.6. Métricas de evaluación

Para evaluar el desempeño de los modelos, se utilizó el AUC (Área Bajo la

Curva) como la principal métrica. Esta métrica es comúnmente utilizada para
evaluar cuantitativamente la exactitud general de un modelo de clasificación,

– 391 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

donde un valor de 0,5 indica una clasificación aleatoria, mientras que un valor
cercano a 1 indica un alto rendimiento en la capacidad de clasificación del mo-
delo (Cao et al., 2017). Un resultado de AUC aceptable toma valores entre 0,7 y
0,8; entre 0,8 y 0,9 se considera excelente y valores mayores a 0,9 se conside-
ran excepcionales (Shao et al., 2022).
Además, para entregar mayor información sobre las características del mo-
delo, se consideraron otras métricas, como la precisión global [1], que repre-
senta la cantidad de valores predichos correctamente, la especificidad [2], que
mide la proporción de verdaderos negativos entre todos los negativos, la sen-
sibilidad [3], que indica la proporción de verdaderos positivos entre todos los
positivos, y el valor predictivo positivo (VPP) [4], que se entiende como la pro-
porción de verdaderos positivos respecto al total de positivos calificados por el
modelo (Zhang et al., 2021):

Precisión global = TP+TN [1]

TP+TN+FP+FN
Especificidad = TN [2]
FP+TN
Sensibilidad = TP [3]
TP+FN
VPP = TP [4]
TP+FP

donde: “TP” es verdaderos positivos, “FP” falsos negativos, “TN” verdaderos ne-
gativos y “FN” falso negativo.
Por otra parte, para la comparación de los modelos de predicción de igni-
ción generados, se calculó la desviación estándar espacial, considerando una
ventana de 25x25. De este proceso se obtuvo un valor general y una represen-
tación espacial detallada de la desviación.
Finalmente, se realizó una predicción para el año 2024 con el modelo que
presentó las mejores métricas, empleando las variables climáticas proyecta-
dos para el 2024 y manteniendo fijas al año 2023 el resto de las variables.

– 392 –
 Hacia una modelación más robusta de la probabilidad de ignición

4.3. Resultados

Las variables resultantes del análisis de correlación y los valores obtenidos

mediante el método IGR se muestran en la figura 15. Es importante tener en
cuenta que este enfoque se utiliza en algoritmos que operan a nivel de píxel;
por lo tanto, el ranking de las variables podría no representar íntegramente el
comportamiento del modelamiento CNN. Aun así, el IGR es una aproximación
eficaz para la selección óptima de variables, permitiendo mejorar el rendimien-
to de la predicción (Jaafari et al., 2018).
A diferencia de Zhang et al. (2019), la proximidad a la red hídrica no fue un
factor determinante en la probabilidad de ignición para el área de interés. En
nuestro trabajo, solo dos categorías de cobertura presentaron un Average Merit
(AM) superior a 0: “bosque abierto” y “cuerpos de agua”. Este último resultado
podría deberse a limitaciones del producto global de coberturas, el cual no
representa adecuadamente la situación específica de un territorio (Sulla-Me-
nashe & Friedl, 2022).

Figura 15. Valor de AM para el IGR de las variables predictoras.

Las variables que evidenciaron un mayor aporte al ajuste incluyeron la proxi-

midad a los caminos, pendiente, proximidad a zonas urbanas y elevación (DEM)
(ver figura 16), lo cual coincide con lo reportado por Azócar et al. (2022). Res-
pecto de las variables bioclimáticas, solo se mantuvo la precipitación, la cual
es reconocida como un factor relevante en la ignición (Zhang et al., 2019, 2021).

– 393 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La selección de variables permitió obtener un modelo con un ajuste ligera-

mente inferior al modelo de referencia. A pesar de ello, la disminución en exac-
titud no superó un punto porcentual. De este modo, se obtuvo un modelo más
parsimónico, una propiedad deseada en la modelación, ya que modelos más
simples pueden implementarse más fácilmente y, en muchos casos, logran
generalizar de forma más eficiente (Bhattacharya, 2022).

Figura 16. Exactitud del modelo considerando la calibración con una variable.

La proximidad a los caminos mostró tener una influencia positiva en la pro-

babilidad de ignición hasta un rango de aproximadamente 1,2 kilómetros, con
una tendencia similar a la mostrada por Miranda et al. (2020) y Jiménez-Ruano
et al. (2022), donde se observa que la mayor probabilidad ocurre hasta los 2 y 2,5
kilómetros, respectivamente. En el caso de la pendiente, esta aportó de forma
positiva en el rango de valores entre 2° y 16° aproximadamente; posteriormente,
su influencia se estabilizó y comenzó a ser negativa (ver figura 17). Esta estabili-
zación también fue observada por Jiménez-Ruano et al. (2022). La distancia a la
zona urbana exhibió un comportamiento similar al de los caminos, aportando
positivamente hasta los 5 kilómetros (D’Este et al., 2020; Miranda et al., 2020).
El aporte positivo al aumento de la probabilidad de ignición en relación con
la distancia a caminos y zonas urbanas está directamente vinculado a la pre-
sencia de actividades antrópicas. Por tanto, es razonable que la probabilidad
aumente con distancias menores, avalando así la preponderancia de causas
humanas por sobre otras (González et al., 2020).

– 394 –
 Hacia una modelación más robusta de la probabilidad de ignición

La elevación presentó una relación positiva con valores cercanos a los 300
m s.n.m. A partir de ahí, los valores SHAP comenzaron a disminuir hasta mostrar
una relación negativa. Esto se explica porque en las bajas elevaciones del valle
central y sobre la cordillera de la costa se concentran ciudades, carreteras y
vías de comunicación, donde además predominan coberturas de suelo aso-
ciadas a actividades económicas (Miranda et al., 2020). En este contexto, suele
ocurrir que valores altos de elevación se relacionen con temperaturas más ba-
jas y menor presencia de vegetación (Shi & Zhang, 2023).

Figura 17. Valores SHAP para las variables, en rojo curva ajustada a la nube con un
modelo GAM y en azul el intervalo de confianza de 95%.

– 395 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Por último, la precipitación mostró un valor SHAP positivo en un rango de

entre 600 mm y 1.700 mm aproximadamente, presentando luego una relación
negativa con el fenómeno, comportamiento similar al registrado por Moritz et
al. (2012). Llama la atención que una precipitación cercana a 0 no se asocie a
una alta probabilidad de ignición. Esto podría deberse a que valores muy bajos
de precipitación implican temporadas secas más prolongadas, lo que genera
un mayor estrés hídrico y, en consecuencia, menor producción de biomasa dis-
ponible para los incendios (Moritz et al., 2012).
Para ambos modelos se obtuvo un valor de AUC considerado como “excelen-
te”. Sin embargo, el modelo CNN presentó valores ligeramente superiores al RF, lo
que coincide con los resultados obtenidos por Zhang et al. (2019, 2021). A nivel lo-
cal, nuestros resultados fueron superiores a trabajos similares (Azócar et al., 2022),
probablemente debido al proceso riguroso de selección de predictores, el mayor
número de muestras utilizadas y la capacidad de los algoritmos empleados.
El modelo RF mostró un comportamiento más equilibrado en la predicción
de las categorías, con valores de especificidad y sensibilidad más cercanos en-
tre sí en comparación con la red CNN (ver tabla 10). No obstante, el modelo
CNN se destacó al obtener valores superiores en todas las métricas respecto al
RF, un resultado que ya había sido reportado por Zhang et al. (2019). Este mejor
desempeño se explica porque el modelo CNN considera el contexto espacial,
lo cual le permite identificar patrones espaciales complejos asociados a cada
categoría, más allá de las simples relaciones entre variables predictoras.
De especial interés es el mejor rendimiento del modelo CNN en la sensibi-
lidad, es decir, su mayor capacidad para identificar correctamente los casos
positivos. Esta característica puede ser crucial en contextos donde se requiere
adoptar un enfoque más conservador frente al riesgo, o cuando se necesita
priorizar zonas para la protección o intervención temprana ante una eventual
ignición.

Tabla 10: Métricas de comparación.

Métrica CNN RF
AUC 0,896 0,879
Precisión Global 0,815 0,784
Especificidad 0,794 0,780
Sensibilidad 0,837 0,787
PPV 0,795 0,773
Desviación estándar general 0,010 0,018

– 396 –
 Hacia una modelación más robusta de la probabilidad de ignición

Respecto a la variabilidad espacial de la probabilidad, el modelo CNN mos-

tró un valor significativamente menor que el RF, con una reducción importante
en su magnitud (véase tabla 10). Espacialmente, esto se refleja en una transición
más gradual de la probabilidad en la zona de estudio, a diferencia del modelo
RF, donde las variaciones entre píxeles vecinos son más abruptas (ver figura 18).

Figura 18. Desviación estándar espacial de la probabilidad de ignición para el modelo

RF y CNN.

– 397 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La naturaleza píxel a píxel del modelo RF implica que cada característica

se trata de forma independiente de su localización espacial, lo que conduce
a predicciones espacialmente menos consistentes (Hirayama et al., 2019). En
contraste, las redes convolucionales (CNN) mitigan este problema al incorpo-
rar el contexto espacial en la identificación de patrones durante el proceso de
modelación (Liu et al., 2022). En el modelo CNN, una parte de la ventana entre
píxeles vecinos es compartida, lo que permite que los patrones y valores sean
considerados en conjunto. Esta propiedad contribuye a una mayor consistencia
espacial, lo cual se traduce en una menor variabilidad en las predicciones. La
consistencia espacial resulta esencial cuando se analizan o modelan fenóme-
nos que presentan una estructura espacial definida, donde las relaciones entre
características dependen directamente de su ubicación. En este contexto, las
CNN están diseñadas específicamente para mantener dicha coherencia, lo que
las hace particularmente adecuadas para aplicaciones en análisis geoespacial.
La predicción de la probabilidad de ignición para el año 2024 (ver figura 19)
mostró una mayor magnitud en las áreas cercanas a los centros urbanos y ca-
minos, ubicadas principalmente en zonas de elevaciones bajas. Esta probabili-
dad disminuye a medida que aumenta la elevación y en zonas con topografía
más accidentada, donde la actividad humana es menos intensa o está limitada.

– 398 –
 Hacia una modelación más robusta de la probabilidad de ignición

Figura 19. Distribución espacial de la probabilidad año 2024.

Las zonas de mayor probabilidad se concentran entre los 36° y 39° de latitud
sur, donde se cumplen las condiciones anteriormente mencionadas, coinci-
diendo también con rangos de precipitaciones que favorecen la ignición. Hacia
el sur de los 39° de latitud, la probabilidad disminuye, debido a la reducción de
infraestructura antrópica (caminos y centros urbanos), así como al aumento de
la precipitación, lo que contribuye a una mayor humedad del combustible y
menor riesgo de ignición.
Por su parte, al norte de los 36° de latitud, la probabilidad de ignición tam-
bién disminuye, a pesar de la presencia de factores antrópicos. Esto podría ex-

– 399 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

plicarse por la baja precipitación característica de esta zona, la cual no sería su-
ficiente para generar biomasa o material vegetal que actúe como combustible
disponible para los incendios (Urrutia‐Jalabert et al., 2018).

4.4. Conclusiones

En este estudio se compararon los algoritmos CNN y RF para generar un

modelo capaz de predecir la distribución espacial de la probabilidad de igni-
ción de incendios forestales. Utilizando datos históricos de puntos de ignición
anuales y variables predictoras, se encontró que el modelo basado en CNN
superó consistentemente al modelo de RF en todas las métricas evaluadas.
La CNN no solo mostró un mejor desempeño en términos de exactitud, sino
que también demostró una menor variabilidad espacial, gracias a su capacidad
inherente para mantener la consistencia espacial en la modelación. Esta pro-
piedad es especialmente importante para fenómenos como las igniciones de
incendios, donde las relaciones espaciales entre variables ambientales, topo-
gráficas y antrópicas son determinantes para la ocurrencia del fenómeno.
La predicción de la probabilidad de ignición para el año 2024 identificó las
zonas de mayor riesgo en la zona Central y Centro Sur de Chile, incluyendo las
áreas correspondientes a la Cordillera de la Costa y la Depresión Intermedia.
Estas regiones se caracterizan por una alta actividad económica y una vegeta-
ción que actúa como combustible, favorecida por las condiciones de precipi-
tación.
La capacidad de las CNN para mantener una consistencia espacial robusta
las posiciona como herramientas superiores para modelar fenómenos com-
plejos, como las igniciones de incendios forestales. La información derivada de
este estudio resulta esencial para diseñar estrategias efectivas de prevención
y mitigación de incendios en Chile, permitiendo a los encargados focalizar sus
esfuerzos en las áreas de mayor riesgo y optimizar los recursos disponibles
para la protección del medio ambiente y las comunidades.

– 400 –
 Hacia una modelación más robusta de la probabilidad de ignición

4.5. Referencias

Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat,
S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., Mu-
rray, D. G., Steiner, B., Tucker, P., Vasudevan, V., Warden, P., Wicke, M., Yu, Y., &
Zheng, X. (2016). TensorFlow: A system for large-scale machine learning. In
12th USENIX Symposium on Operating Systems Design and Implementation
(OSDI 16) (pp. 265-283).
Azócar De La Cruz, G. A. D. L., Alfaro, G., Alonso, C., Calvo, R., & Orellana, P.
(2022). “Modeling the Ignition Risk: Analysis before and after Megafire on
Maule Region, Chile”. Applied Sciences, 12(18), 9353. [Link]
app12189353
Bhattacharya, A. (2022). Applied machine learning explainability techniques: Best
practices for making ML algorithms interpretable in the real-world applications
using LIME, SHAP and others. Packt Publishing.
Biblioteca del Congreso Nacional de Chile. (2017). “Red hidrográfica: polilíneas
de los drenes de todo Chile”. Dataset. [Link]
toriales
Bountzouklis, C., Fox, D. M., & Bernardino, E. D. (2023). “Predicting wildfire ig-
nition causes in Southern France using eXplainable Artificial Intelligence
(XAI) methods”. Environmental Research Letters, 18(4), 044038. [Link]
org/10.1088/1748-9326/acc8ee
Cao, Y., Wang, M., & Liu, K. (2017). “Wildfire Susceptibility Assessment in Southern
China: A Comparison of Multiple Methods”. International Journal of Disaster
Risk Science, 8(2), 164-181. [Link]
Carrasco, G. (2021). High temporal and spatial resolution of bioclimatic variables
on central Chile for different climate change scenarios and global circulation
models. figshare. Dataset. [Link]
Chuvieco, E., Giglio, L., & Justice, C. (2008). “Global characterization of fire activi-
ty: toward defining fire regimes from Earth observation data”. Global change
biology, 14(7), 1488-1502.
Cordero, R. R., Feron, S., Damiani, A., Carrasco, J., Karas, C., Wang, C., Kraamwinkel,
C.T. & Beaulieu, A. (2024). “Extreme fire weather in Chile driven by climate chan-
ge and El Niño–Southern Oscillation (ENSO)”. Scientific reports, 14(1).

– 401 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

D’Este, M., Ganga, A., Elia, M., Lovreglio, R., Giannico, V., Spano, G., Colangelo,
G., Lafortezza, R., & Sanesi, G. (2020). “Modeling fire ignition probability and
frequency using Hurdle models: A cross-regional study in Southern Europe”.
Ecological Processes, 9(1), 54. [Link]
De la Barrera, F., Barraza, F., Favier, P., Ruiz, V., & Quense, J. (2018). “Megafires in
Chile 2017: Monitoring multiscale environmental impacts of burned ecosys-
tems”. Science of the total environment, 637, 1526-1536.
Farr, T.G., Rosen, P.A., Caro, E., Crippen, R., Duren, R., Hensley, S., Kobrick, M.,
Paller, M., Rodriguez, E., Roth, L., Seal, D., Shaffer, S., Shimada, J., Umland, J.,
Werner, M., Oskin, M., Burbank, D., & Alsdorf, D.E. (2007). The shuttle radar
topography mission: Reviews of Geophysics, v. 45, no. 2, RG2004, at https://
[Link]/10.1029/2005RG000183.
Gómez-González, S., González, M.E., Paula, S., Díaz-Hormazábal, I., Lara, A., &
Delgado-Baquerizo, M. (2019). “Temperature and agriculture are largely as-
sociated with fire activity in Central Chile across different temporal periods”.
Forest Ecology and Management, 433, pp.535-543.
González, C., Castillo, M., García-Chevesich, P., & Barrios, J. (2018). Dempster-
Shafer theory of evidence: a new approach to spatially model wildfire risk
potential in central Chile. Science of the Total Environment 613:1024-1030.
González, M.E., Sapiains, R., Gómez-González, S., Garreaud, R., Miranda, A., Ga-
lleguillos, M., Jacques, M., Pauchard, A., Hoyos, J., Cordero, L., Vásquez, F.,
Lara, A., Aldunce, P., Delgado, V., Arriagada, Ugarte, A.M., Sepúlveda, A., Fa-
rías, L., García, R., Rondanelli, R. J., Ponce, R., Vargas, F., Rojas, M., Boisier, J.P.,
C., Carrasco, Little, C., Osses, M., Zamorano, C., Díaz-Hormazábal, I., Ceballos,
A., Guerra, E., Moncada, M., Castillo, I. (2020). “Incendios forestales en Chile:
causas, impactos y resiliencia”. Centro de Ciencia del Clima y la Resiliencia
(CR)2, Universidad de Chile, Universidad de Concepción y Universidad Aus-
tral de Chile.
Guo, F., Su, Z., Wang, G., Sun, L., Lin, F., & Liu, A. (2016). “Wildfire ignition in the fo-
rests of southeast China: Identifying drivers and spatial distribution to predict
wildfire likelihood”. Applied Geography, 66, 12-21. [Link]
apgeog.2015.11.014
Hirayama, H., Sharma, R. C., Tomita, M., & Hara, K. (2019). “Evaluating multiple
classifier system for the reduction of salt-and-pepper noise in the classifica-

– 402 –
 Hacia una modelación más robusta de la probabilidad de ignición

tion of very-high-resolution satellite images”. International Journal of Remote

Sensing, 40(7), 2542-2557. [Link]
Holz, A., Kitzberger, T., Paritsis, J., & Veblen, T. T. (2012). “Ecological and clima-
tic controls of modern wildfire activity patterns across southwestern South
America”. Ecosphere, 3(11), 1-25.
Hu, W., Huang, Y., Wei, L., Zhang, F., & Li, H. (2015). “Deep convolutional neural
networks for hyperspectral image classification”. Journal of Sensors, 2015(1),
258619.
Jaafari, A., Zenner, E. K., & Pham, B. T. (2018). “Wildfire spatial pattern analysis
in the Zagros Mountains, Iran: A comparative study of decision tree based
classifiers”. Ecological Informatics, 43, 200-211. [Link]
ecoinf.2017.12.006
Jain, P., Coogan, S. C., Subramanian, S. G., Crowley, M., Taylor S., & Flannigan, M.
D. (2020). “A review of machine learning applications in wildfire science and
management”. Environmental Reviews 28:478-505.
Jiménez-Ruano, A., Jolly, W. M., Freeborn, P. H., Vega-Nieva, D. J., Monjarás-Ve-
ga, N. A., Briones-Herrera, C. I., & Rodrigues, M. (2022). “Spatial Predictions
of Human and Natural-Caused Wildfire Likelihood across Montana (USA)”.
Forests, 13(8), 1200. [Link]
Ketkar, N. (2017). Deep Learning with Python. Apress. [Link]
1-4842-2766-4
Liu Y, Stanturf J, Goodrick S. (2010). “Trends in global wildfire potential in a chan-
ging climate”. Forest Ecology and Management 259, 685–697.
Liu, R., Yang, X., Xu, C., Wei, L., & Zeng, X. (2022). “Comparative Study of Con-
volutional Neural Network and Conventional Machine Learning Methods
for Landslide Susceptibility Mapping”. Remote Sensing, 14(2), 321. [Link]
org/10.3390/rs14020321
Liu, Y., Goodrick, S. L., & Stanturf, J. A. (2013). “Future US wildfire potential trends
projected using a dynamically downscaled climate change scenario”. Forest
Ecology and Management 294:120-135.
Liu, Z., Peng, C., Work, T., Candau, J. N., DesRochers, A., & Kneeshaw, D. (2018).
“Application of machine-learning methods in forest ecology: recent progress
and future challenges”. Environmental Reviews, 26(4), 339-350.

– 403 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Miranda, A., Carrasco, J., González, M., Pais, C., Lara, A., Altamirano, A., Weintraub,
A., & Syphard, A. D. (2020). “Evidence-based mapping of the wildland-urban
interface to better identify human communities threatened by wildfires”. En-
vironmental Research Letters, 15(9), 094069. [Link]
9326/ab9be5
MODIS Land Cover Type MCD12Q1.061 image from 2013-2023 was retrieved on
2023 from [Link] maintained by the NASA EOSDIS Land
Processes Distributed Active Archive Center (LP DAAC) at the USGS Earth
Resources Observation and Science (EROS) Center, Sioux Falls, South Dako-
ta. 2018, [Link]
2018-winter-olympics-observer/.
Moritz, M. A., Parisien, M.-A., Batllori, E., Krawchuk, M. A., Van Dorn, J., Ganz, D. J.,
& Hayhoe, K. (2012). “Climate change and disruptions to global fire activity”.
Ecosphere, 3(6), 1-22. [Link]
OpenStreetMap contributors. (2023) Planet dump. Retrieved from [Link]
[Link]
Pedregosa, F., Varoquaux, Ga”el, Gramfort, A., Michel, V., Thirion, B., Grisel, O.,
Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A.,
Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). “Scikit-learn:
Machine learning in Python”. Journal of Machine Learning Research, 12(Oct),
2825–2830.
Poblete, P., Gysling, J., Alvarez, V., Bañados, J. C., Kahler, C., Pardo, E., Soto, D.,
Baeza, D. (2023). Anuario forestal 2023.
Sarricolea, P., Serrano-Notivoli, R., Fuentealba, M., Hernández-Mora, M., De la
Barrera, F., Smith, P., & Meseguer-Ruiz, Ó. (2020). “Recent wildfires in Central
Chile: Detecting links between burned areas and population exposure in the
wildland urban interface”. Science of the Total Environment, 706, 135894.
Shao, Y., Feng, Z., Sun, L., Yang, X., Li, Y., Xu, B., & Chen, Y. (2022). “Mapping
China’s Forest Fire Risks with Machine Learning”. Forests, 13(6), 856. https://
[Link]/10.3390/f13060856
Shi, C., & Zhang, F. (2023). “A Forest Fire Susceptibility Modeling Approach Based
on Integration Machine Learning Algorithm”. Forests, 14(7), 1506. [Link]
org/10.3390/f14071506

– 404 –
 Hacia una modelación más robusta de la probabilidad de ignición

Sulla-Menashe, D., & Friedl, M. A. (2022). “User Guide to Collection 6 MODIS

Land Cover (MCD12Q1 and MCD12C1) Product”. [Link]
cuments/101/MCD12_User_Guide_V6.pdf
Sun, Q., Miao, C., Hanel, M., Borthwick, A.G., Duan, Q., Ji, D. and Li, H. (2019). “Glo-
bal heat stress on health, wildfires, and agricultural crops under different le-
vels of climate warming”. Environment international, 128, pp.125-136.
Úbeda, X., & Sarricolea, P. (2016). “Wildfires in Chile: A review”. Global and Plane-
tary Change, 146, pp.152-161.
Urrutia‐Jalabert, R., González, M. E., González‐Reyes, Á., Lara, A., & Garreaud, R.
(2018). “Climate variability and forest fires in central and south‐central Chile”.
Ecosphere, 9(4), e02171. [Link]
Van Rossum, G., & Python Development Team (2023). Python 3.9.16 Reference
Manual. Python Software Foundation.
Vilar, L., Gómez, I., Martínez-Vega, J., Echavarría, P., Riaño, D., & Martín, M.P. (2016).
“Multitemporal modelling of socio-economic wildfire drivers in central Spain
between the 1980s and the 2000s: comparing generalized linear models to
machine learning algorithms”. PLoS One, 11(8), p.e0161344.
Wang, Y., Fang, Z., & Hong, H. (2019). “Comparison of convolutional neural net-
works for landslide susceptibility mapping in Yanshan County, China”. Scien-
ce of The Total Environment, 666, 975-993. [Link]
env.2019.02.263
Zhang, G., Wang, M., & Liu, K. (2019). “Forest Fire Susceptibility Modeling Using
a Convolutional Neural Network for Yunnan Province of China”. Internatio-
nal Journal of Disaster Risk Science, 10(3), 386-403. [Link]
s13753-019-00233-1
Zhang, G., Wang, M., & Liu, K. (2021). “Deep neural networks for global wildfi-
re susceptibility modelling”. Ecological Indicators, 127, 107735. [Link]
org/10.1016/[Link].2021.107735
Zhang, S., Bai, L., Li, Y., Li, W., & Xie, M. (2022). “Comparing convolutional neural
network and machine learning models in landslide susceptibility mapping:
A case study in wenchuan county”. Frontiers in Environmental Science, 10,
886841.

– 405 –
 CAPÍTULO V
MAPEO MULTITEMPORAL Y MULTISENSOR DE CHL EN LA COSTA
OCCIDENTAL DEL CONTINENTE SUDAMERICANO

Alfonso Condal1

5.1. Introducción

Los ecosistemas naturales de la Tierra se encuentran en un estado de cam-

bio permanente a diversas escalas espaciales y temporales. Las causas de estos
cambios pueden ser naturales, antropogénicas o una combinación de ambas. Por
ejemplo, las variaciones en la vegetación pueden deberse a factores ecológicos
(como respuestas estacionales de la vegetación, variabilidad interanual o cambio
de dirección), o bien a transformaciones inducidas por la actividad humana (como
la contaminación y las alteraciones en los patrones climáticos globales).
En este trabajo se considerará el caso específico de los océanos, donde re-
sulta importante comprender los patrones de cambio tanto a escalas tempo-
rales largas como cortas, ya que este conocimiento contribuye a maximizar el
uso sostenible de los recursos marinos (Salmerón-García et al., 2011). Enten-
der los patrones, tendencias y variaciones espaciales observadas a lo largo de
años y décadas, complementa otros esfuerzos de gestión, seguimiento y pla-
nificación, relacionados con las actividades oceánicas (Doney et al., 2003). Para
ello, es indispensable contar con series temporales extensas de productos
geomáticos específicos que representen propiedades del medio acuático, ta-
les como concentración de clorofila (Chl), temperatura superficial del mar (SST),
productividad primaria, radiación fotosintéticamente activa (PAR), absorción y
retrodispersión total y cantidad de carbono orgánico e inorgánico, entre otros.
Agencias espaciales como la Administración Nacional de Aeronáutica y el
Espacio (NASA) y la Agencia Espacial Europea (ESA), distribuyen este tipo de
productos geomáticos desde fines de la década de 1980. Estos se generan

1
Departamento de Geomática, Laval University, Quebec, Canadá.

– 407 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

a partir de varias plataformas satelitales operacionales, tienen validez a esca-

la global y están disponibles en resoluciones temporales que abarcan desde
datos diarios o de ocho días, hasta series anuales o de la vida completa del
sensor. En la figura 20 se presenta un ejemplo de los mapas de Chl disponibles
en el portal de la NASA. Específicamente, se muestra un mapa generado por
el sensor Aqua MODIS en formato L3 y con resolución espacial de 9 km. La
concentración de Chl está calibrada en mgm-3, y el mapa global se encuentra
superpuesto sobre el mapa de Chl. Un software especial para el análisis de este
tipo de productos geomáticos está también disponible. El acceso gratuito a
este tipo de datos y software es en línea (NASA Ocean Color, 2024).
La literatura científica evidencia que los esfuerzos por comprender los pa-
trones, tendencias y variaciones espaciales a lo largo de años y décadas han
llevado a la comunidad científica internacional a regionalizar los océanos, con
el objetivo de gestionar de forma más eficiente los recursos marinos disponi-
bles. En este sentido, los grandes ecosistemas marinos (GEM) se dividen en su-
bregiones para facilitar su manejo. Sin embargo, los resultados de esta regiona-
lización pueden variar dependiendo de los criterios que se utilice para llevarla a
cabo: criterios geológicos, geográficos, hidrográficos, batimétricos o cualquier
otra variable que se considere relevante. Los intentos de regionalización han
sido numerosos, con el objetivo general de conocer mejor los espacios mari-
nos, algunos de ellos motivados por la curiosidad y el interés científico, y otros
para potenciar el uso de los recursos naturales de manera sostenible.

Figura 20. Mapa de Chl válido para el periodo del 4 de julio 2002 al 24 de junio 2024 y
región de interés.

– 408 –
 Mapeo multitemporal y multisensor de Chl

Desde el enfoque de la investigación aplicada, el problema ha recibido con-

siderable atención y ha sido analizado en torno al concepto de GEM (Morgan,
1987). Este concepto surgió de la Convención de las Naciones Unidas sobre el
Derecho del Mar (1982) y se refiere a regiones relativamente grandes dentro de
las zonas económicas exclusivas de los estados costeros soberanos y que se
extienden hacia el mar más allá de ellas. Estas zonas están sometidas a una
tensión en aumento proveniente tanto de la creciente explotación de recursos
renovables (por ejemplo, peces) e innumerables amenazas ambientales, como
daños a las zonas costeras, contaminación por petróleo o vertidos de desechos
urbanos o radiactivos (Sherman et al., 1993).
Una iniciativa representativa de este concepto es el proyecto de Evaluación
Global de Aguas Internacionales (GIWA) (Wiseman & Sturges, 1999), el cual es-
tableció nueve megaregiones divididas en 66 subregiones para los océanos
mundiales ([Link] Desde un enfoque de inves-
tigación fundamental, Dunstan et al. (2018) analizan los patrones de covaria-
ción global de Chl y SST a escalas temporales grandes y pequeñas durante 14
años, encontrando que el patrón de covariación anual en estas variables revela
bandas latitudinales amplias que presentan, a escalas pequeñas, anomalías
regionales significativas en zonas donde se sabe que ocurren afloramientos.
Estos autores destacan la necesidad de monitorear Chl y SST y su covarianza
en ubicaciones geográficas específicas. Una revisión de la literatura de este
tema revela que efectivamente es así. Como ejemplos ilustrativos de esta si-
tuación, se puede mencionar: (i) el océano Índico ecuatorial central (Shiva Ku-
mar et al., 2016), (ii) el mar Arábigo (Bin Zamir et al., 2015), (iii) el golfo Pérsico
(Moradi & Kabini, 2015), (iv) el golfo de México (Muller-Karger et al., 2017) y (v) el
mar Negro (Kavak y Karadogan, 2012). En general, Chl y SST muestran una co-
rrelación inversa con valores variables para el coeficiente de correlación  (que
dependen tanto de la ubicación geográfica como de la época del año de las
observaciones).
Centrando la atención en los grandes ecosistemas marinos de las Américas,
Muller-Karger et al. (2017) consideraron la problemática de que los GEM adya-
centes de las Américas formaran megaregiones para conjuntos de peces co-
mercialmente valiosos, basándose en la temperatura de la superficie del mar,
la concentración de clorofila, la tasa de productividad primaria y los índices de
diversidad biológica basados en desembarques pesqueros reconstruidos. El

– 409 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Golfo de México (GoM) es, sin duda, uno de los ecosistemas más estudiados
del continente. Salmerón-García et al. (2011) identificaron nueve patrones es-
paciales, incluyendo 14 subregiones, mediante una descomposición ortogo-
nal empírica aplicada a mapas de Chl generados por el sensor Sea-Viewing
Wide-Field-of-View Sensor (SeaWiFS), para el periodo de enero 1998 a diciem-
bre 2008. Condal et al. (2013) clasificaron subregiones en las aguas costeras
de transición y abiertas del GoM, el Caribe occidental y las Bahamas mediante
análisis de componentes principales (PCA) y una clasificación no supervisada
de los mapas de Chl obtenidos de los sensores Coastal Zone Color Scanner
(CZCS), SeaWiFS, y Moderate Resolution Imaging Spectroradiometer (MODIS),
para el periodo entre 1979 y 2007. Por su parte, Muller-Karger et al. (2015) ca-
racterizaron los patrones de variabilidad temporal en aguas superficiales del
centro del GoM utilizando valores de SST, Chl, la velocidad del viento, altura,
producción primaria neta, junto con predicciones de modelos de profundidad
de capa mixta, para determinar cambios estacionales y tendencias a largo pla-
zo en el centro del GoM entre principios de la década de 1980 y 2012.
En este artículo, la región de interés es el Océano Pacífico a lo largo de la
costa oeste de la América del Sur (OPCOAS), y el análisis se basa en la distri-
bución de Chl. Para esta región, una descripción detallada de los mecanismos
geofísicos y físicos regionales que controlan la variabilidad y los ciclos de los
patrones observados se encuentran en Montecino et al. (2006). Desde el punto
de vista metodológico, se utilizaron técnicas de detección de cambios aplica-
das a mapas climatológicos de ChL con una resolución temporal de ~10 años y
una resolución espacial de 9 km. El objetivo inmediato de este estudio es iden-
tificar, dentro del OPCOAS, subregiones donde se hayan producido cambios en
la distribución de Chl entre las dos primeras décadas del siglo XXI. El propósito
final es monitorear la relación entre Chl y la temperatura de la superficie del
mar (SST) en esta región, a diferentes escalas espaciales y temporales, con el
fin de examinar y mejorar la comprensión de las tendencias de variabilidad de
dos factores clave en el control de la productividad primaria: la concentración
de clorofila y la SST. Este es un paso hacia una mejor comprensión de la pro-
ductividad biológica en la zona. En general, el acoplamiento entre la produc-
tividad primaria y secundaria en los océanos ha sido inferido más que medido
(aunque Muller-Karger et al. (2017), utilizaron estadísticas de desembarques de
pesqueros de diversidad como indicador de un vínculo entre la SST, la concen-

– 410 –
 Mapeo multitemporal y multisensor de Chl

tración de clorofila y productividad primaria). Las estimaciones directas de la

producción secundaria en los océanos, más allá de la escala local, son escasas
(Cusson y Bourget, 2005; Dolbeth et al., 2012), pero sumamente necesarias.
El enfoque metodológico utilizado permitió alcanzar el objetivo al identifi-
car zonas en los mapas de distribución de Chl que representan condiciones
de tendencia central, así como zonas que presentan condiciones atípicas. Este
tipo de análisis solo fue posible gracias a la disponibilidad de una serie tem-
poral global a largo plazo (22 años) de valores de Chl, obtenidos a partir de tres
sensores espaciales (MERIS, SNPP-VIIRS, y Aqua MODIS).

5.2. Desarrollo

5.2.1. Datos

Para lograr los objetivos de delimitar el OPCOAS en subregiones y monitorear

los valores del Chl a una escala temporal decadal, se utilizó la base de datos
disponibles en el portal Ocean Color Web de la NASA ([Link]
[Link]). Este sitio web, respaldado por el Grupo de Procesamiento y Biolo-
gía Oceánica (OBPG) del Centro de Vuelo Espacial Goddard de la NASA, pone
a disposición de la comunidad científica internacional compuestos temporales
globales de Chl y otras variables oceanográficas de interés a diversas escalas
espaciales y temporales. Para este estudio, se emplearon datos provenientes
de tres sensores espaciales: (i) MERIS, (ii) SNPP-VIIRS y (iii) Aqua MODIS (tabla 1).
Estos tres sensores ópticos fueron diseñados específicamente para monito-
rear las características ecológicas del medio acuático, como la Chl y la claridad
del agua. MERIS (Moderate-resolution wide field-of-view push-broom imaging
spectroradiometer) fue uno de los 10 sensores a bordo del satélite de investiga-
ción ambiental Envisat-1, lanzado por la Agencial Espacial Europea (ESA). VIIRS
(Visible Infrared Imaging Radiometer Suite) es un radiómetro infrarrojo a bordo
de los satélites conjuntos NASA/NOAA Suomi National Polar-orbiting Partners-
hip (Suomi NPP) y NOAA-20. Finalmente, MODIS (Moderate Resolution Imaging
Spectroradiometer) es un espectroradiómetro de 36 bandas que mide radiación
visible e infrarroja, instalado en los satélites Terra y Aqua. La tabla 11 detalla los
periodos de operación de estos sensores. En el caso de MERIS, se utilizó toda

– 411 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

su vida útil; por su parte, Aqua MODIS y SNPP-VIIRS siguen activos, cubriendo
entre los tres un periodo total de 22 años. Los productos de Chl utilizados en este
estudio corresponden a compuestos temporales de nivel 3, con una resolución
espacial de 9 km, calibrados en mgm-3 y válidos para toda la vida operativa de
cada sensor. Un ejemplo de estos mapas se presenta en la figura 20.

Tabla 11: Sensores utilizados y periodos que fueron considerados en este

trabajo.
Sensor Período
AQUA MODIS 04 julio 2002 a 24 julio 2024
SNPP VIIRS 02 enero 2013 a 24 julio 2024
MERIS 29 abril 2002 a 08 abril 2012

5.2.2. Región de interés

El área de estudio seleccionada corresponde al sector del Océano Pacifico

a lo largo de la costa oeste de la América del Sur (OPCOAS), específicamente
el rectángulo delimitado por los 8° latitud norte, -95° longitud oeste, -60° latitud
sur, -69° longitud este (figura 20). Este sector comprende las zonas económicas
de cuatro estados costeros sudamericanos (Colombia, Ecuador, Perú y Chile) y
se extiende hacia el oeste sin límites definidos más allá de ellas. Para efectos
de delimitación de la región de estudio, se consideró, de manera arbitraria, la
ubicación de las islas Galápagos (Ecuador) como el límite oeste de la región de
interés (~95° longitud oeste).
Una descripción detallada de las características oceanográficas del sector
del Océano Pacifico correspondiente a las zonas económicas de Ecuador, Perú,
y Chile se encuentra en Montecino et al. (2006). La estructura general del traba-
jo de Montecinos et al. abarca desde una revisión de las características físicas
hasta las biológicas y desde los peces hasta las interacciones humanas. En
el contexto del presente estudio, resulta relevante señalar que Montecino et
al. presentan mapas de Chl estimados a partir de los primeros cinco años de
operación del sensor SeaWiFS (1997 a 2001), sugiriendo la existencia de cuatro

– 412 –
 Mapeo multitemporal y multisensor de Chl

regiones distintas dentro del sector del Pacífico correspondiente a estos tres
países.
Más recientemente, Muller-Karger et al. (2017) observaron que en el Océano
Pacífico no se definieron megaregiones, posiblemente debido a las marcadas
diferencias regionales en las propiedades oceanográficas y en las pesquerías.
Otro factor relevante podría ser que, durante los años de eventos El Niño, el
debilitamiento del centro de alta presión sobre el Pacífico occidental permite
el transporte de aguas superficiales cálidas hacia la costa de América del Sur.
No se encontró en la literatura información específica sobre la relación de
covarianza entre Chl y SST en el OPCOAS.

5.2.3. Metodología

El análisis de los datos se realizó utilizando técnicas de detección de cam-

bios (diferencias) entre los mapas climatológicos de Chl seleccionados. Sin em-
bargo, antes de aplicar esta metodología, se llevó a cabo un análisis explora-
torio con dos objetivos principales: (i) evaluar la confiabilidad de los datos, en
particular los píxeles cercanos a la costa, y (ii) delimitar con precisión la región
de estudio. Para ello: (i) se construyó una máscara terrestre, (ii) se verificó la
posible presencia de píxeles representando agua contaminados por señales
de tierra u otros factores y (iii) Se extrajeron subimágenes correspondientes a
la región OPCOAS de los mapas originales (véase el rectángulo en la figura 20).
Todas estas operaciones se realizaron mediante el sistema de análisis de datos
SeaDAS v9.0.1 de la NASA, un paquete integral de análisis de imágenes para el
procesamiento, visualización, análisis y control de calidad de los datos de color
del océano ([Link]
Hasta donde se sabe, la contaminación de los valores de los píxeles por
efectos como contribuciones terrestres, nubosidad, saturación electrónica y
problemas de calibración ha sido eliminada en los productos actualmente dis-
ponibles en el portal Ocean Color de la NASA. No obstante, la inspección visual
y el análisis estadístico de nuestros mapas de Chl, con la máscara terrestre
superpuesta, indicaron que aún persistían píxeles ruidosos o contaminados en
áreas oceánicas. Dada la resolución espacial de los mapas utilizados (9 km),
era esperable que esta contaminación afectara principalmente la zona nerítica

– 413 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

(aguas costeras). De hecho, esto fue confirmado y se tuvo especial cuidado

en definir y excluir estas áreas en el análisis. Concretamente, todos los píxeles
que representaban agua y que eran vecinos inmediatos de la máscara terrestre
fueron sistemáticamente eliminados del análisis.
El resultado de esta serie de operaciones fueron tres mapas representando
la distribución espacial de Chl para los periodos especificados en la tabla 11. Un
ejemplo de estos mapas se presenta en la figura 21; se trata de una representa-
ción en falso color del mapa de Chl generado a partir del sensor Aqua MODIS,
válido para el periodo de junio de 2002 a julio de 2024. El mapa mundial y la
calibración en mgm-3 están superpuestos a los valores de Chl.
El álgebra de imágenes (image differencing) es un método eficaz para la de-
tección de cambios. Consiste simplemente en restar el valor de un píxel en una
imagen del valor correspondiente en otra imagen, repitiendo esta operación
para todos los píxeles disponibles. Esta técnica produce valores positivos o ne-
gativos en las áreas donde ocurrieron cambios en los niveles de radiancia (en
este caso, en la concentración de Chl) entre las dos fechas, y valores cercanos
a cero en las áreas donde no se registraron cambios significativos.
A partir de los mapas presentados en la tabla 11, se podrían realizar tres compa-
raciones de diferencias. Sin embargo, debido a la superposición temporal entre los
periodos representados, estas tres diferencias contenían información redundante.
Por ello, se seleccionaron dos comparaciones clave: MERIS - SNPP VIIRS y MERIS -
Aqua MODIS, ambas proporcionando información sobre la intensidad y localización
de los cambios en los valores de Chl entre las dos primeras décadas del siglo XXI.

– 414 –
 Mapeo multitemporal y multisensor de Chl

Figura 21. Mapa de distribución de Chl válido para el periodo de junio 2002 a julio 2024.

5.3. Resultados

Se analizaron dos mapas de diferencias en los valores de clorofila (ΔChl),

que cubren un periodo de 22 años de datos disponibles (figura 22). Estos dos
mapas presentan información parcialmente redundante, ya que ambos refle-
jan las variaciones de ΔChl entre las dos primeras décadas del siglo XXI. No
obstante, esta redundancia es útil, pues permite validar la consistencia de las
variaciones observadas utilizando sensores espaciales diferentes.
En primer lugar, las figuras 3a y 3b muestran un marcado contraste entre
las aguas oceánicas abiertas y la zona costera del Océano Pacífico. Mientras
que en mar abierto se observaron únicamente diferencias de ΔChl entre -0,3
mgm-3 y +0,3 mgm-3 (valores bajo el umbral de detectabilidad de los sensores
espaciales), las verdaderas variaciones en ΔChl, tanto positivas como negativas
(representadas por polígonos rojos y azules en la figura 22), se localizaron ex-
clusivamente en regiones costeras.

– 415 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En segundo lugar, considerando los periodos de operación de los senso-

res utilizados (tabla 11), y observando que gran parte de la zona costera está
representada por un polígono azul (figura 22), se deduce que la concentración
de clorofila aumentó en la franja costera del OPCOAS entre las dos primeras
décadas del siglo XXI. El polígono azul presenta un ancho variable (aproxima-
damente 50 km en las costas de Colombia y Chile central y hasta 210 km en las
regiones costeras de Perú y la Patagonia chilena). Es decir, se identificaron dos
sectores donde se observó un incremento notable tanto en los valores de ΔChl
como en la extensión superficial afectada: la región costera del Perú y la parte
norte de la Patagonia chilena.
En la figura 22, el polígono azul representa valores de ΔChl entre -0,4 y -2,5
mgm-3 con solo dos ubicaciones específicas donde se registraron los valores
más extremos (entre -1,5 y -2,5 mgm-3): una cerca de la latitud -13° (aproximada-
mente en la zona de Lima, Perú) y otra en la latitud -51° (aproximadamente en
el Canal Concepción del Archipiélago Madre de Dios, Patagonia, Chile). En otras
palabras, las diferencias máximas de Chl entre las dos primeras décadas del
siglo XXI se observaron en dos puntos geográficos bien definidos.

Figura 22. Diferencias en clorofila, ΔChl. a) MERIS - SNPP VIIRS, b) MERIS - AQUA
MODIS, c) Paleta de color utilizada. La máscara de color coral representa píxeles no
considerados en este análisis.

– 416 –
 Mapeo multitemporal y multisensor de Chl

Las figuras 22a y 22b también muestran varios pequeños polígonos rojos, lo-
calizados principalmente en la zona costera de la Patagonia, los cuales podrían
indicar una disminución en la concentración de Chl entre las dos décadas ana-
lizadas. Sin embargo, debido a la compleja geografía de esa región (caracteri-
zada por una gran cantidad de islas, fiordos y canales) y a la resolución espacial
de los mapas (9 km), se consideró que estos píxeles estaban probablemente
contaminados por señales de tierra. Por lo tanto, fueron excluidos del análisis.
De igual manera, todos los píxeles del polígono azul adyacentes a la máscara
terrestre también fueron descartados, con el fin de evitar la inclusión de datos
potencialmente alterados.

5.4. Conclusiones

El análisis realizado en este estudio permitió comparar los valores de clo-

rofila (Chl) en la región del OPCOAS entre las dos primeras décadas del siglo
XXI con una resolución espacial de 9 km. En particular, se observó un aumento
en los valores de Chl en una franja paralela y contigua a la costa con un ancho
variable entre aproximadamente 50 km y 200 km. Cuantitativamente, este au-
mento mostró una tendencia con valores máximos cercanos a 3 mgm-3 en zo-
nas próximas a la costa y valores mínimos por debajo del umbral de detectabi-
lidad instrumental en mar abierto. Los máximos, tanto en concentración como
en extensión superficial, se localizaron en dos áreas geográficas específicas: la
región centro-sur de la costa peruana y la Patagonia norte de Chile. En contras-
te, las aguas oceánicas abiertas no evidenciaron diferencias significativas en
los niveles de Chl entre las décadas analizadas.
Las interacciones biofísicas en los ecosistemas marinos frente a Perú y Chi-
le han sido ampliamente revisadas por Montecinos et al. (2006). Estos autores
no solo discuten la distribución de Chl, sino que ofrecen un análisis detallado
de los patrones e interacciones de múltiples variables oceanográficas, tanto
en el espacio como a escalas de tiempo diversas (interanuales, estacionales
e intraestacionales). De particular interés para este estudio son los dos mapas
representativos de la distribución de Chl estimados a partir de los primeros cin-
co años de datos del sensor SeaWiFS (1997–2001), válidos para los periodos de
junio-agosto y diciembre-febrero. Según Montecinos et al. (2006), la inspección

– 417 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

de estos mapas sugiere aproximadamente cuatro regiones diferentes en las

aguas territoriales de Perú y Chile. Frente a Perú, existe una amplia región con
valores moderadamente altos de Chl, que disminuye frente a Ecuador a medi-
da que la región de valores altos de Chl se extiende mar adentro hacia las Islas
Galápagos. Frente al norte de Chile (~20°S), la región de alto Chl es más estre-
cha y se ensancha hacia el centro de Chile (~33°-41°S), especialmente alrededor
de Coquimbo (~30°S) y el Golfo de Arauco y Concepción. Al sur de ~41°S en la
región de los fiordos, queda por determinar si los valores aparentemente altos
de Chl obtenidos por SeaWiFS son reales o sesgados”.
Esta representación, basada en cinco años de datos a escala estacional, des-
cribe de forma cualitativa las distribuciones espaciales observadas en las dife-
rencias de Chl reportadas en la figura 22 de este artículo, aunque no explica el
aumento observado entre las dos décadas analizadas. Montecinos et al. (2006)
concluyen que “se necesita un enfoque a múltiples escalas para comprender
los patrones del fitoplancton”, dada la influencia conjunta de numerosos facto-
res oceanográficos y meteorológicos en la concentración y distribución del Chl.
Por ejemplo, la variabilidad estacional de la SST y las fluctuaciones asociadas al
fenómeno ENSO a escalas interanuales afectan significativamente los niveles
de Chl. En consecuencia, esta variable se manifiesta con una dinámica comple-
ja que abarca una amplia gama de escalas temporales y espaciales.
No obstante, las observaciones in situ y los mapas diarios de Chl deriva-
dos de sensores satelitales proporcionan información principalmente sobre la
variabilidad a corto plazo. De ahí la relevancia de estudios multitemporales y
multisensores, como el presente, que permiten evaluar cambios en escalas
decenales. Investigaciones previas (Dunstan et al., 2018) han demostrado que
la covarianza entre Chl y SST es altamente heterogénea en el espacio, lo cual
subraya la necesidad de monitorear esta relación a nivel regional y a lo largo de
múltiples escalas temporales. El incremento en la concentración de Chl detec-
tado en este estudio representa un primer paso; la siguiente etapa consistirá
en monitorear las variaciones en la covarianza entre Chl y SST en el OPCOAS a
escala decadal, con el fin de comprender las tendencias de variabilidad de dos
factores clave en la regulación de la productividad primaria. Este constituye un
avance hacia una comprensión más profunda de la productividad biológica en
la región.

– 418 –
 Mapeo multitemporal y multisensor de Chl

5.5. Referencias

Bin Zamir, U., Masood, H., Jamil, N., Bahadur, A., Munir, M., Achakzai, P., Kakar, N.,
Ashraf, H., (2015). “The Relationship between Sea Surface Temperature and
Chlorophyll- a Concentration in Arabian Sea”. Biological Forum-An Internatio-
nal Journal 7(2), 825-834.
Condal, A. R., Vega-Moro, A., Ardisson, P.-L. (2013). “Climatological, annual, and
seasonal variability in chlorophyll concentration in the Gulf of Mexico, wes-
tern Caribbean, and Bahamas using NASA color maps”. International Journal
of Remote Sensing 34(5), 1591-1614. [Link]
3835
Cusson, M., Bourget, E. (2005). “Global patterns of macroinvertebrate production
in marine benthic habitats”. Marine Ecology Progress Series 297, 1-14. https://
[Link]/10.3354/meps297001
Dolbeth, M., Cusson, M., Sousa, R., Pardal, M.A. (2012). “Secondary production
as a tool for better understanding of aquatic ecosystems”. Canadian Journal
of Fisheries and Aquatic Sciences 69(7), 1230-1253. [Link]
f2012-050
Doney, S., Glover, D.M., McCue, S.J., Fuentes, M. (2003). “Mesoscale variability
of Sea-viewing Wide Field-of-view Sensor (SeaWiFS) satellite ocean color:
Global patterns and spatial scales”. Journal of Geophysical Research, Oceans
108(C2), 3024. [Link]
Dunstan, P.K., Foster, S.D., King, E., Risbey, J., O’Kane, T.J., Monselesan, D., Hob-
day, A.J., Hartog, J.R., Thompson, P.A. (2018). “Global patterns of change and
variation in sea surface temperature and chlorophyll-a”. Scientific Reports
8(1), 14624. [Link]
Kavak, M.T., & Karadogan, S. (2012). “The relationship between sea surface tem-
perature and chlorophyll concentration of phytoplankton in the Black Sea
using remote sensing techniques”. Journal of environmental biology 33 (2
Suppl), 493-498. PMID: 23424855.
Montecinos, V., Strub, P.T., Chavez, F., Thomas, A., Tarazona, J., Baumgartner, T.
(2006). Biophysical interactions off western South America in The Sea, Volume
14, edited by Allan R. Robinson and Kenneth H. Brink. ISBN 0-674-01527-4.

– 419 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Moradi, M. & Kabiri, K. (2015). “Spatio‑temporal variability of SST and Chloro-

phyll‑a from MODIS data in the Persian Gulf”. Marine Pollution Bulletin, 98(1-2),
14-25. doi:10.1016/[Link].2015.07.018
Morgan, J.R. (1987). “Large Marine Ecosystem - An Emerging Concept of Regio-
nal Management”. Environment: Science and Policy for Sustainable Develop-
ment 29(10), 4-34. [Link]
Muller-Karger, F.E., Smith, J.P., Werner, S., Chen, R., Roffer, M., Liu, Y., Muhling,
B., Lindo-Atichati, D., Lamkin, J., Cerdeira-Estrada, S., Enfield, D.B. (2015). “Na-
tural variability of surface oceanographic conditions in the offshore Gulf of
Mexico”. Progress in Oceanography 134, 54-76. [Link]
cean.2014.12.007
Muller-Karger, F.E., Rueda-Roa, D., Chavez Francisco, P., Kavanaugh, M.T., Ro-
ffer, M.A. (2017). “Megaregions among the large marine ecosystems of the
Americas”. Environmental Development 22, 52-62. [Link]
envdev.2017.01.005.
NASA Ocean Color Web (2020). NASA Goddard Space Flight Center, Ocean Eco-
logy Laboratory, Ocean Biology Processing Group. [Link].
gov.
Salmerón-García, O., Zabala-Hidalgo, J., Mateos-Jasso, A., Romero-Centeno,
R. (2011). “Regionalization of the Gulf of Mexico from space-time chloro-
phyll-a concentration variability”. Oceans Dynamics 61, 439-448. [Link]
org/10.1007/s10236-010-0368-1
Sherman, K., Alexander, L.M., Gold, B.D. (Eds). (1993). Large Marine Ecosystems:
Stress, Mitigation, and Sustainability. AAAS Press, Washington, D.
Shiva Kumar, G., Prakash, S., Ravichandran, M., Narayana, A.C. (2016). “Trends
and relationship between chlorophyll-a and surface temperature in the cen-
tral equatorial Indian Ocean”. Remote Sensing Letters 7(11), 1093-1101. https://
[Link]/10.1080/2150704X.2016.1210835
Wiseman, W. J. Jr., & W. Sturges. (1999). Physical Oceanography of the Gulf of
Mexico: Processes that regulates its biology. In the Gulf of Mexico large marine
ecosystem. Assessment, sustainability, and management, edited by K. H. Stei-
dinger, and K. Sherman. New York: Blackwell.

– 420 –
 CAPÍTULO VI
APLICACIÓN DE LA GEOMÁTICA EN AGRICULTURA: PROPUESTA DE
ESTIMACIÓN DEL RENDIMIENTO EN AVELLANO EUROPEO MEDIANTE
MODELOS DE FUSIÓN DE DATOS ESPACIALIZADOS

César Acevedo-Opazo1, Paulo Cañete-Salinas1

6.1. Introducción

El constante crecimiento de la población mundial ha provocado un aumento

sostenido en la demanda de alimentos, generando la necesidad de implemen-
tar nuevas tecnologías en el sector agrícola, orientadas a lograr una producción
más sustentable (Farooq et al., 2020). Dentro de los conceptos que acompañan
la adopción tecnológica se encuentra el Internet de las Cosas (IoT), cuyo obje-
tivo es optimizar los manejos agrícolas mediante nuevas herramientas tecno-
lógicas, modificando así el entorno de trabajo de los productores (Farooq et al.,
2020; Liu et al., 2020).
A su vez, entre las tecnologías más utilizadas destaca la teledetección es-
pacial, ya sea mediante vehículos aéreos no tripulados (VANT) o satélites. Estas
tecnologías, a través del uso de imágenes multiespectrales, permiten: (i) esti-
mar el rendimiento de los cultivos, (ii) determinar su estado fenológico y (iii) de-
tectar la presencia de plagas y/o enfermedades (Li et al., 2018; Liu et al., 2020;
He et al., 2022; Cañete-Salinas et al., 2024).
En el caso de grandes extensiones productivas, la tecnología satelital es la
que mejor se adapta a este tipo de aplicaciones. En particular, el satélite Senti-
nel-2 destaca por ofrecer imágenes de más de 20.000 km² en una sola adquisi-
ción, con una calidad adecuada para la estimación remota del comportamiento
espectral de las cubiertas vegetales. Esta plataforma utiliza bandas espectrales
en el azul (490 µm), verde (560 µm), rojo (665 µm) e infrarrojo cercano (842 µm),
con una resolución espacial de 10 metros (tamaño de píxel) y una resolución
temporal de cinco días (Drusch et al., 2012).

1
Facultad Ciencias Agrarias, Universidad de Talca, Talca, Chile.

– 421 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En el presente capítulo se explorará el uso de imágenes multiespectrales

en conjunto con mediciones de campo, con el objetivo de proponer una me-
todología para la estimación del rendimiento en avellano europeo, desde la
perspectiva de las nuevas tecnologías asociadas al concepto de Agricultura de
Precisión.
El avellano europeo (Corylus avellana L.) es uno de los frutales de clima
mediterráneo más relevantes a nivel mundial (Jha et al., 2021). En Chile ha ex-
perimentado un crecimiento acelerado, impulsado principalmente por la alta
demanda de la industria de confites (90%) (Botta et al., 2019), alcanzando en los
últimos años una superficie cercana a las 37.000 hectáreas, con un crecimiento
anual estimado entre 2.000 y 3.000 hectáreas (ODEPA, 2023). Una característi-
ca destacable del país es su amplia diversidad edafoclimática, lo que permite
encontrar plantaciones comerciales de avellano desde la región de O’Higgins
hasta la región de Los Lagos, es decir, desde zonas mediterráneas cálidas has-
ta regiones con climas más fríos y mayores niveles de precipitación (ODEPA,
2023).
Actualmente, el cultivo del avellano se ve fuertemente afectado por los efec-
tos adversos del cambio climático, especialmente por la reducción del régimen
pluviométrico (con disminuciones del 30% al 40% en la disponibilidad hídrica),
aumentos de temperatura entre 1 y 2 °C y un incremento significativo del estrés
radiativo sobre las plantas (IPCC, 2023). Estos factores impactan directamente
los procesos fenológicos y fisiológicos del avellano europeo, lo que repercute
negativamente en el rendimiento y la calidad de la fruta (Alikadic et al., 2019).
Una de las variables más sensibles a los cambios en temperatura y precipi-
tación es el rendimiento de fruta por unidad de superficie. En este sentido, la
producción de avellano europeo en Chile presenta un rango amplio, que varía
entre 1.500 y 4.000 kg por hectárea en huertos adultos (Bozoğlu et al., 2019).
Esta alta variabilidad se debe, en gran parte, a un fenómeno recurrente cono-
cido como alternancia productiva, que consiste en la sucesión de un año de
alta producción (“año ON”) seguido por un año de baja producción (“año OFF”)
como consecuencia del efecto inhibitorio que ejerce la fruta sobre la formación
de yemas florales en la temporada siguiente (Ascari et al., 2020). Este fenó-
meno representa un desafío importante para los productores, ya que dificulta
la proyección precisa del rendimiento estacional, generando complicaciones
logísticas durante la cosecha (Saavedra-Pérez et al., 2023).

– 422 –
 Aplicación de la geomática en agricultura

Además de la problemática previamente mencionada, se suma la alta varia-

bilidad espacial observada en los suelos chilenos, la cual explicaría los cambios
en productividad y calidad de fruta dentro de un mismo predio agrícola. Esta
variabilidad está asociada principalmente a factores edáficos y topográficos, que
inducen diferencias significativas en el comportamiento productivo de las plan-
tas a nivel de campo (Vargas et al., 2022). En la producción agrícola actual se ha
reportado una importante variabilidad en el rendimiento, así como también en
diversos indicadores de calidad de la fruta, tales como el peso, calibre, contenido
de fibra y acumulación de carbohidratos totales (Solar & Štampar, 2008). Estos
ejemplos evidencian la fuerte influencia que ejerce la variabilidad espacial sobre
el rendimiento, lo que en el caso del avellano europeo se traduce en cosechas
diferenciadas entre distintos lotes dentro de un mismo predio. En este contexto,
contar con una estimación precisa del rendimiento previa a la cosecha permitiría
organizar esta labor agrícola de manera más eficiente y ordenada.
Para estimar el rendimiento de la temporada, los agricultores disponen de
diversas herramientas. Generalmente, este proceso se basa en mediciones
simples de componentes del rendimiento en un número reducido de plantas
por unidad de superficie. Sin embargo, este tipo de monitoreo resulta insu-
ficiente para caracterizar adecuadamente la dinámica productiva del huerto,
ya que no considera la variabilidad espacial del mismo. Los estudios actuales
sobre predicción del rendimiento en avellano europeo se han basado en el
uso de múltiples capas de información, tales como variables climáticas, mane-
jo agronómico y características de la arquitectura foliar (Bregaglio et al., 2016,
2020, 2021). No obstante, estos enfoques tienden a funcionar de manera acep-
table a nivel de macrozonas, sin considerar la heterogeneidad espacial del ren-
dimiento dentro de los distintos sectores del huerto (Azarenko et al., 2004). En
este sentido, el uso de imágenes satelitales (como las proporcionadas por la
plataforma Sentinel-2) podría aportar información valiosa sobre el comporta-
miento de las plantas en grandes extensiones agrícolas.
Si bien, la utilización de imágenes satelitales representa una herramienta
poderosa, es fundamental complementarla con mediciones directas sobre las
plantas, que permitan mejorar la precisión de las estimaciones espaciales. Va-
riables como el área foliar, el espacio ocupado por la planta, el largo de los ejes,
entre otras, se convierten en elementos clave para comprender con mayor de-
talle la dinámica del rendimiento a nivel de campo.

– 423 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

El presente trabajo tiene como objetivo identificar las principales variables

auxiliares y de terreno que mejor explican el comportamiento anual del ren-
dimiento, con el fin de proponer un modelo de estimación específico para el
avellano europeo. Para ello, se utilizarán distintas técnicas de modelamiento,
que permitirán generar diversas propuestas para la predicción del rendimiento
en este frutal.

6.2. Desarrollo

6.2.1. Ubicación del ensayo y diseño experimental

El presente trabajo forma parte de la investigación desarrollada por el equi-

po del Laboratorio de Agricultura de Precisión y Fisiología del Estrés de la Fa-
cultad de Ciencias Agrarias de la Universidad de Talca, y corresponde a la tesis
de posgrado de Nicolás Saavedra Pérez y al trabajo de título de pregrado de
Sebastián Farías Vergara.
La investigación se llevó a cabo durante las temporadas 2022-2023 y 2023-
2024 en el fundo La Yaga, ubicado en la comuna de San Clemente, región del
Maule, Chile (35°27’28,64”S; 71°22’7,17”O), en una plantación comercial de ave-
llano europeo (Corylus avellana L.), cultivar Tonda di Giffoni. Para el diseño ex-
perimental se utilizó una grilla regular de 9 x 15 metros con un total de 25 sitios
de muestreo. Estos sitios fueron georreferenciados utilizando un DGPS (Trimble
Geo-Explorer) y monitoreados en diversas fechas entre los meses de octubre y
marzo de ambas temporadas.

6.2.2. Variables utilizadas durante la investigación

Para esta investigación, se midió el rendimiento por planta, recolectando la

fruta caída dentro del área asignada a cada individuo, equivalente a 15 m² (5 x
3 m), de acuerdo con el marco de plantación. Junto con el rendimiento, se eva-
luaron una serie de variables complementarias con distinta resolución espacial,
las cuales fueron asociadas al rendimiento como variable principal.

– 424 –
 Aplicación de la geomática en agricultura

[Link]. Variables de resolución espacial baja

Este grupo incluye variables obtenidas mediante sensores remotos, como

imágenes satelitales y capturas con drones. En primer lugar, se utilizó el saté-
lite Sentinel-2, a partir del cual se calcularon distintos índices de vegetación:
NDVI, SAVI, EVI, AVI, GNDVI, NDWI, GCI y NDMI (tabla 12). Las imágenes fueron
descargadas utilizando el software QGIS, versión 3.32 Lima. Para garantizar la
calidad de los datos, se seleccionaron únicamente imágenes capturadas en
días soleados (sin nubosidad) y se aplicaron correcciones geométricas y radio-
métricas.

Tabla 12: Índices vegetaciones utilizados durante el ensayo, obtenidos a partir

de imágenes satelitales.
Índice de Índice de
Fórmula Fórmula
vegetación vegetación
Índices de vegetación
Índices de vegetación B8-B4 B8-B3
de diferencia
de diferencia
B8+B4 normalizada verde B8+B3
normalizada (NDVI)
(GNDVI)
Índices de vegetación B8-B4 Índices de agua B3-B8
ajustados al suelo de diferencia
(SAVI) (B8+B4+0,428)*(1,428) normalizada (NDWI) B3+B8

2,5*(B8-B4) B9
Índice de vegetación
mejorado (EVI) (B8+6*B4-7,5*B2+1)
Índices de cobertura
verde (GCI) ( B3 ) - 1
Índices de humedad B8-B11
Índices de vegetación
[B8*(1-B4)*(B8-B4)]1/3 de diferencia
avanzados (AVI) B8+B11
normalizada (NDMI)
B2, Azul, 490 µm; B3, Verde, 560 µm; B4, 665 µm; B8, Infrarrojo cercano, 842 µm; B9, Infrarrojo
onda corta, 940 µm; y B11, Infrarrojo onda corta, 1610 µm.

Adicionalmente, se realizó un vuelo con dron durante el mes de enero, con

el objetivo de caracterizar el momento de mayor expresión vegetativa en am-
bas temporadas. Para este análisis se consideraron los índices de vegetación
NDVI, GNDVI, OSAVI, NDRE y LCI (tabla 13). La adquisición de las imágenes se
llevó a cabo utilizando un dron DJI Mavic 3 Multiespectral. Para distinguir los
índices generados a partir de imágenes obtenidas mediante dron, estos son
debidamente identificados en la tabla 13.

– 425 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Tabla 13: Índices de vegetación utilizados durante el ensayo, obtenidos a

partir de imágenes aéreas capturadas con dron.
Índice de Índice de
Fórmula Fórmula
vegetación vegetación
Índices de vegetación Índices de vegetación
de diferencia NIR-RED de diferencia NIR-RedEdge
normalizada NDVI NIR+RED normalizada del rojo NIR+RedEdge
(dron) cercano NDRE (dron)
Índice de vegetación
de la diferencia NIR-GREEN Índice de clorofila en NIR-RedEdge
normalizada verde NIR+GREEN hoja LCI (dron) NIR+RED
GNDVI (dron)
Índices de vegetación
ajustados al suelo NIR-RED Índices de cobertura B9
optimizado OSAVI NIR+RED+0,16 verde (GCI) B3
(dron)

[Link]. Variables de resolución espacial media

Para este tipo de variables se consideraron aquellas asociadas a la respuesta

fisiológica de la planta, tales como el intercambio gaseoso, específicamente la
transpiración (mmol m-2 s-1) y la conductancia estomática (mol m-2 s-1), las cua-
les fueron medidas con un porómetro Li-Cor, modelo Li-600. La concentración
relativa de clorofila en las hojas fue determinada mediante un medidor SPAD
(Apogee MC-100), con el objetivo de obtener una estimación rápida, no invasiva
ni destructiva de la intensidad del color verde. El potencial hídrico xilemático (Ψx)
se midió usando una cámara de presión tipo Scholander (PMS Instrument Co.,
modelo 1000, Corvallis, Oregon, [Link].).

[Link]. Variables de resolución espacial alta

Finalmente, se consideraron variables de expresión vegetativa y desarrollo

de la planta medidas directamente en terreno. Para ello, se registró la altura de
cada planta utilizando un medidor láser de largo alcance (TruPulse 360°R). Pos-
teriormente, se contabilizó el número de ejes por planta, midiendo el diámetro
de cada uno con un calibrador y, luego, sumando estos diámetros para obtener
un valor total por planta. Además, se midió la longitud del brote apical de cada
eje con una cinta métrica.

– 426 –
 Aplicación de la geomática en agricultura

Con esta información, se calculó el área foliar para evaluar el área asignada
a cada árbol en un plano bidimensional (m²) y tridimensional (m³), utilizando la
ecuación [1] propuesta por Lagerstedt y Painter (1973), donde “a” corresponde a
la altura de la planta (m) y “b” al área de ocupación de la vegetación (m²).

4 a b
Área foliar 〖(m〗3) = ( π ) ( * )2 [1]
3 2 2

6.2.3. Selección de las mejores variables

Para identificar las variables auxiliares que presentaron un comportamiento

espacial similar al rendimiento y una alta correlación, se realizó un análisis geo-
estadístico mediante el cálculo del semivariograma y un análisis de correlación
a través de una matriz de correlación de Pearson.

[Link]. Semivariograma espacial

Los datos recolectados en terreno fueron inicialmente analizados mediante

el cálculo de la semivarianza espacial, utilizando el software de análisis geo-
estadístico GS+ v.10 (Gamma Design Software). A partir de este análisis se ob-
tuvieron los parámetros derivados del semivariograma: Nugget (C₀), Sill (C₀ +
C₁) y Range (A₀) (Cambardella et al., 1994). Con base en estos parámetros, se
calculó la dependencia espacial (DE), que permite cuantificar la proporción de
la variación espacial explicada por la ubicación de los puntos muestreados en
el huerto según la fórmula [2] (Cambardella et al., 1994).

C0+C1
DE = 100 [2]
C0 *
Donde: DE ≥ 75% indica fuerte dependencia espacial, DE entre 25% y 75%
indica dependencia espacial moderada, DE ≤ 25% indica dependencia espacial
débil.
Las variables con alta dependencia espacial (DE ≥ 75%) fueron selecciona-
das para avanzar al análisis de correlación mediante la matriz de Pearson.

– 427 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

[Link]. Matriz de correlación de Pearson

Las variables con alta dependencia espacial fueron sometidas a un análisis

mediante la matriz de correlación de Pearson, con el fin de identificar aquellas
que presentan una mayor correlación con el rendimiento. Para este propósito,
se utilizó el software XLStat (Lumivero, 2024), realizando además un análisis de
componentes principales.

6.2.4. Desarrollo de propuestas de modelos

Para el desarrollo del modelo se emplearon diferentes softwares de mo-

delamiento, entre ellos Statgraphics XIX, SPSS 25, XLStat 2014 y Matlab 2014b.
Se trabajó con tres tipos de modelos: (i) Modelo exponencial simple, utilizan-
do la variable con mayor dependencia espacial y mejor correlacionada con el
rendimiento, (ii) modelo lineal simplificado con cuatro variables, seleccionadas
mediante análisis forward y backward, que permitieron determinar el aporte in-
dividual de cada variable en la construcción del modelo, seleccionando aque-
llas de mayor importancia (Thompson, 1978), y (iii) modelo completo (full), que
incluye la mayoría de las variables registradas en terreno.

6.2.5. Nivel de ajuste de los modelos evaluados

Para evaluar el nivel de ajuste de los modelos, se utilizaron los siguientes

estadísticos: error cuadrático medio (RMSE) [3], error absoluto medio (MAE) [4],
relación lineal pendiente (1:1) y coeficiente de determinación (R²) [5].

– 428 –
 Aplicación de la geomática en agricultura

6.2.6. Cartografías

Los resultados de predicción de los modelos desarrollados fueron cartogra-

fiados junto con el rendimiento real medido en terreno, utilizando el software
3DField (versión [Link], 2007, Vladimir Galouchko, Rusia). Esto permite evaluar
la estructura y la similitud espacial entre los patrones de rendimiento observa-
dos y los predichos.

6.3. Resultados y discusión

6.3.1. Selección de variables

En la tabla 14 se presentan las variables que mostraron una alta dependen-

cia espacial (mayor a 0,75) y un coeficiente de determinación (R²) superior al
75%. Entre las variables analizadas, se observan diferentes resoluciones espa-
ciales, relacionadas tanto con la fisiología de la planta como con el crecimiento
vegetativo del avellano, evaluadas mediante imágenes multiespectrales.

Tabla 14: Análisis geoestadístico de las variables mediante semivariograma.

Variable Co=Nugget C Sill Modelo Rango (m) DE R2
AVI 0,000005 0,00012 0,000127 Esférico 94,3 0,96 0,94
Potencial
0,341 2,351 2,692 Gaussian 166,6 0,87 0,93
hídrico (MPa)
Área foliar m3 0,1 181,4 181,5 Gaussiano 43,3 0,99 0,91
SAVI 0,000041 0,000494 0,000535 Esférico 68,8 0,92 0,85
Diámetro total
0,1 47,62 47,72 Esférico 65,5 0,99 0,85
ejes (cm)
Área foliar m2 0,0001 0,147 0,1472 Gaussiano 47,5 0,99 0,80
EVI 0,000023 0,00067 0,000693 Esférico 67,9 0,97 0,76
Largo brote
2,63 29,51 32,14 Esférico 51,2 0,92 0,76
apical (cm)

– 429 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Todas las variables con alta dependencia espacial fueron evaluadas me-
diante una matriz de correlación de Pearson junto con el rendimiento. Los re-
sultados se presentan en la tabla 15.

Tabla 15: Matriz de correlación de Pearson para las variables con mayor
dependencia espacial.
Largo
Área Área Diámetro Potencial
Rendimiento brote
Variables SAVI foliar foliar total ejes EVI AVI hídrico
(kg/pl) apical
m2 m3 (cm) (MPa)
(cm)
Rendimiento
1,00 0,42 0,74 0,64 0,60 -0,17 0,43 0,62 0,36
(kg/pl)
SAVI 0,42 1,00 0,43 0,52 0,59 -0,43 0,99 0,79 0,42
Área foliar m 2
0,74 0,43 1,00 0,88 0,55 -0,07 0,40 0,49 0,24
Área foliar m3 0,64 0,52 0,88 1,00 0,57 -0,19 0,49 0,53 0,18
Diámetro
total ejes 0,60 0,59 0,55 0,57 1,00 -0,08 0,58 0,56 0,34
(cm)
Largo brote
-0,17 -0,43 -0,07 -0,19 -0,08 1,00 -0,44 -0,34 -0,40
apical (cm)
EVI 0,43 0,99 0,40 0,50 0,58 -0,44 1,00 0,78 0,43
AVI 0,62 0,79 0,49 0,53 0,55 -0,34 0,78 1,00 0,51
Potencial
0,36 0,42 0,24 0,18 0,34 -0,39 0,43 0,51 1,00
hídrico (MPa)

Finalmente, tras el proceso de análisis geoestadístico y de correlación de
Pearson, se identificaron seis variables que presentaron una alta correlación
con el rendimiento por planta. Estas fueron: los índices de vegetación SAVI,
EVI y AVI (obtenidos mediante imágenes satelitales), el diámetro total de ejes,
el área foliar en m² y el área foliar en m³. Todas estas variables están relaciona-
das con la expresión vegetativa de la planta, aunque evaluadas con diferentes
resoluciones espaciales. En el caso del avellano europeo, la mayoría de las in-
vestigaciones se han centrado en el manejo agronómico orientado al aumento
de la productividad, mientras que se conoce poco sobre los mecanismos que
explican la variabilidad espacial del rendimiento y su relación con variables au-
xiliares como las aquí analizadas. En especies anuales como el maíz, es común
utilizar indicadores de expresión vegetativa para predecir el rendimiento, los
cuales están asociados a la tasa de crecimiento del cultivo (Choi et al., 2021).

– 430 –
 Aplicación de la geomática en agricultura

Por otra parte, los índices de vegetación también se han utilizado para eva-
luar daños causados por plagas, midiendo los efectos en el follaje y los cam-
bios en la coloración del dosel (Loi et al., 2017). Asimismo, se han empleado
para monitorear el estado hídrico en cultivos con grandes volúmenes foliares
(Cañete-Salinas, 2022). Esto demuestra que la expresión vegetativa en espe-
cies frutales mantiene una relación directa con factores clave en su productivi-
dad, por lo que estas variables resultan fundamentales al desarrollar modelos
de predicción de rendimiento.
Es importante destacar que el uso de imágenes multiespectrales está es-
trechamente relacionado con la expresión vegetativa de las plantas. El ave-
llano europeo, al ser una especie manejada en hileras, permite la observación
de sectores con suelo desnudo mediante imágenes satelitales. Por esta razón,
índices como el SAVI, que corrige la influencia del suelo en el cálculo de la
vegetación, resultan más precisos para esta especie (Pasqualotto et al., 2017).
De forma similar, el EVI, si bien tiene un propósito similar al NDVI para estimar
biomasa fotosintéticamente activa, ofrece un mayor rango dinámico y también
compensa la fracción de suelo (Bignami & Natali, 1996). Finalmente, el AVI, aun-
que no corrige la fracción de suelo, es más sensible a los cambios en el dosel
que el NDVI, lo que lo convierte en un índice particularmente útil para el análisis
del avellano europeo (Xue & Su, 2017).

6.3.2. Desarrollo de las propuestas de modelamiento

[Link]. Modelo exponencial simple

La variable que presentó la mayor correlación con el rendimiento fue el área

foliar en m², es decir, el espacio ocupado por la planta en una superficie bidi-
mensional. Esta variable mostró un coeficiente de determinación (R²) de 0,74
respecto al rendimiento y una dependencia espacial de 0,99. Por lo tanto, se
utilizó como base para desarrollar la primera propuesta de modelo predictivo,
cuya formulación se presenta en el modelo [6].

– 431 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En la figura 23 se muestra la relación entre el rendimiento real y el estimado

a través de la ecuación [6]. El modelo obtuvo un R² lineal de 0,55, lo que indica
una correlación moderada entre los valores observados y predichos. Además,
se alcanzó un R² 1:1 de 0,98, que representa el grado de alineación con la línea
de identidad (relación perfecta entre rendimiento real y estimado). En térmi-
nos de comportamiento, el modelo tiende a sobreestimar el rendimiento real
cuando los valores son inferiores a 3200 g/planta, mientras que subestima los
valores cuando estos superan los 4000 g/planta.

Figura 23. Regresión lineal entre el rendimiento real y el estimado a partir del primer
modelo desarrollado, utilizando como variable principal el área foliar en m2.

[Link]. Modelo lineal múltiple construido con cuatro variables

A partir de las seis variables con mayor correlación con el rendimiento, se

realizó un análisis de selección de variables mediante los métodos forward y
backward. Este análisis permitió determinar la contribución individual de cada
variable en la predicción del modelo, y así proponer un modelo lineal múltiple
utilizando las cuatro variables más relevantes. Las variables seleccionadas fue-
ron: (i) área foliar en m², (ii) índice de vegetación SAVI, (iii) índice de vegetación
EVI y (iv) índice de vegetación AVI.
En la figura 24 se muestra la correlación entre el rendimiento real y el estima-
do utilizando el modelo lineal múltiple correspondiente a la ecuación [7]. El mo-

– 432 –
 Aplicación de la geomática en agricultura

delo obtuvo un R² lineal de 0,73, lo que indica una alta correlación entre ambos
valores, y un R² 1:1 de 0,98, representando un excelente alineamiento con la lí-
nea de identidad (ajuste ideal). A diferencia del modelo anterior (basado en una
sola variable), este modelo lineal múltiple tiende a sobreestimar ligeramente
los valores de rendimiento por debajo de los 3000 g/planta, mientras que para
valores superiores a los 3500 g/planta, presenta un muy buen nivel de ajuste.

Figura 24. Regresión lineal entre el rendimiento real y el estimado en base al modelo
2, utilizando como variable principal el área foliar en m2 y los índices de vegetación
SAVI, EVI y AVI.

[Link]. Modelo lineal múltiple full

Finalmente, para el desarrollo del modelo completo (full) se consideraron

todas las variables analizadas, incluyendo aquellas que no presentaron una
alta dependencia espacial. Al igual que en los modelos anteriores, se aplicó un
análisis de selección de variables mediante los métodos forward y backward,
lo que permitió determinar el peso relativo de cada variable en la predicción
del rendimiento. Como resultado de este análisis, se propone un modelo lineal
múltiple que incorpora la mayor cantidad de variables con capacidad explicati-
va. La formulación del modelo se presenta en la ecuación [8].

– 433 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Se muestra la correlación entre el rendimiento real y el rendimiento estima-

do utilizando la ecuación [8]. En este caso, se obtuvo un R² lineal de 0,91, lo que
indica una alta correlación entre los valores observados y los predichos (figura
25). Además, el R² 1:1 fue de 0,99, lo que refleja un excelente alineamiento con
la línea de identidad, es decir, una muy buena capacidad del modelo para re-
producir el rendimiento real. Este modelo demuestra un nivel de ajuste sobre-
saliente, mostrando una alta eficiencia en la estimación del rendimiento real de
las plantas.

Figura 25. Relación lineal entre el rendimiento real y el estimado según el modelo 3
(modelo completo), considerando la totalidad de variables medidas en terreno.

6.3.3. Validación de los modelos exponencial y lineales múltiples

En la tabla 16 se presenta una comparación del nivel de ajuste de los tres

modelos desarrollados. El modelo que mostró el mejor desempeño estadísti-
co fue el modelo 3, con el mayor coeficiente de determinación (R²) y el menor
error de estimación. Este buen desempeño se debe a la inclusión de un mayor

– 434 –
 Aplicación de la geomática en agricultura

número de variables explicativas, lo que permite una mejor representación del

rendimiento por planta. No obstante, la implementación de este modelo en
terreno puede resultar compleja, ya que requiere una cantidad considerable
de mediciones directas, lo que implica un mayor tiempo y esfuerzo, especial-
mente considerando las múltiples labores agrícolas diarias. En este contexto,
el modelo 2 se presenta como una alternativa más viable y operativa, ya que
incluye solo una variable de terreno y tres variables obtenidas desde imágenes
satelitales, lo que facilita su aplicación práctica a nivel de campo. Además, este
modelo mantiene un buen nivel de precisión, con un error de estimación de tan
solo 271 kg/ha y una alta correlación con el rendimiento real, lo que lo convier-
te en una opción eficiente y práctica para su uso en agricultura de precisión.

Tabla 16: Comparación de los estadísticos de ajuste de los tres modelos

propuestos.
RMSE MAE R2 (Lineal) R2 (1:1) Error kg/ha
Modelo 1 530 406 0,55 0,98 353
Modelo 2 406 299 0,73 0,99 271
Modelo 3 279 156 0,92 0,99 186

Al comparar los resultados de los modelos desarrollados en este estudio
con otros aplicados en distintas especies agrícolas, se observa un comporta-
miento competitivo en cuanto a nivel de ajuste y precisión. Por ejemplo, Aquino
(2023) desarrolló un modelo de estimación de rendimiento en olivos utilizando
imágenes obtenidas por cámara RGB en conjunto con redes neuronales arti-
ficiales. Este modelo alcanzó un R² de 0,97 y un RMSE de 0,99 kg/planta, evi-
denciando una alta precisión. Por su parte, Bouras (2023) propuso un modelo
de predicción de rendimiento en trigo, empleando índices de vegetación cal-
culados a partir de imágenes multiespectrales del satélite Sentinel-2. En este
caso, se obtuvo un R² de 0,82 y un RMSE de 350 kg/ha, resultados inferiores al
modelo 3, pero comparables al modelo 2 desarrollado en este trabajo. De for-
ma similar, Alibabaei et al. (2021) realizaron estudios en tomate y papa en Portu-
gal, utilizando redes neuronales junto con datos históricos, variables climáticas,
planificación de riego y contenido de agua del suelo. Este modelo no lineal
presentó un MAE que osciló entre 0,017 y 0,039 con un R² de 0,97, demostran-
do una alta eficiencia predictiva. Sin embargo, su aplicabilidad es limitada, ya

– 435 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

que requiere de una gran cantidad de datos históricos a los cuales muchos
agricultores no tienen acceso.
En el caso específico del avellano europeo, Bregaglio et al. (2021) desarro-
llaron el modelo HADES, que integra cuatro fuentes de información: (i) esta-
dísticas oficiales de producción, (ii) observaciones fenológicas en terreno, (iii)
características de los tres principales cultivares en la zona productiva y (iv) da-
tos climáticos de la base de datos de la NASA. Este modelo alcanzó un R²
de 0,65 y un MAE de 190 kg ha-1. En otra publicación anterior, Bregaglio et al.
(2020) propusieron un modelo basado en el índice de área foliar, contenido de
agua del suelo e información climática, obteniendo R² entre 0,75 y 0,97 según
el escenario de validación. Los modelos desarrollados en este capítulo pre-
sentan resultados comparables a los modelos citados, particularmente en los
modelos 2 y 3, que alcanzan altos niveles de ajuste y bajos errores. Además, la
presente propuesta incorpora una dimensión espacial relevante al considerar
la variabilidad espacial intra-predial mediante mediciones georreferenciadas
en distintos sectores representativos dentro de la unidad productiva, lo cual
mejora la aplicabilidad práctica del modelo en campo real.

6.3.4. Comportamiento espacial de los modelos propuestos

En la figura 26 se presenta el comportamiento espacial del rendimiento a

través de cartografías generadas tanto para los valores observados en terreno
como para los estimados por los tres modelos evaluados. Al respecto, los mo-
delos 2 y 3 muestran una representación espacial del rendimiento muy similar
a la observada en terreno, lo que indica que ambos modelos fueron capaces
de simular de forma efectiva la variabilidad espacial del rendimiento real. Estos
resultados son particularmente relevantes, ya que el modelo 2, a pesar de ser
una versión más simplificada, incorpora tanto información de terreno como da-
tos derivados de imágenes multiespectrales, y aun así logró predecir adecua-
damente el rendimiento, considerando la heterogeneidad espacial del campo
y utilizando un número reducido de variables.

– 436 –
 Aplicación de la geomática en agricultura

Figura 26. Cartografías rendimiento real y estimado en base a las 3 propuestas de

modelos (Rdto, Rendimiento real observado en campo; M1, modelo no lineal simple;
M2, modelos simplificado a 4 variables; M3, modelo full con todas las variables).

6.4. Uso de redes neuronales (Inteligencia Artificial, IA) para el desarrollo de

modelos predictivos

Actualmente, el uso de inteligencia artificial (IA) forma parte del quehacer

cotidiano en diversas áreas de trabajo e investigación, incluida la agronomía. En
este campo, el uso de redes neuronales artificiales mediante diversas técnicas
de análisis ha demostrado ser eficaz para la predicción del rendimiento de cul-
tivos (Ahmed et al., 2023).
En este contexto, se propone la utilización de la técnica conocida como Per-
ceptrón Multicapa (MLP, por su sigla en inglés), desarrollada por Rosenblatt

– 437 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

(1958) como una alternativa más compleja respecto a los modelos lineales de-
sarrollados previamente en este capítulo. Esta técnica utiliza una serie de ca-
pas ocultas para modelar relaciones no lineales entre las variables de entrada,
aquellas con alta correlación con la variable objetivo (rendimiento del avellano
europeo), y los valores de salida (predicción del rendimiento). Cabe destacar
que, a mayor volumen de datos utilizados para el entrenamiento, mayor será el
desempeño del modelo.

6.4.1. Desarrollo del modelo MLP

Para la construcción del modelo de redes neuronales, se utilizó la misma

base de datos que en los modelos lineales anteriores. Las variables de entrada
incluyeron: área foliar bidimensional (m²), área foliar tridimensional (m³), número
de ejes por planta, diámetro promedio de ejes (cm), longitud del brote apical
(cm), SAVI y AVI (índices de vegetación obtenidos por satélite), y GNDVI, OSA-
VI, NDRE, LCI, NDVI (índices de vegetación obtenidos mediante dron). Para la
construcción del modelo MLP:

- Se utilizó una función de activación tipo tangente hiperbólica para las ca-
pas ocultas, con un total de 21 capas.
- La función de activación de la capa de salida fue identidad, lo cual es
común cuando se desea una salida continua (regresión) (figura 27).
- La partición de los datos fue de 88% para entrenamiento y 12% para vali-
dación del modelo.

Durante la estructuración, la red neuronal ajusta los pesos de las variables

de entrada y su impacto en las capas ocultas hasta alcanzar la salida estimada
del rendimiento (y’n). Este proceso se representa en la figura 27, donde el grosor
de las líneas indica la magnitud del aporte de cada variable en la predicción.
El modelo estima el rendimiento de cada planta ajustando los valores a partir
de las conexiones entre nodos, siguiendo la ecuación [9], adaptada desde la
metodología de Ahmed (2023).

– 438 –
 Aplicación de la geomática en agricultura

Figura 27. Estructura de red neuronal utilizando un MLP.

6.4.2. Resultados del MLP

En la figura 28 se presenta el rendimiento estimado por el modelo desarro-

llado mediante la técnica de redes neuronales MLP. Entre las variables utili-
zadas, las más relevantes para la construcción del modelo fueron: área foliar
bidimensional (m²), con una importancia normalizada del 100%, GNDVI (dron)
con 66,6%, área foliar tridimensional (m³) con 63,6%, y longitud del brote apical
(cm) con 44,8%. Estos resultados destacan la fuerte relación entre la expresión
vegetativa de la planta y el rendimiento, confirmando la importancia de estas
variables en la estimación precisa. El modelo mostró un coeficiente de deter-
minación (R²) de 0,93 en la regresión lineal entre rendimiento real y estimado
y un R² de 0,99 para la relación 1:1, lo que evidencia una excelente capacidad
predictiva. Además, la pendiente en esta relación 1:1 fue de 1,006, lo que indi-
ca una leve (casi nula) sobreestimación por parte del modelo. En cuanto a los
errores de predicción, estos correspondieron a un RMSE (Error cuadrático me-
dio) de 189 g/planta y un MAE (Error absoluto medio) de 126 g/planta. Cuando
estos errores se extrapolan a unidades productivas, el modelo MLP presenta
un error estimado de tan solo 127 kg/ha, lo cual es inferior a los 186 kg/ha ob-
servados con el modelo 3 de la primera parte de este estudio.
En la figura 29 se muestra el comportamiento espacial del rendimiento a
través de cartografías, tanto para los valores observados en terreno como para
aquellos estimados mediante el modelo MLP. Se observa que ambas cartogra-
fías presentan una alta similitud, lo que evidencia la gran capacidad del modelo
MLP para predecir el patrón espacial del rendimiento en el huerto. Al analizar la

– 439 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

concordancia punto a punto, se detecta que en solo tres ubicaciones la predic-

ción no coincide plenamente con el rendimiento real medido, presentando en
todos los casos una variación mínima. Esto implica una concordancia espacial
superior al 90%, lo cual refuerza la confiabilidad del modelo para aplicaciones
prácticas a nivel predial. En relación con el uso de este tipo de modelos en
otras especies, Ahmed et al. (2023) aplicaron la técnica MLP para predecir el
rendimiento en maíz, obteniendo un R² de 0,96 y un error de predicción de 0,11,
valores muy similares a los alcanzados en este estudio. Del mismo modo, Ba-
zrafshan et al. (2022) reportaron errores de 0,12 al utilizar MLP en trigo, nueva-
mente en línea con los resultados obtenidos aquí. El uso de estas técnicas de
inteligencia artificial permite mejorar significativamente los modelos de predic-
ción, reduciendo el error al mínimo. Además, tienen la ventaja de ser modelos
adaptativos, es decir, mejoran su precisión conforme se incorpora información
de nuevas temporadas, incrementando así su capacidad predictiva a lo largo
del tiempo.

Figura 28. Regresión lineal entre el rendimiento real y el estimado en base al Modelo MLP.

– 440 –
 Aplicación de la geomática en agricultura

Figura 29. Cartografías rendimiento real (A) y estimado (B) en base al modelo MLP.

6.5. Conclusiones

Se identificó un alto grado de dependencia espacial y correlación entre el

rendimiento y diversas variables representativas de la expresión vegetativa del
avellano europeo, tales como los índices de vegetación SAVI, EVI y AVI (obte-
nidos mediante imágenes satelitales), el diámetro total de ejes, el área foliar bi-
dimensional (m²) y el área foliar tridimensional (m³). Estas variables, al reflejar el
desarrollo estructural de la planta, presentan una relación directa con el rendi-
miento potencial de la temporada. Cabe destacar que estas variables se obtie-
nen a partir de fuentes de información con diferentes resoluciones espaciales,
lo que resalta la importancia de integrar datos de distintos orígenes (terreno,
dron y satélite) para el desarrollo de modelos predictivos con alta capacidad
explicativa. Por otro lado, si bien el potencial hídrico no mostró una correlación
significativa bajo las condiciones del presente estudio, se reconoce que, en
escenarios de estrés hídrico severo, esta variable podría adquirir una mayor re-
levancia en la predicción del rendimiento, siendo una herramienta valiosa para
la toma de decisiones agronómicas.

– 441 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Respecto a los modelos evaluados, aunque el modelo 3 (que incluye 12

variables) presentó la mejor capacidad predictiva y menores errores de esti-
mación, el modelo 2 (con solo 4 variables) se posiciona como el más reco-
mendable para su aplicación en terreno, debido a su simplicidad, facilidad de
implementación y adecuada capacidad de representar la variabilidad espacial
del rendimiento.
Por su parte, la aplicación de la técnica de redes neuronales Perceptrón
Multicapa (MLP) arrojó los mejores resultados de predicción espacial, con un
error de estimación de solo 4,2% (127 kg ha-1). Este modelo, además, ofrece un
gran potencial de mejora mediante la incorporación de datos adicionales en
futuras temporadas, incrementando su precisión y capacidad adaptativa.
Finalmente, se resalta la utilidad de las variables de baja resolución espacial,
como las obtenidas mediante imágenes multiespectrales satelitales, ya que
aportan información clave para caracterizar el comportamiento espacial del
cultivo en grandes extensiones productivas, facilitando una gestión agrícola
más eficiente y precisa.

6.6. Agradecimientos

Queremos agradecer especialmente a Nicolás Saavedra Pérez, estudiante

del Magíster en Hortofruticultura, y a Sebastián Farías Vergara, estudiante de
pregrado en Agronomía, ambos de la Facultad de Ciencias Agrarias de la Uni-
versidad de Talca, por su valiosa colaboración en la recopilación de datos en
terreno para el presente trabajo.

– 442 –
 Aplicación de la geomática en agricultura

6.7. Referencias

Ahmed, S. “A Software Framework for Predicting the Maize Yield Using Mo-
dified Multi-Layer Perceptron. (2023)”. Sustainability, 15, 3017. [Link]
org/10.3390/su15043017.
Alibabaei, K., Gaspar, P. D., & Lima, T. M. (2021). “Crop yield estimation using deep
learning based on climate big data and irrigation scheduling”. Energies, 14(11),
3004. [Link]
Alikadic, A., Pertot, I., Eccel, E., Dolci, C., Zarbo, C., Caffarra, A., De Filippi, R., Fur-
lanello, C. (2019). “The impact of climate change on grapevine phenology
and the influence of altitude: A regional study”. Agricultural and Forest Meteo-
rology. 271(73-82). [Link]
Aquino, A., Ponce, J. M., Noguera, M., & Andújar, J. M. (2023). “Olive-fruit yield es-
timation by modelling perceptual visual features”. Computers and Electronics
in Agriculture, 214, 108361. [Link]
Ascari, L., Siniscalco, C., Palestini, G., Lisperguer, M. J., Huerta, E. S., De Grego-
rio, T., & Bregaglio, S. (2020). “Relationships between yield and pollen con-
centrations in Chilean hazelnut orchards”. European Journal of Agronomy, 115,
126036. [Link]
Azarenko, A. N., McCluskey, R. L., & Chambers, W. C. (2004). “Does canopy ma-
nagement help to alleviate biennial bearing in´ ennis´ and´ montebello´ ha-
zelnut trees in oregon?” In VI International Congress on Hazelnut 686 (pp.
237-242). [Link]
Bazrafshan, O., Ehteram, M., Moshizi, Z. G., & Jamshidi, S. (2022). “Evaluation and
uncertainty assessment of wheat yield prediction by multilayer perceptron
model with bayesian and copula bayesian approaches”. Agricultural Water
Management, 273, 107881. [Link]
Bignami, C., & Natali, S. (1996). “Influence of irrigation on the growth and produc-
tion of young hazelnuts”. In IV International Symposium on Hazelnut 445 (pp.
247-262). [Link]
Botta, R., Molnar, T.J., Erdogan, V., Valentini, N., Torello Marinoni, D., Mehlenba-
cher, S.A. (2019). Hazelnut (Corylus spp.) Breeding. In: Al-Khayri, J., Jain, S.,
Johnson, D. (eds) “Advances in Plant Breeding Strategies: Nut and Beverage
Crops”. Springer, Cham. [Link]

– 443 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Bouras, E. H., Olsson, P. O., Thapa, S., Díaz, J. M., Albertsson, J., & Eklundh, L.
(2023). “Wheat Yield Estimation at High Spatial Resolution through the Assi-
milation of Sentinel-2 Data into a Crop Growth Model”. Remote Sensing, 15(18),
4425. [Link]
Bozoğlu, M., Başar, U., Kılıç Topuz, B., Alhas Eroğlu, N. (2019). “An Overview of
Hazelnut Markets and Policy in Turkey”. KSÜ Tarım ve Doğa Derg 22(5): 733-
743. [Link]
Bregaglio, S., Orlando, F., Forni, E., De Gregorio, T., Falzoi, S., Boni, C., Pisetta, M.,
Confalonieri, R. (2016). “Development and evaluation of new modelling so-
lutions to simulate hazelnut (Corylus avellana L.) growth and development”.
Ecol. Model. 329, 86–99. [Link]
Bregaglio, S., Giustarini, L., Suarez, E., Mongiano, G., and De Gregorio, T. (2020).
“Analysing the behaviour of a hazelnut simulation model across growing en-
vironments via sensitivity analysis and automatic calibration”. Agric. Syst., 181,
p. 102794. [Link]
Bregaglio, S., Fischer, K., Ginaldi, F., Valeriano, T., & Giustarini, L. (2021). “The hades
yield prediction system–a case study on the turkish hazelnut sector”. Fron-
tiers in Plant Science, 12, 665471. [Link]
Cambardella, C. A., Moorman, T. B., Novak, J. M., Parkin, T. B., Karlen, D. L., Turco,
R. F., & Konopka, A. E. (1994). “Field‐scale variability of soil properties in central
Iowa soils”. Soil science society of America journal, 58(5), 1501-1511. [Link]
org/10.2136/sssaj1994.03615995005800050033x.
Cañete-Salinas, P., Romero, D., Venegas, J., Espinosa, C., Ogass, K., & Aceve-
do-Opazo, C. (2022). “Proposal of water status monitoring of adult Populus
commercial stands using satellite imagery”. In 2022 IEEE International Con-
ference on Automation/XXV Congress of the Chilean Association of Auto-
matic Control (ICA-ACCA) (pp. 1-5). IEEE. [Link]
CA56767.2022.10006292.
Cañete-Salinas, P., de la Fuente-Sáiz, D., Yánez-Segovia, S., Guajardo, J., Vene-
gas, J., Zamudio, F., Ackerknecht, C., Urzúa, J., & Fuentes-Contreras, E. (2024).
“Use of satellite images to monitor Leucoptera sinuella leaf damage in po-
plar plantations in central Chile”. New Forests, 1-14. [Link]
s11056-024-10029-x.

– 444 –
 Aplicación de la geomática en agricultura

Choi, W. I., Kim, E. S., Yun, S. J., Lim, J. H., & Kim, Y. E. (2021). “Quantification of one-
year gypsy moth defoliation extent in Wonju, Korea, using landsat satellite
images”. Forests, 12(5), 545. [Link]
Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch,
B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marche-
se, F., Bargellini, P. (2012) “Sentinel-2: ESA’s optical highresolution mission
for GMES operational services”. Remote Sens Environ 120:25–36. [Link]
org/10.1016/[Link].2011.11.026.
Farooq, M.S., Riaz, S., Abid, A., Umer, T., Zikria, Y.B. (2020). “Role of IoT Technology
in Agriculture: A Systematic Literature Review”. Electronics, 9, 319. [Link]
org/10.3390/electronics9020319.
He, L., Fang, W., Zhao, G., Wu, Z., Fu, L., Li, R., Majeed, Y., & Dhupia, J. (2022). “Fruit
yield prediction and estimation in orchards: A state-of-the-art comprehensi-
ve review for both direct and indirect methods”. Computers and Electronics in
Agriculture, 195, 106812. [Link]
IPCC (Intergovernmental Panel on Climate Change). (2024) [Link]
(15 of April 2024, date last accessed).
Jha, P., Materia, S., Zizzi, G., Costa-Saura, J., Trabucco, A., Evans, J., Brega-
glio, S. (2021). “Climate change impacts on phenology and yield of hazel-
nut in Australia”. Agricultural Systems. 186(102982). [Link]
agsy.2020.102982.
Lagerstedt, H. B., & Painter, J. H. (1973). “A Comparison of Filbert Training to Tree
and Bush Forms”. HortScience, 8(5), 390-391
Li, B., Lecourt, J., & Bishop, G. (2018). “Advances in non-destructive early as-
sessment of fruit ripeness towards defining optimal time of harvest and yield
prediction-A review”. Plants, 7(1), 3. [Link]
Liu, Y., Ma, X., Shu, L., Hancke, G. P., & Abu-Mahfouz, A. M. (2020). “From industry
4.0 to agriculture 4.0: Current status, enabling technologies, and research
challenges”. IEEE transactions on industrial informatics, 17(6), 4322-4334.
[Link]
Loi, D. T., Chou, T. Y., & Fang, Y. M. (2017). “Integration of GIS and remote sensing
for evaluating forest canopy density index in Thai Nguyen Province, Vietnam”.
International journal of environmental science and development, 8(8), 539-542.
[Link]

– 445 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Lumivero (2024). XLSTAT statistical and data analysis solution. New York, USA.
[Link]
ODEPA (Oficina de Estudios y Políticas Agrarias). (2023). “Catastro frutícola CI-
REN-Odepa”. [Link]
fruticolas/catastro-fruticola-ciren-odepa.
Pasqualotto, G., Carraro, V., Conati, S., Chloé, C., Salaün, G., Mercadal, M., Vacca,
A., Castagna, A., Utili, G., Lisperguer, M.J., De Gregorio, T., & Anfodillo, T. (2017).
“Stomatal sensitivity in Corylus avellana (L.): first analysis from a global data-
set”. In IX International Congress on Hazelnut 1226 (pp. 181-188). [Link]
org/10.17660/ActaHortic.2018.1226.27.
Rosenblatt, F. (1958). “The perceptron: A probabilistic model for information
storage and organization in the brain”. Psychological Review, 65(6), 386–408.
[Link]
Saavedra-Pérez, N., Cañete-Salinas, P., Ogass, K., Espinosa-Ackerknecht, C.,
Urzúa, J., Guajardo, J., Errázuriz-Montanares, I., Garrido-Faúndez, P., Ace-
vedo-Opazo, C. (2023). “Characterization of yield spatial variability of Euro-
pean hazelnut (Corylus avellana L), using auxiliary variables of high spatial
resolution”. IEEE International Conference on Automation/XXVI Congress of
the Chilean Association of Automatic Control (ICA425 ACCA), Valdivia, Chile,
2023. [Link]
Solar, A., & Štampar, F. (2008). “Inter-year variability of pomological traits evalua-
ted in different hazelnut cultivars in Slovenia”. In VII International Congress on
Hazelnut 845 (pp. 169-174). [Link]
Thompson, M. L. (1978). “Selection of variables in multiple regression: Part I. A
review and evaluation”. International Statistical Review/Revue Internationale
de Statistique, 1-19. [Link]
Vargas, P., Stanley, B (eds.) (2022) “Introducción a la Agricultura de Precisión
4.0 en huertos de arándanos [en línea]”. Chillán, Chile: Boletín INIA - Instituto
de Investigaciones Agropecuarias. N° 457. Disponible en: [Link]
net/20.500.14001/68559.
Xue, J., & Su, B. (2017). “Significant remote sensing vegetation indices: A review
of developments and applications”. Journal of sensors, 2017. [Link]
org/10.1155/2017/1353691.

– 446 –
 CAPÍTULO VII
EVALUACIÓN DE CAÑONES URBANOS COMO POTENCIAL DE
VENTILACIÓN Y ENFRIAMIENTO DE LA ISLA DE CALOR URBANA EN
SANTIAGO

Cristian Henríquez Ruiz1 2 3, Matías García Fox1

7.1. Introducción

Durante el último siglo, el mundo ha experimentado un crecimiento urbano

sin precedentes. En el año 2008, por primera vez, la proporción de la población
que habitaba en áreas urbanas superó a la de las zonas rurales, y se proyecta
que para 2050 esta cifra alcanzará los dos tercios de la población mundial (UN-
Habitat, 2019). Paralelamente, el cambio climático está afectando a las ciuda-
des mediante la alteración de los regímenes de precipitaciones y el aumento
de las temperaturas máximas. Estos efectos se ven intensificados por la propia
urbanización y sus dinámicas, que generan impactos como el incremento de
fuentes de calor, la sustitución de suelos naturales por superficies impermea-
bles o de alta absorción térmica, el aumento de emisiones de gases de efecto
invernadero y la alteración de los flujos de ventilación debido a la concentra-
ción de edificaciones (IPCC, 2022; Mendes et al., 2020). Como resultado, se ha
observado un aumento de transformaciones adversas en el entorno urbano,
como el incremento de la temperatura superficial y del efecto de isla de calor
urbana (ICU), mayor frecuencia de olas de calor y niveles más altos de conta-
minación atmosférica (Henríquez et al., 2019; IPCC, 2022; Mendes et al., 2020;
UN-Habitat, 2019).
En este contexto, se ha demostrado que una planificación urbana que in-
corpore criterios de ventilación puede ayudar significativamente a disminuir las

1
Instituto de Geografía, Pontificia Universidad Católica de Chile, Santiago, Chile.
2
Centro Interdisciplinario de Cambio Global, Pontificia Universidad Católica de Chile, Santiago, Chile.
3
Centro de Desarrollo Urbano Sustentable ANID/FONDAP, Santiago, Chile.

– 447 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

temperaturas urbanas, mediante la canalización de aire fresco desde zonas ru-

rales hacia los centros urbanos más cálidos. Esto contribuye a reducir los efec-
tos de la ICU, mejora el confort térmico, facilita la dispersión de contaminantes
(Hsieh & Huang, 2016; Liu et al., 2022; Luo et al., 2017; Wong et al., 2011) y reduce
el consumo energético durante el verano (Fang et al., 2021). Un enfoque de
mitigación basado en la planificación consiste en identificar áreas de baja ru-
gosidad que favorecen el drenaje y transporte de masas de aire más frías hacia
el centro urbano (Fahed et al., 2020; Grunwald et al., 2019; Grunwald & Weber,
2021; He et al., 2020; Wong et al., 2010). En esta línea, el concepto de corredo-
res de ventilación urbana ha sido ampliamente estudiado en los últimos años
como una estrategia efectiva para mitigar los efectos de la ICU, siempre que se
integre adecuadamente en la planificación urbana (Hsieh & Huang, 2016; Lai et
al., 2021; Liu et al., 2022; Ng et al., 2011; Ren et al., 2018; Wong et al., 2010; Yuan
et al., 2014).
Diversos métodos y herramientas geomáticas han sido aplicados para iden-
tificar y evaluar corredores de ventilación, así como para modelar el flujo de
viento a nivel del dosel urbano. Entre ellos destacan los métodos basados en
Computational Fluid Dynamics (CFD), herramientas que permiten simular y
analizar el comportamiento del flujo de aire en distintos contextos y escalas
(Xie et al., 2020). Estas han sido aplicadas con éxito para evaluar la eficiencia
de la ventilación urbana (Fang et al., 2021). Un software ampliamente utilizado
en este ámbito es ENVI-met, el cual se basa en principios de termodinámica y
física atmosférica para simular campos tridimensionales de viento, turbulencia,
temperatura, humedad, flujos radiativos y dispersión de contaminantes (Simon
et al., 2018). Una de sus principales ventajas es su enfoque holístico, que permi-
te simular de forma integrada las interacciones entre edificaciones, atmósfera,
suelo y vegetación (Simon et al., 2018). En este sentido, el uso de Sistemas de
Información Geográfica (SIG) y percepción remota como apoyo a la modelación
microclimática resulta fundamental para el estudio de cañones urbanos, su po-
tencial de ventilación y su rol en la mitigación de la ICU.
En este contexto, el presente trabajo busca estudiar los corredores de ven-
tilación que conectan flujos de aire desde zonas de parques urbanos hacia el
centro de Santiago mediante técnicas geomáticas y modelación microclimáti-
ca. La hipótesis subyacente es que estos corredores permiten enfriar el centro
urbano más cálido con aire fresco proveniente de zonas asociadas a parques.

– 448 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

Para ello, se analiza las características de los cañones urbanos en el centro de

Santiago, específicamente en calle Catedral y calle Bulnes, evaluando su mor-
fología urbana y climatología local durante la primavera de 2023. El objetivo es
modelar su influencia como corredores de viento y su potencial en la mitiga-
ción de la ICU mediante simulación microclimática y herramientas SIG.
La ICU hace referencia a las diferencias de temperatura entre áreas urbanas
y zonas rurales circundantes, observándose mayores temperaturas en las pri-
meras (Oke, 1987; Oke et al., 2017). Este fenómeno es una de las manifestacio-
nes más documentadas del impacto antrópico en el clima urbano, presente en
prácticamente todas las ciudades del mundo (Asimakopoulos & Santamouris,
2001; Landsberg, 1981; Oke, 1973).
Se ha demostrado que el aumento de las ICU está directamente relacio-
nado con las características de las superficies urbanas, como materiales que
absorben y reemiten radiación solar (Mendes et al., 2020), así como con las
tendencias de urbanización (IPCC, 2022). La morfología urbana altera las con-
diciones de ventilación en distintas escalas, dificultando la disipación del calor
antropogénico debido al incremento de la rugosidad superficial, lo que reduce
la velocidad media del viento (Yuan et al., 2020; IPCC, 2022). A nivel de microes-
cala, los cañones urbanos desempeñan un papel crucial en las condiciones
de ventilación, afectando el confort térmico, la dispersión de contaminantes
(Ghiaus et al., 2006; IPCC, 2022) y la intensidad de la ICU.
En el caso de Santiago, diversos estudios han analizado la ICU y la con-
taminación atmosférica en términos de su distribución, intensidad y factores
explicativos (Romero et al., 2010; Sarricolea & Martín-Vide, 2014; Smith & Ro-
mero, 2016). Sin embargo, aunque se ha reconocido la influencia de corredores
de viento en las diferencias de temperatura y ventilación (Romero et al., 2010;
Smith & Romero, 2016), aún no se ha profundizado en cómo la morfología ur-
bana se relaciona directamente con los patrones de ventilación ni en cómo su
diseño y gestión podrían utilizarse como medida de mitigación de la ICU.
Santiago ha experimentado un crecimiento urbano significativo en las últi-
mas décadas, con un aumento de más de 27.000 ha entre 1975 y 2010 (72%), y
se proyecta que en 2045 alcance las 93.000 ha (Puertas et al., 2014). Este creci-
miento ha estado acompañado por condiciones climáticas adversas, como el
aumento de la contaminación atmosférica y la intensificación de las ICU (Men-
des et al., 2020; Henríquez et al., 2020; Romero & Opazo, 2017). Además, el Panel

– 449 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Intergubernamental sobre Cambio Climático (IPCC) pronostica un incremento

en la intensidad y frecuencia de los eventos extremos de calor para Chile (IPCC,
2022). En el caso específico del Atlas de Riesgo Climático (ARCLIM), elaborado
por el Ministerio del Medio Ambiente, se proyecta una intensidad de ICU supe-
rior a 10°C para Santiago al año 2065 (Henríquez et al., 2020), constituyéndose
como una de las principales amenazas climáticas urbanas (Henríquez et al.,
2021; Henríquez et al., 2024). Frente a este escenario, surge la necesidad de
estudiar medidas para mitigar la ICU en Santiago. Una de estas medidas es po-
tenciar el rol de la ventilación urbana mediante el diseño y gestión de cañones
urbanos.
Estos corredores pueden ser entendidos como sistemas de ventilación com-
puestos por tres elementos: áreas de funcionamiento, que calientan el aire (por
ejemplo, el centro urbano); áreas de compensación, que enfrían el aire (como
parques urbanos o zonas rurales contiguas); y corredores, que conectan ambas
zonas y canalizan el flujo de aire (Ren et al., 2018), en este caso, representados
por los cañones urbanos.

7.2. Desarrollo

7.2.1. Área de estudio

El área de estudio se ubica en la ciudad de Santiago, capital de Chile, en la

Región Metropolitana. En particular, el trabajo se centra en el análisis de dos
cañones urbanos localizados en la comuna de Santiago y sus manzanas aleda-
ñas. Se estudia específicamente el cañón de la calle Catedral, que se extiende
entre el Parque Quinta Normal y la Plaza de Armas de Santiago, y el cañón
del Paseo Bulnes, que conecta el Parque Almagro con su proyección hacia el
Palacio de La Moneda (figura 30). El primer cañón tiene una longitud de 2.940
metros, una superficie de 82,3 hectáreas y presenta una orientación este-oeste.
El segundo posee una longitud de 980 metros, una superficie de 11 hectáreas
y se orienta en sentido norte-sur.

– 450 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

Figura 30. Área de estudio.

La elección de estos cañones urbanos responde a su potencial funciona-

miento como corredores de ventilación, en los que las grandes áreas verdes
urbanas actúan como islas frías (Chen y Wong, 2006; Chern et al, 2019; Chiang
y Lin, 2018; Lin et al., 2017; McPherson, 1994) o distribuidoras de aire fresco,
representando zonas de compensación que proveen de aire fresco (Ren et al,
2018). En ambos casos, uno de los extremos de cada cañón se conecta con un
parque urbano: el Parque Quinta Normal, en el caso de la calle Catedral, y el
Parque Almagro, en el del Paseo Bulnes. Por el otro extremo, ambos cañones
atraviesan el casco histórico de Santiago, identificado como una de las zonas
con mayor intensidad de isla de calor urbana (ICU) tanto diurna como nocturna
(Sarricolea & Martín-Vide, 2014). De este modo, ambos sectores cumplen con la
definición de zona de funcionamiento según lo planteado por Ren et al. (2018).

7.2.2. Metodología

Este estudio adopta un enfoque de modelación microclimática y urbana,

que involucra la caracterización de la morfología urbana, así como el análisis de
viento y temperatura del aire, mediante el uso de SIG, percepción remota, soft-
ware de simulación microclimática y verificación de datos en terreno. Para el

– 451 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

procesamiento de información geoespacial y la elaboración de cartografía, se

utilizó el software ArcGIS Pro 3.1.3, empleando como sistema de referencia es-
pacial el datum WGS 1984, coordenadas UTM zona 19S (EPSG:32719). Además,
se utilizaron las plataformas Google Earth Pro y ENVI-met 5.6.1, este último para
los procesos de simulación microclimática que se detalla más adelante. El tra-
bajo se estructura en cuatro etapas: i) caracterización de los cañones urbanos y
simulación microclimática, ii) verificación de datos en terreno, iii) identificación
de áreas de funcionamiento y compensación a lo largo de los cañones analiza-
dos, y iv) propuesta de sectores de mejora urbana con fines de planificación y
mitigación de la isla de calor urbana.

[Link]. Obtención de datos

Los datos utilizados en este estudio se agrupan en cuatro categorías princi-

pales: morfología urbana (huella y altura de edificios), coberturas superficiales,
vegetación arbórea y datos meteorológicos. Para caracterizar la morfología ur-
bana, se obtuvieron las huellas y alturas de los edificios ubicados en las man-
zanas colindantes a los cañones urbanos analizados. Esta información proviene
de dos fuentes consultadas en 2023: el dataset Google Global Footprints, dis-
ponible en el repositorio Google Earth Engine, y OpenStreetMap (OSM) (https://
[Link]). Ambas fuentes fueron complementadas para ge-
nerar un archivo vectorial consolidado con las huellas edificadas. La altura de
cada edificio se estimó utilizando Google Earth, mediante la obtención de la
altitud del techo y del nivel de base (calle); la diferencia entre ambos valores
fue considerada como la altura del edificio.
Respecto a las coberturas superficiales, se elaboró una capa vectorial de
polígonos que clasifica las distintas superficies presentes en el área de estu-
dio. Las categorías empleadas fueron tierra, hormigón, asfalto, arena, agua y
césped. Esta información fue generada mediante fotointerpretación en Google
Earth Pro. De manera complementaria, se construyó una capa vectorial de pun-
tos para representar los árboles presentes en el área de estudio, incluyendo
la estimación de su altura, también obtenida mediante fotointerpretación. En
cuanto a los datos meteorológicos, estos fueron obtenidos desde la estación
meteorológica Quinta Normal, operada por la Dirección Meteorológica de Chile
(DMC), al ser la más próxima a los cañones urbanos analizados. Se recopilaron
datos horarios correspondientes al 4 de diciembre de 2023 en el rango horario

– 452 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

comprendido entre las 14:00 h y las 00:00 h, incluyendo registros de tempera-

tura media (°C), velocidad del viento (m/s) y humedad relativa (%).

[Link]. Simulación micro climática y caracterización de cañones urbanos

La caracterización de los vientos y las temperaturas en los cañones urba-

nos se llevó a cabo mediante la modelación y simulación microclimática. Para
ello, se utilizó el software ENVI-met 5.1.6, específicamente los módulos Mon-
de, Spaces, Envi-Guide y Envi-Core. Como datos de entrada, se emplearon las
capas de coberturas del suelo junto con la capa de rugosidad. El proceso de
modelación generó un archivo específico para cada cañón con una resolución
espacial de 5 m x 5 m. El área modelada para el cañón de la calle Catedral tiene
dimensiones de 3.100 m x 700 m, cubriendo un total de 217 ha, mientras que el
cañón de paseo Bulnes tiene un área de 1.240 m x 340 m, equivalente a 42,2 ha.
Además, para configurar adecuadamente las simulaciones, se utilizaron los da-
tos meteorológicos previamente obtenidos. Como resultado de la simulación,
se generaron capas de información que incluyen dos variables clave: tempe-
ratura potencial del aire y velocidad del viento. Estas capas se procesaron y se
visualizan mediante mapas generados en ArcGIS Pro, los cuales muestran la
distribución de la temperatura potencial del aire y la velocidad del viento a lo
largo de ambos cañones urbanos (figura 31).

Figura 31. Esquema de trabajo metodológico.

– 453 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

[Link]. Verificación del modelo

Para validar el modelo microclimático, se llevaron a cabo mediciones de la

velocidad del viento (m/s) y la temperatura (°C) en terreno. Las mediciones se
realizaron en cinco puntos de control distribuidos a lo largo de cada cañón: uno
en cada extremo, dos en el tramo intermedio y uno en el área verde ubicada al
extremo del cañón. De esta manera, se registraron las características del viento
en tres ubicaciones clave: al inicio, al final y en el tramo intermedio de cada ca-
ñón. Para la toma de datos se utilizaron termoanemómetros Kestrel 4400 Heat
Stress Tracker y el medidor Speedtech WM-350.
Diversos estudios han evidenciado que las áreas verdes urbanas, como los
parques, desempeñan un papel fundamental como áreas de compensación en
los corredores de viento, debido a su efecto de isla fría (Chen & Wong, 2006;
McPherson, 1994; Ren et al., 2018). En este sentido, la ubicación de los puntos
de medición fuera de los cañones responde a la necesidad de caracterizar el
viento antes de su ingreso al cañón, en zonas de compensación (Ren et al.,
2018). Por ello, los puntos de control se situaron en las áreas verdes urbanas
ubicadas al inicio de cada cañón, específicamente en el Parque Quinta Normal
y el Parque Almagro. Las mediciones se realizaron el 4 de diciembre de 2023,
a las 16:00 h y a las 22:00 h, con el fin de capturar datos representativos de las
horas de mayor intensidad de la isla de calor urbana (ICU) tanto en su fase diur-
na como nocturna.

[Link]. Identificación de áreas de funcionamiento, compensación y lugares

susceptibles de mejora

A partir de los mapas generados, se identificaron las áreas dentro de los

cañones urbanos que provocan un enfriamiento del viento (áreas de compen-
sación) y aquellas que generan un calentamiento del viento (áreas de funcio-
namiento). Para ello, se compararon los mapas de velocidad del viento y tem-
peratura potencial del aire, identificando las celdas que presentan una mayor
velocidad relativa del viento y menores temperaturas. Este análisis se realizó
utilizando ArcGIS Pro. Como resultado, se elaboró un mapa de zonas de fun-
cionamiento y zonas de compensación para cada cañón. A través del análisis
de estos mapas, se identificaron áreas con potencial para mejorar el funcio-

– 454 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

namiento de cada cañón como corredor de viento, lo que podría optimizar su

capacidad para mitigar los efectos de la isla de calor urbana (ICU) y mejorar la
ventilación en el área estudiada.

7.3. Resultados

7.3.1. Simulación micro climática

La simulación micro climática muestra, en cuanto a la velocidad del viento

(figura 32), que en el cañón Bulnes, a las 16:00 h, se registra un valor mínimo
de 0,01 m/s, un máximo de 2,33 m/s y una media de 1,03 m/s. A las 22:00 h,
los respectivos valores son 0,01 m/s, 2,29 m/s y 1 m/s. En ambos horarios,
se observa un patrón de distribución similar: las velocidades más altas se en-
cuentran en la Alameda (1,7 m/s) y en las calles y espacios laterales del cañón
y los límites de cada manzana, donde el cañón se ve interrumpido por calles
perpendiculares (valores de 1,1 a 1,3 m/s). Asimismo, el borde inferior (sur) del
cañón presenta velocidades de 1,1 a 1,6 m/s. Por el contrario, las menores ve-
locidades se encuentran dentro de las manzanas dentro del cañón, predomi-
nando valores entre 0,4 y 0,7 m/s. En el caso del cañón Catedral, a las 16:00 h,
se observa un valor mínimo de 0,01 m/s, un máximo de 1,89 m/s y una media
de 0,9 m/s, mientras que a las 22:00 h, los valores son 0,01 m/s, 1,79 m/s y 0,8
m/s. Las menores velocidades se encuentran en los espacios y patios interio-
res de cada manzana, mientras que las mayores velocidades se registran en el
extremo izquierdo (oeste), en el Parque Quinta Normal, y en el extremo derecho
(este), en la Plaza de Armas, así como en las zonas de interrupción del cañón
por la Autopista Central, donde se superan los 1,7 m/s. Dentro del cañón de la
calle Catedral, las velocidades predominantes son de 1,1 a 1,3 m/s. También
es importante destacar la influencia de las edificaciones a lo largo del cañón,
ya que en torno a ellas se concentran las bajas velocidades de 0,4 a 0,7 m/s,
particularmente hacia el oriente de la autopista.
Respecto a la temperatura potencial del aire (figura 33), en el cañón Bulnes,
los resultados de la simulación muestran, en general, menores valores a las 22:00
h respecto a las 16:00 h. A las 22:00 h, los valores son un mínimo de 22,8°C, un
máximo de 24,3°C y un promedio de 23,8°C, mientras que a las 16:00 h, los valores

– 455 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

respectivos son 22,4°C, 25°C y 23,4°C. En ambos horarios, las mayores temperatu-
ras se encuentran en la Alameda, con valores que superan los 22,7°C a las 22:00
h. Por el contrario, las temperaturas más bajas se encuentran en áreas puntuales
en la parte intermedia del cañón, destacando dos manchas frías con valores que
no superan los 22,1°C.

Figura 32. Velocidad del viento en los cañones Catedral y Bulnes.

En el cañón mismo, es relevante señalar que no se aprecia un patrón cla-

ro: predominan temperaturas de bajos valores (22,0°C a 22,1°C a las 16:00 h y
22,2°C a 22,3°C a las 22:00 h), que, en algunas manzanas, son interrumpidas por
parches de temperaturas aún menores. Las menores temperaturas parecen
ubicarse en torno a zonas con árboles de gran tamaño cercanos y a sotavento
del viento NE. Este fenómeno resalta el efecto térmico a microescala de los ár-
boles y su sombra (Oke et al., 2017). En el cañón Catedral, el Parque Quinta Nor-
mal parece actuar como isla fría, con valores entre 22,1°C y 22,5°C. Sin embargo,

– 456 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

sus temperaturas son ligeramente más bajas (0,2°C) que el resto del cañón y su
efecto se limita a un alcance muy corto (solo unos metros), a diferencia de lo
documentado en otros parques, donde este efecto puede extenderse cente-
nares de metros (Chen et al., 2014; Chiang & Lin, 2018). Además, este efecto no
parece ser mayor que el que presentan árboles aislados (Ng et al., 2012), como
es el caso de la manzana del ex Congreso Nacional y otras dos manzanas al
poniente, que destacan por tener valores inferiores a 22,1°C a las 16:00 h. Res-
pecto a estas dos últimas manzanas y a todo el tramo del cañón Catedral des-
de la autopista hacia el este, no se aprecia el efecto de zona de funcionamiento
(Hsieh & Huang, 2016; Wong et al., 2011). Esto se debe a que el casco histórico
de Santiago es más fresco en ambos horarios que los otros tramos del cañón.

Figura 33. Temperatura potencial del aire en los cañones Catedral y Bulnes.

Es importante resaltar dos aspectos clave de estos resultados. El primero

de ellos es el escaso efecto de isla fría y zona de compensación observado en

– 457 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

ambos parques, a pesar de que se ha documentado previamente que ambos

deberían presentar dicho efecto (Rodríguez, 2014). En el caso del cañón Bulnes
(parque Almagro) y el cañón Catedral (parque Quinta Normal), las temperaturas
no son las más bajas, e incluso en el caso del parque Almagro, las temperaturas
tienden a aumentar a medida que uno se acerca a él. En el caso del cañón Ca-
tedral, aunque es una de las zonas que concentra las temperaturas más bajas,
este efecto parece ser puntual y se limita a áreas cercanas a árboles específi-
cos en ese sector. Además, destaca que las temperaturas más bajas en el ca-
ñón Catedral se localizan al oriente de la autopista, entre los edificios de mayor
altura. Si bien estos resultados no permiten identificar una zona de funciona-
miento clara, son consistentes con las diferentes dinámicas de calentamiento
observadas en las ciudades de acuerdo a su tipo de clima (Wheeler et al., 2019).
En este sentido, se ha demostrado que, en climas secos, las edificaciones de
mayor altura pueden tener un efecto de enfriamiento, debido a factores como
el mayor tiempo de sombra y parámetros como el sky view factor (Chen et al.,
2012; Oke et al., 2017). Esto contrasta con lo que ocurre en climas más húmedos
y calurosos, donde una mayor densidad de edificación ha mostrado disminuir
el efecto de enfriamiento del viento (Ng et al., 2012).
Finalmente, resulta relevante destacar la intermitencia de las bajas tempe-
raturas y las bajas velocidades del viento que se observan en la mayoría de las
cuadras de ambos cañones, manifestándose como manchas de temperatura
y velocidad, generalmente cercanas a las paredes del cañón. Estas manchas
no siguen un patrón claro ni uniforme. En este contexto, es crucial considerar
el efecto microescala de los árboles, los cuales reducen tanto la velocidad del
viento como la temperatura del aire (Bruse & Fleer, 1998).

7.3.2. Verificación del modelo

Las mediciones en terreno para el cañón Catedral, en cuanto a temperatura,

muestran un patrón de distribución similar al modelo. Sin embargo, en cuan-
to a los valores, se observa una diferencia, siendo los valores de temperatura
mayores a las 16:00 h y menores a las 21:00 h en las mediciones, comparados
con el modelo. En cuanto a la velocidad del viento, los datos coinciden con el
modelo a las 16:00 h, mientras que a las 22:00 h la medición muestra una ma-
yor velocidad que la proporcionada por la simulación. En el cañón Bulnes, a las

– 458 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

16:00 h, la temperatura muestra un patrón similar al del modelo. No obstante, a

las 22:00 h ocurre una situación similar a la observada en el cañón Catedral: los
valores máximos de temperatura medidos son mayores que los del modelo.
Respecto a la velocidad del viento, los valores medidos son siempre mayores
que los proporcionados por la simulación.

7.3.3. Identificación de áreas de funcionamiento, compensación y lugares

susceptibles de mejora

Al examinar los mapas de temperatura potencial del aire, es posible identifi-

car las zonas que cumplen con los requisitos descritos en la literatura para fun-
cionar como zonas de compensación y zonas de funcionamiento. Además de
estas zonas, se identifican áreas que, aunque son frías en comparación con las
demás, no se encuentran en los extremos del cañón ni en el potencial corredor
de viento (figura 34). En el cañón Catedral, los puntos 1, 4 y 5 corresponden res-
pectivamente al parque Quinta Normal, a un conjunto de manzanas de edificios
de altura en el centro de Santiago, y a la manzana del ex Congreso Nacional.
En cuanto al parque Quinta Normal, este es un claro ejemplo de un área verde
urbana con potencial de enfriar el aire, aunque en la simulación el parque no
fue modelado por completo. El punto 4, aunque no cumple con el criterio de
ser un cuerpo de agua o área verde, podría catalogarse como un nuevo tipo
de área de compensación, donde el efecto de sombra de los edificios podría
ser relevante al enfriar el aire. En relación al ex Congreso Nacional, se destaca
el posible efecto de enfriamiento que pueden tener sus jardines, que cuentan
con abundantes árboles. En cuanto a las zonas de funcionamiento, el punto 2
corresponde a la manzana donde se encuentra el Museo de la Memoria, un
área con escaso arbolado y gran superficie de hormigón. El punto 3, por su
parte, corresponde a la Autopista Central, donde las altas temperaturas predo-
minan debido a la gran cantidad de asfalto y cemento.
Respecto al cañón Bulnes (figura 35), destaca como zona de funcionamiento
la Alameda (punto 1). No se identifican áreas de compensación, sino que úni-
camente se observan zonas frías situadas en el interior del cañón y el potencial
corredor de viento. Destaca el posible efecto a microescala que puede tener el
arbolado urbano presente en el cañón, contribuyendo a las bajas temperaturas
relativas. Un aspecto importante es que en ambos cañones, la mayor diferencia

– 459 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

entre las zonas de compensación y los valores más altos de temperatura se da

a las 16:00 h, probablemente debido al efecto de sombra del arbolado y los
edificios. Sin embargo, este efecto se ve opacado por la emisión térmica del
asfalto y hormigón durante la noche. Esto también podría estar relacionado con
la ausencia de continuidad en las áreas de funcionamiento a lo largo de la calle
Catedral (figura 33), donde los círculos negros en los mapas podrían asociarse
a una diferente cobertura arbórea.

Figura 34. Zonas de funcionamiento y compensación cañón Catedral.

A partir de lo anterior, se observa que ni el cañón del paseo Bulnes ni el de

Catedral estarían actuando como corredores de ventilación efectivos. Esto se
debe a que no fue posible identificar la estructura de un corredor continuo con
las funciones que debiera cumplir, es decir, un área de compensación y otra
de funcionamiento, donde las temperaturas en la primera deberían ser relati-
vamente más frescas (menores) en comparación con la segunda y el resto del
supuesto corredor.

– 460 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

Figura 35. Zonas de funcionamiento y compensación cañón Bulnes.

Asimismo, no fue posible identificar el efecto de las supuestas zonas de

compensación en la temperatura potencial del aire a lo largo del corredor, y no
sólo en su proximidad. De hecho, en algunos casos, como en el paseo Bulnes,
los datos indican que las menores temperaturas se distribuyen en la parte in-
termedia del cañón y también cerca de la Alameda, y no en el parque Almagro,
su supuesta zona de compensación (figuras 5 y 6). En el caso del cañón Cate-
dral ocurre algo similar: aunque el parque Quinta Normal se observa como una
de las áreas con menores temperaturas, su efecto térmico parece ser puntual
y limitado a su proximidad inmediata. Destaca, además, el enfriamiento que
ocurre en el otro extremo del cañón, entre la Plaza de Armas y la Autopista
Central, donde se observaron manzanas que concentran las menores tempe-
raturas durante el día.

– 461 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Aunque no se puede afirmar que ninguno de los cañones esté actuando

efectivamente como corredor de ventilación, el cañón Catedral presenta mayor
potencial. Posiblemente, la baja influencia térmica del parque Quinta Normal se
deba a que la configuración del modelo no abarca toda la extensión del parque.
En este sentido, el cañón Catedral resultó ser el más fresco, con casi 2°C menos
en promedio que el cañón Bulnes. En cuanto a la velocidad del viento, si bien el
paseo Bulnes muestra valores máximos mayores (2,33 m/s frente a 1,89 m/s),
el cañón Catedral sólo difiere en promedio 0,2 m/s. Respecto a la estructura
del corredor, no fue posible observar al parque Quinta Normal como una gran
zona de compensación, pero sus valores de temperatura sí difieren del resto
del cañón en al menos 0,7 °C. Además, se pudo observar un efecto de enfria-
miento en una zona con edificaciones de mayor altura en el extremo opuesto
del cañón, que actuaría como zona de compensación cuando los vientos pro-
vienen del NE. Este efecto probablemente sería más visible si no fuera por la
influencia de la Autopista Central.
A partir de los mapas generados para identificar zonas de funcionamiento
y compensación (figuras 34 y 35), se detectan puntos susceptibles de mejora
para disminuir sus temperaturas. Estas zonas de funcionamiento destacan la
Autopista Central y la avenida Alameda como canales de aire de mayor tem-
peratura. También se observa puntos intermedios a lo largo de los cañones,
posiblemente asociados a una baja cobertura arbórea (círculos negros).
Relacionado con lo anterior, un hallazgo que debe ser analizado crítica-
mente es la poca relevancia que tuvieron las zonas que se presumía actuaban
como zonas de compensación (parques Almagro y Quinta Normal). Al respecto,
el modelo utilizado para la simulación sólo consideró el efecto de las zonas
que actúan como inicio del cañón-corredor y no la superficie completa de los
parques, por lo que el efecto de área de compensación y de isla de frío pudo
estar subestimado. También se puede inferir que la influencia de aire frío pro-
veniente del medio rural no alcanza a llegar a estos parques, o bien, que el aire
que llega desde el poniente ya está calentado tras atravesar una gran superfi-
cie urbana. Algo similar fue constatado en el estudio de Vásquez (2016) para el
corredor fluvial del río Mapocho y su potencial influencia en la disminución de
las temperaturas en la zona céntrica.

– 462 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

7.4. Conclusiones

El desarrollo de esta investigación ha demostrado, mediante el uso de SIG,

percepción remota y software de modelamiento y simulación microclimática,
cómo el flujo de aire conecta el centro de Santiago con zonas más frescas; sus
características y su posible utilización como medida de mitigación de la ICU.
En particular, se adaptó el concepto de corredor de viento, tradicionalmente
utilizado para describir la conexión entre zonas rurales y el centro de la ciudad,
para estudiar cómo el aire fluye desde zonas de compensación ubicadas den-
tro de la ciudad (áreas verdes urbanas) hacia el centro urbano. En este sentido,
los cañones del paseo Bulnes y de la calle Catedral, entre el parque Quinta
Normal y la Plaza de Armas, no pueden ser considerados estrictamente como
corredores de ventilación, ya que no cumplen con la función de disminuir la
temperatura mediante el transporte de aire relativamente más frío. Al contrario,
se observa efectos inversos a lo largo de estos cañones.
No obstante, a lo largo de ambos cañones existen zonas que contribuyen a
enfriar o calentar el aire de manera puntual, funcionando como microzonas de
compensación y funcionamiento. Entre las primeras, destacan áreas con una
importante cobertura arbórea, mientras que las zonas de funcionamiento inclu-
yen áreas desprovistas de vegetación y avenidas y autopistas, como la Avenida
Alameda Libertador Bernardo O’Higgins y la Autopista Central. Estos dos ejes
viales destacan por concentrar las temperaturas más altas en ambos caño-
nes, actuando como “ríos” de aire caliente. Además, ambos ejes concentran los
mayores valores de velocidad del viento, lo que subraya su importancia en la
ventilación de las zonas que atraviesan. Por ello, resulta relevante estudiar el
potencial de estos ejes viales para contribuir al enfriamiento del centro de San-
tiago, especialmente si se implementaran obras de renovación y mejoramiento
urbano, como el aumento del arbolado urbano. En este contexto, el cañón de
la calle Catedral se aproxima más a la estructura de un corredor de viento, ya
que, como zona de compensación, la entrada del parque Quinta Normal actúa
como tal y en el extremo opuesto del cañón existe un área con edificaciones de
mayor altura que tiene un efecto significativo de enfriamiento.
Esta investigación presenta varias limitaciones: en primer lugar, la capacidad
de procesamiento computacional requerida por software como ENVI-met, lo
que impidió, por ejemplo, considerar la totalidad de los parques. En segundo

– 463 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

lugar, los programas de simulación microclimática requieren una gran cantidad

de datos de entrada, como los relacionados con los árboles. Si estos datos no
fueron obtenidos con alta precisión, pueden haber afectado los resultados en
cuanto a temperatura y velocidad del viento.
A pesar de estas limitaciones, la investigación ha demostrado la utilidad
de los softwares de dinámica de fluidos computacional, los SIG y la percep-
ción remota en el modelamiento del clima urbano, así como la importancia de
contar con mapas e información geoespacial de alta resolución espacial. Es
fundamental continuar investigando sobre el rol de los cañones urbanos en la
ventilación y el enfriamiento, para evaluar y tomar decisiones de planificación
urbana que permitan mitigar los efectos de la ICU y adaptarse de manera más
eficiente al cambio climático. Para ello, el uso de técnicas geomáticas resulta
esencial.

7.5. Agradecimientos

Este trabajo es parte del proyecto ANID/Fondecyt N°1220688 y ANID/FON-

DAP 1522A0002 (CEDEUS). Se agradece a Nicole Benel, Santiago Zavala, An-
tonia Lorie, Paula Rocha, Jennifer Nichi y Matías Alfaro por su ayuda en la reco-
lección de datos de terreno.

– 464 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

7.6. Referencias

Asimakopoulos, D., & Santamouris, M. (2001). Energy and climate in the urban
built environment. James & James.
Bruse, M., & Fleer, H. (1998). “Simulating surface–plant–air interactions inside ur-
ban environments with a three dimensional numerical model”. Environmental
Modelling & Software, 13(3), 373–384. [Link]
S1364-8152(98)00042-5
Chen, A., Yao, X. A., Sun, R., & Chen, L. (2014). “Effect of urban green patterns on
surface urban cool islands and its seasonal variations”. Urban Forestry & Ur-
ban Greening, 13(4), 646–654.
Chen, L., Ng, E., An, X., Ren, C., Lee, M., Wang, U., & He, Z. (2012). “Sky view fac-
tor analysis of street canyons and its implications for daytime intra-urban
air temperature differentials in high-rise, high-density urban areas of Hong
Kong: a GIS-based simulation approach”. International Journal of Climatology,
32(1), 121–136. [Link]
Chen, Y., & Wong, N. H. (2006). “Thermal benefits of city parks”. Energy and Buil-
dings, 38(2), 105–120. [Link]
Chern, T.-Y., Huang, C.-S., Sung, W.-P., & Lee, C.-L. (2019). “Benefit Evaluation of
Urban Parks in Subtropical Areas Under Climate Change to Reduce Urban
Heat Island Effect”. International Information Institute (Tokyo). Information,
22(3), 217–227.
Chiang, Y. C., & Lin, H. Y. (2018). “A Study on the cooling effects of the park dis-
persions applied in PUD”. E3S Web of Conferences, 57, 04002. [Link]
org/10.1051/E3SCONF/20185704002
Fahed, J., Kinab, E., Ginestet, S., & Adolphe, L. (2020). “Impact of urban heat island
mitigation measures on microclimate and pedestrian comfort in a dense ur-
ban district of Lebanon”. Sustainable Cities and Society, 61, 102375. https://
[Link]/10.1016/[Link].2020.102375
Fang, Y., Gu, K., Qian, Z., Sun, Z., Wang, Y., & Wang, A. (2021). “Performance eva-
luation on multi-scenario urban ventilation corridors based on least cost
path”. Journal of Urban Management, 10(1), 3–15. [Link]
jum.2020.06.006

– 465 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Ghiaus, C., Allard, F., Santamouris, M., Georgakis, C., & Nicol, F. (2006). “Urban
environment influence on natural ventilation potential”. Building and Environ-
ment, 41(4), 395–406. [Link]
Grunwald, L., Kossmann, M., & Weber, S. (2019). “Mapping urban cold-air paths in
a Central European city using numerical modelling and geospatial analysis”.
Urban Climate, 29, 100503. [Link]
Grunwald, L., & Weber, S. (2021). “Influence of urban land-use change on cold-
air path occurrence and spatial distribution”. Computational Urban Science
2021 1:1, 1(1), 1–13. [Link]
He, B. J., Ding, L., & Prasad, D. (2020). “Relationships among local-scale ur-
ban morphology, urban ventilation, urban heat island and outdoor thermal
comfort under sea breeze influence”. Sustainable Cities and Society, 60,
102289. [Link]
Henríquez, C., Qüense, J., Contreras, P., Guerrero, N., Smith, P., & González, F.
(2020). “Informe Proyecto ARClim: Ciudades. Centro de Cambio Global UC,
Centro de Ciencia del Clima y la Resiliencia y CEDEUS”. Coordinado por Cen-
tro de Ciencia del Clima y la Resiliencia y Centro de Cambio Global UC para
el Ministerio del Medio Ambiente a través de La Deutsche Gesellschaft für
Internationale Zusammenarbeit. [Link]
mes_consolidados/10_Ciudades_B.pdf
Henríquez, C., Qüense, J. Contreras, P.& Smith, P. (2021). “Variaciones en la in-
tensidad de las Islas de Calor Urbana por efecto del cambio climático en
ciudades chilenas”. Geographicalia. 73, 133-154. [Link]
ojs_geoph/geoph.2021735114
Henríquez, C., Qüense, J., Villarroel, C., & Mallea, C. (2019). “50-years of cli-
mate extreme indices trends and inventory of natural disasters in Chilean
cities (1965-2015)”. Urban Climates in Latin America, 281–308. [Link]
org/10.1007/978-3-319-97013-4_11/FIGURES/8
Henríquez, C., Smith, P., Guerrero, N., & Qüense, J. (2024). “Cambio Climático y
Evaluación Prospectiva del Riesgo por Islas de Calor Urbana en Ciudades
Chilenas”. En: R. Lemoine Rodríguez, Pérez-Vega, A. & J.F. Más Avances en
el estudio de islas de calor urbano en América Latina. Universidad Nacional
Autónoma de México (en prensa).

– 466 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

Hsieh, C.-M., & Huang, H.-C. (2016). “Mitigating urban heat islands: A method to
identify potential wind corridor for cooling and ventilation”. Computers, Envi-
ronment and Urban Systems, 57, 130–143. [Link]
vurbsys.2016.02.005
IPCC, 2022: Climate Change 2022: Impacts, Adaptation, and Vulnerability. Con-
tribution of Working Group II to the Sixth Assessment Report of the Intergo-
vernmental Panel on Climate Change [H.-O. Pörtner, D.C. Roberts, M. Tignor,
E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Lös-
chke, V. Möller, A. Okem, B. Rama (eds.)]. Cambridge University Press. Cam-
bridge University Press, Cambridge, UK and New York, NY, USA, 3056 pp.,
doi:10.1017/9781009325844.
Lai, S., Zhao, Y., Fan, Y., & Ge, J. (2021). “Characteristics of daytime land surface
temperature in wind corridor: A case study of a hot summer and warm win-
ter city”. Journal of Building Engineering, 44, 103370. [Link]
jobe.2021.103370
Landsberg, H. E. (1981). The urban climate. 275. [Link]
[Link]/bookseries/international-geophysics/vol/28/
suppl/C
Lin, P., Lau, S. S. Y., Qin, H., & Gou, Z. (2017). “Effects of urban planning indicators
on urban heat island: a case study of pocket parks in high-rise high-den-
sity environment”. Landscape and Urban Planning, 168, 48–60. [Link]
org/10.1016/[Link].2017.09.024
Liu, X., Huang, B., Li, R., Zhang, J., Gou, Q., Zhou, T., & Huang, Z. (2022). “Wind
environment assessment and planning of urban natural ventilation corridors
using GIS: Shenzhen as a case study”. Urban Climate, 42, 101091. [Link]
org/10.1016/[Link].2022.101091
Luo, Y., He, J., & Ni, Y. (2017). “Analysis of urban ventilation potential using ru-
le-based modeling”. Computers, Environment and Urban Systems, 66, 13–22.
[Link]
McPherson, E. G. (1994). Chicago’s urban forest ecosystem: results of the Chicago
Urban Forest Climate Project (Vol. 186). US Department of Agriculture, Forest
Service, Northeastern Forest Experiment

– 467 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Mendes, F. H., Romero, H., Ferreira da Silva Filho, D., Mendes, F. H., Romero, H.,
& Ferreira da Silva Filho, D. (2020). “Adverse Climate Change caused by the
urbanization without environmental planning and assessment in Santiago
de Chile”. Revista de Geografía Norte Grande, 2020(77), 191–210. [Link]
org/10.4067/S0718-34022020000300191
Ng, E., Chen, L., Wang, Y., & Yuan, C. (2012). “A study on the cooling effects of
greening in a high-density city: An experience from Hong Kong”. Building and
Environment, 47, 256–271.
Ng, E., Yuan, C., Chen, L., Ren, C., & Fung, J. C. H. (2011). “Improving the wind
environment in high-density cities by understanding urban morphology and
surface roughness: A study in Hong Kong”. Landscape and Urban Planning,
101(1), 59–74. [Link]
Oke, T. (1973). “City size and the urban heat island”. Atmospheric Environment
(1967), 7(8), 769– 779. [Link]
Oke, T. (1987). Boundary layer climates. Second edition.
Oke, T., Mills, G., Christen, A., & Voogt, J. A. (2017). Urban climates. Urban Clima-
tes, 1–525. [Link]
Puertas, O. L., Henríquez, C., & Meza, F. J. (2014). “Assessing spatial dynamics
of urban growth using an integrated land use model. Application in Santia-
go Metropolitan Area, 2010–2045”. Land Use Policy, 38, 415–425. [Link]
org/10.1016/[Link].2013.11.024
Ren, C., Yang, R., Cheng, C., Xing, P., Fang, X., Zhang, S., Wang, H., Shi, Y., Zhang,
X., Kwok, Y. T., & Ng, E. (2018). “Creating breathing cities by adopting urban
ventilation assessment and wind corridor plan – The implementation in Chi-
nese cities”. Journal of Wind Engineering and Industrial Aerodynamics, 182,
170–188. [Link]
Rodríguez, S. (2014). “Islas frías urbanas en la ciudad de Santiago”. Boletín Elec-
trónico Geografía BeGEO, 2, 31–44. [Link]
nos/begeo/begeo_2014_n2/[Link]
Romero, H., Irarrázaval, F., Opazo, D., Salgado, M., & Smith, P. (2010). “Climas ur-
banos y contaminación atmosférica en Santiago de Chile”. EURE (Santiago),
36(109), 35–62. [Link]

– 468 –
 Evaluación de cañones urbanos como potencial de ventilación y enfriamiento

Romero, H., & Opazo, D. (2017). “Ondas e islas de calor registrados en Santiago
de Chile en enero de 2017”. Os Desafios Da Geografia Física Na Fronteira Do
Conhecimento, 1, 2652–2659. [Link]
Sarricolea, P., & Martín-Vide, J. (2014). “El estudio de la Isla de Calor Urbana de
Superficie del Área Metropolitana de Santiago de Chile con imágenes Terra-
MODIS y Análisis de Componentes Principales”. Revista de Geografía Norte
Grande, 57(57), 123–141. [Link]
Simon, H., Lindén, J., Hoffmann, D., Braun, P., Bruse, M., & Esper, J. (2018). “Mode-
ling transpiration and leaf temperature of urban trees – A case study evalua-
ting the microclimate model ENVI-met against measurement data”. Landsca-
pe and Urban Planning, 174, 33–40. [Link]
landurbplan.2018.03.003
Smith, P., & Romero, H. (2016). “Factores explicativos de la distribución es-
pacial de la temperatura del aire de verano en Santiago de Chile”. Revis-
ta de Geografía Norte Grande, 63, 45–62. [Link]
34022016000100004
UN-Habitat. (2019). “United Nations, Department of Economic and Social Affairs,
P. D. World Urbanization Prospects: The 2018 Revision” ((ST/ESA/SER.A/420,
Ed.). New York: United Nations.
Wheeler, S. M., Abunnasr, Y., Dialesandro, J., Assaf, E., Agopian, S., & Gamberini, V. C.
(2019). “Mitigating Urban Heating in Dryland Cities: A Literature Review”. Journal of
Planning Literature, 34(4), 434–446. [Link]
ASSET/IMAGES/LARGE/10.1177_0885412219855779-[Link]
Wong, M. S., Nichol, J. E., To, P. H., & Wang, J. (2010). “A simple method for de-
signation of urban ventilation corridors and its application to urban heat
island analysis”. Building and Environment, 45(8), 1880–1889. [Link]
org/10.1016/[Link].2010.02.019
Wong, M. S., Nichol, J., & Ng, E. (2011). “A study of the “wall effect” caused by pro-
liferation of high-rise buildings using GIS techniques”. Landscape and Urban
Planning, 102(4), 245–253. [Link]
Vásquez, A. E. (2016). “Infraestructura verde, servicios ecosistémicos y sus apor-
tes para enfrentar el cambio climático en ciudades: el caso del corredor ri-
bereño del río Mapocho en Santiago de Chile”. Revista de Geografía Norte
Grande, 63, 63–86. [Link]

– 469 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Xie, P., Liu, D., Liu, Y., & Liu, Y. (2020). “A Least Cumulative Ventilation Cost Method
for Urban Ventilation Environment Analysis”. Complexity, 2020, 1–13. https://
[Link]/10.1155/2020/9015923
Yuan, C., Adelia, A. S., Mei, S., He, W., Li, X. X., & Norford, L. (2020). “Mitigating
intensity of urban heat island by better understanding on urban morphology
and anthropogenic heat dispersion”. Building and Environment, 176, 106876.
[Link]
Yuan, C., Ren, C., & Ng, E. (2014). “GIS-based surface roughness evaluation in
the urban planning system to improve the wind environment – A study in
Wuhan, China”. Urban Climate, 10(P3), 585–593. [Link]
uclim.2014.06.005

– 470 –
 CAPÍTULO VIII
HERRAMIENTAS GEOMÁTICAS Y ECONOMÍA URBANA: AVANZANDO
EN LA MEDICIÓN DE LA CALIDAD DE VIDA DE LOS ENTORNOS
URBANOS EN CHILE

Víctor Iturra1

8.1. Introducción

Para los modelos clásicos de economía urbana, la ubicación de las personas

y firmas en el espacio/territorio constituye información clave para comprender
el proceso de toma de decisiones. De hecho, la búsqueda de cercanía físi-
ca entre firmas y personas puede explicar, entre otras cosas, el nacimiento de
las ciudades y de las grandes aglomeraciones urbanas (Brueckner, 2011). Las
ciudades tienen distintos tamaños y las personas suelen distribuirse en ellas
de manera heterogénea: mientras algunas se ubican en localidades pequeñas,
otras prefieren situarse en grandes metrópolis o en ciudades de tamaño medio
cercanas a centros urbanos mayores.
Existen varios factores que condicionan la decisión de localización de las
personas, tales como la edad, el estado civil, el número de hijos y el nivel edu-
cativo. Es importante destacar que esa decisión también está influenciada por
las características de los entornos urbanos, las cuales definen la calidad de
vida de sus residentes. Mientras algunas de esas características se relacionan
con condiciones climáticas, como la variabilidad de la temperatura y la canti-
dad de lluvia caída, otros atributos dependen fuertemente de la intervención
humana, como la calidad del aire, la disponibilidad de áreas verdes, el nivel de
seguridad en las calles, la oferta de colegios y la accesibilidad al transporte
público. Estos atributos urbanos son de particular interés para la economía ur-
bana, ya que, además de influir en la decisión de localización de las personas,
también determinan en gran medida su calidad de vida.

1
FEN, Universidad de Talca, Talca, Chile.

– 471 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Ya sea para caracterizar la calidad de vida de una ciudad o de los vecinda-

rios que la componen, la información georreferenciada constituye un insumo
fundamental. Desde aquí surge la complementariedad entre las herramientas
geomáticas y la economía urbana para evaluar, por ejemplo, cómo caracterís-
ticas espaciales, como la calidad del aire, la accesibilidad al transporte público
o servicios urbanos, la densidad poblacional, la aglomeración de la oferta de
empleo y la disponibilidad y accesibilidad a áreas verdes, pueden impactar di-
versos indicadores del bienestar de las personas, tales como la satisfacción
con la vida, el bienestar emocional y la salud. En este contexto, el objetivo de
este capítulo es revisar e ilustrar la importancia del uso de información geoes-
pacial en el ámbito de la economía urbana para el caso de Chile, con énfasis en
la medición de la calidad de vida urbana de sus residentes.
La aproximación empírica a la medición de la calidad de vida urbana es de-
safiante no solo por la necesidad de contar con datos geoespaciales, sino tam-
bién por la dificultad de representar en una sola medida el bienestar de los ha-
bitantes. Para este fin, la economía urbana utiliza tanto medidas directas, como
la satisfacción con la vida o la felicidad, como medidas indirectas, como los
precios de arriendo de vivienda. Más específicamente, es posible argumentar
que ciudades o barrios con mejor calidad de vida experimentan una mayor de-
manda por vivir en ellos; esta mayor demanda debiera traducirse en precios de
vivienda más elevados en comparación con otras unidades espaciales. En este
escenario, y con ciertas precauciones metodológicas, los precios de vivienda
pueden servir para identificar la calidad de vida urbana.
En términos teóricos, la economía urbana se aproxima al concepto de ca-
lidad de vida urbana mediante el contraste de la hipótesis de equilibrio espa-
cial. Esta hipótesis establece que las personas enfrentan ventajas y desventajas
asociadas a una localización particular, por lo que la decisión final depende del
balance entre ellas, así como de sus preferencias. Por ejemplo, una familia que
decide vivir en el centro de una ciudad puede verse beneficiada por la cercanía
al comercio, los servicios públicos y las principales fuentes de empleo, pero
al mismo tiempo enfrentará mayores costos de congestión, como el ruido, la
contaminación del aire y el tráfico vehicular. Por el contrario, una familia que
elige vivir en los suburbios no enfrentará esos costos de congestión y proba-
blemente accederá a una vivienda de mayor tamaño, pero tendrá un acceso
más limitado al comercio y al transporte.

– 472 –
 Herramientas geomáticas y economía urbana

Es posible argumentar que ambas familias experimentan el mismo nivel de

bienestar a pesar de sus distintas ubicaciones en la ciudad; lo que varía es la
canasta de servicios urbanos que consumen. Lo anteriormente expuesto consti-
tuye la piedra angular de la economía urbana y es conocido como la hipótesis de
equilibrio espacial, la cual establece que, en el largo plazo, los diferenciales de
bienestar desaparecen una vez que las familias se localizan en el espacio (Chau-
vin et al., 2017). El contraste de esta hipótesis y sus derivaciones constituye un
elemento clave para el desarrollo tanto teórico como empírico de la economía
urbana desde los años sesenta, con los estudios sobre la ciudad monocéntrica
(Alonso, 1964; Mills, 1967; Muth, 1969), pasando por los modelos de equilibrio es-
pacial entre ciudades (Roback, 1982; Rosen, 1979), hasta la actualidad.
En este capítulo, primero se revisará un grupo de artículos que analizan la
relación entre la calidad del aire, el bienestar subjetivo y los precios de vivienda,
así como el impacto de medidas de mitigación sobre la contaminación ambien-
tal. Mientras estos trabajos se enfocan principalmente en un análisis a escala
nacional, la segunda parte del capítulo se centra en aplicaciones con datos a
menor escala espacial, principalmente en la Región Metropolitana de Santiago.
Estos estudios ilustran cómo las características de los vecindarios, en térmi-
nos de transporte y accesibilidad a servicios urbanos públicos y privados, se
relacionan con los precios de vivienda. Adicionalmente, se revisa brevemente
un trabajo sobre los disturbios producidos en el marco del estallido social de
2019 en Chile. En la tercera parte se indaga sobre la importancia del acceso
a áreas verdes en los entornos urbanos. Como denominador común en estas
tres secciones, se encuentra el uso de datos georreferenciados y herramientas
geomáticas para responder a distintas preguntas de investigación. Finalmente,
en la última sección, se presentan las principales conclusiones de esta revisión,
así como futuras líneas de investigación y sus implicancias para el diseño y eva-
luación de políticas urbanas.

8.2. Desarrollo

Primero, se abordará una selección de trabajos que utilizan datos geoes-

paciales para evaluar el impacto de la calidad del aire tanto sobre el bienestar
subjetivo de las personas como sobre los precios de la vivienda. Como se men-

– 473 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

cionó en la introducción, las medidas de bienestar (felicidad) de las personas y

los precios de vivienda están estrechamente relacionados, ya que representan
formas alternativas de medir un mismo fenómeno: la calidad de vida en los
entornos urbanos. Por ejemplo, los residentes de una ciudad caracterizada por
bajos niveles de contaminación debieran presentar mayores niveles de bienes-
tar subjetivo. Estos mayores niveles de bienestar, a su vez, debieran traducirse
en un incremento en la demanda por vivir en dicha ciudad. Este aumento en la
demanda se reflejaría, eventualmente, en un alza en los precios de la vivienda.

8.2.1. Calidad del aire, bienestar subjetivo y precios de vivienda

La calidad del aire depende de múltiples factores, tales como el tipo de

calefacción que se utilice, el uso del automóvil y la producción industrial. En
Chile, la literatura ha generado abundante evidencia sobre el impacto de la
calidad del aire tanto en los precios de vivienda como en la calidad de vida de
las personas.
El material particulado fino presente en el aire representa un riesgo importan-
te para la salud y el bienestar de la población. Para evaluar adecuadamente su
impacto, es necesario conocer el nivel de concentración de este contaminante
en cada una de las unidades espaciales de interés. Una alternativa es utilizar
información satelital; otra es emplear datos georreferenciados provenientes de
estaciones de monitoreo de calidad del aire. Esta última opción fue utilizada
por Gómez & Iturra (2021) para evaluar cómo la concentración de material par-
ticulado fino (PM2,5) en cada comuna de Chile afecta los precios promedio de
vivienda en el año 2017. En su trabajo, los autores usan información del Sistema
de Información Nacional de la Calidad del Aire (SINCA), obtenida a partir de 47
estaciones de monitoreo distribuidas en 41 comunas del país (figura 36), con
una sobrerrepresentación de comunas pertenecientes a la Región Metropoli-
tana de Santiago. A partir de la Encuesta de Caracterización Socioeconómica
Nacional (CASEN), recopilan datos sobre precios de vivienda para 312 comunas
de Chile; sin embargo, solo se cuenta con información sobre calidad del aire
para 41 de ellas, lo que implica la ausencia de datos en más de 250 comunas.
Para superar esta limitación, los autores aplican métodos de interpolación
espacial, específicamente ordinary kriging, que permite estimar los niveles de
concentración de PM2,5 en comunas sin datos directos. Los resultados con-

– 474 –
 Herramientas geomáticas y economía urbana

firman un impacto negativo de la concentración de material particulado fino

sobre los precios promedio de vivienda: un aumento de una unidad en la con-
centración de PM2,5 por metro cúbico de aire en una comuna se traduce en
una disminución del 4,1% en los precios promedio de arriendo. De manera si-
milar, pero utilizando información de 56 estaciones de monitoreo para el año
2013 y aplicando el método de distancia inversa ponderada como técnica de
interpolación espacial, Ahumada & Iturra (2021) evalúan si la calidad del aire in-
fluye en el bienestar subjetivo de las personas en Chile. Los autores encuentran
que, a mayor concentración de material particulado fino, las personas reportan
menores niveles de bienestar subjetivo. Este resultado es consistente con los
hallazgos de Mendoza et al. (2019), quienes trabajaron con información de 70
comunas del país.

Figura 36. Distribución de las estaciones de monitoreo de la calidad del aire en Chile
para el año 2017.
Fuente: tomado de Gómez & Iturra (2021).

En la misma línea, utilizando información de 10 estaciones de monitoreo para el

Área Metropolitana de Santiago, Rivera (2021) encuentra evidencia de un impacto

– 475 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

significativo de la restricción vehicular (derivada del monitoreo de calidad del aire)

sobre la circulación de vehículos. Este resultado sugiere que la disminución en el
uso del automóvil genera una reducción en la contaminación atmosférica.
Por su parte, Rivera (2020) analiza el impacto de la cercanía a extracciones
mineras sobre los precios de arriendo de viviendas en Chile. La autora argu-
menta que existe una relación estrecha entre la actividad minera y la degra-
dación ambiental (por ejemplo, en la calidad del aire y del agua), por lo que
cabría esperar un efecto negativo de dicha actividad sobre los precios de las vi-
viendas cercanas a nuevos sitios de extracción. Utilizando información de más
de 6.000 nuevas extracciones de recursos y aplicando una metodología de
diferencia en diferencias, encuentra evidencia de dicho impacto. De hecho, las
familias estarían dispuestas a pagar entre un 7% y un 14% de un salario mínimo
para evitar vivir cerca de una mina.
En conjunto, todos los trabajos revisados evidencian la importancia de contar
con información georreferenciada sobre contaminación ambiental, así como de
emplear herramientas geomáticas para evaluar su impacto sobre la calidad de
vida de las personas. Este impacto se refleja tanto en menores precios de arriendo
de viviendas como en menores niveles de bienestar para los residentes urbanos.

8.2.2. Transporte público, servicios urbanos y precios de vivienda

El uso de datos georreferenciados a menor escala permite observar con mayor

precisión la heterogeneidad en la distribución espacial de los atributos urbanos.
Por ejemplo, los centros médicos o colegios privados no están disponibles de ma-
nera uniforme en toda la ciudad, sino que tienden a concentrarse en determinados
vecindarios. Esta desigualdad en la distribución de servicios urbanos genera diver-
sas consecuencias: por un lado, disminuye la calidad de vida de aquellos residen-
tes que enfrentan dificultades de acceso, mientras que incrementa el bienestar
de quienes se localizan en cercanías de dichos servicios. En este contexto, resulta
interesante analizar tanto la concentración espacial de ciertos servicios urbanos
como la valoración que las personas hacen de ellos. Por ejemplo, se podría asumir
que la cercanía a una estación de metro mejora la calidad de vida de los residentes
de un vecindario; sin embargo, si esta estación se ubica en un sector de ingresos
altos donde la mayoría de las familias poseen automóvil propio, la presencia del
metro podría incluso generar una disminución en la calidad de vida debido a aglo-
meraciones y externalidades negativas asociadas.

– 476 –
 Herramientas geomáticas y economía urbana

La heterogeneidad espacial en la distribución de los servicios urbanos y su

valoración fue estudiada por Cortés & Iturra (2019) en la Región Metropolitana
de Santiago. Los autores utilizaron datos de avalúos fiscales de propiedades
a nivel de manzana, proporcionados por el Servicio de Impuestos Internos (fi-
gura 37), junto con información de 27 tipos de servicios urbanos (tanto públi-
cos como privados) obtenida de diversas fuentes, incluyendo datos abiertos de
Open Street Maps (OSM) y Sistemas de Información Geográfica (SIG). Con esta
información, estimaron la distancia entre las viviendas y servicios como escue-
las públicas, estaciones de metro, restaurantes y el centro de la ciudad, con el
objetivo de evaluar su impacto potencial sobre los avalúos fiscales de las pro-
piedades, considerando que dicho impacto puede variar espacialmente. Entre
los principales resultados, se destaca que la cercanía a servicios privados, como
colegios, centros comerciales, centros de salud y restaurantes, tiene un impacto
positivo sobre los avalúos de las viviendas. En cambio, la cercanía a escuelas
públicas y hospitales públicos se asocia a menores valores en los avalúos. Estos
efectos se manifiestan con una marcada heterogeneidad espacial.

Figura 37. Precios de vivienda para las comunas de la Región Metropolitana de Santiago.
Fuente: tomado de Cortés & Iturra (2019).

– 477 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En la misma línea, pero con un enfoque en la movilidad sustentable en la

ciudad de Santiago de Chile, Urrutia-Mosquera et al. (2024) estudian cómo se
relacionan la infraestructura urbana, el uso mixto del suelo y las amenidades
urbanas con los viajes realizados en modos de transporte sustentables. Utili-
zando información espacial detallada y una metodología similar a la de Cortés
& Iturra (2019), los autores calculan un índice de entropía para medir la diver-
sidad de usos de suelo en el área de estudio. Entre los principales hallazgos,
se destaca que la infraestructura de transporte, así como la presencia de cole-
gios primarios y secundarios, son predictores relevantes del comportamiento
de viaje de las personas. Además, el uso mixto del suelo, medido mediante el
índice de entropía, muestra una relación significativa con el uso de modos de
transporte sustentables.
Otros estudios se han enfocado específicamente en evaluar la relación entre
la cercanía a estaciones de metro y los precios de vivienda. En esta línea se ubi-
ca el trabajo de López-Morales et al. (2023), quienes analizan el impacto de la
proximidad a estaciones de metro en el Área Metropolitana de Santiago entre
los años 2008 y 2019. Sus resultados sugieren que la cercanía a estaciones de
metro tiene un efecto positivo tanto sobre los precios del suelo como sobre los
precios de las viviendas. Asimismo, identifican que dicho efecto es heterogé-
neo, dependiendo de las características socioeconómicas de los residentes de
los vecindarios cercanos a estas estaciones.
Una dimensión particularmente interesante es el análisis espacial de un
evento reciente en Chile: los disturbios ocurridos durante las protestas de oc-
tubre de 2019. Cartes et al. (2022) no solo estudian la distribución espacial de
los disturbios en la Región Metropolitana de Santiago, sino también su relación
con la cercanía y accesibilidad a estaciones de metro, así como con la distri-
bución espacial del ingreso en los vecindarios. Además de calcular la densidad
de disturbios por kilómetro cuadrado, los autores desarrollan una medida de
accesibilidad orientada a ilustrar la facilidad de desplazamiento a través de la
ciudad utilizando transporte público. Como se observa en la figura 38, existe
una relación estrecha entre la accesibilidad y la intensidad de los disturbios
ocurridos en octubre de 2019. Los resultados muestran que la densidad de
protestas se relaciona positivamente con la proximidad a estaciones de metro.
Un hallazgo notable indica que esta relación no es independiente del nivel de
ingreso de los vecindarios, evidenciando una interconexión espacial de los dis-
turbios mediada por el sistema de transporte público.

– 478 –
 Herramientas geomáticas y economía urbana

Figura 38. Mapa de accesibilidad y líneas de contorno de intensidad de los disturbios

del 2019.
Fuente: tomado de Cartes et al. (2022).

8.2.3. Acceso a áreas verdes y calidad de vida urbana

Otra dimensión de la calidad de vida urbana que ha sido abordada me-

diante el uso de herramientas geomáticas se relaciona con el acceso a áreas
verdes y sus potenciales impactos en diversas dimensiones del bienestar de
los habitantes de las ciudades. En esta línea, Fernández & Wu (2018) emplean
tres escalas espaciales (comunas, manzanas y píxeles) para estudiar la calidad
medioambiental en la ciudad de Santiago. En su trabajo, los autores evalúan
el estado del medio ambiente a partir de tres indicadores clave: temperatura,
vegetación y contaminación atmosférica. El uso de datos en múltiples escalas
permite ilustrar de manera clara la desigualdad medioambiental existente en
Santiago. Los autores sostienen que esta información puede ser utilizada tanto
para el diagnóstico de dichas desigualdades como para la formulación de polí-
ticas públicas orientadas a mitigar los problemas ambientales en determinados
sectores de la ciudad.

– 479 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

El análisis de la calidad medioambiental no se limita únicamente a las gran-

des aglomeraciones urbanas, sino que también se extiende a ciudades de ta-
maño medio. Ese es el enfoque del estudio realizado por Rojas et al. (2016) en
las ciudades de Valdivia y Temuco. En este trabajo, los autores investigan el
acceso peatonal a áreas verdes urbanas, dado el reconocido impacto positivo
que estas tienen sobre la calidad de vida de los residentes urbanos. Entre sus
principales hallazgos, se evidencia una marcada heterogeneidad en el acceso
a áreas verdes tanto entre las dos ciudades como al interior de ellas, incluyen-
do diferencias significativas por género.
Finalmente, cabe mencionar el trabajo de Perez-Silva et al. (2023), quienes
evaluaron la relación entre las áreas verdes y el bienestar emocional, así como
el rendimiento académico de niños y jóvenes en la ciudad de Santiago de Chile.
Los autores utilizaron la georreferenciación de los colegios junto con informa-
ción satelital para cuantificar la cobertura vegetal tanto dentro de los recintos
escolares como en sus alrededores. Los principales resultados indican una re-
lación positiva y significativa entre la presencia de áreas verdes y el bienestar
emocional de los estudiantes, especialmente en los niveles de octavo y déci-
mo grado.

8.3. Conclusiones

El objetivo principal de este capítulo fue revisar una selección de artículos

que emplean datos geolocalizados y herramientas geomáticas para estudiar la
calidad de vida urbana en distintas ciudades de Chile. Como conclusión cen-
tral, se establece que el avance de la tecnología ha permitido a los y las in-
vestigadoras abordar fenómenos espaciales que hasta hace algunas décadas
resultaban imposibles de analizar con el mismo nivel de precisión. Además, es
importante destacar que la complementariedad entre diversas disciplinas (por
ejemplo, la economía y la geomática) es fundamental para estudiar fenómenos
sociales cuya dimensión geográfica y/o espacial resulta crucial para su ade-
cuada interpretación y comprensión.
Es indudable que la disponibilidad de datos georreferenciados continuará
aumentando en el futuro, lo que permitirá abordar temáticas que hasta ahora
han sido más complejas de estudiar. En esa línea, la combinación entre bases

– 480 –
 Herramientas geomáticas y economía urbana

de datos masivas, como las Encuestas de Origen-Destino, los Censos o los

geodatos del Instituto Nacional de Estadísticas (INE), que incluyen información
georreferenciada, será clave para avanzar en la investigación sobre fenómenos
espaciales. Asimismo, resulta necesario fortalecer la disponibilidad de informa-
ción para ciudades medianas y pequeñas, con el fin de ampliar el alcance de la
investigación más allá de la Región Metropolitana de Santiago.
Desde el punto de vista de la investigación y la evidencia para el diseño de
políticas públicas, la disponibilidad de datos georreferenciados permitirá pro-
fundizar en el análisis de diversas temáticas, tales como la localización de las
familias dentro de las ciudades, el impacto de la infraestructura de transporte
sobre la movilidad de las personas, la evaluación rigurosa de políticas de uso
de suelo o el efecto de la criminalidad y la seguridad sobre la calidad de vida.
Además, considerando la creciente preocupación por el envejecimiento de la
población, será clave evaluar si las ciudades están preparadas para un futuro
en el cual la movilidad urbana jugará un rol central para el desarrollo de ciuda-
des sostenibles no solo desde una perspectiva medioambiental, sino también
desde un enfoque social.
Finalmente, es importante enfatizar que el uso de datos geolocalizados se-
guirá siendo un elemento fundamental para la ciencia económica, particular-
mente en aquellas ramas interesadas en la distribución espacial de la actividad
económica. Sin embargo, otras disciplinas que también estudian fenómenos
sociales vinculados con la ubicación de las personas, como la geografía o la
sociología, se beneficiarán considerablemente de la disponibilidad de infor-
mación espacial, así como de la interacción interdisciplinaria, contribuyendo al
avance colectivo en la generación de conocimiento.

– 481 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

8.4. Referencias

Ahumada, G., & Iturra, V. (2021). “If the air was cleaner, would we be happier? An
economic assessment of the effects of air pollution on individual subjective
well-being in Chile”. Journal of Cleaner Production, 289, 125152.
Alonso, W. (1964). Location and land use: Toward a general theory of land rent.
Harvard university press.
Brueckner, J. K. (2011). Lectures on urban economics. MIT press.
Cartes, C., Asahi, K., & Fernández, R. (2022). “Riots and subways, a relationship
moderated by the neighborhood’s income level”. Scientific Reports, 12(1),
10557.
Chauvin, J. P., Glaeser, E., Ma, Y., & Tobio, K. (2017). “What is different about ur-
banization in rich and poor countries? Cities in Brazil, China, India and the
United States”. Journal of Urban Economics, 98, 17-49.
Cortés, Y., & Iturra, V. (2019). “Market versus public provision of local goods: An
analysis of amenity capitalization within the Metropolitan Region of Santiago
de Chile”. Cities, 89, 92-104.
Fernández, I. C., & Wu, J. (2018). “A GIS-based framework to identify priority areas
for urban environmental inequity mitigation and its application in Santiago de
Chile”. Applied geography, 94, 213-222.
Gómez, K., & Iturra, V. (2021). “How does air pollution affect housing rental prices
in Chile? An economic assessment of PM2,5 concentration across Chilean
communes”. Environment and Development Economics, 26(4), 364-380.
López-Morales, E., Sanhueza, C., Herrera, N., Espinoza, S., & Mosso, V. (2023).
“Land and housing price increases due to metro effect: An empirical analysis
of Santiago, Chile, 2008-2019”. Land Use Policy, 132, 106793.
Mendoza, Y., Loyola, R., Aguilar, A., & Escalante, R. (2019). “Valuation of Air Quality
in Chile: The Life Satisfaction Approach”. Social Indicators Research, 145(1),
367-387. [Link]
Mills, E. S. (1967). “An aggregative model of resource allocation in a metropolitan
area”. The American Economic Review, 57(2), 197-210.
Muth, R. F. (1969). Cities and housing; The spatial pattern of urban residential
land use.

– 482 –
 Herramientas geomáticas y economía urbana

Perez-Silva, R., Fernández, I. C., Matas, M. I., & Villalobos, E. (2023). “Green cover
and socioemotional and academic outcomes of school-age children. The
case of Santiago, Chile”. Landscape and Urban Planning, 233, 104688.
Rivera, N. M. (2020). “Is mining an environmental disamenity? Evidence from
resource extraction site openings”. Environmental and Resource Economics,
75(3), 485-528.
Rivera, N. M. (2021). “Air quality warnings and temporary driving bans: Evidence
from air pollution, car trips, and mass-transit ridership in Santiago”. Journal of
Environmental Economics and Management, 108, 102454.
Roback, J. (1982). “Wages, rents, and the quality of life”. Journal of political Eco-
nomy, 90(6), 1257-1278.
Rojas, C., Páez, A., Barbosa, O., & Carrasco, J. (2016). “Accessibility to urban green
spaces in Chilean cities using adaptive thresholds”. Journal of Transport Geo-
graphy, 57, 227-240.
Rosen, S. (1979). “Wage-based indexes of urban quality of life”. Current issues in
urban economics, 74-104.
Urrutia-Mosquera, J., Flórez-Calderón, L., Cortés, Y., Troncoso, R., & Lufin, M.
(2024). “Impact of urban facilities spatial inequality on sustainable travel
mode”. PloS one, 19(10), e0308610.

– 483 –
 CAPÍTULO IX
ANÁLISIS DEL EQUIPAMIENTO: MERCADO DE ABASTOS DE
GUADALAJARA Y SU ÁREA DE INFLUENCIA, JALISCO, MÉXICO, 2024

Ana Patricia Rodríguez Ramírez1, Juan Pablo Corona Medina1,

Margarita Anaya Corona1, Heriberto Cruz Solís1

9.1. Introducción

El presente trabajo forma parte del proyecto de investigación “Diagnóstico

socioambiental de la comunidad del Mercado de Abastos, Guadalajara, Jalis-
co, México”, un proyecto interinstitucional de vinculación de la Universidad de
Guadalajara, a través del Departamento de Geografía y Ordenación Territorial, y
la Unión de Comerciantes del Mercado de Abastos (UCMA), iniciado en agosto
2024.
Los mercados de abasto han sido, a lo largo de los años, referentes urbanos
para la venta al mayoreo y menudeo, así como la distribución de alimentos
perecederos, particularmente frutas y verduras, y no perecederos, como aba-
rrotes y otros productos de consumo básico, tanto para pequeños como gran-
des negocios. Además, cumplen una función importante en la venta directa al
consumidor.
Parada (2023) menciona que “los mercados siempre han existido, ya que la
necesidad de consumo alimenticio se ha presentado desde tiempos remotos”.
Relaciona su origen con el desarrollo de las ciudades desde sus inicios, men-
cionando que surgieron allá por el siglo IV a.C. en Mesopotamia, donde inicial-
mente se utilizaba el trueque, es decir, el cambio de un alimento por otro, de
acuerdo con su valor para los habitantes.
El origen del Mercado de Abastos de Guadalajara (MAG) se remonta a princi-
pios del siglo XIX, cuando el Mercado Corona (ubicado en el centro de la ciudad)

1
Departamento de Geografía y Ordenación Territorial, Universidad de Guadalajara, Jalisco, México.

– 485 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

comenzó a tener un mayor auge, trayendo consigo una cantidad considerable

de consumidores y a posicionarse como el mercado de mayor importancia. Sin
embargo, su ubicación geográfica y la dinámica en su interior provocaron que
empezara a colapsarse, por lo que se planteó un proyecto para la construcción
de un nuevo mercado.
Según Durán et al. (2014),

en 1965 el presidente de Guadalajara anunció la construcción del actual Mercado

de Abastos de Guadalajara, que entró en operaciones dos años después (abril de
1967) (...) Su construcción ocurrió en tres fases, durante la primera se construyeron
525 bodegas que pertenecían al Ayuntamiento de Guadalajara, las cuales se entre-
garon a los comerciantes en abril, en la segunda fase se construyeron 150 bodegas,
en la tercera fase ya se habían terminado las 16 hectáreas del Ayuntamiento, fue por
este motivo que por la iniciativa de particulares se construyeron 1.400 bodegas de
propiedad privada.

Desde su apertura en 1967, el MAG es visitado por cientos de personas que

transitan por sus calles a diario. En sus inicios, contaba con pequeñas bodegas;
sin embargo, debido a su rápido crecimiento, fue necesario ampliarlo para sa-
tisfacer la creciente demanda de la población.
La dinámica de este crecimiento desmesurado ha logrado transformar no
solo el mercado, sino también el área que lo rodea, al modificar su equipa-
miento y cambiar los usos de suelo. En este sentido, Cortés (2008) afirma que
“los centros de equipamiento urbano son la parte más importante de la ciudad,
pues con su gran presencia social conforman en cierta medida el comporta-
miento ciudadano”.
En la actualidad, el MAG representa un núcleo importante de compra, venta
y distribución de productos agrícolas, alimenticios, perecederos y no perece-
deros, en la región occidente del país. También desempeña un papel crucial
en la cadena de suministro que abastece a mercados locales, restaurantes y
supermercados (Yulius, s.f.).
El objetivo de este trabajo es analizar las características del equipamiento
del MAG y su área de influencia con el uso de las Tecnologías de la Información
Geográfica (TIG). Para ello, a continuación se describe las diferentes etapas en
que se desarrolló la investigación.

– 486 –
 Análisis del equipamiento: Mercado de Abastos de Guadalajara y su área de influencia

9.2. Desarrollo

9.2.1. Procedimientos para la obtención de la información a través de las TIG

El área de estudio se encuentra en el estado de Jalisco, México, en el mu-

nicipio de Guadalajara (ver figura 39). Cubre un total de 161 manzanas, de las
cuales 57 corresponden al MAG: 12 con bodegas públicas y 45 con bodegas
privadas. Las 104 manzanas restantes forman parte del área de influencia. Es
importante mencionar que la delimitación de esta área de interés fue propor-
cionada por la Unión de Comerciantes del Mercado de Abastos (comunicación
personal, Contreras, A. B., 2024). Se observa que dicha delimitación tomó como
referencia las avenidas más importantes que rodean al MAG: Mariano Otero,
Cruz del Sur, Paseo de la Arboleda y Calzada Lázaro Cárdenas (ver figura 40).

Figura 39. Área de estudio, Municipio de Guadalajara, Jalisco, México. 2024.

Fuente: IIEG (2017); INEGI (2020, 2023).

– 487 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Para realizar el análisis, fue necesario cartografiar los datos georreferencia-

dos de equipamiento obtenidos a través del programa Google Earth Pro (2024),
la aplicación Street View y trabajo de campo. Estos datos fueron estructurados
en un Sistema de Información Geográfica (SIG), mediante el cual se generaron
mapas temáticos para llevar a cabo el análisis espacial de las diferentes varia-
bles de interés. Es importante mencionar que, para delimitar el área de estudio,
se utilizó como fuente el archivo vectorial del Gobierno Municipal de Guadala-
jara (2017). El programa empleado fue QGIS, por ser un software libre. El sistema
de referencia utilizado corresponde a la proyección Universal Transversa de
Mercator (UTM), con datum WGS84; el área de interés se encuentra en la zona
13 norte.

Figura 40. Localización del MAG y su área de influencia, Jalisco, 2024.

Fuente: IIEG (2017); IIEG (s.f.)

– 488 –
 Análisis del equipamiento: Mercado de Abastos de Guadalajara y su área de influencia

Se realizó un recorrido preliminar con el objetivo de conocer las 161 manza-

nas que conforman el área de estudio. Esto permitió obtener una visión general
de las características de la zona y facilitar la definición de categorías para clasi-
ficar el equipamiento urbano presente.
El equipamiento urbano es un componente fundamental para el funciona-
miento de la sociedad; por ello, se consideró relevante identificar los tipos exis-
tentes y su distribución espacial. Para su clasificación, se consultaron la Norma
Oficial Mexicana de la Secretaría de Desarrollo Agrario, Territorial y Urbano (SE-
DATU, 2024) y la Normativa de Equipamiento Urbano de la Secretaría de Desa-
rrollo Social (SEDESOL, 2013). Estas fuentes proporcionan una categorización
integral, cuyo propósito es mejorar la calidad del equipamiento disponible para
la población.
La clasificación adoptada para el área de estudio quedó conformada por 13
categorías, a las cuales se añadió una adicional no contemplada en las fuentes
oficiales: la categoría de cultura, que incluye los templos religiosos.
A continuación, se enlistan las diferentes categorías con sus respectivas
subcategorías:

a. Económicas: centros comerciales abiertos, centro comercial con tienda

ancla o subancla y banca de desarrollo.
b. Sociales: instalación de seguridad pública o privada, ministerio público
estatal y comisión de electricidad.
c. Servicios urbanos públicos y concesionados: centro de atención canina.
d. Asistencia social: centro de convivencia comunitario y estancia infantil o
guardería.
e. Salud: hospital general, servicios auxiliares de diagnóstico y tratamiento.
f. Deporte: cancha deportiva, centro deportivo y gimnasio.
g. Educación: preescolar (jardín de niños), escuela primaria, escuela secun-
daria general, escuela secundaria técnica y universidades privadas.
h. Transporte: estacionamiento.
i. Abasto: distribuidor (de gas licuado de petróleo) y central de abasto.
j. Comercio: tiendas y farmacias.
k. Recreación: parque de barrio.

– 489 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

l. Administración pública: administración local de recaudación fiscal y ofici-

nas del gobierno estatal.
m. Cultura: templos religiosos.
n. Habitacional: viviendas.

El trabajo de gabinete consistió en el uso de los programas Google Earth y

Street View, mediante los cuales se localizaron y clasificaron los elementos de
equipamiento urbano a través de la visualización detallada de cada una de las
manzanas dentro de la zona de interés. Posteriormente, sobre el archivo vecto-
rial del área de estudio, se digitalizó cada uno de los establecimientos e insta-
laciones urbanas, construyendo así una base de datos gráfica y alfanumérica.
El proceso de digitalización comenzó en la intersección de Calzada Lázaro
Cárdenas y Avenida Mariano Otero, siguiendo un recorrido de norte a sur, y con-
cluyó en el tramo comprendido entre Avenida Paseo de la Arboleda y Avenida
Cruz del Sur.

9.3. Resultados

Para el análisis de la distribución del equipamiento, el área de estudio se di-

vidió en tres secciones: la primera corresponde al MAG; la segunda, al área de
influencia suroeste; y la tercera, al área de influencia noroeste del MAG. Cabe
señalar que esta división se hizo con el objetivo de representar de manera más
precisa la localización del equipamiento presente en cada una de estas zonas.

9.3.1. Equipamiento del MAG

En la primera sección del área de estudio, correspondiente al Mercado de

Abastos de Guadalajara (MAG), predomina la categoría de abasto, específica-
mente la subcategoría central de abasto. En la cartografía (figura 41), se repre-
senta esta subcategoría mediante un punto rojo al centro de cada manzana en
las 12 que comprenden las bodegas públicas. Esto se debe a que no se cuenta
con la delimitación individual de los predios. En cambio, en algunas manzanas
que albergan bodegas privadas, se representaron varios puntos rojos, ya que
en estos casos sí se dispone de información parcelaria específica. Como era de

– 490 –
 Análisis del equipamiento: Mercado de Abastos de Guadalajara y su área de influencia

esperarse, en 50 de las 57 manzanas que conforman el MAG se lleva a cabo la

distribución mayorista de alimentos básicos. Por esta razón, dichas manzanas
se clasifican dentro de la subcategoría central de abasto.
Además, se identificaron ocho áreas destinadas a estacionamiento ubica-
das entre las calles Paseo de la Arboleda y Nuez (al suroeste), así como otros
cinco estacionamientos en la parte norte, cerca de la Avenida Mariano Otero y
la Calzada Lázaro Cárdenas. Estos espacios incluyen tanto estacionamientos
públicos como privados y algunos también funcionan como zonas de carga y
descarga de mercancías. A pesar de que la zona se caracteriza por su actividad
comercial, aún se encuentran 26 predios con uso habitacional, ubicados princi-
palmente en la parte norte, entre Paseo de la Arboleda, Avenida Mariano Otero
y Calzada Lázaro Cárdenas.
El MAG cuenta con una figura representativa, la Unión de Comerciantes del
Mercado de Abastos (UCMA), cuyas oficinas se ubican entre Paseo de la Ar-
boleda y las calles Elote y Chícharo. Asimismo, existe una Administración del
MAG por parte del gobierno municipal de Guadalajara, encargada de gestionar
las bodegas ubicadas en las 12 manzanas públicas; su sede se encuentra en la
Avenida Mandarina, esquina con la calle Cigarra. Finalmente, en la parte norte
del MAG se identificaron algunos servicios complementarios: tres bancos, una
tienda de conveniencia, un consultorio médico de consulta externa, una farma-
cia y una panadería (ver figura 41).

– 491 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 41. Equipamiento del MAG, Jalisco. 2024.

Fuente: Google Earth y Street View y trabajo de campo.

9.3.2. Equipamiento área de influencia suroeste del MAG

En el área de influencia suroeste, ubicada entre Avenida Paseo de la Arboleda,

Avenida Cruz del Sur, Avenida del Mercado y calle Isla Guayana, predomina el
equipamiento habitacional, con un total de 700 viviendas, de las cuales 22 son
de uso mixto (negocio y vivienda). En segundo lugar, destaca el comercio, con
presencia de diversos giros, como se muestra en la figura 42. La categoría de
abasto, que corresponde a los centros de abasto, se encuentra distribuida prin-
cipalmente en la parte norte. Además, se identificaron seis estacionamientos, y
un ícono representativo de la zona, Plaza Arboledas, un centro comercial de su-
perficie considerable que alberga una amplia variedad de tiendas comerciales.

– 492 –
 Análisis del equipamiento: Mercado de Abastos de Guadalajara y su área de influencia

Figura 42. Equipamiento Área de Influencia Suroeste del MAG, Jalisco. 2024.
Fuente: Google Earth y Street View y trabajo de campo.

Otra categoría presente en esta área es la de cultura, representada por dos

templos religiosos; uno católico ubicado en la intersección de las calles Isla
Madre, Isla Alacranes e Isla María Cleofas, y uno cristiano, localizado en la calle
Islas Antillas entre Isla de Pascua y Avenida Cruz del Sur. En la categoría de de-
porte, se identificó una unidad deportiva en la calle Isla de Pascua, que cuenta
con diferentes canchas, así como un pequeño gimnasio ubicado en la esquina
de Avenida Cruz del Sur e Islas Alteñas. En cuanto a recreación, se encuentra
un parque en la intersección de las calles Isla María Magdalena y Guayana.
Para educación, se localiza una secundaria en la calle Trigo y una preparatoria
abierta en la esquina de Avenida Cruz del Sur e Islas Antillas. Por último, hacia
el sureste, en la intersección de las calles Isla de Pascua e Islas Aleutianas, se

– 493 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

encuentran varios servicios: la Cruz Verde, la unidad deportiva, la oficina de mi-

nisterio público y una base de seguridad pública.

9.3.3. Equipamiento área de influencia noreste del MAG

El área de influencia noreste se encuentra delimitada por la Calzada Lázaro

Cárdenas, la Avenida del Mercado y la Avenida Cruz del Sur, como se muestra
en la figura 43. En esta zona destaca la presencia de viviendas unifamiliares y,
en menor proporción, viviendas multifamiliares, que en conjunto suman un to-
tal de 1.307 unidades habitacionales. Además, se identificaron 34 viviendas mix-
tas (vivienda y comercio). La distribución espacial de las viviendas se concentra
principalmente hacia el centro, sur y sureste del área.
Una de las principales avenidas es la del Mercado, donde se encuentran una
diversidad de centros de abastos, entre los que resalta la Plaza de Abastos, que
presenta diferentes giros comerciales. En esta plaza también se ubican oficinas
de administración pública, como el Instituto Nacional Electoral (INE), el Servicio
de Administración Tributaria (SAT), una recaudadora y una Universidad Privada
Tecnológica de Guadalajara (UTEG).
El comercio en sus diferentes giros está distribuido en toda el área de in-
fluencia noreste, como se puede apreciar en la figura 43. Entre los giros pre-
sentes, se encuentran negocios de compra de cajas de madera, agencias de
autos, talleres y autopartes, entre otros. En educación pública, se identifica-
ron dos escuelas secundarias; una ubicada en la intersección de las calles Isla
Guayana, Isla de Pinos y Reyes Católicos, y otra en la zona de las calles Tuna,
Almendra y Nuez. Asimismo, hay una escuela primaria localizada en Avenida
Cruz del Sur, entre las calles Panamá y Nicaragua.
En asistencia social, existen dos centros de convivencia comunitario opera-
dos por el Desarrollo Integral de la Familia (DIF); uno está ubicado en Avenida
del Mercado entre las calles Coyul y Tuna y el otro en Avenida Cruz del Sur en-
tre las calles Nicaragua y San Salvador. Además, se identificaron dos estancias
infantiles, una en Avenida Cruz del Sur, entre calle Honduras y Guatemala, y la
otra en la calle Almendra.

– 494 –
 Análisis del equipamiento: Mercado de Abastos de Guadalajara y su área de influencia

Figura 43. Equipamiento área de influencia noreste del MAG, Jalisco. 2024.
Fuente: Google Earth y Street View y trabajo de campo.

En deporte y recreación, se cuenta con un gimnasio de voleibol ubicado en

las calles Panamá, Nuez y Coyul; así como con el parque Mercado de Abastos
situado en Avenida del Mercado entre Coyul y Piña. También se registraron seis
parques de menor tamaño ubicados en la zona de vivienda entre las calles Te-
jocote y Pitaya; Guayaba y Dátil; Cacao; Arrayán y Almendra; Higo y Guayaba. En
la categoría de salud, se cuenta con una consulta externa con servicio de aten-
ción médica general para pacientes de enfermedades variadas dentro de la
Plaza Abastos. También se identificaron varios consultorios dentales, principal-
mente concentrados a lo largo de la Avenida Cruz del Sur. En cultura, existe un
templo católico ubicado en la intersección de las calles Reyes Católicos, calle
Nuez e Isla de Pinos. En lo relativo a servicios sociales, se localiza una oficina
de la Comisión Federal de Electricidad (CFE) entre Calzada Lázaro Cárdenas y

– 495 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Avenida Cruz del Sur. Por último, en cuanto a transporte, los estacionamientos
se distribuyen en las inmediaciones de Calzada Lázaro Cárdenas y Avenida del
Mercado, así como al interior del área de influencia.

9.3.4. Zonificación del equipamiento

Como se ha mostrado en los apartados anteriores, el equipamiento en el área

de estudio permite identificar zonas diferenciadas según la distribución y predo-
minancia de diversas categorías. Destaca en primer lugar la categoría de abasto,
representada principalmente por el equipamiento de central de abasto con pro-
ductos perecederos y no perecederos, distribuidos en las bodegas del Mercado
de Abastos tanto en el área pública como en la privada (ver figura 44). En segundo
lugar, se encuentra el equipamiento habitacional, concentrado en la parte sur y
sureste del área de estudio, abarcando 86 manzanas, combinado principalmente
con comercio, con la presencia de tiendas de diversos giros y farmacias, distribui-
das tanto dentro del Mercado de Abastos como en sus áreas de influencia.
El cuarto lugar lo ocupa la categoría de transporte, representada con esta-
cionamientos públicos y privados ubicados principalmente en las inmediacio-
nes de Avenida Paseo de la Arboleda y calle del Trigo, así como también por
Avenida Lázaro Cárdenas y la calle Piñón. A continuación, resalta el equipa-
miento económico, el cual incluye centros comerciales abiertos, centro comer-
cial con Tienda ancla o subancla, y banca en desarrollo. Estos se localizan en
las Plazas del Mercado de Abastos (Calzada Lázaro Cárdenas, Avenida del Mer-
cado y calle Piñón) y en Plaza Arboledas (Avenida Paseo de la Arboleda, calles
Nuez, del Trigo y Sotavento). En menor proporción, se identificaron categorías
como administración pública, asistencia social, cultura, deporte, educación, re-
creación, salud y servicios urbanos públicos y sociales.

9.4. Conclusiones

El análisis del equipamiento del MAG (tanto en su área pública como privada)
y sus áreas de influencia revela una marcada presencia de la categoría de abas-
to, especialmente en las manzanas que conforman el mercado. Sin embargo, de
acuerdo con las figuras 41, 42, 43 y 44, se observa que esta categoría se está expan-
diendo hacia las áreas de influencia, las cuales tienen un uso de tipo habitacional.

– 496 –
 Análisis del equipamiento: Mercado de Abastos de Guadalajara y su área de influencia

Aunque el comercio está presente en algunas secciones del mercado, tanto

públicas como privadas, tiene mayor representación en las áreas de influencia.
Incluso se ha extendido sobre las principales avenidas de las zonas habitacio-
nales, generando un uso mixto habitacional-comercial. Esta diversidad de giros
comerciales responde tanto a la demanda de la población residente como a las
necesidades derivadas del incremento de bodegas en el entorno.

Figura 44. Zonificación del equipamiento del MAG y sus áreas de influencia, Jalisco. 2024.
Fuente: Google Earth y Street View y trabajo de campo.

El equipamiento habitacional se concentra principalmente en las áreas de

influencia al sureste y noreste del mercado. Sin embargo, estas zonas se en-
cuentran bajo presión por la expansión del abasto y el comercio, que avanzan
sobre espacios originalmente residenciales. A pesar de ello, una de las ventajas
para la población que habita en estas áreas es el acceso directo a productos de
calidad a precios accesibles ofrecidos por el mercado.

– 497 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En cuanto al equipamiento de transporte, representado por estacionamien-

tos públicos y privados, su presencia es notable principalmente alrededor del
Mercado de Abastos. Su función es facilitar las operaciones de carga y des-
carga de mercancía, así como ofrecer servicio al público en general. Estos se
ubican estratégicamente sobre las principales avenidas del área de estudio.
En lo económico, destaca la presencia de dos plazas comerciales, Arbole-
das y Abastos, ubicadas estratégicamente en las áreas de influencia sobre dos
de las avenidas más importantes. En estas plazas se concentra una gran diver-
sidad de servicios y comercios, incluyendo tiendas ancla, bancos, servicios mé-
dicos y oficinas de administración pública, entre otros. En menor proporción, se
identificó equipamiento correspondiente a administración pública, asistencia
social, cultura, deporte, educación, recreación, salud, servicios urbanos públi-
cos y sociales, distribuidos en las áreas de influencia del mercado.
Finalmente, el área actual del Mercado de Abastos abarca 57 manzanas, de las
cuales el 21% corresponde a bodegas públicas y el 79% a bodegas privadas. Aun-
que el mercado surgió a partir de las bodegas públicas, su crecimiento se ha dado
a través de las bodegas privadas y, en algunos casos, se han construido en espa-
cios que estaban ocupado por viviendas. En contraste, el equipamiento comercial
se encuentra distribuido en las áreas de influencia, lo que refleja que, mientras el
abasto se concentra en una zona específica, el comercio se ha diversificado y ex-
pandido hacia las áreas donde se encuentran las manzanas habitacionales.

9.5. Agradecimientos

Esta investigación no hubiera sido posible sin la vinculación y apoyo del Con-
sejo Directivo de la Unión de Comerciantes del Mercado de Abastos (UCMA), en
especial del presidente, Sr. Moisés Ramos Portillo; el secretario general, Lic. Con-
rado Lomelí Reynoso; el tesorero, Ing. José de Jesús Aceves Fonseca; la secre-
taria del Comité de Damas, Ing. Beatriz Contreras Aguilar; el director general Lic.
Carlos Villanueva Aguilar; la directora institucional, Lic. Irma Gabriela Castillo Ru-
bio; y la jefa del área creativa, Lic. Ana Karen Cruz Priego. Asimismo, se agradece
a quienes integran el Cuerpo Académico de Estudios Urbanos y Territoriales, así
como al Departamento de Geografía y Ordenación Territorial de la Universidad
de Guadalajara, por las facilidades brindadas para el desarrollo de este proyecto.

– 498 –
 Análisis del equipamiento: Mercado de Abastos de Guadalajara y su área de influencia

9.6. Referencias

Cortés, M. G. (2008). “El equipamiento urbano, un elemento clave de la metrópoli.

Replanteando la metrópoli”, 24-27. Https://[Link].
com/uploads/8/1/6/2/8162838/revista_rizoma_-_el_equipamiento_urbano.pdf
Duran, I., Castillo, V., Ayala, S. (2014). El mercado de abastos de Guadalajara: Ne-
cesidades, problemáticas y mecanismos para dinamizarlo. Guadalajara: Edi-
ciones de la Noche Madero.
Google Earth Pro (29/11/2024). Imagen de la zona metropolitana de Guadalaja-
ra (2024). Recuperado de [Link]
Parada, Á. (2023). “Origen, desarrollo y crisis de los mercados de abastos: ¿pue-
de contribuir la Gastronomía a revitalizar nuestros mercados?” Madrid: Minis-
terio de ciencia e innovación.
IIEG (Instituto de Información Estadística y Geográfica de Jalisco). (2017). “Catas-
tro de Guadalajara”. Recuperado el 09 de Julio de 2024, de [Link]
mx/ns/wp-content/Estadística y Geográfica de Jaliscouploads/2019/11/
Guadalajara_2017_Catastro.zip.
IIEG (Instituto de Información Estadística y Geográfica de Jalisco). (s.f.). Mapa de
sitio. Recuperado el 14 de junio de 2024, de Ortofoto 1961: [Link]
mx/ns/?page_id=16.
INEGI (Instituto Nacional de Estadística y Geografía). (2020). Mapa Digital de Mé-
xico. Recuperado el 17 de septiembre de 2024, de [Link]
mdm6/?v=bGF0OjIwLjY1MDY0LGxvbjotMTAzLjM4NzMyLHo6MTEsbDpjMT
Exc2VydmljaW9zfHRjMTExc2VydmljaW9z.
INEGI (Instituto Nacional de Estadística y Geografía). (2023). Mediación de In-
fraestructura. México: INEGI, UNAM.
SEDATU (Secretaría de Desarrollo Agrario, Territorial y Urbano). (2024). Linea-
mientos en materia de equipamiento urbano e infraestructura. Ciudad de Mé-
xico: Gobierno de México.
SEDESOL (Secretaría de Desarrollo Social). (2013). Estructura del sistema norma-
tivo. México: SEDESOL.
Yulius Espacios de Almacenamiento y Coworking (s.f.). “Mercado de Abastos: el
motor económico de Guadalajara”. [Link]
el-motor-economico-de-guadalajara/

– 499 –
 CAPÍTULO X
FORMA URBANA Y ÁREAS DE ACCESIBILIDAD COMO SERVICIO:
GEOMARKETING SOCIAL PARA DETERMINAR ÁREAS DE DEMANDA
Y SU EQUILIBRIO ESPACIAL SATISFACTORIO EN SITUACIÓN DE
EMERGENCIA SANITARIA

Elías Albornoz del Valle1, Francisco Núñez Cerda1

10.1. Introducción

El confinamiento parcial y total de la población, producto de la pandemia de

COVID-19, generó cambios repentinos en la movilidad urbana a nivel mundial,
provocando un cese significativo en gran parte de la actividad económica (Arias-
Molinares et al., 2022). A ello se sumó el deterioro de la salud y el bienestar, con-
secuencia directa de la inmovilidad forzada (Samuelsson et al., 2020; Zecca et
al., 2020). Las diversas restricciones sanitarias alteraron la satisfacción de necesi-
dades básicas, incrementando el uso del automóvil incluso en grupos socioeco-
nómicos que previamente dependían poco de este medio de transporte (Vega-
Gonzalo et al., 2023).
Uno de los desafíos clave para alcanzar la sostenibilidad en la forma urba-
na, especialmente en el contexto postpandémico, es analizar la accesibilidad
como un servicio orientado a las personas, incorporando sus preferencias de
consumo. Esto puede lograrse mediante el estudio de sus hábitos de despla-
zamiento y de acceso a actividades como consumidores de bienes y servicios
esenciales durante emergencias sanitarias.
Esta investigación se centró en el territorio del sector Collao, pertenecien-
te al Área Metropolitana de Concepción (AMC), dada su buena accesibilidad a
servicios. El objetivo fue ampliar el análisis económico espacial relativo a las
preferencias de consumo, fortaleciendo el concepto de accesibilidad segura.
Se buscó identificar el equilibrio espacial oferta-demanda (OD) mediante la de-

1
FARCODI, DPDU, PEE, Universidad del Bío - Bío, Concepción, Chile.

– 501 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

limitación de áreas de demanda de bienes y servicios de primera necesidad,

utilizando un indicador de accesibilidad que permitiera evaluar la buena forma
urbana. Estas áreas fueron comparadas con zonas previamente delimitadas de
accesibilidad real (oferta) y satisfacción espacial, establecidas bajo el mismo
criterio (Núñez et al., 2022b) y descritas según variables que influyeron en dicha
satisfacción durante la pandemia de COVID-19 (Núñez et al., 2025).
El análisis aplicó herramientas de geomarketing social, recolectando datos
de preferencias y localización a través de encuestas declaradas. Los resultados
revelan que más del 50% de las personas realizan sus actividades dentro del
área de estudio, con una marcada preferencia por desplazarse a pie. Asimismo,
el equilibrio espacial OD mostró que el 76% del área de demanda tiene acceso
real y seguro para la adquisición de alimentos, y el 45% para servicios. Estas nue-
vas delimitaciones de equilibrio coincidieron con áreas previamente detectadas
de satisfacción espacial en un 68% para alimentos y un 31% para servicios.
Estos hallazgos indican la existencia de una demanda con cobertura de
accesibilidad segura y satisfecha a instalaciones que ofrecen bienes o servi-
cios esenciales, ubicadas a no más de 400 metros de distancia caminando.
La investigación concluye que la forma urbana del sector Collao no constitu-
ye una barrera para la satisfacción de necesidades básicas en contextos de
emergencia sanitaria, gracias a la cercanía de instalaciones y la dispersión es-
pacial de bienes y servicios. Este patrón fomenta el desplazamiento a pie, lo
cual resulta especialmente relevante en situaciones de emergencia. Fomentar
y fidelizar la caminata permitiría repensar la configuración del espacio público
en el periodo post-COVID-19, hacia diseños urbanos más sostenibles, seguros
y satisfactorios.

10.2. Desarrollo

10.2.1. Revisión de literatura: forma urbana, accesibilidad y geomarketing

social

Dentro de los temas de accesibilidad percibida desde una óptica social (Pot
et al., 2021; Núñez et al., 2025), se reconoce, en relación con la forma urbana,
que los residentes de barrios tradicionales, caracterizados por mayores densi-

– 502 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

dades, mejor accesibilidad y un diseño amigable para los peatones, exhiben un

comportamiento de viaje más sostenible que aquellos que habitan en barrios
con densidades más bajas, mala accesibilidad y un diseño hostil para el despla-
zamiento a pie (Handy, 1996). En este sentido, el acceso peatonal debiese satis-
facer las necesidades básicas de la vida diaria, siendo un aspecto fundamental
en las actividades humanas (Barton et al., 2010). De acuerdo con lo anterior, el
acceso peatonal a bienes y servicios constituye un concepto esencial dentro
de una forma urbana orientada a la sostenibilidad, dado que las personas que
viven cerca de las instalaciones que los proveen generan menores emisiones
de carbono (Zumelzu y Espinoza, 2019). En este contexto, la accesibilidad, en-
tendida dentro del marco de una buena forma urbana, se define por el mayor
grado de satisfacción de necesidades para quienes se desplazan caminando o
en bicicleta, por sobre quienes utilizan el automóvil como medio de transporte
(Jenks & Jones, 2010).

[Link]. Forma urbana: barrios accesibles

Para determinar el grado de sostenibilidad de un barrio en función de su for-

ma urbana, se considera la localización de las instalaciones que ofrecen bienes
y servicios. Existe un consenso en la literatura internacional en cuanto a que
una instalación que provee bienes y servicios de primera necesidad debiera
estar ubicada entre 400 y 800 metros de cada lote residencial (Talen, 2011). Su-
perada esta distancia, se presenta una barrera espacial, producto de la lejanía
(Herrmann-Lunecke et al., 2020; Zumelzu et al., 2020; Núñez et al., 2020b).
Específicamente, la distancia máxima promedio que los residentes están
dispuestos a caminar hasta instalaciones de este tipo en un barrio residencial
es de aproximadamente 10 minutos (Cerin et al., 2006; Zumelzu et al., 2020).
Así, considerando una velocidad promedio de caminata de 1,4 m/s (equiva-
lente a 5,04 km/h), se tiene que una caminata de 5 minutos cubre 400 metros,
mientras que una de 10 minutos alcanza los 800 metros. En base a esto, se
considera la distancia de 400 metros como indicador para contabilizar cuántos
lotes residenciales se encuentran dentro de un radio de accesibilidad a insta-
laciones de bienes y servicios, evaluando así cuán sostenible es un barrio. Bajo
este criterio, se interpreta como accesibilidad socialmente sostenible y segura
en contextos de emergencia sanitaria (Albornoz, 2022; Núñez et al., 2022b). En

– 503 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

consecuencia, aquellas instalaciones que se encuentran a más de 400 metros

generan una barrera espacial al limitar el acceso a pie, disminuyendo las opor-
tunidades alcanzables mediante desplazamiento activo.

[Link]. Ciudades saludables y caminables: el rol de la accesibilidad

Diversas barreras impuestas por la distancia (Núñez et al., 2022a) se mani-

fiestan como efectos de una amplia extensión de calles orientadas a promover
el tráfico vehicular motorizado, generando un fuerte impacto en la caminata
como forma de movilidad activa y en el uso del espacio público (Zumelzu & He-
rrmann-Lunecke, 2021). La disminución de la accesibilidad peatonal, sumada al
deterioro del paisaje urbano, se expresa en entornos de baja calidad espacial:
excesiva densificación de edificios, ausencia de vegetación, veredas en mal
estado o sin mantención, persianas blindadas y aglomeraciones de personas
en calles y pasajes, entre otros. Estos factores generan un efecto negativo en
los residentes, forzándolos a redefinir sus relaciones sociales y su vínculo con
el entorno construido. Lo anterior influye directamente en el bienestar mental
(Zumelzu et al., 2024), generando en muchos casos estrés, ansiedad, cambios
en el estado de ánimo e insatisfacción, siendo solo algunos de los aspectos del
bienestar asociados a la calidad física del entorno (McCay et al., 2017).
La satisfacción de los residentes con su localización residencial se relaciona
con su vida diaria y su nivel de accesibilidad, principalmente determinado por
la proximidad. Una forma de medir esta satisfacción es incluir las percepciones
y preferencias de consumo ciudadanas en el análisis espacial, considerando
la accesibilidad como un servicio de movilidad para el ciudadano (Kaufman &
Widmer, 2006). La satisfacción puede estar determinada por la experiencia de
desplazamiento y el acceso a las actividades urbanas preferidas para la ad-
quisición de bienes y servicios. Esta forma de entender la accesibilidad impli-
ca incorporar activamente la percepción y preferencias de los residentes, no
solo como sensibilización, sino como un componente participativo en la ges-
tión de la accesibilidad sostenible y segura, permitiendo incluir sus aportes en
el diseño urbano. Esta aproximación puede desarrollarse mediante el uso del
geomarketing social (Albornoz et al., 2020; Núñez et al., 2022b).

– 504 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

[Link]. Geomarketing para analizar la experiencia declarada de accesibilidad

La accesibilidad urbana puede explorarse a partir de la percepción que

tienen los habitantes sobre su entorno físico y su comportamiento espacial,
entendiéndose como el potencial percibido para participar en oportunidades
espacialmente dispersas, siempre y cuando estas sean deseadas (Pot et al.,
2021). Según las preferencias de desplazamiento, es posible detectar proble-
mas y necesidades mediante los componentes con los cuales la accesibilidad
es percibida, tanto desde el entorno físico como desde las condiciones socio-
demográficas (Núñez et al., 2025). El resultado de este modelo son decisiones
influenciadas por experiencias y aprendizajes que, a su vez, fidelizan preferen-
cias de consumo, considerando que la accesibilidad también puede enten-
derse como una prestación de servicios para la movilidad urbana (Kaufman &
Widmer, 2006). En este sentido, se podría obtener beneficios derivados de la
accesibilidad en directa relación con el bienestar de las personas (Lättman et
al., 2016). Al observar cómo prefiere desplazarse el habitante, y según las barre-
ras que experimenta para moverse por el espacio y acceder a las instalaciones
donde realiza sus actividades, se puede identificar tanto problemas como ne-
cesidades (Núñez et al., 2022a).
Una de las formas de analizar las necesidades y preferencias de consumo
de bienes y servicios declaradas por las personas es a través del marketing
(Santesmases, 2012). Cuando este se relaciona con variables espaciales, se co-
noce como geomarketing (Chasco, 2003). Tradicionalmente, el geomarketing
ha sido utilizado desde una perspectiva privada, con el objetivo de rentabilizar
negocios vinculados a instalaciones que ofrecen bienes y servicios (Escobar-
Moreno et al., 2015). No obstante, este tipo de estudios también ha sido abor-
dado desde una perspectiva social. El marketing social busca el bienestar de
la población mediante campañas de marketing tradicional adaptadas a fines
sociales (Pérez, 2006). Aplicada al análisis territorial y urbano, esta estrategia
se denomina geomarketing social (Albornoz et al., 2020), permitiendo integrar
variables espaciales, sociales y de comportamiento para entender cómo la ac-
cesibilidad contribuye al bienestar colectivo y al diseño de ciudades más equi-
tativas y sostenibles.

– 505 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

[Link]. Especificación de los tipos de análisis mediante geomarketing

social en contextos urbanos

El geomarketing es aplicable tanto en el ámbito privado como en el social

(Albornoz et al., 2020), aportando elementos económicos espaciales clave para
la evaluación de proyectos y la implementación de estrategias de planificación
y diseño urbano. Esto es posible gracias a las nuevas tecnologías de la infor-
mación geográfica disponibles, las cuales son estudiadas y aplicadas por la
geomática (Mena, 2005). Específicamente, en este contexto se identifican tres
grandes aportes, inicialmente planteados por Escobar-Moreno et al. (2015) y
posteriormente complementados por Albornoz et al. (2020):

a. Preferencias del consumidor: en una primera instancia, el comportamien-

to del consumidor estudia las conductas de las personas que obtienen,
utilizan y consumen bienes y servicios. A partir de esto, se busca com-
prender el porqué, dónde, con qué frecuencia y bajo qué condiciones
se producen estos intercambios (Rivas y Esteban, 2017). En este sentido,
resulta clave incorporar el componente social mediante el análisis de pre-
ferencias de consumo localizado, propio del enfoque de geomarketing.
Para este objetivo, se vuelve necesario evaluar un elemento esencial de
la experiencia de consumo: los factores que influyen en la satisfacción del
usuario (Núñez et al., 2025). Tradicionalmente, la satisfacción se analiza
como un proceso post-transacción, en el cual el consumidor declara qué
tan satisfecho está con la adquisición de un bien o servicio. Según Alonso
y Grande (2017), “la satisfacción se logra cuando una persona equilibra sus
expectativas con el rendimiento real del bien o servicio, o incluso, si este
último supera sus previsiones iniciales”. En este contexto, la satisfacción
se vincula directamente con la fidelización hacia la marca. Si bien, esta
definición proviene de estudios comerciales, puede establecerse un nexo
con una perspectiva socio-espacial urbana mediante el análisis de la ac-
cesibilidad, entendida como un servicio urbano. En este caso, el enfoque
se traslada hacia el comportamiento de la oferta espacial en relación con
la demanda de bienes y servicios, considerando la percepción ciudadana
del acceso como un factor determinante de satisfacción (Núñez et al.,
2022b; Núñez et al., 2025).

– 506 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

b. Análisis espacial: delimitación de áreas de mercado: este tipo de aná-

lisis espacial permite obtener un mayor conocimiento del mercado po-
tencial mediante la identificación de zonas de influencia (Ashiru, 2003), la
localización de la competencia y el establecimiento de puntos óptimos
para la venta y entrega de servicios, de acuerdo con el comportamien-
to espacial de los datos de mercado y las necesidades sociales (Pérez,
2008). La delimitación de áreas de mercado puede priorizarse mediante
el criterio de proximidad, asumiendo que el factor más relevante es la
separación espacial entre el punto de oferta (instalación) y los puntos de
demanda (hogares). En este contexto, la delimitación del área de merca-
do por proximidad debe apoyarse en indicadores cuantitativos relativos a
superficies que contengan a los habitantes (Moreno-Jiménez, 2002). Así,
además de evaluar aspectos físicos del territorio y métricas cuantitativas,
se reconoce que las áreas de mercado pueden sufrir transformaciones
en el tiempo, debido al dinamismo de la oferta disponible, lo cual afecta
directamente al componente espacial (Mena, 2005). Analizar estos com-
portamientos desde una perspectiva estadístico-espacial a lo largo del
tiempo resulta fundamental al momento de realizar proyecciones sobre
potenciales ciudadanos-consumidores, permitiendo orientar tanto estra-
tegias de venta como decisiones de diseño urbano al relacionar la distri-
bución espacial de actividades con los hogares que las demandan.
c. Análisis de demanda espacial: en este contexto, y considerando el com-
portamiento del consumidor (Vega et al., 2015), el geomarketing permite
evaluar el uso de la infraestructura urbana y/o servicios asociados, posi-
bilitando la elaboración de planes que integren un análisis de preferen-
cias de consumo en función de la ubicación geográfica, según el tipo de
industria o actividad económica a desarrollar (Odizola et al., 2008). Aquí
aplica la teoría o ley de la demanda espacial, que establece que la clien-
tela o ventas disminuyen a medida que aumentan los costos que debe
asumir el consumidor debido al desplazamiento (Moreno y Escolano,
1992). En consecuencia, el geomarketing, aplicado al consumo de bienes
y servicios de primera necesidad, permite abordar este fenómeno a partir
de sus principales componentes, facilitando la delimitación de áreas de
oferta y demanda mediante análisis espacial (Albornoz et al., 2020).

– 507 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

[Link]. Análisis espacial SIG: aplicado en contexto de emergencia sanitaria

La utilización de Sistemas de Información Geográfica (SIG) en planificación

urbana como apoyo a la toma de decisiones no es un fenómeno reciente. El
rápido desarrollo urbano, impulsado por el aumento de la población y el cre-
cimiento económico, se enfrenta constantemente a procesos de planificación
desarticulados y prolongados. En este escenario, los SIG han jugado un papel
relevante y durante la pandemia por COVID-19 se convirtieron en herramientas
clave para el análisis espacial, especialmente en la evaluación de casos en con-
texto de emergencia. Algunos trabajos, como los de Honey-Rosés et al. (2020)
y Samuelsson et al. (2020), destacan la necesidad de abordar el diseño urbano
con una visión a futuro, es decir, desde una perspectiva postpandemia. Por
ejemplo, el estudio de Zecca et al. (2020) incluye una comparación entre flujos
peatonales antes y durante la pandemia, relacionando dichos niveles con los
ritmos de acceso diario a instalaciones de servicios. Otro ejemplo es el trabajo
de Núñez et al. (2022b), en el cual se utilizó por primera vez el geomarketing so-
cial para reinterpretar el indicador de accesibilidad peatonal, midiendo la forma
urbana desde la dimensión de la accesibilidad. De esta forma, se obtuvieron
áreas de oferta real accesibles de forma sostenible, explorando inicialmente la
satisfacción espacial bajo dicho criterio.
En este sentido, la incorporación del geomarketing social al análisis espacial
a través de la delimitación de áreas de accesibilidad y satisfacción, fundamen-
tadas en las preferencias de consumo de las personas, representa un enfoque
emergente en el diseño urbano. Sin embargo, aún persiste una brecha en el
estudio de la relación entre esta accesibilidad y la delimitación de áreas de
demanda para bienes y servicios básicos. En otras palabras, falta aún una inter-
pretación que considere un probable equilibrio espacial basado en preferen-
cias de consumo declaradas durante el desarrollo de la pandemia.
En respuesta a esta brecha, esta investigación se propuso como objetivo
principal, a través del uso del geomarketing social, determinar el equilibrio es-
pacial entre oferta y demanda, considerando la demanda de bienes y servi-
cios de primera necesidad caracterizada por un indicador de accesibilidad, y
la oferta de acceso espacial junto a las áreas de satisfacción espacial previa-
mente delimitadas bajo este mismo criterio, en el sector Collao de Concepción
durante la pandemia de COVID-19. Todo lo anterior fue desarrollado utilizando
técnicas de análisis espacial propias de la geomática aplicada.

– 508 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

10.2.2. Caso de estudio

Se utilizó como caso de estudio el sector Collao, barrio perteneciente al Área

Metropolitana de Concepción (AMC), Chile. Como se muestra en la figura 45a,
el sector se caracteriza por un aislamiento geográfico producido por remanen-
tes de la Cordillera de la Costa, limitando al este con el Estero Nonguén. Esta
condición geográfica origina que la conectividad del sector dependa exclusi-
vamente del sistema vial Collao-Novoa, a diferencia de otros sectores del AMC,
cuya conectividad se estructura mediante una trama vial organizada geométri-
camente en base al plano de damero de Concepción (Albornoz, 2022). Collao
es un barrio predominantemente residencial consolidado, cuya tipología edi-
ficatoria se caracteriza por volúmenes aislados de altura media, presencia de
antejardines y áreas verdes libres. El destino de uso de los lotes, mostrado en la
figura 45b, está compuesto mayoritariamente por 7.488 lotes residenciales, lo
que representa un 97% del total. El 3% restante corresponde a lotes no residen-
ciales, destinados a diversos usos.

Figura 45. Área de estudio. Sector Collao, Concepción, Chile.

Fuente: Elaboración propia a partir de datos espaciales recopilados. También en
Núñez, et al. (2025).

La forma urbana del sector Collao, analizada desde la dimensión de acce-

sibilidad (Núñez et al., 2022b), evidencia que la distribución espacial del 2,87%
de los lotes no residenciales permite alcanzar una cobertura de accesibilidad
del 98% del total superficial del área de estudio (figura 45b). En consecuencia,
se puede afirmar que el sector presenta una “buena” forma urbana de acuerdo

– 509 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

con el criterio utilizado. Desde una perspectiva funcional, Collao cuenta con una
variedad de instalaciones que ofrecen bienes y servicios de primera necesidad,
distribuidas de manera dispersa en el área, lo cual permite una buena cobertura
de accesibilidad peatonal, incluso estando alejado del centro metropolitano.

10.2.3. Metodología

Se diseñó un modelo de análisis espacial basado en las preferencias de

consumo declaradas por los residentes. Este enfoque permitió la representa-
ción cartográfica de la delimitación de áreas de cobertura para distintos niveles
de demanda real, utilizando como referencia los hogares de los encuestados
durante la pandemia y considerando el límite máximo de caminata establecido
para definir una buena accesibilidad en función de una forma urbana sosteni-
ble (400 metros). Con las áreas de demanda delimitadas, el modelo de análisis
espacial permitió su superposición con las áreas de oferta, definidas en función
de la accesibilidad real a instalaciones de bienes y servicios utilizadas por los
habitantes del sector Collao. Estas áreas de oferta fueron previamente delimi-
tadas bajo el mismo criterio metodológico en el trabajo de Núñez et al. (2022b).
De esta forma, fue posible identificar el equilibrio espacial entre oferta, deman-
da y nivel de satisfacción de los residentes.

[Link]. Diseño de muestra y encuesta declarada

Se aplicó la metodología de geomarketing social en ámbitos urbanos, con

el objetivo de capturar datos primarios mediante encuestas aplicadas durante
la pandemia (Albornoz et al., 2022; Núñez et al., 2022b; Núñez et al., 2025). Este
enfoque permitió recolectar información a partir de una muestra probabilística
aleatoria simple, representativa de una población finita y conocida, con un mar-
gen de error definido. Considerando una población total de 20.383 personas en
el sector Collao, se determinó una muestra representativa de 280 encuestas,
lo que implicó un error máximo aceptado del 6%. Este margen fue asumido
debido a las restricciones existentes para el trabajo de campo en contexto de
emergencia sanitaria, por lo que las encuestas se aplicaron de forma telefónica.
El instrumento de recolección correspondió a una encuesta de preferencias de
consumo declaradas por individuos. El cuestionario se estructuró en dos sec-
ciones: la primera sección se diseñó para recopilar datos sociodemográficos de

– 510 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

los encuestados, permitiendo un control muestral que evitara la sobrerrepre-

sentación de ciertos segmentos poblacionales, asegurando así una muestra
equilibrada en relación con la composición demográfica del sector; la segunda
sección estuvo orientada a registrar las preferencias de consumo vinculadas
a la realización de actividades diarias, semanales y mensuales, así como su
localización geográfica. Además, se incluyó la frecuencia de los desplazamien-
tos realizados, con el fin de incorporar distintas dimensiones temporales en el
análisis de preferencias de consumo.

[Link]. Muestreo y toma de datos

Dada la naturaleza de la pandemia, la aplicación del instrumento se realizó

de manera telefónica. Para la recolección de números telefónicos, se elabo-
ró una base de datos con las calles del sector Collao, con el fin de organizar
sistemáticamente la búsqueda. A partir de ello, y utilizando guías telefónicas
en línea (Telsur), se filtraron las calles para mantener una distribución espa-
cial equitativa de los hogares. Durante el proceso de encuestas, se supervisó
en tiempo real la distribución espacial de los registros mediante la plataforma
ArcGIS Survey123©, asegurando así la representatividad territorial del sector y
verificando que los encuestados fueran efectivamente residentes de todo el
barrio Collao. En la figura 46 se muestra la distribución de los hogares encues-
tados mediante una nube de puntos, que representa su densidad y dispersión,
respetando el resguardo de privacidad de los datos.

Figura 46. Recolección y control de datos. Sector Collao, Concepción, Chile.

Fuente: Elaboración propia a partir de datos espaciales recopilados. También en
Núñez et al. (2025).

– 511 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Como segundo criterio de control muestral, se evitó la sobrerrepresentación

de ciertos segmentos poblacionales, especialmente en relación con género
y grupos etarios. Para ello, los datos se calibraron utilizando como referencia
los segmentos representativos del sector Collao según la metodología de la
Encuesta Origen Destino (EOD) aplicada en 2015 en el AMC (SECTRA, 2017),
replicando las mismas proporciones de control para los entrevistados.

[Link]. Análisis de datos espaciales

• Delimitación de áreas de demanda espacial: las coberturas de demanda real

en el área de estudio se delimitan utilizando el criterio de Talen (2011), siguiendo
la misma lógica aplicada en la delimitación de áreas de accesibilidad en Núñez
et al. (2022b). En este análisis, se utiliza la localización aproximada de los hogares
de los residentes encuestados que declararon utilizar instalaciones dentro del
área de estudio para el consumo de bienes y servicios de primera necesidad.
Con esta información, se delimita la demanda espacial para las categorías de
interés mediante el análisis de “Áreas de servicio” utilizando la herramienta Net-
work Analyst (NA) de ArcGIS Pro®. Adicionalmente, se calcula el porcentaje de
cobertura espacial del área de demanda en relación con el área total del sector
en estudio. Este procedimiento fue automatizado mediante el uso de Model-
Builder en ArcGIS Pro®, permitiendo replicar de forma sistemática la obten-
ción de resultados a partir de las encuestas aplicadas (ver figura 47). El modelo
automatizado incluye tres fases principales: (1) extracción de datos filtrando el
periodo y actividad de los hogares demandantes, (2) delimitación del área de
demanda en función de parámetros de accesibilidad para evaluar forma urbana
sostenible y (3) representación espacial del área resultante en un entorno de tra-
bajo configurado y exportación de los indicadores alfanuméricos de interés.

Figura 47. Modelo de análisis espacial.

Fuente: Elaboración propia a través de ModelBuilder en ArcGis Pro®.

– 512 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

• Análisis de equilibrio oferta y demanda: para establecer el equilibrio espa-

cial entre oferta y demanda, se superpuso el área de demanda real (pre-
viamente obtenida) con el área de accesibilidad real (oferta), en función
de la categoría de bienes y servicios analizada previamente en Núñez et
al. (2022b). Esta superposición permitió representar y cuantificar el área de
demanda cubierta por la oferta disponible. Con base en dicha representa-
ción espacial, se definió la delimitación del equilibrio espacial resultante, la
cual fue contrastada y superpuesta con las áreas de satisfacción espacial
detectadas. A continuación, se presentan los resultados obtenidos.

10.3. Resultados y discusión

A partir de los datos obtenidos mediante la encuesta, se presentan los pri-

meros resultados relacionados con las preferencias para la realización de acti-
vidades con propósito de compra de bienes y servicios, categorizadas según su
frecuencia temporal: mensual, semanal y diaria. Asimismo, se muestra la parti-
ción modal representativa, es decir, las preferencias en el modo de transporte
utilizado en el sector Collao durante la pandemia de COVID-19 (ver figura 48).
De acuerdo con la información presentada en 48a, se observa que, en to-
das las frecuencias temporales analizadas, la preferencia mayoritaria fue la
realización de actividades al interior del sector, con un porcentaje superior al
50%. Adicionalmente, se registra un porcentaje significativo de personas que
no realizaron actividades, superando el 20% en las frecuencias semanal y dia-
ria como resultado del contexto de emergencia sanitaria. Con base en la alta
representatividad de actividades desarrolladas dentro del sector, se da conti-
nuidad a la presentación de resultados. En 48b, se detalla la partición modal
(%), considerando los modos vehículo particular, caminata, transporte público,
bicicleta, otro y ninguno. Según estos datos, la caminata fue el modo preferido
para las actividades con frecuencia semanal y diaria, con porcentajes superio-
res al 50%, lo que indica que la mayoría de estas actividades fueron realizadas a
pie. Sin embargo, para la frecuencia mensual, el modo preferido fue el vehículo
particular (45,73%), superando a la caminata (25,61 %), lo cual coincide con lo
señalado por Vega-Gonzalo et al. (2023). Estos resultados permiten avanzar en
la exploración de la demanda dentro del sector Collao, utilizando el indicador
de accesibilidad abordado en Núñez et al. (2022b).

– 513 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 48. Porcentaje de personas que realizan actividad según frecuencia al interior
de Collao y su partición modal representativa (%).
Fuente: Elaboración propia a partir de datos de encuesta aplicada.

10.3.1. Síntesis de resultados cuantitativos para los periodos estudiados

Los resultados cuantitativos se presentan en los siguientes tres puntos: pri-

mero, a través de una síntesis porcentual de las coberturas de las áreas de
demanda en relación con el área total del sector Collao; sigue, luego, una com-
paración espacial entre demanda y oferta, para obtener áreas de equilibrio es-
pacial Oferta-Demanda (OD); y se termina con una integración con áreas de
satisfacción espacial previamente estudiadas por Núñez et al. (2022b), lo cual
permitirá discutir tanto el método como sus implicancias para el diseño urbano
desde un enfoque de análisis espacial.

[Link]. Delimitación de áreas de demanda

Como se indicó anteriormente, este indicador cuantitativo entrega una pri-

mera aproximación de las áreas de demanda en relación al área total del sector
Collao y su población (Moreno-Jiménez, 2002). La figura 49 presenta una com-
paración porcentual de las coberturas de demanda obtenidas a partir de su
delimitación según las distintas tipologías de actividades y su relación con la
superficie total del área de estudio.
Como se puede observar, las actividades con frecuencia mensual y semanal
generan las mayores áreas de demanda dentro del sector Collao. En menor
medida, las actividades con frecuencia diaria delimitan una cobertura inferior.
En todos los casos, la demanda por alimentos se mantiene como la más exten-

– 514 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

dida territorialmente, con coberturas superiores al 74% del área total del sector.
En cuanto a los servicios, las coberturas oscilan en torno al 65% en los casos
mensual y semanal. Por su parte, la demanda por actividades recreativas, espe-
cialmente en la frecuencia semanal, alcanza un 74% del área, lo que revela una
alta importancia relativa dentro de las rutinas locales durante la pandemia. Esta
alta cobertura de demanda puede ser explicada, en términos generales, por la
forma urbana del sector, particularmente en su dimensión de accesibilidad, así
como por el contexto sanitario, tal como se ha discutido en Núñez et al. (2022b).

Figura 49. Comparativa porcentual de coberturas de demanda.

Fuente: Elaboración propia a partir de datos de encuesta aplicada.

[Link]. Equilibrio espacial oferta y demanda

A diferencia del análisis previo, el estudio comparativo del equilibrio espa-

cial OD resulta más preciso debido a su mayor representatividad territorial en
el sector Collao, considerando las restricciones de movilidad impuestas y la
delimitación de las áreas de oferta a partir de instalaciones efectivamente uti-
lizadas. El equilibrio OD puede interpretarse como el porcentaje del área de
demanda que, cuenta con una accesibilidad real y segura a instalaciones que
proveen bienes y servicios a una distancia no mayor a 400 metros de caminata.
La síntesis de estos resultados se presenta en la figura 50.

– 515 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 50. Comparativa del equilibrio oferta demanda.

Fuente: Elaboración propia a partir de datos de encuesta aplicada.

El mayor porcentaje de área de demanda con accesibilidad real y segura se

observa a nivel semanal, exceptuando la categoría de servicios. En este último
caso, los servicios presentan un mayor equilibrio a nivel mensual, reflejando la
naturaleza típica de esta demanda, generalmente realizada una vez por mes,
lo cual coincide con los datos recopilados. La gráfica evidencia que el sector
Collao responde mejor a actividades con frecuencia semanal, indicando que
sus habitantes hacen mayor uso semanalmente de las instalaciones disponi-
bles durante la pandemia. Además, se observa que el equilibrio a nivel diario
también es adecuado, lo que sugiere una oferta suficiente en relación con la
demanda diaria. Este comportamiento responde al contexto sanitario y las cua-
rentenas obligatorias, que limitaron las salidas a un máximo de dos veces por
semana, favoreciendo actividades semanales y apoyado en la buena forma ur-
bana del sector, lo que facilita una accesibilidad peatonal adecuada. A partir de
esta base, se presentan cartográficamente los equilibrios OD.

10.3.2. Representación de equilibrio espacial entre oferta y demanda

La delimitación de las áreas de demanda permite analizar la existencia de un

equilibrio espacial con las áreas de accesibilidad real (oferta) previamente es-
tudiadas por Núñez et al. (2022b). Se muestra el área de demanda superpuesta
con el área de accesibilidad real, lo que posibilita establecer el equilibrio espa-
cial ajustado al territorio entre la oferta (instalaciones) y la demanda (hogares).
A continuación, se presentan los resultados espaciales para las actividades con

– 516 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

frecuencia semanal, dadas las modificaciones en hábitos detectadas, coheren-

tes con las restricciones sanitarias de movilidad.

[Link]. Equilibrio espacial semanal entre oferta y demanda por alimentos

La superficie de demanda delimitada por los hogares que adquieren ali-

mentos es de 223 hectáreas, representando una cobertura del 82% del sector
Collao. Al compararla con la superficie de accesibilidad, que cubre un 84% del
área, se sugiere un equilibrio cuantitativo del 100%, es decir, que toda el área
de demanda tiene acceso real a alimentos a 400 metros de caminata. Sin em-
bargo, al ajustar espacialmente a la intersección territorial entre ambas áreas, el
equilibrio espacial OD real corresponde a un 76%. Esta representación espacial
se ilustra en la figura 51a.

[Link]. Equilibrio espacial semanal entre oferta y demanda por servicios

La superficie de demanda para servicios es de 169 hectáreas, equivalente al

62% del sector. Comparada con la accesibilidad a servicios, que abarca un 51%
de cobertura, se estima un equilibrio cuantitativo del 83%. Este valor indicaría
que el 83% del área de demanda tendría acceso real para adquirir servicios a
400 metros de caminata. No obstante, al ajustar la intersección territorial entre
demanda y oferta, el equilibrio espacial OD desciende a un 45%. Esta relación
se representa espacialmente en la figura 51b.
Es relevante destacar cómo el componente espacial puede variar significa-
tivamente según los criterios temporales seleccionados para el análisis. Esto
refleja una dinámica en la delimitación de áreas de demanda acorde a las dis-
tintas situaciones declaradas por los residentes, especialmente en un contex-
to de emergencia sanitaria. Estas observaciones respaldan las ideas de Mena
(2005) respecto a la variabilidad territorial asociada al componente temporal y
refuerzan la utilidad de delimitar áreas de mercado con base en la variabilidad
de preferencias de consumo y satisfacción, tal como señala Pérez (2008).

– 517 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 51. Equilibrio espacial OD semanal por alimentos y servicios.

Fuente: Elaboración propia a partir modelo de datos espacial.

10.3.3. Equilibrio espacial OD y satisfacción

Para profundizar el análisis, se relaciona la cobertura espacial del indicador

de satisfacción, identificado en Núñez et al. (2022b), con la delimitación del área
de equilibrio espacial OD para alimentos y servicios obtenida anteriormente.
Esto permite cuantificar el porcentaje de superficie del área de equilibrio que
presenta niveles de satisfacción espacial. Para el caso de alimentos, el equi-
librio entre demanda accesible y satisfacción es del 68%, mientras que para
servicios es del 31%. La representación espacial de este fenómeno se muestra
en las figuras 52a y 52b, respectivamente. La localización del área de equilibrio
“satisfactorio” se explica al superponer el área de equilibrio espacial OD (por
alimentos y servicios) con las áreas de satisfacción (indicadas en color violeta).
En gran medida, las áreas de satisfacción coinciden con las áreas de equilibrio,
intensificando el color en estas zonas. Este hallazgo explica la existencia de
una satisfacción espacial del 68% para alimentos y del 31% para servicios en
la adquisición semanal dentro del sector Collao. Esto implica que la demanda
satisfecha tiene cobertura de accesibilidad segura a las instalaciones que pro-
veen los bienes y servicios dentro del rango de caminata definido.
En conclusión, estos resultados sugieren que la forma urbana del sector
Collao no constituye una barrera para la satisfacción de necesidades en si-
tuaciones de emergencia sanitaria, gracias a la cercanía que ofrece a sus resi-
dentes para la provisión de bienes y servicios. Esta cercanía, producto de una
“buena” forma urbana en términos de accesibilidad, influye directamente en la
preferencia por la caminata como modo activo de desplazamiento (Núñez et

– 518 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

al., 2025). Mientras que la tipología de alimentos responde a una forma urba-
na satisfactoria en el contexto de emergencia sanitaria, la tipología servicios
presenta un menor porcentaje de satisfacción espacial en equilibrio OD. Esto
se debe a una mayor lejanía, menor cantidad y mayor dispersión espacial de
las instalaciones de servicios. En este contexto, el sector Collao podría mostrar
ciertas debilidades en cuanto a la función que desempeña dentro del Área Me-
tropolitana de Concepción (AMC), ya que su rol estaría limitado mayormente al
abastecimiento de bienes menores para sus residentes. Por ejemplo, existen
dificultades para acceder de forma segura, sostenible y satisfactoria a servicios
en los barrios Los Lirios y Los Fresnos, ubicados dentro del sector y destacados
en la figura 52b. Esta brecha en accesibilidad representa un desafío que debe-
ría abordarse para alcanzar una mayor satisfacción y cumplir con los estánda-
res de accesibilidad definidos por Pot et al. (2021).

Figura 52. Superposición entre áreas de Equilibrio OD y satisfacción espacial.

Fuente: Elaboración propia a partir modelo de datos espacial.

10.4. Conclusiones

Es indudable la importancia del análisis espacial como una herramienta fun-

damental para la geomática aplicada a la ordenación del territorio en contextos
urbanos. Este aporte se fortalece al incorporar el geomarketing social como
técnica para delimitar áreas de accesibilidad y satisfacción a partir de las prefe-
rencias de consumo declaradas por las personas. De esta manera, el capítulo
contribuye a reducir brechas en el estudio y relación entre accesibilidad y la

– 519 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

delimitación de áreas de demanda para bienes y servicios básicos, introducien-

do una nueva interpretación mediante las preferencias declaradas: las áreas de
equilibrio espacial OD durante el desarrollo de la pandemia, tema emergente
en los estudios urbanos.
Con base en este aporte, el capítulo concluye que, mediante la aplicación
del geomarketing social, el conocimiento del equilibrio espacial (a partir de la
delimitación de áreas de demanda de bienes y servicios de primera necesidad)
puede constituir un insumo relevante para interpretar el grado de satisfacción
espacial vinculado a la calidad física de la forma urbana, tal como señalan Mc-
Cay et al. (2017), Zumelzu (2019) y complementa Núñez et al. (2022b). Así, y en
línea con el objetivo del estudio, se estableció una delimitación espacial de
demanda que, en función de su equilibrio con la oferta disponible, puede ga-
rantizar un acceso peatonal seguro a las instalaciones. Esto implica que, una
vez realizado el desplazamiento, el residente podría experimentar satisfacción
o insatisfacción espacial con la provisión de servicios urbanos que motivaron
su demanda.
Al definir el equilibrio OD con base en la evaluación de la forma urbana en
su dimensión de accesibilidad, fue posible incluir los análisis de satisfacción
dentro de este marco investigativo. De esta manera, se evaluó en qué medida
las áreas de satisfacción ubicadas a no más de 400 metros (distancia tolerable
para la caminata) coinciden con las áreas de equilibrio. Siguiendo este argu-
mento, es factible estudiar el grado en que la demanda tiene cobertura de
accesibilidad segura a las instalaciones que proveen el bien o servicio deman-
dado junto con la percepción declarada de satisfacción de sus residentes.
En futuras líneas de investigación, sería pertinente evaluar los niveles de
satisfacción existentes utilizando medidas de accesibilidad y su equilibrio con
la demanda dentro de un mismo marco conceptual, con el objetivo de avanzar
hacia la sostenibilidad de la forma urbana y fomentar modos de desplazamien-
to sostenibles, como la caminata. Al promover la cercanía entre instalaciones y
hogares post COVID-19, el consumidor podría reforzar su preferencia por mo-
dos activos de desplazamiento. De esta forma, fomentando este esquema pre-
ferencial, el habitante se sentiría motivado a repetir experiencias satisfactorias,
desarrollando esquemas de lealtad hacia hábitos sostenibles que potencien
emociones positivas vinculadas al diseño urbano (Zumelzu et al., 2024).

– 520 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

Finalmente, el objetivo se concretó metodológicamente mediante la elabo-

ración de un método de análisis espacial soportado en técnicas de geomar-
keting social, incorporando las preferencias del consumidor desde una pers-
pectiva de forma urbana. Así, se focaliza el análisis espacial con tecnologías
de información geográfica propias de la geomática aplicada a la ordenación
territorial, dentro de una conceptualización social. En el futuro, sería posible
contabilizar la cantidad de lotes cubiertos bajo las delimitaciones planteadas,
generando un indicador normalizado de densidad en función de las superficies.
En síntesis, se concluye que es factible integrar, de forma analítica y metodoló-
gica, el comportamiento del consumidor y su percepción subjetiva respecto al
diseño urbano bajo criterios sostenibles que fomenten la satisfacción espacial.

10.5. Agradecimientos

Los contenidos de este capítulo forman parte de los resultados obtenidos

en la investigación «COVID0359», financiada por el Fondo de Investigación
Científica para Proyectos sobre COVID-19, promovido por la Agencia Nacional
de Investigación y Desarrollo (ANID) Chile en 2020. Asimismo, están asociados
a la tesis doctoral aprobada en el programa de Doctorado en Arquitectura y
Urbanismo (DAU) de la Universidad del Bío-Bío, Chile. Agradecemos al Cen-
tro de Investigación del Transporte (TRANSyT) de la Universidad Politécnica de
Madrid, España, por su colaboración en ambas instancias.

– 521 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

10.6. Referencias

Albornoz, E. (2022). “Accesibilidad barrial y forma urbana: exploración de niveles

de satisfacción para la demanda de bienes y servicios de primera necesidad
como dimensión para una movilidad sostenible pre y durante pandemia CO-
VID-19”. [Tesis de Doctorado. Universidad del Bío - Bío]
Albornoz, E., Núñez, F., Mena, C. (2020). “Geomarketing: Desde una visión co-
mercial a una aplicación social, en contextos metropolitanos”. Revista De
Geografía Norte Grande, (76), 143-167. [Link]
34022020000200143
Alonso, J., Grande, I. (2017) Comportamiento del consumidor. Decisiones y estra-
tegias de marketing. 8° Edición. Business & marketing school.
Arias-Molinares, D., García-Palomares, J., & Gutiérrez, J. (2022). “Micromobility
services before and after a global pandemic: impact on spatio-temporal tra-
vel patterns”. International Journal of Sustainable Transportation. Volume 17,
2023 - Issue 9. [Link]
Ashiru, O. (2003). “Development of an activity-based space-time accessibility
measure for individual activity schedules”. 35th Annual UTSG Conference,
6-8 January, Loughborough University.
Barton, H., Grant, M., & Guise, R. (2010). Shaping Neighborhoods: For local Health
and Global Sustainability. 2nd edition. London, New York: Routledge.
Cerin, E., Saelens, B., Sallis, J., & Frank, L. (2006). “Neighborhood Environment
Walkability Scale”. Medicine & Science in Sports & Exercise: September - Vo-
lume 38 - Issue 9 - p 1682-1691 doi: 10.1249/[Link].0000227639.83607.4d
Chasco, C. (2003). “El geomarketing y la distribución comercial”. Investigación y
Marketing, 2003, N°79, p. 6-13. 166
Escobar-Moreno, N., Jácome J., Garcia, G. (2015). “El geomarketing como ins-
trumento para la toma de decisiones de mercado en la organización: una
caracterización preliminar de su utilidad”. Espacios, 36(18). pp 8. [Link]
[Link]/a15v36n18/[Link]
Handy, S. (1996). “Methodologies for exploring the link between urban form and
travel behavior”. Transportation Research - D, 1(2), pp.151-165.

– 522 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

Herrmann-Lunecke, M.G., Mora, R., Vejares, P. (2020). “Identificación de elemen-

tos del paisaje urbano que fomentan la caminata en Santiago”. Rev. Urban.
2020, 43, 4–25. [Link]
Honey-Rosés, J., Anguelovski, I., Chireh, V., Daher, C., Konijnendijk, C., Litt,
J., Mawani, V., McCall, M. K., Orellana, A., Oscilowicz, E., Sánchez, U., Sen-
bel, M., Tan, X., Villagomez, E., Zapata, O., Nieuwenhuijsen, M. J. (2020).
The impact of COVID-19 on public space: an early review of the emer-
ging questions – design, perceptions and inequities. Cities & Health, DOI:
10.1080/23748834.2020.1780074
Jenks, M., & Jones, C. (2010). Dimensions of the Sustainable City. Dordrecht:
Springer.
Kaufman, V., & Widmer, E. (2006). “Motility and family dynamics: current issues
and research agendas”. In: Zeitschrift für Familienforschung 18. pp. 111-129
[Link]
Lättman, K., Friman, M., & Olsson, L. (2016). “Perceived Accessibility of Public
Transport as a Potential Indicator of Social Inclusion”. Social Inclusion, 4(3),
36-45. [Link]
McCay, L., Bremer, I., Endale, T., Jannati, M., & Yi, J. (2017). Urban Design and
Mental Health. In Mental Health and Illness in the City. Okkles, N., Blanner
Kristiansen, C., Munk-Jorgensen, P., Eds., Springer: Dordrecht, The Nether-
lands, 2017; pp. 421–444.
Mena, C. (2005). Geomática para la ordenación del territorio. 1ra Edición, Serie de
Textos Docentes. Universidad de Talca.
Moreno, A., Escolano, S. (1992). El comercio y los servicios para la producción y el
consumo. Madrid. Síntesis.
Moreno-Jiménez, A. (2002). “Delimitación y predicción del área de mercado
para establecimientos de servicios a los consumidores con sistemas de in-
formación geográfica”. Estudios Geográficos, LXIII, 247.
Nuñez, F., Albornoz, E., León, J., Zumelzu, A. (2022a). “Socially sustainable mobi-
lity: Strategic analysis to identify accessibility barriers”. Sustainable Cities and
Society 76: 103420. [Link]

– 523 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Nuñez, F., Albornoz, E., Gutiérrez, M., & Zumelzu, A. (2022b). “Socially Sustaina-
ble Accessibility to Goods and Services in the Metropolitan Area of Concep-
ción, Chile, Post-COVID-19”. Sustainability, 14, 14042. [Link]
su142114042
Nuñez, F., Albornoz, E., Zumelzu, A. (2025). “Alternativas para Desplazamientos
Sostenibles en Concepción, Chile: Percepciones Pre y Durante Pandemia
Covid-19.”, ACE: Architecture, City and Environment. Aceptado, por publicar.
Odizola, J., Bondar, C., Cardozo, O. (2008). Geomarketing: una propuesta de loca-
lización óptima. XXIII Educa-AL.
Pérez, L. (2006). Marketing Social: Teoría y Práctica. Prentice Hall.
Pérez, R. (2008). “Geomarketing en salud para ubicar oferta de servicios médi-
cos de valor. Caso: Proyecto de investigación para ubicar una nueva oferta
hospitalaria”. Salud Uninorte. Barranquilla. N° 24. p. 319-340.
Pot, F., van Wee, B., & Tillema, T. (2021). “Perceived accessibility: What it is and
why it differs from calculated accessibility measures based on spatial data”.
Journal of Transport Geography, Volume 94. [Link]
geo.2021.103090
Rivas, J., Esteban, I. (2017). Comportamiento del consumidor. Decisiones y estrate-
gia de marketing. (Octava edición). ESIC, Business & Marketing School.
Samuelsson, K., Barthel, S., Colding, J., Macassa, G., & Giusti, M. (2020). “Urban
nature as a source of resilience during social distancing amidst the coronavi-
rus pandemic”. Landscape and Urban Planning. [Link]
io/3wx5a
Santesmases, M. (2012). “Aplicación de la investigación de mercados al análisis
de problemas de marketing”. ICADE. Revista De La Facultad De Derecho, (83-
84), 339-359. Recuperado de [Link]
taicade/article/view/152
Secretaría Regional de Transportes, SECTRA. (2017). “Encuesta de Origen y Des-
tino AMC”. Ministerio de Transportes y Telecomunicaciones, Chile.
Talen, E. (2011). “Sprawl Retrofit: Sustainable Urban Form in Unsustainable
Places”. Environment and Planning B: Planning and Design, 38(6), 952–978.
[Link]

– 524 –
 Forma urbana y áreas de accesibilidad como servicio: geomarketing social

Vega R., Acuña J., & Díaz M. (2015). “Spatial analysis of consumer behavior in a
food products market”. Theoretical and Empirical Researches in Urban Mana-
gement, Vol. 10.
Vega-Gonzalo, M., Gomez, J., & Christidis, P. (2023). “How has COVID-19 changed
private car use in European urban areas? An analysis of the effect of socio-
economic characteristics and mobility habits”. Transportation Research Part
A: Policy and Practice, Volume 172. [Link]
Zecca, C., Gaglione, F., Laing, R., & Gargiulo, C. (2020). “Pedestrian routes and
accessibility to urban services: an urban rhythmic analysis on people’s be-
haviour before and during the COVID-19”. TeMA: journal of land use, mobili-
ty and environment [online], 13(2), pages 241-256. Available from: [Link]
org/10.6092/1970-9870/7051
Zumelzu, A., & Herrmann-Lunecke, G. (2021). “Mental well-being and the in-
fluence of place: Conceptual approaches for the built environment for plan-
ning healthy and walkable cities”. Sustainability 13 (11): 6395. [Link]
org/10.3390/su13116395
Zumelzu, A., Espinoza, D. (2019). “Elaboración de una metodología para eva-
luar la sostenibilidad en barrios de ciudades intermedias”. Revista 180 44
(2): 80-94. [Link]
669X2019000200080
Zumelzu, A., Barría, T., Barrientos-Trinanes, M. (2020). “Efectos de la forma urba-
na sobre la accesibilidad peatonal en barrios del sur de Chile”. Arquitectura
Revista, 16(1), 01-22. [Link]
Zumelzu, A., Heskia, C., Herrmann-Lunecke, M.G., Vergara, G., Estrada, M., &
Jara, C. (2024). “Street Design Elements That Influence Mental Well-Being:
Evidence from Southern Chile”. Land 2024, 13, 1398. [Link]
land13091398

– 525 –
 CAPÍTULO XI
GEOMÁTICA Y PERSONAS MAYORES

Nacim Molina1, Magdalena Sepúlveda1, Diego Arauna1, Eduardo Fuentes Q.1,

Miguel Bustamante2, Iván Palomo1

11.1. Introducción

El envejecimiento poblacional es un fenómeno global que ha cobrado espe-

cial relevancia en las últimas décadas, presentando un impacto significativo en
diversas áreas, particularmente en la salud pública (Khavinson et al., 2020). Se
estima que para el año 2050, el 21,5% de la población mundial tendrá 60 años
o más, lo que plantea retos considerables para los sistemas de salud, la pla-
nificación urbana y las estructuras sociales en general (United Nations, 2022).
Este envejecimiento acelerado de la población, impulsado por el aumento en
la esperanza de vida y la disminución de las tasas de natalidad, exige una res-
puesta integral que aborde las necesidades específicas de este grupo etario,
particularmente en el contexto de la desigualdad socioeconómica y territorial
(Christensen et al., 2009).
Chile no está exento de esta realidad. Según datos del Instituto Nacional de
Estadísticas, la esperanza de vida en el país se ha triplicado en el último siglo,
y se proyecta que para 2050 el porcentaje de personas mayores de 60 años
aumente del 15,7% al 32,9% (Instituto Nacional de Estadística, 2015; 2022). Este
crecimiento exponencial de la población mayor viene acompañado de profun-
das desigualdades tanto de género como entre zonas urbanas y rurales, que
afectan directamente la calidad de vida y el acceso a servicios esenciales de
salud (The Health Literacy of America’s Adults: Results from the 2003 National
Assessment of Adult Literacy, 2006). Estas disparidades representan uno de

1
Centro de Investigación en Trombosis y Envejecimiento saludable (CITES), Facultad de Ciencias de la Salud;
Centro Interuniversitario de Envejecimiento Saludable (CIES)-CUECH, Centro de Longevidad VITALIS, Univer-
sidad de Talca.
2
Facultad de Economía y Negocios, Centro Interuniversitario de Envejecimiento Saludable (CIES)-CUECH,
Centro de Longevidad VITALIS, Universidad de Talca.

– 527 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

los principales desafíos a nivel nacional e internacional, ya que impactan en la

capacidad de las personas mayores para mantener una vida autónoma y salu-
dable.
En respuesta a estos desafíos, la Organización Mundial de la Salud (OMS) ha
promovido el concepto de Envejecimiento Saludable, definido como el “proce-
so de desarrollar y mantener la capacidad funcional que permite el bienestar
en la vejez” (Michel & Sadana, 2017). Este enfoque incluye cuatro áreas de ac-
ción fundamentales: cambiar la percepción social sobre el envejecimiento, ga-
rantizar comunidades que fomenten las capacidades de las personas mayores,
proporcionar atención integrada y centrada en la persona y asegurar el acceso
a cuidados a largo plazo (Rudnicka et al., 2020). Cada una de estas áreas requie-
re una colaboración multisectorial que integre la salud, la educación, la tecno-
logía y la planificación urbana para generar entornos inclusivos y sostenibles.
En este contexto, las herramientas geomáticas han emergido como recur-
sos clave para abordar los desafíos asociados al envejecimiento poblacional
desde una perspectiva espacial y analítica (Gomarasca, 2010). La geomática,
que incluye disciplinas como los Sistemas de Información Geográfica (SIG), la
teledetección y el análisis de datos geoespaciales, ofrece un conjunto de me-
todologías y tecnologías que permiten comprender y visualizar patrones com-
plejos relacionados con la salud y el bienestar de la población (Pacino, 2017).
Por ejemplo, los SIG pueden ser utilizados para mapear la distribución de ser-
vicios de salud, identificar áreas con alto riesgo de aislamiento social o evaluar
la accesibilidad a espacios públicos seguros y amigables para las personas
(Sansò & Crespi, 2015). Asimismo, estudios recientes en población chilena han
mostrado que el envejecimiento no solo depende de factores clínicos, sino
también del entorno urbano y la distribución geográfica de servicios y áreas
verdes (Ormazábal et al., 2025).
El potencial de las herramientas geomáticas no se limita al análisis de datos
existentes; también juegan un papel crucial en la planificación de intervenciones
específicas. Estas tecnologías permiten diseñar ciudades más inclusivas mediante
la identificación de barreras físicas y sociales que limitan la movilidad y la parti-
cipación de las personas (Gomarasca, 2009). Además, facilitan la integración de
datos socioeconómicos, ambientales y de salud para desarrollar políticas públicas
basadas en evidencia, dirigidas a promover un envejecimiento activo y saludable
(Recchioni et al., 2020). Asimismo, el monitoreo en tiempo real de condiciones am-

– 528 –
 Geomática y personas mayores

bientales y el uso de datos satelitales pueden complementar estrategias de pre-

vención, identificando áreas de riesgo ante eventos climáticos extremos o condi-
ciones que pueden agravar la vulnerabilidad de la población (Rushton, 2003).
Este trabajo revisa y analiza, a través de una revisión narrativa, el papel de las
herramientas geomáticas en el estudio del envejecimiento poblacional, destacan-
do su utilidad para identificar desigualdades, planificar intervenciones y promover
un envejecimiento saludable. Evidenciar el uso y aplicabilidad de estas tecnologías
podría resultar útil en estrategias de políticas públicas y locales, que buscan mejo-
rar la calidad de vida de las personas mayores mediante soluciones innovadoras y
sostenibles. Además, la revisión resalta la importancia de un enfoque interdiscipli-
nario basado en evidencia, que facilite la comprensión de los factores que influyen
en la salud y el bienestar, fomentando la autonomía, participación social y calidad
de vida. Finalmente, se subraya la necesidad de capacitar a profesionales y fortale-
cer la colaboración entre investigadores, tomadores de decisiones y comunidades
locales para maximizar el impacto positivo de estas herramientas.

11.2. Desarrollo

Algunas de las aplicaciones de geomática más comunes en el estudio de

poblaciones humanas están relacionadas con el uso de datos geoespaciales
para comprender mejor la prevalencia, la etiología, la transmisión y el trata-
miento de diversas enfermedades. Asimismo, las herramientas geomáticas han
sido empleadas para mapear fenómenos urbanos y analizar su relación con el
paisaje físico, abordando aspectos como la percepción ciudadana y las adap-
taciones a los espacios en función de las diferencias culturales.
En este contexto, el desarrollo del presente capítulo se basó en la búsqueda de
trabajos científicos relacionados con herramientas geomáticas aplicadas en temas
relacionados con personas mayores. Para esto, se analizaron todos los artículos
originales y de revisión disponibles en las bases de datos de corriente científicas
(PubMed/Medline, Scopus, Web of Science y Embase), publicados hasta octubre
de 2024, sin límite de fecha y cumpliendo los siguientes criterios de inclusión: (1)
texto completo en inglés o español, (2) artículos originales o de revisión, (3) perso-
nas mayores; (4) uso de herramientas geoespaciales. Para determinar qué artícu-
los incluir, se analizó el título, el resumen y el texto completo de los artículos que
cumplieron los criterios de inclusión. Se utilizaron las siguientes palabras claves:

– 529 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

“Aging”, “Older People”, “Geographic Information System”, “Global Positioning Sys-

tem”, “Spatial Analysis”, en conjunto con los términos booleanos OR y AND.

11.3. Resultados y discusión

En esta sección se presentan los resultados de la revisión y análisis de litera-

tura científica, focalizando los resultados en los beneficios del uso de tecnolo-
gía geomática en temas referidos a personas mayores, incluyendo un ejemplo
de análisis espacial aplicado a la evaluación de la habitabilidad de espacios
urbanos para personas mayores.

11.3.1. Aplicación de la geomática en población de personas mayores

La geomática, una disciplina que integra la adquisición, análisis y represen-

tación de datos espaciales, ha demostrado ser invaluable en una variedad de
campos, desde la planificación urbana hasta la gestión ambiental. En el con-
texto de las personas mayores, la geomática desempeña un papel crucial al
permitir una mejor comprensión de los patrones espaciales relacionados con
la salud, la accesibilidad, la movilidad y la calidad de vida en general (Chen et
al., 2024). A través de tecnologías como los SIG y la teledetección, se puede
identificar y abordar de manera más efectiva las necesidades específicas de
esta población, contribuyendo así a la creación de entornos más inclusivos y
amigables para las personas mayores (Wang & Liu, 2024).
Actualmente, la geomática y la georreferenciación se emplean de diversas
maneras para promover el bienestar de las personas mayores, tal como se des-
cribe a continuación (resumen en tabla 17):

• Fragilidad y entornos urbanos: la fragilidad es un síndrome geriátrico que

refleja una disminución de la reserva fisiológica y una mayor vulnerabili-
dad ante eventos adversos, como caídas, hospitalizaciones y dependen-
cia. Desde una perspectiva urbana, el entorno físico en el que residen las
personas mayores puede desempeñar un rol crucial en la aparición y pro-
gresión de este síndrome. La aplicación de herramientas geomáticas per-
mite visualizar y cuantificar cómo ciertas características del espacio urbano
(accesibilidad, densidad poblacional, presencia de servicios) se relacionan

– 530 –
 Geomática y personas mayores

directamente con la distribución espacial de la fragilidad. En un estudio

realizado en la ciudad de Talca, Chile, se analizó una cohorte de 251 perso-
nas mayores utilizando SIG y fragilidad caracterizada mediante el fenotipo
de fragilidad de Fried (herramienta estándar de fragilidad). Se identificaron
seis clusters urbanos con distintas características sociodemográficas, ob-
servándose que los individuos frágiles tendían a concentrarse en zonas de
densidad poblacional elevada y menor estatus socioeconómico, donde la
prevalencia de fragilidad alcanzó hasta un 34,1% (Ormazábal et al., 2025).
A través del análisis de distancias desde la residencia de los participantes
a distintos servicios urbanos, se evidenció que las personas frágiles vivían
significativamente más cerca de centros de salud de urgencia, plazas o
parques y recintos deportivos, en comparación con personas no frágiles.
Este análisis evidencia que la fragilidad en personas mayores no solo es
una condición clínica, sino también territorial. Así, incorporar datos geoes-
paciales permite identificar zonas prioritarias para intervenciones en salud
pública y planificación urbana, contribuyendo al diseño de entornos más
amigables, accesibles y resilientes para el envejecimiento.
• Planificación de servicios de salud: mediante el análisis de datos espacia-
les, es posible identificar áreas con una alta concentración de personas
mayores y planificar la ubicación estratégica de centros de atención médi-
ca, centros de atención a largo plazo y servicios de atención domiciliaria.
El deterioro de la función física en las personas mayores puede representar
un desafío para su calidad de vida y su capacidad de adaptación al entorno.
Aquellos que cuentan con un acceso más fácil a servicios y recursos de
pensiones tienen la posibilidad de recibir atención oportuna, satisfacer sus
necesidades básicas con menores costos de transporte y, así, favorecer la
prolongación de su vida y la mejora de su felicidad (Youn et al., 2020).
En este contexto, el estudio de Huang et al. (2022) pudo identificar áreas con
una distribución de recursos insuficiente para la optimización del diseño de
los centros de salud para personas mayores. Este marco puede proporcionar
información para la planificación en otras ciudades similares, mientras que
el esquema de trabajo que se utilizó para la investigación también podría
ofrecer una referencia para la investigación de otras instalaciones públicas.
• Accesibilidad y movilidad: la geomática ayuda a identificar barreras físicas
y sociales que pueden dificultar la movilidad de las personas mayores, per-

– 531 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

mitiendo la planificación de rutas accesibles, el diseño de infraestructuras

adecuadas y la implementación de servicios de transporte adaptado.
La accesibilidad urbana es un concepto complejo y multidisciplinario que ha
generado una brecha notable entre la planificación y su aplicación práctica en
la urbanización. Esto se debe principalmente a las dificultades para calcular
e implementar medidas de accesibilidad en las decisiones de planificación.
Así, la llegada de los SIG ha facilitado considerablemente el desarrollo de he-
rramientas de planificación centradas en la accesibilidad (Guida et al., 2022).

Tabla 17: Resumen aplicación de herramientas geomáticas en personas

mayores.
Ámbito de Contribución a la planificación
Aplicación específica
aplicación territorial
Permite localizar zonas prioritarias
Identificación de patrones
con alta concentración de personas
espaciales de fragilidad mediante
Fragilidad y mayores frágiles, facilitando
SIG, considerando densidad
entornos urbanos intervenciones focalizadas en salud
poblacional, accesibilidad y
pública, infraestructura urbana y
distribución socioeconómica
servicios sociales
Planificación de servicios de salud:
Identificación de áreas con alta
ubicación estratégica de centros
concentración de personas
Salud y bienestar médicos, servicios de atención
mayores y distribución óptima de
domiciliaria y centros de atención a
recursos sanitarios
largo plazo
Identificación de barreras físicas Mejora de la accesibilidad
Accesibilidad y y sociales, diseño de rutas urbana mediante herramientas
movilidad accesibles, infraestructuras SIG, reduciendo la brecha entre
adecuadas y transporte adaptado planificación y ejecución práctica
Monitoreo georreferenciado
Uso de SIG y GPS para diseñar
para rastrear ubicaciones y
Seguridad y estrategias de cuidado
alertas en caso de emergencias,
protección personalizadas y garantizar
especialmente en personas con
seguridad en tiempo real
demencia
Fomento de la participación social
Identificación de lugares de y creación de entornos inclusivos
Inclusión social interés como parques, centros adaptados a las necesidades
comunitarios y servicios recreativos culturales y recreativas de las
personas mayores
Combinación de SIG e inteligencia Uso de tecnologías inteligentes
Entornos
artificial para personalizar servicios en la planificación de
inteligentes para
de salud, sugerir rutas seguras entornos amigables, seguros y
el envejecimiento
y generar recomendaciones energéticamente eficientes para
saludable
adaptadas a personas mayores personas mayores

– 532 –
 Geomática y personas mayores

• Seguridad y protección: los sistemas de monitoreo basados en la georre-

ferenciación pueden utilizarse para garantizar la seguridad de las perso-
nas mayores, permitiendo a los/as cuidadores/as y familiares rastrear su
ubicación y recibir alertas en caso de emergencia (Sturge et al., 2021).
Una de las enfermedades más prevalentes en personas mayores es la
demencia, que aumenta considerablemente la probabilidad de extravío.
Desde esta perspectiva clínica, el SIG y el GPS (Sistema de Posiciona-
miento Global) son esenciales para diseñar intervenciones personaliza-
das que permitan el cuidado de población (Firouraghi et al., 2022).
• Inclusión social: la geomática también puede contribuir a la inclusión so-
cial de las personas mayores al identificar lugares de interés para ellos,
como parques, centros comunitarios y servicios recreativos, facilitando
así su participación en la sociedad.
Los datos indican que la actividad más común entre las personas ma-
yores es caminar (14%), seguida de la práctica de deportes (9%), otras
actividades físicas (9%) y actividades al aire libre (7%). También se indica
que aspectos considerados extremadamente o muy importantes para las
personas mayores son la proximidad de la comunidad a los centros de
salud (70%) y a las organizaciones sociales (57%) (Chen et al., 2022).
Se describe que la investigación que considera las características de la
población mediante los SIG aplicados en geomorfología se convierte en
un área de estudio crucial para una variedad de proyectos de desarrollo.
Estos métodos se utilizan para evaluar las características naturales del
entorno, identificar determinantes y barreras geomorfológicas existentes,
y desarrollar estrategias adecuadas para un crecimiento urbano inclusivo
(Daoudi & Niang, 2021).
• Entornos inteligentes para el envejecimiento saludable: la combinación
SIG e inteligencia artificial (IA) se vislumbra como un avance significativo
en el apoyo a las personas mayores. La IA puede analizar grandes cantida-
des de datos geoespaciales para generar información valiosa que mejore
la calidad de vida de las personas mayores. Por ejemplo, los algoritmos
de IA pueden identificar patrones de movilidad de las personas mayores
y sugerir rutas más seguras y eficientes. Además, la IA puede personalizar
servicios de salud y bienestar, como recomendaciones de ejercicio físico
o recordatorios de medicación adaptados a las necesidades individuales

– 533 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

de cada persona mayor. El uso de tecnologías inteligentes, como senso-

res e IA en hogares, edificios o entornos, puede también impactar en el
ahorro de energía y la seguridad de las personas mayores al enviar noti-
ficaciones en tiempo real a familiares o al centro de salud más cercano,
donde se tendrá acceso a la ubicación de la persona mayor para brindar
asistencia (Fauzi, 2024; Mahdi Ali, n.d.).

11.3.2. Habitabilidad de los espacios, funcionalidad y felicidad de las perso-

nas mayores

Desde la perspectiva del bienestar, la literatura confirma que la felicidad es

un concepto multidimensional derivado de la autopercepción (Puello-Alcocer
et al., 2018) y asociado a la condición sociocultural dentro de un contexto geo-
espacial (barrio o ciudad) que puede presentar condiciones particulares en las
que las personas mayores se desenvuelven (Seligman, 2017). En este sentido,
adquieren relevancia las características físicas de habitabilidad de los espacios
donde las personas mayores se movilizan (Sen & Kliksberg, 2007). Dichos des-
plazamientos y entornos pueden ser georreferenciados, lo que permite iden-
tificar situaciones o condiciones desfavorables que agravan las limitaciones
funcionales de esta población. Esto ocurre, por ejemplo, cuando condiciones
urbanas deterioradas exigen habilidades adicionales, lo cual puede anticipar
la aparición de distintos grados de dependencia, reduciendo así su calidad de
vida (Gatica et al., 2022).
Un estudio reciente realizado en la región del Maule, Chile, explora la relación
entre la funcionalidad y la autopercepción subjetiva de felicidad en personas
mayores (Bustamante et al., 2024), arrojando resultados significativos. La investi-
gación consideró una muestra de 785 adultos mayores de ambos sexos y deter-
minó una asociación significativa y directa entre la felicidad (medida mediante
SHS) y la funcionalidad (evaluada con el índice KATZ), con un coeficiente de
correlación del 16,1%. Además, se identificó una relación causal (SHS <– KATZ)
del 17,9%, lo que indica que la funcionalidad actúa como variable causal, mien-
tras que la felicidad cumple el rol de variable efecto. Estos hallazgos respaldan
la idea de que a mayor funcionalidad, mayor es la autopercepción de felicidad
(Gatica et al., 2022).
En esta línea, diversos factores, como las habilidades funcionales, la vida
social y la salud mental, impactan tanto individual como colectivamente en el

– 534 –
 Geomática y personas mayores

bienestar personal, debido al efecto positivo y directo que la funcionalidad ejer-

ce sobre la felicidad individual (Seligman, 2017). Asimismo, la felicidad también
se ve influida por la naturalidad con que las personas realizan sus actividades
cotidianas y mantienen su rol de proveedores dentro de sus respectivos entor-
nos sociales (Sakuma et al., 2022). Esto refuerza la noción de que la felicidad en
las personas mayores proviene, en gran medida, de la autonomía alcanzada y
de la capacidad de satisfacer por sí mismas sus necesidades (Puello-Alcocer
et al., 2018). En consecuencia, las personas mayores activas, que conservan ni-
veles elevados de funcionalidad, tienden a mantener una inserción social más
sólida, envejecen con mayor éxito y preservan su autonomía e independencia,
lo que se traduce en niveles más altos de felicidad (Lévy y Varela, 2006).
En este contexto, el uso de los SIG puede contribuir significativamente a
la identificación de sectores donde residen personas mayores con más altos
niveles de vulnerabilidad social o limitado acceso a servicios de salud. Esta
información resulta fundamental para comprender las necesidades específi-
cas de estos grupos y diseñar intervenciones orientadas a mejorar su calidad
de vida. Reconocer estas zonas de alta concentración de personas mayores
vulnerables permite focalizar acciones por parte de equipos interdisciplinarios
(como medicina, salud pública, derecho y trabajo social), generando un impac-
to positivo en esta población (Hames et al., 2017).
Asimismo, el uso de SIG facilita la identificación de la distribución espacial
de áreas verdes, farmacias, centros de salud, supermercados y servicios de
seguridad pública (como tenencias de carabineros), todos ellos factores que
influyen directamente en la vida cotidiana de las personas mayores. Esta herra-
mienta permite, además, evaluar las oportunidades y la accesibilidad real que
tienen los adultos mayores para acceder a estos recursos cuando los requie-
ren, proporcionando información clave para la planificación urbana y la formu-
lación de políticas públicas inclusivas.
A continuación, se describe un ejemplo que evidencia la utilidad de los SIG en
la evaluación de la habitabilidad de espacios urbanos de acuerdo a las necesi-
dades de personas mayores. Para esto, se identificaron y mapearon algunos ser-
vicios de interés para las personas mayores en la ciudad de Talca, considerando:

- Centros de adulto mayor: se identificaron 59 centros destinados a la aten-

ción y actividades de personas mayores.

– 535 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Centros de salud: se registraron 17 establecimientos públicos, incluyendo

hospitales, CESFAM y SAPU.
- Farmacias: se identificaron 46 farmacias dentro del radio urbano.
- Servicios de seguridad: se identificaron 6 unidades policiales, incluyendo
comisarías y tenencias de Carabineros.
- Áreas verdes: se registraron 124 espacios verdes continuos dentro de las
manzanas urbanas.

Cada uno de estos servicios fue georreferenciado en su ubicación precisa en

la ciudad. De acuerdo con la literatura revisada, se definió en torno a cada uno
de estos servicios un radio de influencia de 400 m (de la Barrera et al., 2023).
Se utilizaron herramientas de análisis espacial en SIG, con el fin de identificar
sectores al interior de la ciudad donde los residentes cuentan con al menos 3
servicios a menos de 400 metros de distancia. Luego se identificaron sectores
de la ciudad donde los residentes cuentan con los 5 servicios a menos de 400
m de distancia.
En la figura 53, las zonas marcadas en celeste representan los sectores don-
de las personas mayores pueden acceder a al menos tres servicios en un radio
de 400 metros. Se observa que el sector norte y el centro de la ciudad concen-
tran la mayor cantidad de áreas con servicios accesibles para personas mayo-
res. En segundo lugar, el sector suroeste también presenta ciertas zonas con
acceso a estos servicios. Por otra parte, el sector oriente de la ciudad parece
presentar una menor relación de espacio que cumplen con estos 3 servicios
con el territorio disponible.

– 536 –
 Geomática y personas mayores

Figura 53. Mapa de la ciudad de Talca con sectores que presentan 3 servicios.

En la figura 54, como complemento a las zonas marcadas en celeste (acce-

sibilidad a 3 servicios), se presenta una zona marcada en verde que indica la
accesibilidad a los 5 servicios descritos previamente. Cabe notar que solo se
registra una zona que cumple con estos criterios y se encuentra en el sector
oriente de la ciudad de Talca.

11.3.3. Discusión

A medida que las sociedades de todo el mundo continúan enfrentando los

desafíos asociados con el envejecimiento poblacional, la integración de la tec-
nología geoespacial ha surgido como una herramienta poderosa para com-
prender y abordar las complejas dinámicas de esta transición demográfica
(Delmelle et al., 2021). En este capítulo se exploró la intersección entre el enve-
jecimiento y tecnología geoespacial, examinando cómo la dimensión espacial
puede enriquecer la comprensión del proceso de envejecimiento y contribuir al
desarrollo de comunidades amigables con las personas mayores.
La literatura revisada revela el potencial de la tecnología para mejorar la cali-
dad de vida de los adultos mayores. Investigaciones recientes han subrayado la

– 537 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

importancia de fomentar la colaboración multidisciplinaria entre científicos so-

ciales, ingenieros y expertos en salud para diseñar soluciones innovadoras que
respondan a las necesidades cambiantes de esta población (Buffel et al., 2019).
Este enfoque basado en la tecnología no solo promueve el uso de herramien-
tas tecnológicas para apoyar a individuos y comunidades, sino que también
enfatiza la necesidad de integrar principios éticos y humanísticos en el diseño y
evaluación de estas innovaciones (Sixsmith & Gutman, 2013).

Figura 54. Mapa de la ciudad de Talca con sectores que presentan 3 y 5 servicios.

El ejemplo presentado, utilizando herramientas SIG, revela que en la ciudad

de Talca solo un pequeño sector ofrece facilidad de acceso a los cinco ser-
vicios clave para este grupo. Sin embargo, se identifica varias áreas donde el
acceso a al menos tres de estos servicios es más favorable, lo que podría con-
tribuir significativamente a la planificación territorial enfocada en el bienestar
de la población mayor.
La evidencia científica indica que la accesibilidad urbana es crucial para per-
sonas mayores en relación con los servicios de atención primaria de salud, far-
macias comunitarias y áreas verdes o recreativas. Varios estudios en Italia han
empleado métodos basados en SIG y variantes del procedimiento Two-Step
Floating Catchment Area (2SFCA) para medir la accesibilidad. En Nápoles, un

– 538 –
 Geomática y personas mayores

estudio reportó que casi el 70% de los residentes mayores experimentaban un

acceso deficiente o muy deficiente a la atención primaria de salud (Delmelle
et al., 2021). En Milán, investigaciones realizadas durante la pandemia indicaron
que solo entre el 3% y el 8% de las personas mayores tenían alta accesibilidad
a estos servicios, mientras que el 40% enfrentaba barreras significativas para
acceder a ellos (Coppola et al., 2022). En Lisboa, un análisis de accesibilidad a
farmacias mostró que el 61,2% de los adultos mayores vive a una distancia de
10 minutos a pie, y el 76,9% dentro de los 15 minutos (Santos et al., 2020). Por
otro lado, un estudio sobre espacios verdes urbanos en Salzburgo reveló que
el 62% de estos espacios dentro de un radio de 1.000 metros no eran visitados
debido a barreras como obras viales, malas condiciones de las aceras y pen-
dientes pronunciadas (Kabisch et al., 2019).
Además, los estudios documentan disparidades socioespaciales en la acce-
sibilidad urbana. En barrios periféricos o suburbanos, los adultos mayores suelen
enfrentar una menor disponibilidad de servicios debido a una distribución desigual
de las instalaciones y a la falta de un sistema de transporte público adecuado
(Wang & Lee, 2021). Aunque los estudios analizados no presentan datos específi-
cos sobre la accesibilidad a comisarías, sí resaltan desafíos comunes en el acceso
a servicios de salud, farmacias y áreas verdes en diversas ciudades de Europa,
China y México. Además, investigaciones recientes han señalado que, en muchas
urbes, la planificación urbana no ha priorizado la accesibilidad inclusiva para la po-
blación mayor, lo que exacerba la desigualdad en la disponibilidad de servicios
esenciales (Martínez & Rojas, 2023). Los resultados del estudio realizado en Chi-
le por Ormazábal et al. (2025) evidencian que la fragilidad en personas mayores
presenta una distribución geoespacial heterogénea, influida por factores como la
densidad poblacional, el nivel socioeconómico y la accesibilidad a servicios urba-
nos clave. En particular, se observó una mayor prevalencia de fragilidad en secto-
res con menor estatus socioeconómico y mayor concentración poblacional, lo que
sugiere que la fragilidad es un fenómeno clínico asociado fuertemente al entorno
sociodemográfico. Asimismo, las personas frágiles residían más cerca de centros
de salud y servicios de urgencia, parques y recintos deportivos, lo cual podría in-
terpretarse como un patrón adaptativo o una respuesta institucional dirigida a fa-
cilitar el acceso a servicios esenciales. Estos hallazgos refuerzan la importancia de
integrar herramientas geomáticas en el diseño de políticas públicas y planificación
urbana, permitiendo identificar zonas críticas y orientar intervenciones basadas en
evidencia para fomentar un envejecimiento saludable.

– 539 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En este contexto, se hace cada vez más evidente la preocupación por esta-
blecer sectores y barrios amigables con las personas mayores, que ha cobrado
un impulso significativo a medida que gobiernos y organizaciones cívicas bus-
can desarrollar entornos urbanos accesibles y adaptados a las necesidades de
los residentes mayores. Este enfoque integral reconoce la naturaleza multifa-
cética de los desafíos del envejecimiento, abarcando aspectos como la salud,
el transporte, la vivienda y la reducción del aislamiento social (WHO, 2015).

11.4. Conclusiones

El envejecimiento poblacional es un fenómeno global que merece una aten-

ción importante por parte de los gobiernos, organizaciones sociales y la co-
munidad en general. En este contexto, la geomática emerge como una aliada
estratégica para el desarrollo de soluciones tecnológicas que favorezcan la
calidad de vida de las personas mayores. La integración de la geomática, a tra-
vés de SIG y GPS, junto con la inteligencia artificial, proporciona un abanico de
posibilidades que permiten abordar los desafíos asociados al envejecimiento y
el ambiente en que se desenvuelven. La evidencia actual en nuestro país indica
que la incorporación del enfoque geoespacial a la epidemiología de la fragili-
dad abre nuevas oportunidades para la gestión territorial del envejecimiento y
el desarrollo de entornos urbanos inclusivos y resilientes. La geomática, junto
a tecnologías como la IA, emerge como una herramienta valiosa para construir
un futuro más inclusivo y sostenible para las personas mayores. El impulso a la
investigación, la innovación y la colaboración multisectorial serán claves para
materializar este potencial y convertir el envejecimiento en una etapa plena de
oportunidades y bienestar.

11.5. Agradecimientos

Este capítulo ha sido financiado en parte por el Centro Interuniversitario de

Envejecimiento Saludable, Código RED211993, y el Centro de Longevidad VITA-
LIS, Universidad de Talca.

– 540 –
 Geomática y personas mayores

11.6. Referencias

Buffel, T., Phillipson, C., & Scharf, T. (2019). “Ageing in urban environments: Deve-
loping ‘age-friendly’ cities”. Critical Social Policy, 39(4), 598–618. [Link]
org/10.1177/0261018319860811
Bustamante, M. A., Plaza, E., & Garcia, V. (2024). “Confirmatory factor analysis of
the effect of daily-living on the happiness of community-dwelling older adults
in Chile”. Heliyon, 10(6), e28230. [Link]
Chen, K., Zhao, P., Qin, K., Kwan, M. P., & Wang, N. (2024). “Towards healthcare ac-
cess equality: Understanding spatial accessibility to healthcare services for
wheelchair users”. Computers, Environment and Urban Systems, 108, 102069.
[Link]
Chen, Y., Liu, B., Shen, Y., & Li, L. (2022). “Assessing accessibility to service facili-
ties for older people in age-restricted communities from the perspective of
equity”. Journal of Transport & Health, 27, 101515. [Link]
JTH.2022.101515
Christensen, K., Doblhammer, G., Rau, R., & Vaupel, J. W. (2009). “Ageing popula-
tions: the challenges ahead”. Lancet, 374(9696), 1196. [Link]
S0140-6736(09)61460-4
Coppola, P., Papa, E., & Angiello, G. (2022). “Urban accessibility and elderly po-
pulations: The impact of the COVID-19 pandemic in Milan”. Journal of Trans-
port Geography, 98, 103–112. [Link]
Daoudi, M., & Niang, A. J. (2021). “Effects of geomorphological characteristics
on urban expansion of Jeddah city-Western Saudi Arabia: a GIS and Remo-
te Sensing Data-Based Study (1965–2020)”. Journal of Taibah University for
Science, 15(1), 1217–1231. [Link]
de la Barrera, F., Reyes-Paecke, S., Truffello, R., de la Fuente, H., Salinas, V.,
Villegas, R., & Steiniger, S. (2023). “Comparing green spaces provision and
accessibility indicators over a latitudinal gradient and multiple climate zo-
nes”. Urban Forestry & Urban Greening, 79, 127791. [Link]
org/10.1016/[Link].2022.127791
Delmelle, E. C., Haslauer, E., & Prinz, T. (2021). “Assessing spatial accessibility for
the elderly: A GIS-based analysis in Naples, Italy”. Applied Geography, 130,
102–117. [Link]

– 541 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Fauzi, C. (2024). A Review Geospatial Artificial Intelligence (Geo-AI): Implemen-

tation of Machine Learning on Urban Planning (pp. 311–329). [Link]
org/10.2991/978-94-6463-364-1_30
Firouraghi, N., Kiani, B., Jafari, H. T., Learnihan, V., Salinas-Perez, J. A., Raeesi, A.,
Furst, M., Salvador-Carulla, L., & Bagheri, N. (2022). “The role of geographic
information system and global positioning system in dementia care and re-
search: a scoping review”. International Journal of Health Geographics, 21, 8.
[Link]
Gatica, K., Zavala, M., & Arias, K. (2022). “Movilidad urbana y oportunidades de
mejora para la calidad de vida en personas mayores”. Rumbos TS, 17(28), 29-
59. [Link]
Gomarasca, M. A. (2009). “Geomatics”. Basics of Geomatics, 1–17. [Link]
org/10.1007/978-1-4020-9014-1_1
Gomarasca, M. A. (2010). “Basics of geomatics”. Applied Geomatics, 2(3), 137–146.
[Link]
Guida, C., Carpentieri, G., & Masoumi, H. (2022). “Measuring spatial accessibility
to urban services for older adults: an application to healthcare facilities in Mi-
lan”. European Transport Research Review, 14(1), 23. [Link]
s12544-022-00544-3
Hames, E., Stoler, J., Emrich, C. T., Tewary, S., & Pandya, N. (2017). “A GIS Approach
to Identifying Socially and Medically Vulnerable Older Adult Populations in
South Florida”. The Gerontologist, 57(6), 1133–1141. [Link]
GERONT/GNW106
Huang, X., Gong, P., & White, M. (2022). “Study on Spatial Distribution Equilibrium
of Elderly Care Facilities in Downtown Shanghai”. International Journal of En-
vironmental Research and Public Health, 19(13). [Link]
ph19137929
Instituto Nacional de Estadística. (2015). “Esperanza de vida”. INE. [Link]
[Link]/ine-ciudadano/definiciones-estadisticas/poblacion/esperanza-
de-vida
Instituto Nacional de Estadísticas. (2022). “Cerca de un tercio de la población de
Chile en 2050 estaría compuesta por personas mayores”. [Link]
[Link]/prensa/2022/09/27/cerca-de-un-tercio-de-la-poblaci%C3%B3n-
de-chile-en-2050-estar%C3%ADa-compuesta-por-personas-mayores

– 542 –
 Geomática y personas mayores

Kabisch, N., van den Bosch, M., & Lafortezza, R. (2019). “The influence of acces-
sibility and socio-environmental factors on urban green space use: Evidence
from Salzburg, Austria”. Urban Forestry & Urban Greening, 41, 253–263. https://
[Link]/10.1016/[Link].2019.253263
Khavinson, V., Popovich, I., & Mikhailova, O. (2020). “Towards realization of lon-
ger life”. Acta Bio Medica: Atenei Parmensis, 91(3), e2020054. [Link]
org/10.23750/ABM.V91I3.10079
Lévy, J. P., & Varela, J. (2006). Modelización con estructuras de covarianzas en
ciencias sociales. España: Netbiblo, 517.
Mahdi Ali, A. (n.d.). “Review of Artificial Intelligence Applications in the Geoma-
tics Field”. International Journal of Applied Sciences: Current and Future Re-
search Trends (IJASCFRT), 20(1), 1–12. [Link]
php/Applied_Sciences_Journal
Martínez, J., & Rojas, F. (2023). “Disparities in urban accessibility for older adults:
A comparative study in Latin America and Europe”. Cities, 139, 103345. https://
[Link]/10.1016/[Link].2023.103345
Michel, J. P., & Sadana, R. (2017). “‘Healthy Aging’ Concepts and Measures”. Jour-
nal of the American Medical Directors Association, 18(6), 460–464. [Link]
org/10.1016/[Link].2017.03.008
Ormazábal, Y., Arauna, D., Cantillana, J. C., Palomo, I., Fuentes, E., Mena, C. (2025).
“Unveiling the Frailty Spatial Patterns Among Chilean Older Persons by Ex-
ploring Sociodemographic and Urbanistic Influences Based on Geographic
Information Systems: Cross-Sectional Study”. JMIR Aging 8:e64254. DOI:
10.2196/64254
Pacino, M. (2017). “La ciencia geomática presente y futuro”. Revista Argentina de
Ingeniería, 5.
Puello-Alcocer, E. C., Ortega-Montes, J. E., & Valencia-Jiménez, N. N. (2018). “El
significado de felicidad desde la percepción de un grupo de adultos ma-
yores de la ciudad de Montería (Córdoba, Colombia)”. Index de Enfermería,
27(1-2), 33-37.
Recchioni, M., Castello, V., Del Vecchio, S., Ciaccio, V., Donia, A. M., & Fabiani,
L. (2020). “Emerging cross-disciplinary profiles: The Geomatic Epidemio-
logist”. European Journal of Public Health, 30(Supplement_5). [Link]
org/10.1093/EURPUB/CKAA166.681

– 543 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Rudnicka, E., Napierała, P., Podfigurna, A., Męczekalski, B., Smolarczyk, R., &
Grymowicz, M. (2020). “The World Health Organization (WHO) approach
to healthy ageing”. Maturitas, 139, 6–11. [Link]
tas.2020.05.018
Rushton, G. (2003). “Public health, GIS, and spatial analytic tools”. Annual Re-
view of Public Health, 24, 43–56. [Link]
HEALTH.24.012902.140843
Sakuma, N., Inagaki, H., Ogawa, M., Edahiro, A., Ura, C., Sugiyama, M., Miya-
mae, F., Suzuki, H., Watanabe, Y., Shinkai, S., Okamura, T., & Awata, S. (2022).
“Cognitive function, daily function and physical and mental health in older
adults: A comparison of venue and home-visit community surveys in Metro-
politan Tokyo”. Archives of gerontology and geriatrics, 100, 104617. [Link]
org/10.1016/[Link].2021.104617
Sansò, F., & Crespi, M. (2015). “Geodesy and geomatics: the cutting edge”. Rendi-
conti Lincei, 26(1), 1–3. [Link]
Santos, R., Ferreira, N., & Almeida, M. (2020). “Pharmacy accessibility and aging
populations: A case study of Lisbon”. Health & Place, 62, 102–112. [Link]
org/10.1016/[Link].2020.102112
Seligman, M. (2017). La auténtica felicidad. Barcelona: Ediciones B, S.A.
Sen, A., & Kliksberg, B. (2007). Primero la gente: una mirada desde la ética del de-
sarrollo a los principales problemas del mundo globalizado. Ediciones Deusto.
Sixsmith, A., & Gutman, G. (2013). Technologies for active aging. Springer.
Sturge, J., Klaassens, M., Lager, D., Weitkamp, G., Vegter, D., & Meijering, L. (2021).
“Using the concept of activity space to understand the social health of older
adults living with memory problems and dementia at home”. Social Science &
Medicine (1982), 288. [Link]
“The Health Literacy of America’s Adults: Results from the 2003 National As-
sessment of Adult Literacy”. (2006).
United Nations. (2022). “World Population Prospects” - Population Division - Uni-
ted Nations. [Link]
Wang, X., & Liu, Z. (2024). “Navigating Aged Care Services with GIS: Trends, De-
velopments, and Future Directions”. BMC Geriatrics, 24(1), 1–22. [Link]
org/10.1186/S12877-024-04799-4/FIGURES/3

– 544 –
 Geomática y personas mayores

Wang, Y., & Lee, S. (2021). “The role of public transport in reducing urban inequa-
lities among older adults: Evidence from Chinese megacities”. Transportation
Research Part A: Policy and Practice, 145, 140–155. [Link]
tra.2021.140155
WHO. (2015). World report on ageing and health. Geneva, Switzerland.
Youn, H. M., Lee, D. W., & Park, E. C. (2020). “Association between community out-
patient clinic care accessibility and the uptake of diabetic retinopathy scree-
ning: A multi-level analysis”. Primary Care Diabetes, 14(6), 616–621. [Link]
org/10.1016/[Link].2020.02.010

– 545 –
 CAPÍTULO XII
DISEÑANDO DISTRIBUCIONES ESPACIALES DE LOS EQUIPAMIENTOS
PARA LA POBLACIÓN, ATENTAS A LA EFICIENCIA Y LA EQUIDAD,
CON APOYO DE GEOTECNOLOGÍAS Y TÉCNICAS DE OPTIMIZACIÓN:
ASPECTOS METODOLÓGICOS Y ESTUDIO DE CASO

Antonio Moreno Jiménez1

12.1. Introducción

En nuestras sociedades actuales está ampliamente asumido que la vida co-

tidiana de las personas involucra la satisfacción de un sinfín de necesidades
mediante equipamientos (públicos y privados) que ofrecen servicios a la po-
blación, por ejemplo, salud, educación, cultura, deporte y cuidado social, entre
otros. Sea en ámbitos urbanos o rurales, es bien conocido que, con demasiada
frecuencia, tales dotaciones escasean o no están situadas en lugares conve-
nientes para la población usuaria potencial, bien por lejanía, bien por dificulta-
des del transporte. En muchos territorios, la planificación pública no ha cuidado
suficientemente el proceso de urbanización y la provisión de ciertos servicios,
lo que conlleva desajustes y discriminaciones socioespaciales que penalizan a
ciertos lugares o grupos sociodemográficos, a menudo también desfavoreci-
dos económicamente. Los intentos de paliar esas carencias en barrios urbanos
consolidados tropiezan habitualmente con la escasez de inmuebles o suelo
disponible, lo que dificulta la ubicación a posteriori de esas dotaciones tan
necesarias. En los ámbitos rurales se constata carencias de muchos equipa-
mientos, con frecuencia porque no se han llegado a dotar; en otras ocasiones,
como en las zonas de alto éxodo poblacional y en peligro de despoblamiento,
el problema surge por una demanda potencial en declive, lo que implica cie-
rres, traslados y reagrupamiento de ciertas dotaciones (por ejemplo, de tipo
escolar). Ello agrava las adversidades de la vida cotidiana para los habitantes y
espolea la desafección de los residentes hacia su entorno.

1
Departamento de Geografía, Universidad Autónoma de Madrid, España.

– 547 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Es bien patente que los movimientos demográficos en el espacio y las aspi-

raciones crecientes de la población por conseguir entornos vitales con mayor
calidad de vida y bienestar suscitan requerimientos permanentes a los respon-
sables, públicos y privados, sobre la cantidad y calidad de tales servicios y su
ubicación conveniente; en definitiva, sobre qué servicios ofrecer en cada lugar.
Cabe reconocer, también, que en las últimas décadas han proliferado inicia-
tivas que van concretando muchos aspectos deseables del desarrollo, entre
los que destacan los alusivos a necesidades humanas y los servicios a proveer
correlativamente. A modo de ejemplo, baste recordar varios de los objetivos
de desarrollo sostenible (ODS) de la ONU, tales como el 3, Salud y bienes-
tar; 4, Educación de calidad; 6, Agua limpia y saneamiento; 10, Reducción de
desigualdades; 11, Ciudades y comunidades sostenibles, y 16, Paz, justicia e
instituciones sólidas, etc. ([Link]
objetivos-de-desarrollo-sostenible/)
Desde una visión más geográfica, instituciones y organizaciones varias han
ido reivindicando principios respetables para la acción territorial y urbana de
los agentes (organizaciones y personas) y plasmándolos en destacados textos
doctrinales. Así, por ejemplo, se ha postulado una “ética territorial”, propia de
civilizaciones como la occidental y con raíces históricas remotas (Cuervo, 2012),
la cual debería permear en sus leyes y gobernanza pública. Cabe señalar su
evidente confluencia con las aportaciones teóricas en torno al derecho a la ciu-
dad (Carrión y Erazo, 2016; Carrión y Dammert-Guardia, 2019) que, enunciado
seminalmente por Lefebvre (1969), se describe como “el derecho (…) a habitar,
usar, ocupar, producir, gobernar y disfrutar de ciudades, pueblos y asentamien-
tos humanos justos, inclusivos, seguros y sostenibles, definidos como bienes
comunes esenciales para una vida plena y decente” ([Link]
org/es/). En reconocidos documentos, como la Carta Mundial por el Derecho a
la Ciudad (Foro Social de las Américas et al., 2013), se reitera que “Las ciudades
deben garantizar el acceso permanente a los servicios públicos (…) así como
a los equipamientos de salud, educación, abasto y recreación, en correspon-
sabilidad con otros organismos públicos o privados, (…) para la efectividad de
dichas políticas y [han de] establecer mecanismos e indicadores cuantitativos
y cualitativos para monitorear su cumplimiento”. Matizando algo más, el Grupo
de Trabajo en Desarrollo Urbano de CLACSO hacía una declaración en 2008
en pro de una “ciudad justa”, enumerando sus requisitos, entre ellos el “acceso
igualitario y equitativo a bienes y servicios” (Cuervo, 2012).

– 548 –
 Diseñando distribuciones espaciales de los equipamientos para la población

En realidad, todas estas propuestas son herederas de abundantes y fecun-

das contribuciones que se fueron realizando en el ámbito académico anglo-
sajón desde la segunda mitad del siglo XX sobre conceptos, luego devenidos
principios-valor del desarrollo y la ordenación territorial, como calidad de vida,
bienestar, igualdad y justicia territorial, eficiencia espacial, entre otros (Harvey,
1977; Smith,1980; Moreno, 2006, 2007; Moreno y Vinuesa, 2009; Soja, 2010; San-
tana Rivas, 2012; Lévy et al., 2018), que han adquirido una notoriedad general,
un significado aquilatado y medidas operativas cada vez más depuradas (ver,
por ejemplo, Moreno, 2007).
Desde otros enfoques bien distintos, pero muy en boga, como el marke-
ting de ciudades, se han propugnado, así mismo, objetivos del desarrollo tales
como mejorar el atractivo de la ciudad para diversos “segmentos del mercado”:
los propios residentes y empresas, pero también para inversores foráneos y vi-
sitantes, entre otros. Para este fin, es conocido que algunas de tales estrategias
se han focalizado en elevar la calidad de vida urbana (Elizagárate, 2008), lo que
incluye mejoras en los equipamientos para la población, por suponer ventajas
transversales que añaden un plus a la competitividad y atractivo locales.
En resumen, desde ángulos diferentes se converge en que los servicios a
la ciudadanía conforman una pieza fundamental de la vida en las polis y que
proveerlos adecuadamente constituye un deber insoslayable para los agentes
públicos y privados.
Merece traer a colación, además, el hecho de que en la arena política de
nuestras sociedades se difunden ambiciosas propuestas alusivas a la distribu-
ción espacial de las dotaciones para la población. Una muestra reciente, y bas-
tante notoria en el urbanismo, por su favorable acogida en la alcaldía de París,
lo constituye el modelo de ciudad de los 15 minutos (Moreno, 2023). En esencia
se propugna una estructura urbana en la que, entre otros rasgos, la ciudadanía
pueda disponer de los servicios habitualmente necesarios a un corto paseo
en bicicleta o en transporte público de esa duración. Ese alcance, a velocidad
peatonal normal, equivaldría a un kilómetro aproximadamente. Sobre cues-
tiones de diseño y problemas de viabilidad de ese modelo urbano, véase los
trabajos recientes de Brownrigg-Gleeson et al. (2024) y Valenzuela-Aguilera y
Romero-Tecua (2024).
La progresiva sensibilidad social hacia esos servicios para la población per-
mite entender que, en períodos álgidos de la vida política, como los electora-
les, se declaren ilusionantes objetivos sobre su presencia en la ciudad y el terri-

– 549 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

torio, como el realizado en España por un candidato a presidente de gobierno

en la que textualmente exponía: “Garantizaremos por ley el acceso a servicios
públicos básicos de todos los municipios en un radio de menos de 30 minutos”
(PSOE, 2023).
Enunciados de ese tenor, al tiempo que denotan una loable y creciente
atención hacia el problema de la inaccesibilidad espacial de las personas a
muchas dotaciones, revelan que fórmulas simples y comprensibles para la ciu-
dadanía, como esas, son priorizadas políticamente frente a otros enfoques me-
jor sustentados en la conducta espacial del consumidor, como los modelos de
descenso de la demanda con la distancia.
Considerando el papel de los expertos en análisis y ordenación del territorio,
ello suscita la pertinencia de asesorar a los gobernantes sobre cómo justificar,
postular y decidir acerca de la organización espacial de las dotaciones para la
población, la cual involucra aspectos cruciales, tales como la ubicación, cie-
rres, traslados, jerarquía, áreas funcionales o de servicio, movilidad y accesibi-
lidad, entre otros.
La experiencia demuestra que el asunto desata fuertes intereses, a ve-
ces contrapuestos, y que técnicamente no es insignificante, sino que entraña
complejidad, ya que la creciente disponibilidad de geoinformación digital y de
geotecnologías para su manejo y análisis, ofrecen un alto potencial para diag-
nosticar situaciones-problema y diseñar propuestas mejor fundamentadas. En
esta última labor cabe reivindicar, por su idoneidad, las escasamente aprove-
chadas aún técnicas de localización óptima, sobre las que versa este capítulo.
Con ellas se podría evitar despilfarros en la asignación espacial y el uso de
recursos públicos o privados, medir mejor los costes de los errores en las de-
cisiones de localización, comparar con rigor escenarios varios de distribución
espacial de dotaciones, elegir más fundada y atinadamente las opciones más
convenientes, conseguir una mejor satisfacción de las necesidades ciudadanas
y, eventualmente, exhibir un acierto superior de los decisores (por ejemplo, po-
líticos y gestores) en las contiendas electorales.
En consonancia con lo expuesto, en este capítulo se persigue, primero, pre-
sentar sucintamente las etapas y cuestiones metodológicas para elaborar y
comparar escenarios de ordenación territorial de dotaciones para la población,
sustentados en geodatos digitales, técnicas cuantitativas y geotecnologías;
segundo, plantear y resolver de forma simplificada un caso ilustrativo sobre

– 550 –
 Diseñando distribuciones espaciales de los equipamientos para la población

la ciudad de Madrid; y tercero, inferir algunas recomendaciones para los es-

tudiosos y decisores, que mejoren el mercado de conocimiento aplicado a la
ordenación del territorio.

12.2. Desarrollo

El problema de dilucidar la ubicación y adecuada distribución espacial de

servicios para la ciudadanía cuenta ya con una sólida tradición investigadora y
aplicada, que hace posible y muy positivo recurrir al conocimiento experto para
su resolución. En este apartado se resumirán las principales fases metodológi-
cas (Moreno y Fuenzalida, 2015) y algunas herramientas de ayuda a la decisión
aptas para acometer más competentemente estudios de ese tipo.

12.2.1. Principales etapas y aspectos metodológicos en la búsqueda de

localizaciones óptimas para las dotaciones de la población

En el contexto de decidir la ubicación para un equipamiento, parece obvio

aspirar a la mejor elección. No lo es tanto averiguar, de entre las opciones posi-
bles o imaginables, cuál sería la óptima y ello por dos razones: en primer lugar,
porque se precisa disponer de unos criterios relevantes de bondad para com-
parar y valorar los méritos de cada lugar candidato; en segundo lugar, por una
cuestión técnica: la cantidad de sitios factibles suele ser tan amplia, que, reali-
zar con cierto rigor el análisis comparativo para sustentar la selección, implica
una tarea notable en cuanto a recopilación y tratamiento de datos; y en tercero,
porque en los asuntos de decisión colectiva, los factores y confrontaciones po-
líticas a menudo interfieren seriamente el proceso.
Muy probablemente, esas dificultades han desembocado en ubicaciones
subóptimas de los servicios y cabría preguntarse si no se han minusvalorado
los costes, malestar o discriminación (¿injusta?) ocasionados a los destinatarios
y durante muchos años. Por ello resulta encomiable la extensa tradición inves-
tigadora que planteó preguntas tales como: ¿Qué criterios relevantes definen la
idoneidad y bondad de las ubicaciones posibles? ¿Cómo dilucidar el mejor si-
tio? ¿Cuán cerca o lejos de la solución óptima están otras alternativas factibles?

– 551 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Existe una amplia variedad de métodos, reconocidos ya como útiles para

esa tarea de elegir localizaciones para actividades; cabe recordar las familias
de técnicas de evaluación multicriterio o las de optimización espacial (Moreno
et al., 2017). Dentro de estas últimas, la atención aquí recaerá en los conoci-
dos como modelos de localización óptima (MLO), de los que se han formulado
un amplio abanico para abordar diferentes tipos de problemas reales, como
ilustran Moreno y Bosque (2010). Una recopilación sintética de tales modelos
puede consultarse en Moreno (2012), en la que se detallan aspectos matemá-
ticos elementales de los mismos. Introducciones básicas a los problemas de
localización óptima pueden consultarse también en Church y Medrano (2018) y
en De Smith et al. (2024).

Metodológicamente, el experto habrá de concretar varias importantes cues-

tiones alusivas a la oferta, la demanda y la interacción espacial de ambas para
el tipo de equipamiento a planificar. Se exponen sucintamente a continuación:

a. Determinar los segmentos de población destinataria de los servicios y su

referencia temporal (¿actual, futura?).
b. Georreferenciar la misma mediante las unidades espaciales más con-
venientes: edificios, manzanas, barrios, asentamientos, teselas homogé-
neas (por ejemplo, píxeles en capas ráster), etc. Su representación digital,
como puntos o polígonos, resultará importante de cara a la exactitud de
los resultados y manejo con Sistemas de Información Geográfica (SIG).
c. Conocer la conducta espacial del usuario habitual (movilidad ocasionada
para usar el equipamiento en cuestión):
• Averiguar los modos y medios de transporte de los usuarios (por ejem-
plo, alumnos, pacientes de consultas médicas, entre otros) o de los
proveedores, si son éstos los que se desplazan para prestar el servicio,
por ejemplo, policía, bomberos, estaciones de ambulancias de urgen-
cias, etc.
• Según el MLO aplicable:
- Establecer un alcance espacial para el tipo de equipamiento ana-
lizado. Se trataría de un valor (en unidades de distancia o tiempo)
que se considere como deseable o como límite inaceptable para

– 552 –
 Diseñando distribuciones espaciales de los equipamientos para la población

los desplazamientos al servicio. Entre los profesionales de la pla-

nificación urbana y territorial, los expertos sectoriales y ciertas ad-
ministraciones públicas resulta bastante común la preferencia por
adoptar alcances máximos u óptimos para las distintas dotaciones,
aunque a veces no se explicita la base empírica que los sustenta.
Véanse los ejemplos en España de Brau et al. (1980) o de AL21 (s.f.),
en México de SEDESOL (1999) o en Chile el Decreto Supremo N°
19 de 2016 del Ministerio de Vivienda y Urbanismo (art. 11). Habi-
tualmente se usan para estimar la demanda cubierta (accesible o
previsible).
- Determinar, alternativamente, la elasticidad de la demanda respec-
to a los costes de desplazamiento, es decir, el descenso del uso/
demanda con la distancia según modos y medios de transporte,
para el tipo de equipamiento a analizar según postula la ley de la
demanda espacial (Garrocho, 2003). Muchos estudios sobre equipa-
mientos la han evidenciado empíricamente, ilustrando sus formas
concretas (por ejemplo, Garrocho et al., 2002.) y también la manera
de ajustar estadísticamente funciones (lineales y no lineales) que
se puedan usar luego en modelos predictivos. Véanse ejemplos en
Moreno (1991), Moreno y Prieto (2004) y Gutiérrez et al. (2011).
d. Identificar los posibles lugares susceptibles de acoger el servicio/equi-
pamiento (sitios candidatos), adoptando criterios pertinentes, por ejem-
plo, coste, tamaño y forma de la parcela, pendientes, uso del suelo, com-
patibilidad con las actividades cercanas y transportes, entre otros.
Procede insistir en que la concreción acertada de esos aspectos puede
resultar crítica para la verosimilitud y credibilidad de los resultados del
análisis de localización óptima y, por ende, para su aceptación por los
agentes sociales, políticos o empresariales.
e. Identificar la geometría y atributos de las redes viarias y de transportes
por las que se realizan habitualmente los desplazamientos a y desde los
equipamientos (por ejemplo, calles a pie, en automóvil, autobús, ferro-
carril metropolitano, etc.) y establecer las unidades de los costes (impe-
dancia) de tales movimientos, por ejemplo, distancia, tiempo o unidades
monetarias. En ciertos casos, podría considerarse adoptar, por simplici-

– 553 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

dad, el modo de desplazamiento más común, si hay uno claramente pre-

dominante.
f. Tras un diálogo con los agentes implicados en las decisiones, seleccio-
nar motivadamente aquel o aquellos modelos que se adecúen al tipo
de servicio (dotación), objeto de ordenación territorial, averiguar la dispo-
nibilidad de geodatos y de software, así como otras circunstancias con-
textuales. No está de más advertir que algunos requerimientos de datos
podrían no ser cumplidos y que la aplicación de los MLO deba realizarse
de forma simplificada. Ello suele ocurrir por limitaciones en la desagrega-
ción espacial de los datos de la demanda o deficiencias en la calidad de
la red viaria o de transportes digital.
g. Definir los escenarios a generar en los análisis con fines comparativos:
cero (situación actual), incremental (aumentar el número de equipamien-
tos), reducción de dotaciones y traslados de las mismas atendiendo a
cambios en la distribución espacial de la demanda, entre otros.
h. Establecer los resultados a obtener y los contenidos de los informes a
comunicar (texto, mapas, gráficos, tablas, vídeos, etc.), considerando el
nivel de comprensión de los distintos segmentos de audiencia previs-
ta (políticos, técnicos, usuarios, organizaciones ciudadanas, etc.). Resulta
particularmente importante seleccionar los indicadores para la evalua-
ción comparativa de soluciones o escenarios, para lo que se recomienda
consultar las obras de Moreno (2007) y Fadda et al. (2021).

12.2.2. Principales MLO y software para su resolución con geotecnologías

La fértil línea de investigación científico-técnica sobre problemas de locali-

zación óptima ha generado un amplio conjunto de formulaciones matemáticas
(modelos) y de algoritmos para su resolución, que ofrecen brillantes resulta-
dos. Sus avances pueden seguirse en revistas como Computers and Operations
Reseach ([Link]
research). En este capítulo, y en aras de facilitar el uso de estas técnicas, se re-
ferirán sucintamente algunas de las más comunes, priorizando las disponibles
en software SIG comercial de amplia difusión, como ArcGIS Pro, o software de
análisis espacial libre, como Flowmap.

– 554 –
 Diseñando distribuciones espaciales de los equipamientos para la población

ArcGIS Pro concretamente permite abordar siete tipos de modelos de lo-

calización-asignación óptima de dotaciones, llamados así porque, además de
identificar los mejores emplazamientos, también asignan la demanda a los
equipamientos, a menudo los más cercanos, definiendo sus áreas de servicio o
de mercado. El enunciado resumido de tales modelos, ámbito de aplicación y
principio-guía (eficiencia o equidad) es como sigue:

a. Minimizar la impedancia o coste de desplazamiento total entre los luga-

res de demanda y los equipamientos (modelo p-mediano). Aunque idea-
do inicialmente e idóneo para localizar almacenes logísticos o fábricas,
también resulta apropiado para servicios con una demanda repetitiva o
cautiva, que ha de desplazarse obligatoria y recurrentemente, tales como
escuelas, centros formativos (cursos, talleres, entre otros), centros de día
para mayores o personas discapacitadas, centros electorales, bibliotecas,
etc. En él prevalece el principio de eficiencia espacial.
b. Maximizar la cobertura de la demanda dentro de un alcance dado a los
equipamientos, expresando dicho alcance en unidades de distancia o tiem-
po de trayecto (modelo cobemax con instalaciones de capacidad infinita).
Resulta conveniente para equipamientos como estaciones de bomberos,
policía, asistencia urgente o reparto-venta de comida a domicilio y centros
de servicios sociales, entre otros. Prioriza también el principio de eficiencia.
c. Maximizar la población cubierta dentro de un alcance dado en tiempo
o distancia, minimizando el número de instalaciones (maximize coverage
and minimize facilities). En este caso especial del objetivo de cobertura, la
particularidad radica en que el número de equipamientos no está prefi-
jado, sino que es un resultado del análisis, así como su localización. Una
conocida variante es el denominado set covering problem, o modelo de
cobertura del conjunto, en el cual se exige que toda la demanda esté
dentro de un alcance predefinido. Este modelo considera tanto la idea
de eficiencia (minimizar las instalaciones) como la de equidad espacial al
exigir una proximidad aceptable de los usuarios a los equipamientos. Es-
tos modelos serían adecuados para instalaciones deportivas, culturales y
servicios de urgencia (bomberos o policía), entre otros.
d. Maximizar la cobertura de la demanda dentro de un alcance dado, con
instalaciones de capacidad limitada (maximize capacitated coverage o

– 555 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

modelo cobemax con dotaciones de capacidad restringida). Resulta

apropiado para localizar y delimitar áreas de servicio para servicios como
hospitales, atención sanitaria con plazas limitadas, escuelas infantiles o
almacenes de capacidad reducida. Este modelo prioriza el criterio de efi-
ciencia.
e. Maximizar la demanda total atraída por los equipamientos, asumiendo: i)
que su conducta es elástica respecto al coste de transporte, es decir, que
el aumento de éste reduce los usuarios previsibles; y ii) que la demanda
atraída se asigna al punto de servicio más próximo (maximize attendan-
ce). Este problema requiere facilitar un parámetroβ, empíricamente esti-
mado, de la curva de demanda espacial para dicho tipo de equipamiento
(usando una función lineal, potencial o exponencial de descenso de la
demanda con la distancia). Es adecuado para comercios especializados
con menor sensibilidad a la competencia, tales como cafeterías, gimna-
sios-fitness, consultorios médicos privados especializados (odontología,
oftalmología, entre otros), boleras, paradas de autobús, establecimientos
que carecen de datos sobre los competidores y que, por tanto, no pue-
den aplicar modelos más sofisticados como los centros culturales o de
servicios sociales, entre otros. El modelo se inspira en la eficiencia y tiene
en cuenta la ley de la demanda espacial, lo que le hace algo más realista
que otros.
f. Maximizar la cuota de mercado. Se persigue identificar las ubicaciones
óptimas que logran captar la cantidad máxima de demanda asignada en
presencia de competidores. El usuario especifica el número de instalacio-
nes, así como un indicador del atractivo de cada equipamiento. Se basa
en el conocido modelo de Huff (Moreno, 2001), también conocido como
problema de gravedad o interacción espacial (maximize market share).
Implica haber calibrado, también, el parámetro β de descenso de la de-
manda con la distancia. Este modelo es idóneo para servicios que, explí-
cita o implícitamente, compiten y se reparten la demanda de cada lugar,
la cual se comporta elásticamente, es decir, disminuye con los costes
de transporte. Se adecúa para localizar grandes tiendas de descuento
(por ejemplo, productos de alimentación y droguería) con surtido limi-
tado, marca de distribuidor y bajos precios. Es un modelo guiado por la
eficiencia en la captación de clientes.

– 556 –
 Diseñando distribuciones espaciales de los equipamientos para la población

g. Dada una cuota de mercado objetivo a conseguir, el modelo identifica el

número mínimo y ubicación óptima de las instalaciones necesarias para
lograr esa cuota en presencia de competidores. La demanda se asigna y
reparte entre los puntos de oferta según la lógica del mencionado mo-
delo de Huff (target market share). Como el anterior, se adapta a grandes
tiendas de descuento que buscan lograr un cierto nivel de cuota de mer-
cado o mantenerla ante la llegada de nuevos competidores.

Por su parte, el software gratuito Flowmap 10.1 ([Link] ofre-

ce la posibilidad de resolver una serie de modelos de localización óptima, en
parte similares y en parte distintos a los de ArcGIS. Cabe reseñar los siguientes:

a. Modelo p-mediano, identificado en este software como Minimize Average

Distance.
b. Modelo denominado Spatial Pareto, que corresponde al conocido pro-
blema de cobertura del conjunto (set covering problem), que busca averi-
guar la cifra mínima de centros de servicio y su localización, garantizando
la cobertura de toda la demanda dentro de un alcance (distancia o tiem-
po de desplazamiento) predefinido.
c. Modelo de cobertura máxima, identificado en Flowmap como Maximize
customer coverage. El programa ofrece dos interesantes opciones: i) Find
best: dada una cifra de centros prefijada, identifica los que cubren más
demanda dentro del alcance establecido por el analista; ii) Percentage
coverage: identifica los lugares óptimos para cubrir un porcentaje esta-
blecido de la demanda.
d. Modelo Minimax o p-centres, denominado como Minimize (overall) worst
case distance en Flowmap, identifica el conjunto de lugares que minimiza
la distancia del asentamiento más alejado de un centro de servicio, o la
media de ellas, según elección del experto. Se trata de un modelo acorde
con una de las interpretaciones del principio de equidad espacial al priori-
zar la búsqueda de la solución mejor para los más perjudicados, es decir,
los más distantes al equipamiento. Eventualmente, puede desembocar
en soluciones que penalizan a los lugares más poblados en favor de los
más remotos.

– 557 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

e. Modelo para maximizar la cuota de mercado individual de cada equi-

pamiento o la competencia espacial (Maximize individual market share /
Maximize spatial competition, tal como se refiere en el programa). En la bi-
bliografía se le conoce también como Maxcap. Se busca conseguir, para
cada punto de oferta, la mayor cantidad de demanda, asignando ésta al
equipamiento más cercano, siempre que esté dentro del radio o alcance
indicado por el analista y considerando la demanda como inelástica res-
pecto a los costes de desplazamiento.

Resolver técnicamente MLO como los enumerados anteriormente precisa

disponer de programas informáticos especializados (Bosque y Moreno, 2012),
que permitan acomodar bases de geoinformación digital, a veces de notable
tamaño y exigentes en calidad (exactitud espacial), realizar una cantidad impor-
tante de cálculos y elaborar mapas, tablas y gráficos idóneos para comunicar
los resultados.
Es conocida la elevada complejidad computacional de obtener soluciones
exactas a los MLO, por lo que se recurre habitualmente a algoritmos heurísti-
cos (es decir, de búsqueda iterativa) que, aunque no garantizan la mejor solu-
ción, a menudo la encuentran o, en su defecto, una muy cercana a la óptima.
Así sucede en ArcGIS Pro, donde se usa el algoritmo conocido como interchan-
ge o vertex substitution heuristic (Moreno, 2012). Por su parte, Flowmap ofrece
varios algoritmos heurísticos para la optimización, denominados en el progra-
ma como Expansion (Babel, Greedy o Add), Reduction (Attila, Stingy o Drop) y
Relocation (Interchange). Además, y para obtener una mayor robustez en los
resultados, se dispone también de una metaheurística, Combined (Expansion
and Relocation) Models, que aplica el algoritmo conocido como Babel o Add,
seguido de Interchange. Ello posibilita aplicar varios algoritmos al mismo mo-
delo y comparar la consistencia y robustez de los resultados. En el capítulo 3
de la obra de Bosque y Moreno (2012) se encuentra una breve descripción de
ellos. Una guía práctica y de ejercitación sencilla con tales modelos, usando la
versión 7.4.2 de Flowmap, puede hallarse en Moreno (2012).
Es posible resolver, también, problemas de localización óptima mediante
técnicas de programación matemática más exactas que las heurísticas pre-
citadas, aunque con limitaciones en cuanto al tamaño de los problemas. En
concreto, la combinación del SIG QGIS y del software de optimización Lingo ha
sido adoptada para tales fines. Véase al respecto los enlaces siguientes:

– 558 –
 Diseñando distribuciones espaciales de los equipamientos para la población

• [Link]
• [Link]

12.3. Un estudio de caso: generación de escenarios óptimos para la ubicación

de nuevos centros culturales en el distrito de Villa de Vallecas (Madrid)

12.3.1. Planteamiento y métodos

A modo de ilustración de las potencialidades de la ayuda experta apoyada

en MLO, se presenta, a continuación, un análisis simplificado para dilucidar la
hipotética ampliación de servicios culturales para los residentes, de creciente
demanda social. A tal fin se asume un requerimiento al experto de generar es-
cenarios óptimos para uno o dos centros culturales adicionales a los existentes
en una zona periférica de la ciudad de Madrid (España), de forma que pue-
dan ser examinados por los responsables municipales, los técnicos culturales
y las organizaciones ciudadanas. Se persigue que las propuestas de ordena-
ción acerquen las dotaciones a los residentes en las nuevas zonas urbanizadas
(accesibilidad espacial), explorando también la desigualdad de oportunidades
según los niveles de renta de la población, es decir, las posibles discriminacio-
nes (inequidades) socio-espaciales.
A partir de estudios empíricos previos (Moreno, 1991) la demanda potencial de
tales servicios se ha definido como el segmento de residentes entre 5 y 69 años.
La información estadística y cartográfica digital utilizada, fundamentalmente en
formato shapefile, proviene de varias fuentes, como se describe a continuación:

• Población por edificio del Padrón Municipal de Habitantes (01/01/2021).

Servicio de Estadística del Ayuntamiento de Madrid.
• Centros culturales actuales (2023): portal de Internet de datos abiertos del
Ayto. de Madrid.
• Red viaria: portal del Instituto Geográfico Nacional de España - Centro
Nacional de Información Geográfica (2024).
• Renta neta per cápita por unidades pequeñas (aproximadamente 2.000
habitantes), las secciones censales (2021): portal del Instituto Nacional de
Estadística de España.

– 559 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Divisiones administrativas territoriales: portales del Instituto de Estadística

de la Comunidad de Madrid y del Ayuntamiento de Madrid.

El ámbito de análisis corresponde al distrito18-Villa de Vallecas (Madrid), que

se ubica en la periferia Sureste de la ciudad (figura 55) y que contenía 97.753
personas empadronadas en el intervalo de 5-69 años en 2021. El crecimiento
espacial allí se ha realizado en dirección sureste, conformando una estructura
urbana con unidades claramente diferenciables (figura 56): i) la zona noroeste,
que contiene el casco del antiguo municipio de Vallecas (absorbido por Madrid)
y algunas zonas aledañas, edificadas en las últimas décadas del siglo XX; ii) el
ensanche (Programa de Actuación Urbanística - PAU), planificado y urbanizado
en este siglo (desde 2006), situado sobre todo hacia el sureste, con calidades
edificatorias superiores y hendido por una autovía de noreste-suroeste (M-45);
y iii) la franja en forma de arco de circunferencia sita en el confín sureste, con
viviendas de baja calidad y de construcción espontánea e ilegal sobre una an-
tigua senda ganadera en desuso (la Cañada Real Galiana); contiene unos 2.475
habitantes en el tramo 5-69 años en 279 edificios.
El distrito posee cuatro equipamientos culturales públicos situados en el
norte (figura 56) y de distintos tipos: un centro cultural, un centro sociocultural
y dos centros juveniles, cuya oferta es obviamente distinta. Tres de ellos se
ubican en el mismo barrio, observándose amplias zonas residenciales alejadas
de los mismos. A efectos de las simulaciones óptimas, se ha establecido tenta-
tivamente seis lugares candidatos para las nuevas dotaciones en los espacios
urbanizados recientes y cada vez más poblados.
El modelo de optimización seleccionado para estos experimentos ha sido el
de cobertura máxima dentro de un radio de 1 km, asumiendo desplazamiento
a pie por la red viaria, lo que implicaría una duración aproximada de 15 minutos.
Este alcance sería coherente con la idea de ciudad de los 15 minutos, ha sido
postulado como óptimo por expertos como Brau et al. (1980) para los centros
sociales y está avalado por la evidencia comportamental aportada por Moreno
(1991) para otro centro cultural en Madrid: 2/3 de los usuarios llegaban a pie y
más del 70% tardaban menos de 15 minutos (en el total de los modos de trans-
porte).

– 560 –
 Diseñando distribuciones espaciales de los equipamientos para la población

Figura 55. Municipio de Madrid con la división en distritos, mostrando la ubicación de

Villa de Vallecas. En gris la zona no urbanizada.

A efectos comparativos, se han elaborado tres escenarios con resultados

cartográficos y tabulares: a) el actual, para mostrar la cantidad de demanda
potencial que puede acceder a un centro cultural recorriendo menos de 1 km
y el ámbito accesible (y sus edificios); b) el caso de la localización óptima para
un nuevo centro cultural adicional, buscando maximizar la demanda dentro de
dicha distancia; y c) el caso similar para dos nuevos centros culturales óptimos.

12.3.2. Análisis de resultados: la situación actual y los escenarios diseñados

maximizando la cobertura de la demanda con nuevos centros culturales

a. Escenario actual
Como se muestra en la figura 57, mediante un mapa-araña (o de líneas de
deseo), la concentración actual de centros culturales en el noroeste posibilita
un acceso conveniente (<1 km) a una porción menguada de los edificios resi-
denciales y del espacio urbanizado; ello implica una desigualdad severa entre

– 561 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

los ciudadanos en cuanto a oportunidades de ocio cultural público. La pobla-

ción objetivo próxima a tales equipamientos culturales asciende a un exiguo
43% (tabla 17).

Figura 56. Equipamientos culturales, viario y edificios con población usuaria potencial.

Tabla 17: Demanda objetivo de centros culturales a menos de 1 km de

distancia en tres escenarios.
Demanda objetivo cercana % respecto a demanda objetivo
Escenario
(población 5-69 años) total del distrito
Situación actual (4
42.439 43,41
centros culturales)
4 centros culturales
actuales y 1 nuevo 59.282 60,64
óptimo
4 centros culturales
actuales y 2 nuevos 76.027 77,77
óptimos

– 562 –
 Diseñando distribuciones espaciales de los equipamientos para la población

Figura 57. Centros culturales actuales y asignación de los edificios con usuarios po-
tenciales a los más cercanos (< 1 km). El mapa de araña define las áreas de atracción
hipotéticas de cada dotación.

b. Escenario incrementando un nuevo centro cultural

La adición de un nuevo equipamiento cultural a los cuatro existentes des-
emboca, tras la aplicación del algoritmo buscando maximizar el número de
usuarios potenciales cercanos, en el mapa de la figura 58. La apertura del nue-
vo centro en la parte sureste del ensanche urbano permitiría añadir 16.843 ciu-
dadanos más dentro del radio de 1 km, alcanzando ya alrededor del 60% de
la demanda potencial (tabla 1). Con ello se avanza en una distribución espa-
cialmente más equilibrada, si bien se evidencia un área intermedia entre las
dos zonas, con una importante presencia de edificios residenciales, que estaría
infradotada y demasiado distante de la oferta.

– 563 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 58. Ubicación de los centros culturales actuales y de uno nuevo óptimo (al sureste)
y asignación de los edificios con usuarios potenciales a los servicios más cercanos (< 1
km). El mapa de araña define las áreas de atracción hipotéticas de cada dotación.

c. Escenario incremental con dos nuevos centros culturales

La constatación anterior justifica acometer otra simulación, buscando, entre
los seis sitios candidatos, los dos que incrementarían al máximo la demanda
potencial dentro de 1 km, acorde, pues, con la lógica de la eficiencia espacial.
La configuración espacial de las dotaciones y sus respectivas áreas funcionales
se exhiben en la figura 59. Se constata cómo la distribución de la oferta resul-
ta más equilibrada espacialmente al haberse ubicado los dos nuevos centros
en el ensanche urbano reciente. Cuantitativamente ese escenario conllevaría
acercar la oferta (cobertura) a casi el 78% de la demanda potencial en el radio

– 564 –
 Diseñando distribuciones espaciales de los equipamientos para la población

de 1 km (figura 59), aumentando en 16.745 personas respecto al escenario con

un solo centro adicional.

Figura 59. Ubicación de los centros culturales actuales y de dos nuevos óptimos (en el cen-
tro y sureste) y asignación de los edificios con usuarios potenciales a los servicios más cer-
canos (< 1 km). El mapa de araña define las áreas de atracción hipotéticas de cada dotación.

d. Explorando las diferencias en proximidad a los centros culturales según

renta per cápita de la población
Procede recordar que los ensayos recién descritos son el resultado de pri-
mar un criterio de eficiencia espacial, latente en el modelo de cobertura, pero
¿qué se puede decir de las desigualdades entre escenarios en cuanto al ac-
ceso a las dotaciones culturales entre los ciudadanos con diferentes rentas?

– 565 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Tal pregunta, pertinente desde la perspectiva de la justicia espacial, puede

responderse con análisis y técnicas rigurosas basadas en test estadísticos (ver
ejemplos en Bosisio y Moreno, 2022; Roca y Moreno, 2022), si bien aquí, por
brevedad, se hará una aproximación contable más simple, pero sugestiva, para
mostrar cuantitativamente cómo los distintos escenarios implican niveles des-
iguales de accesibilidad a los servicios culturales entre las personas con rentas
distintas.
El análisis ha procedido asignando primero la renta neta media personal de
cada sección censal a los residentes en ella y luego aplicando una secuencia
de operaciones de geoprocesamiento con SIG (ArcGIS), para obtener la tabla
18. En ella, aparte de mostrar los efectivos totales de la población objetivo se-
gún intervalos de renta (columna de la izquierda), se detallan las cifras de los
que gozarían de una proximidad conveniente tanto en la situación actual, como
en los dos escenarios simulados.

Tabla 18: Demanda objetivo de centros culturales a menos de 1 km de

distancia en tres escenarios, según nivel de renta neta por persona.
4 centros 4 centros
4 centros
culturales culturales
culturales
actuales + 1 actuales + 2
actuales
nuevo nuevos
Renta neta Demanda
Demanda Demanda Demanda
media población % % % %
cercana cercana cercana
persona, € 5-69 años
4.687 –
10.965 11,22 6.435 6,58 6.435 6,58 6.531 6,68
10.157
10.158 –
56.953 58,26 28.667 29,33 40.554 41,49 50.557 51,72
15.628
15.629 –
29.272 29,94 7.337 7,51 12.293 12,58 18.939 19,37
21.098
Total de
97.190* 99,42 42.439 43,41 59.282 60,64 76.027 71,09
columna
Total en
97.753
padrón
(*) El total de esta columna es ligeramente inferior al de empadronados referidos antes,
debido a omisiones en la geolocalización de algunos edificios. Los % se han calculado
sobre el total en padrón.

– 566 –
 Diseñando distribuciones espaciales de los equipamientos para la población

Conviene, en primer lugar, advertir que los intervalos de renta aplicados para
el conjunto de la ciudad (de amplitud homogénea) denotan que en este distrito
no hay secciones censales con rentas medio-altas o altas, sino solo de los tres
inferiores (rentas medias, medio-bajas y bajas). El grueso de la población se
halla en el intervalo de rentas medio-bajas (más de 58%), siendo el inferior el de
menor cantidad de usuarios potenciales (tabla 18).
Tras los análisis realizados, se aprecia que en los dos escenarios incremen-
tales aumenta fuertemente la proximidad de los ciudadanos de rentas medio-
bajas a las dotaciones culturales tanto en cifras absolutas como porcentuales.
Crece también, pero menos, en los de rentas medias. Sin embargo, las rentas
inferiores apenas mejoran, debiendo advertirse que, en buena medida, ello obe-
dece a la lejanía del asentamiento, marginal y desfavorecido en todos los senti-
dos, de la Cañada Real Galiana (al Sureste) que, como antes se señaló, contiene
casi 2.500 personas de demanda potencial (figura 60). Su problemático estado
actual requerirá una intervención especial desde la política urbanística.

Figura 60. Ubicación de los edificios (puntos azul claro) con demanda potencial de ba-
jas rentas (< 10.157 €) y distantes más de 1 km de los centros culturales (cuatro actua-
les y dos nuevos óptimos). En rojo las secciones censales de bajas rentas.

– 567 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Se infiere que, en conjunto, y aplicando un método de optimización inspira-

do en la eficiencia (maximizar la demanda próxima), que considera la igualdad
de todos los ciudadanos en su derecho al acceso a las dotaciones culturales
(equidad horizontal, ver Truelove, 1993), los escenarios resultantes favorecen
sobre todo a las capas medio-bajas.
Sería posible explorar analíticamente, y como opción alternativa, soluciones
que favoreciesen la proximidad a los equipamientos culturales, por ejemplo, en
razón inversa a sus rentas, es decir, priorizando a los ciudadanos de menores
rentas, según el principio de equidad vertical (Truelove, 1993). La cuestión por
solventar en tal supuesto, y antes de los análisis, estriba en establecer razona-
damente el grado de discriminación positiva deseable para los más carencia-
dos, y generar luego las soluciones justas. Un ejemplo de tal planteamiento y
de su resolución se puede hallar en el estudio de Fuenzalida y Moreno (2010).

12.4. Conclusiones

Como balance del análisis experimental realizado, cabe subrayar que los
escenarios simulados mostrados, acordes con el criterio de eficiencia, aportan
resultados cartográficos y numéricos (indicadores) de asequible comprensión
y comparación para orientar la selección de ubicaciones de servicios por parte
de los agentes decisores. Procede reiterar también que los aspectos conside-
rados en el ejemplo desarrollado, usando un modelo sencillo de localización
óptima, no agotan los factores relevantes en la ubicación de centros cultura-
les, los cuales habrían de tenerse en cuenta en un estudio real más completo.
Podría ser pertinente, también, aplicar el modelo de maximize attendance (con
demanda elástica), para disponer de estimaciones de los asistentes previsibles
para cada centro cultural y comparación con las de cobemax.
La obtención de soluciones espaciales óptimas, considerando las desigual-
dades entre la población en cuanto a renta, estatus socioeconómico, vulnera-
bilidad, etc., puede y debería ser acometida para diseñar escenarios atentos al
binomio eficiencia-equidad (Garrocho, 1992; Moreno, 2007), pues, con similares
recursos, se mejoraría la satisfacción de las necesidades de la población y se
avanzaría en una organización y funcionamiento territorial más acorde con los
valores socialmente compartidos en nuestro tiempo. Procede añadir que exis-

– 568 –
 Diseñando distribuciones espaciales de los equipamientos para la población

ten ya, en bastantes países iberoamericanos, investigadores académicos con

suficiente experiencia para acometer con éxito esa labor (ver algunos trabajos
ejemplares en Bosque y Moreno, 2012; Casado y Palacios, 2012; Buzai, 2013;
García-Palomares et al., 2012; Santana et al., 2015; Pérez Fernández, 2021).
Desde una perspectiva más general procede resaltar que, en nuestro hori-
zonte temporal, la conjunción de geodatos digitales nuevos, masivos, asequi-
bles e interoperables, y la potencia de las geotecnologías y las técnicas de aná-
lisis espacial, conforman una situación prometedora para realizar aportaciones
clarividentes de cara a la gobernanza territorial. Muchas decisiones públicas
o privadas, que estructuran el territorio de manera duradera se toman sobre
bases cognitivas limitadas por razones múltiples (desde los intereses de ciertos
grupos hasta la ignorancia sobre las posibilidades que ofrecen las ciencias del
territorio). Ello indefectiblemente implica perturbaciones más o menos severas
en el logro de las metas colectivas, cuyos costes o perjuicios pesarán sobre la
ciudadanía largamente como malestar y desajustes onerosos (desequilibrios,
privaciones, discriminaciones, etc.), incluso ambientalmente.
Si la resolución de problemas y patologías complejos, como son los de or-
ganización territorial, reclama buen tino y asesoramiento a los decisores e im-
plicados (stakeholders), parece urgente, en esta era de la sociedad del cono-
cimiento, propiciar que la planificación del territorio (sectorial o integral) esté
apoyada en el mejor entendimiento del mismo (sea urbano o rural) y de su
funcionamiento, así como en las excelentes geotecnologías digitales disponi-
bles. Ello implicaría recurrir intensivamente al sector de asesores-expertos, por
ejemplo, procedentes de centros de investigación y universitarios, así como de
consultoría especializada privada, para orientar a las diversas instancias de la
administración pública territorial (municipios-comunas, ciudades, áreas metro-
politanas, provincias, regiones, etc.) en cuestiones tan importantes como aten-
der a las necesidades humanas fundamentales.
Cabe cuestionarse si, en una época de tan masiva difusión de información,
no persiste una lamentable desconexión entre los avances del saber académi-
co territorial, que circula entre comunidades científico-técnicas muy especia-
lizadas, y las necesidades, a menudo latentes, que poseen las organizaciones
administrativo-territoriales. A efectos de superar esos negativos cortocircuitos
quizá podrían ayudar iniciativas más proactivas desde las organizaciones aca-
démicas o profesionales, inspiradas en el marketing público y comunicables

– 569 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

vía canales digitales; por ejemplo, portales que faciliten la interacción entre
expertos y demandantes de asesoramiento para intercambiar una mercancía
excelente: el conocimiento sobre los problemas territoriales y sus soluciones,
muchas veces contenido en investigaciones innovadoras poco conocidas.
El acierto en los proyectos de actuación habilitaría un superior alivio de ca-
rencias, vulnerabilidades y desfavorecimiento sociales y mayor calidad de vida
y bienestar ciudadanos. En este contexto ¿no resulta plausible aventurar que
incluso el ciudadano se podría sentir más satisfecho y, en tanto que votante,
corresponder consecuentemente a los buenos gestores públicos? Al margen
de tal rédito potencial, políticamente hablando, cabe reivindicar que una go-
bernanza pública de ese tenor sería éticamente superior.
En definitiva, formas más inteligentes y éticas de decidir y servir a los ciuda-
danos son posibles, maximizando las utilidades del gasto o de las inversiones
de organizaciones públicas, no lucrativas o privadas. Fomentar esas buenas
prácticas en la formación de decisiones sobre el territorio nos acercaría a cum-
plir una axiomática ecuación: ciencia + gobernanza = gobierno inteligente.

12.5. Agradecimientos

A los organismos públicos españoles que han facilitado gratuitamente los

datos para desarrollar el estudio de caso.

– 570 –
 Diseñando distribuciones espaciales de los equipamientos para la población

12.6. Referencias

AL21 (s.f.). Sistema de indicadores y condicionantes para ciudades gran-

des y medianas. Madrid, España: Gobierno de España, Ministerio de Me-
dio Ambiente, Medio Rural y Marino, Ministerio de Fomento, 81 p. https://
[Link]/recursos_mfom/pdf/3093A86A-128B-4F4D-8800-
BE9A76D1D264/111504/INDI_CIU_G_Y_M_tcm7177731.pdf
Bosisio, A., Moreno, A. (2022). “Análisis de la equidad espacial en la accesibilidad
intraurbana a los equipamientos de salud y educación en Santa Fe de la Vera
Cruz, Argentina”. Geográfica Digital, 19 (37), 3-27. [Link]
geo.19375833 [Link]
load/5833/5660
Bosque, J., Moreno, A. (Eds.). (2012). Sistemas de información geográfica y localiza-
ción óptima de instalaciones y equipamientos. Madrid, España: Ra-Ma, 2ª ed.
Brau, L., Herce, M., Tarragó, M. (1980). Manual municipal de urbanismo. Barcelo-
na, España: CEUMT, vol. 2.
Brownrigg-Gleeson, M. L., Monzón, A., Alonso, A. (2024). Diseñando la Ciudad de
los 15 minutos a escala calle: un análisis bottom-up de la proximidad social,
Ciudad y Territorio – Estudios Territoriales, LVI (220), 369-390. [Link]
org/10.37230/CyTET.2024.220.1
Buzai, G. D. (2013). “Location-allocation models applied to urban public services.
Spatial analysis of primary health care centers in the city of Luján, Argenti-
na”, Hungarian Geographical Bulletin, 62 (4), 387-408. [Link]
konyvtar/kiadv/HunGeoBull2013/HunGeoBull_2013_4_387-[Link]
Carrión, F., Dammert-Guardia, M. (Eds.). (2019). Derecho a la ciudad: una evoca-
ción de las transformaciones urbanas en América Latina. Lima, Perú: IFEA,
CLACSO, FLACSO.
Carrión, F.; Erazo, J. (Eds.). (2016). El derecho a la ciudad en América Latina: visio-
nes desde la política. Ciudad de México, México: UNAM.
Casado, J. M., Palacios, C. (2012). “Ubicación óptima de módulos electorales en el
estado de Chihuahua (México) utilizando modelos de localización-asignación
mediante SIG”. Boletín de la Asociación de Geógrafos Españoles, 60, 227-251.
Cuervo, L. M. (2012). Ética territorial. Ética y política económica. Discusión de sus
relaciones fundamentales a la luz de las políticas de desarrollo territorial.

– 571 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Santiago, Chile: Instituto Latinoamericano y del Caribe de Planificación Eco-

nómica y Social (ILPES).
Church, R., Medrano, F. A. (2018). “Location-allocation modeling and GIS”. En
J. P. Wilson (Ed.). The Geographic Information Science & Technology Body of
Knowledge (3rd Quarter 2018 Edition), DOI: 10.22224/gistbok/2018.3.4.
Decreto Supremo N° 19. (2016). D.O. 14.07.16. “Reglamento del Programa de In-
tegración Social y Territorial del Ministerio de Vivienda y Urbanismo”. Chile.
De Smith, M., Goodchild, M. F., Longley, P. A. (2024). Geospatial analysis: a com-
prehensive guide to principles, techniques and software tools. 7ª ed. Cap. “Net-
work and Location Analysis”. [Link]
Elizagárate, V. de (2008). Marketing de ciudades. Madrid, España: Pirámide (2ª ed.).
Fadda, E., Manerba, D., Cabodi, G., Camurati, P. E., Tadei, R. (2021). Comparative
analysis of models and performance indicators for optimal service facility lo-
cation, Transportation Research Part E: Logistics and Transportation Review,
145, January, 102174 [Link]
Foro Social de las Américas. (2013). “Carta Mundial por el Derecho a la Ciudad”.
Cuadernos Geográficos, 52, 368-380.
Fuenzalida, M., Moreno, A. (2010). Diseño con SIG de la localización óptima de
centros e atención primaria de salud, discriminando según estatus socioe-
conómico. En J. Ojeda, M.F. Pita, y I. Vallejo (Ed.), Tecnologías de la informa-
ción geográfica: la información geográfica al servicio de los ciudadanos (pp.
453-465). Sevilla, España: Secretariado de Publicaciones de la Universidad
de Sevilla. [Link]
nencia2_Sevilla2010.pdf
Garrocho, C., Chávez, T., Álvarez, J.A. (2002). “La dimensión espacial de la com-
petencia comercial”. Zinacantepec, México: El Colegio Mexiquense. https://
[Link]/publication/297689805_LA_DIMENSION_ESPA-
CIAL_DE_LA_COMPETENCIA_COMERCIAL
Garrocho, C. (1992). “Localización de servicios en la planificación urba-
na y regional: aspectos básicos y ejemplos de aplicación”. Zinacante-
pec, México: El Colegio Mexiquense, Cuadernos de trabajo 11. https://
[Link]/34923602/Localizaci%C3%B3n_de_Servicios_en_la_
Planeaci%C3%B3n_Urbana_y_Regional_Aspectos_b%C3%A1sicos_y_ejem-
plos_de_aplicaci%C3%B3n

– 572 –
 Diseñando distribuciones espaciales de los equipamientos para la población

Garrocho, C. (2003). “La teoría de interacción espacial como síntesis de las teo-
rías de localización de actividades comerciales y de servicios”, Economía,
Sociedad y Territorio, IV (14), 203-251.
García-Palomares, J. C., Gutiérrez, J., Latorre, M. (2012). “Optimizing the location
of stations in bike-sharing programs: A GIS approach”. Applied Geography, 35,
235-246.
Gutiérrez, J., García, J.C., Cardozo, O. (2011). Accesibilidad peatonal a los servi-
cios: umbrales de distancia, funciones de distance-decay y modelos direc-
tos de estimación de la demanda. Toluca, México: XIII CONFIBSIG, UAEMEX,
25 p. (cortesía de los autores).
Harvey, D. (1977). Urbanismo y desigualdad social. Madrid, España: Siglo XXI.
Lefebvre, H. (1969). El derecho a la ciudad. Barcelona, España: Península.
Lévy, J., Fauchille, J., Póvoas, A. (2018). Théorie de la justice spatiale. Géogra-
phies du juste et de l’injuste. París, Francia: Odile Jacob.
Moreno, C. (2023). La revolución de la proximidad: de la ciudad mundo a la ciu-
dad de los 15 minutos. Madrid, España: Alianza Editorial.
Moreno, A. (1991). Los centros culturales en Madrid. Un análisis geográfico
de la provisión y el uso. Estudios Geográficos, 205, 697-730. [Link]
[Link]/[Link]/estudiosgeograficos/article/
view/958/1131
Moreno, A. (2001). Geomarketing con sistemas de información geográfica. Ma-
drid, España: Dpto. de Geografía de la UAM-Grupo de Métodos Cuantitati-
vos, SIG y Teledetección de la AGE, (disponible del autor).
Moreno, A. (2006). En torno a los conceptos de equidad, justicia e igualdad es-
pacial. Huellas, Revista de la Universidad Nacional de la Pampa, 11, 133-142.
[Link]
[Link]?sequence=1&isAllowed=y
Moreno, A. (2007). Justicia y eficiencia espacial como principios para la planifi-
cación: aplicación en la provisión de servicios colectivos con SIG. En G. D. Bu-
zai (Ed.): Memorias. XI Conferencia Iberoamericana de Sistemas de Informa-
ción Geográfica. (pp. 197-230). Luján, Argentina: Dpto. de Ciencias Sociales,
Universidad Nacional de Luján. [Link]
memorias/confibsig2007/CONFIBSIG_2007.rar

– 573 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Moreno, A. (2012). “Modelos de localización óptima de instalaciones y equipa-

mientos”. En J. Bosque Sendra y A. Moreno Jiménez (Ed.): Sistemas de infor-
mación geográfica y localización óptima de instalaciones y equipamientos (pp.
73-122). Madrid, España: RA-MA, 2ª ed.
Moreno, A., Bosque, J. (2010). “Los modelos de localización óptima como he-
rramientas para la planificación territorial y urbana de instalaciones y equi-
pamientos”. Ciudad y Territorio, Estudios Territoriales, XLII (165-166), 461-480.
[Link]
Moreno, A., Buzai, G. D., Fuenzalida, M. (2017). Sistemas de información geográ-
fica. Aplicaciones en diagnósticos territoriales y decisiones geoambientales.
Madrid, España: Ra-Ma, 2ª ed.
Moreno, A., Fuenzalida, M. (2015). “Servicios y equipamientos para la población:
Análisis aplicados a la planificación y la gestión territorial”, en C. Garrocho y G.
D. Buzai (Ed.): Geografía Aplicada en Iberoamérica: avances, retos y perspec-
tivas (pp. 395-430). Zinacantepec, México: El Colegio Mexiquense. https://
[Link]/publication/323369141_GEOGRAFIA_APLICADA_
EN_IBEROAMERICA_Version_Completa
Moreno, A., Prieto, M. E. (2004). “¿Cómo afecta la unidad espacial a la visualiza-
ción y modelado del área de mercado con sistemas de información geográ-
fica? Implicaciones para el geomarketing”, Estudios Geográficos, LXV (257),
617-636. [Link]
Moreno, A., Vinuesa, J. (2009). “Desequilibrios y reequilibrios intrametropolita-
nos: principios de evaluación y metodología de análisis”. Ciudad y Territorio –
Estudios Territoriales, LXI, 233-262. [Link]
article/view/75924/46335
Pérez, O. A. (2021). “Modelos de localización asignación utilizando redes diná-
micas a partir de ficheros GTFS y datos de TomTom”. GeoFocus, Revista Inter-
nacional de Ciencia y Tecnología de la Información Geográfica (Artículos), 28,
59–81. [Link]
PSOE (2023). “Discurso del presidente Pedro Sánchez en la sesión de investidura”.
[Link]
discurso-de-investidura-Pedro-S%C3%[Link]

– 574 –
 Diseñando distribuciones espaciales de los equipamientos para la población

Roca, A., Moreno, A. (2022). “Desigualdades en el acceso de la población joven a

la red de transporte público y los lugares de ocio nocturno en Alcobendas”,
Revista de Estudios Andaluces, 44, 50-71. e-ISSN: 2340-2776. [Link]
[Link]/[Link]/REA/article/view/20737/19003 [Link]
org/10.12795/rea.2022.i44
Santana, G., Aguilar, A. G., Santana, M. V. (2015). “Falta de cobertura de los ser-
vicios de salud y factores de localización óptima”, Ciencias Espaciales, 8 (1),
373-394. [Link]
Santana, D. (2012). “Explorando algunas trayectorias recientes de la justicia en
la geografía humana contemporánea: de la justicia territorial a las justicias
espaciales, Cuadernos de Geografía”, Revista Colombiana de Geografía, 21
(2), 75-84. [Link]
SEDESOL (Secretaría de Desarrollo Social) (1999): Sistema normativo de equipa-
miento urbano. Ciudad de México, México (varios tomos).
Smith, D. (1980). Geografía humana. Barcelona, España: Oikos Tau.
Truelove, M. (1993). “Measurement of spatial equity”. Environment and Planning
C, 11, 19-34.
Soja, E. (2010). Seeking spatial justice. Minneapolis, EEUU: Minnesota University.
Valenzuela-Aguilera, A., Romero-Tecua, G. (2024). “La ciudad de los 15 minutos y
la escala metropolitana: el caso de la Zona Metropolitana del Valle de Méxi-
co”, Ciudad y Territorio - Estudios Territoriales, LVI (220), 391-402. [Link]
org/10.37230/CyTET.2024.220.2

– 575 –
 CAPÍTULO XIII
EL ROL DEL IGM EN EL AVANCE DE LA GEOMÁTICA EN CHILE

Departamento Ingeniería1 y Departamento Geográfico1

13.1. Introducción

El presente artículo expone el desarrollo de la geomática en la elaboración

de la cartografía de Chile por parte del Instituto Geográfico Militar (IGM), orga-
nismo oficial del Estado en materias relacionadas con la geografía, los levan-
tamientos topográficos y la confección de la cartografía del territorio nacional.
Asimismo, se describen las actividades que actualmente integran la geomática
en los distintos proyectos ejecutados por el IGM, ofreciendo un recorrido por la
evolución de los procesos cartográficos desde sus inicios.
El progreso de la ciencia, la tecnología y el conocimiento aplicado a la ge-
neración de información geoespacial ha experimentado un crecimiento soste-
nido y acelerado. En este contexto, se han incorporado nuevas herramientas
y actores fundamentales, como el vuelo Trimetrogon posterior a la Segunda
Guerra Mundial, el lanzamiento del satélite Landsat en la década de 1970, el
desarrollo de la red GPS (Global Positioning System), la transición de la geode-
sia tradicional a la geodesia satelital y el uso de imágenes satelitales ópticas y
de radar, hasta llegar a tecnologías más recientes como Starlink. Todos estos
hitos han sido clave en la evolución del proceso cartográfico en Chile, y el IGM
ha demostrado la capacidad de adoptar estas nuevas metodologías y perfec-
cionarse a medida que avanza la tecnología. Esto ha permitido la elaboración
de productos e insumos de gran relevancia para el país, facilitando la toma de
decisiones, la interoperabilidad entre organismos del Estado y el impulso del
desarrollo nacional.
En la siguiente sección se presentan los aspectos más relevantes de los
planes y proyectos en los que la geomática ha sido un componente esencial

1
Instituto Geográfico Militar (IGM), Santiago, Chile.

– 577 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

del proceso cartográfico llevado a cabo por el IGM, junto con las conclusiones
y desafíos que enfrenta el Instituto frente a la continua evolución de la tecnolo-
gía, la ciencia y el conocimiento.

13.2. Desarrollo

13.2.1. El Instituto Geográfico Militar y la evolución del proceso cartográfico

hacia la geomática

Desde 1922, el IGM ha llevado a cabo arduos esfuerzos que, hasta el día de
hoy, se traducen en la conformación de la Red Geodésica Nacional (RGN), la
cual funciona como marco de referencia para todas las actividades geodésicas
y representaciones cartográficas que se realizan en el país. En sus inicios, este
trabajo se desarrolló mediante triangulaciones topográficas con instrumentos
análogos, utilizadas para georreferenciar los primeros levantamientos carto-
gráficos y la confección de planchetas.
En 1946, Estados Unidos, a través del Inter American Geodetic Survey (IAGS),
puso a disposición del IGM una dotación de copias de las vistas aéreas capta-
das durante el vuelo Trimetrogon, que cubría la totalidad del territorio nacional.
Este conjunto consistía en más de 47.000 fotografías que sirvieron como base
para el levantamiento de la carta preliminar del país. Posteriormente, el 7 de
mayo de 1947, una comisión mixta, integrada por representantes del gobierno
de [Link]. (IAGS) y de Chile (IGM), suscribió un acuerdo para el levantamiento
topográfico del territorio nacional, dando inicio a un ambicioso plan de labores
geodésicas y topográficas.
A partir de 1950, el IGM comenzó el levantamiento sistemático del país me-
diante una red de vértices trigonométricos distribuidos a lo largo y ancho del
territorio. Así se materializó la RGN, estructurada en distintos órdenes de pre-
cisión, con el objetivo de entregar soporte geodésico (mediante coordenadas
precisas) al proceso de elaboración de la cartografía oficial del país. Esta infor-
mación constituye la base para todo trabajo posterior en el ámbito geoespacial.
Durante la década de 1960, se produjo un cambio significativo en los mé-
todos de aerotriangulación, reemplazándose el sistema Stereo IV por el siste-
ma electrónico AP/C Nistri-Bendix, lo que representó un avance notable. Este
nuevo aerotriangulador incorporaba un computador Bendix, el cual permitía

– 578 –
 El rol del IGM en el avance de la geomática en Chile

calcular y acoplar los modelos estereoscópicos en tiempo real, obteniendo

coordenadas terrestres que posteriormente se transformaban en coordenadas
definitivas.
En 1978, se presentó una situación que representó un desafío significativo
para la cartografía nacional. Ese año se iniciaron los trabajos de campo nece-
sarios para dotar de una cartografía moderna a la zona austral de Chile, lográn-
dose elaborar 149 hojas a escala 1:100.000. Sin embargo, el clima adverso y la
compleja configuración geográfica del sur del país se convirtieron en serios
obstáculos para la planificación y ejecución de los trabajos geodésicos me-
diante métodos tradicionales.
El ciclo fotogramétrico utilizado en ese entonces para producir la cartogra-
fía incluía varias etapas: levantamiento de apoyo en terreno, restitución foto-
gramétrica, dibujo cartográfico e impresión. Todo este proceso se basaba en
fotografías aéreas de alta calidad, complementadas con información terrestre
necesaria para determinar la posición y altimetría de puntos clave del terreno.
Esta labor, eminentemente de terreno, exigía un gran número de puntos de
control por hoja, especialmente cuando los levantamientos se realizaban con
planchetas o alidadas estadimétricas.
En este procedimiento, la restitución fotogramétrica transformaba la imagen
continua de la fotografía aérea en un plano topográfico (imagen de líneas). Du-
rante el proceso de dibujo, los puntos georreferenciados eran ubicados en la
hoja de trabajo utilizando el coordinatógrafo, antes de ser entregados para su
restitución definitiva.
Este tipo de proceso cartográfico se mantuvo en uso hasta la década de
1990. Sin embargo, entre 1980 y 1990, el IGM vivió un período de transición,
pasando de la geodesia tradicional a la geodesia satelital. Ante la imposibili-
dad de cubrir todo el territorio nacional con una red trigonométrica de primer
orden, especialmente en el sur de Chile, se adoptaron modernas técnicas de
posicionamiento geodésico por medio de satélites. Esto incluyó el uso de nue-
vos equipos que permitieron realizar mediciones mediante tecnología Doppler,
referenciadas al Datum WGS-72, capaces de establecer posiciones geográficas
de alta precisión.
Durante la década de 1980, el IGM dio inicio a un programa experimental de
cartografía a partir de imágenes satelitales Landsat, mediante el cual se ela-
boró la Carta de Santiago a escala 1:500.000 en falso color. Entre 1980 y 1987

– 579 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

se desarrolló, también, el “Proyecto Piloto de Levantamiento Catastral Rural de

la Comuna de Quilicura”, a través del cual se produjo un conjunto de 18 cartas
catastrales automatizadas, generadas mediante el Sistema Interactivo de Car-
tografía Automatizada y Banco de Datos INFORMAP.
En 1992, el IGM inició un proceso de modernización orientado a reemplazar
la cartografía convencional por un sistema de producción digital automatizado
(figura 61). El objetivo era estructurar una Base de Datos de Cartografía Nacio-
nal en formato digital, capaz de responder a las crecientes demandas de distin-
tos sectores del país. Como parte de este proceso, se elaboró un proyecto para
automatizar los instrumentos del Instituto y se adquirió el Sistema de Cartogra-
fía Digital y Gestión de Base de Datos Intergraph. Gracias a esta modernización,
en 1998 se logró elaborar la cubierta digital 1:50.000 de todo el territorio na-
cional, así como establecer las condiciones técnicas necesarias para producir
cartografía regular en formatos digitales a escalas 1:250.000 y 1:500.000. Este
avance marcó, hacia fines de la década de 1990, el inicio de una nueva era en
la confección de mapas en Chile.
Durante el período 1992-1999, se produjo un nuevo salto tecnológico que
modificó radicalmente las técnicas de estudio y análisis del terreno empleadas
por el IGM. Este avance se materializó a través del desarrollo de los proyec-
tos Andes Centrales (CAP) y Actividades Geodinámicas Sudamericanas (SAGA),
mediante los cuales se estableció una red GPS referida al datum WGS-84, es-
tructurada a lo largo del país desde Arica hasta Cabo de Hornos. Esta red inclu-
yó alrededor de 300 puntos y tuvo como objetivo evaluar la geodinámica del
territorio nacional.
El proyecto CAP surgió de un convenio entre el IGM y un consorcio de uni-
versidades estadounidenses, representado por la Universidad de Hawái. Su
propósito era estudiar la deformación de la corteza terrestre provocada por los
eventos sísmicos que afectan al país, con el fin de establecer, a largo plazo, una
línea de referencia media para determinar deformaciones horizontales y verti-
cales en el arco anterior de la cordillera de los Andes.
Paralelamente, y dado el interés científico de esta línea de investigación, el
gobierno alemán, a través del Geo Forschungs Zentrum Potsdam (GFZ), firmó
un convenio con el IGM en 1992 para desarrollar un proyecto de características
similares, denominado SAGA, el cual contemplaba la medición de 41 estacio-
nes geodésicas distribuidas en el territorio nacional, aplicando, también, el sis-
tema GPS.

– 580 –
 El rol del IGM en el avance de la geomática en Chile

Figura 61. Procesos generales para la producción de cartografía digital.

Fuente: Archivo IGM (s.f.).

– 581 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La participación del IGM en ambos proyectos permitió estructurar la base

de una red geodésica homogénea mediante tecnología GNSS, lo cual resul-
tó fundamental para el país. La incorporación de tecnologías espaciales en la
red permitió consolidar una infraestructura geodésica unificada bajo un mismo
datum geocéntrico, con mayor accesibilidad para los usuarios y tiempos de
medición y procesamiento significativamente reducidos.
En este contexto, en 1993 se realizó la primera reunión sudamericana con el
objetivo de poner en marcha el proyecto SIRGAS (Sistema de Referencia Geocén-
trico para las Américas), que culminó en 1995 con la materialización de la primera
red geodésica a nivel continental, en la que el IGM tuvo una participación activa.
Inicialmente, los datos obtenidos en los proyectos CAP y SAGA eran proce-
sados y ajustados en Estados Unidos y Alemania. El IGM almacenaba las coor-
denadas generadas y las utilizaba en sus procesos internos. Sin embargo, entre
1997 y 2000 se capacitó a personal del Instituto en Hawái y Alemania en el ma-
nejo, gestión, procesamiento y ajuste de datos GNSS, lo que permitió que, en
2002, el IGM concretara la primera Red Geodésica Nacional RGN SIRGAS-Chile,
sentando las bases para un marco de referencia moderno, uniforme y preciso
para el levantamiento de información geoespacial en el país (figura 62).

Figura 62. Receptor GNSS, parte de una red continental de estaciones GNSS de alta
precisión.
Fuente: Archivo IGM (2022).

– 582 –
 El rol del IGM en el avance de la geomática en Chile

Debido a las marcadas diferencias de precisión entre la nueva RGN SIRGAS-

Chile y la antigua red trigonométrica, el IGM enfrentó el desafío de adecuar
la información existente. Para ello, se llevó a cabo transformaciones entre los
datums locales (PSAD56 y SAD69) y el nuevo datum geocéntrico SIRGAS-Chile,
aplicando estas correcciones a cada una de las hojas cartográficas con el fin
de modernizarlas. Asimismo, se incentivó a los usuarios a realizar estas trans-
formaciones en su propia información geoespacial. De esta forma, el IGM mo-
dernizó la red geodésica nacional para satisfacer los crecientes requerimientos
de alta precisión.
En paralelo, se conformó un equipo técnico especializado que pasó a integrar
el Centro de Procesamiento y Análisis de Datos SIRGAS-CL, con el objetivo de:

• Definir y establecer un datum geocéntrico (incluyendo el tamaño, forma,

escala y orientación del modelo matemático de la Tierra);
• Definir un sistema de referencia geocéntrico para América mediante pa-
rámetros y estándares de medición y cálculo;
• Establecer y mantener el marco de referencia SIRGAS-CON, compuesto
por vértices geodésicos materializados con coordenadas conocidas y sus
respectivas variaciones.

En paralelo, en 1995 el IGM dio inicio al proyecto tridimensional GEOTEC, en

colaboración con el Ejército, la Armada y la Fuerza Aérea de Chile. Su objetivo
principal fue crear una base de datos capaz de capturar antecedentes, permi-
tir edición interactiva, facilitar la reproducción e intercambio de información y
disponer de cartografía digital del territorio nacional para aplicaciones tanto
civiles como militares. La tarea asumida por el IGM consistió en la obtención de
cartografía topográfica en formato digital, destinada a apoyar la planificación y
los estudios estratégicos relacionados con la seguridad nacional.

13.2.2. Desarrollo de la geomática en el Instituto Geográfico Militar

Las nuevas tecnologías han permitido la captura masiva de datos, los cua-
les requieren un ordenamiento y estandarización, así como un lenguaje común
que facilite su transferencia entre instituciones y usuarios. Este escenario lle-
vó al IGM, con el patrocinio del Instituto Panamericano de Geografía e Historia

– 583 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

(IPGH), a crear, en el año 2000, el Centro Distribuidor de Información, denomi-

nado Clearinghouse, conforme a las normas establecidas por el Federal Geo-
graphic Data Committee (FGDC) de Estados Unidos.
Este centro almacena toda la información cartográfica (analógica y digital)
clasificada y organizada bajo la estructura de metadatos, representados física-
mente mediante fichas técnicas accesibles vía Internet. Esta plataforma permi-
tió, entre otros beneficios, impulsar la cooperación interinstitucional y reducir
significativamente los tiempos de búsqueda de información por parte de los
usuarios y clientes.
Desde 2001, el IGM participa activamente en el desarrollo del Sistema Na-
cional de Coordinación de la Información Territorial (SNIT), actualmente deno-
minado IDE Chile, una iniciativa impulsada por el Gobierno de Chile a través
del Ministerio de Bienes Nacionales. Este proyecto permitió que más de 50
instituciones públicas, incluidas las Fuerzas Armadas, unificaran y coordinaran
la producción de información territorial bajo estándares comunes. Para ello,
se integraron tecnologías de información y comunicaciones (especialmente el
uso de Internet), así como herramientas científicas y técnicas disponibles para
mejorar el trabajo sistematizado de los servicios públicos.
Al IGM le correspondió coordinar la información territorial básica relacionada
con geodesia, cartografía, fotogrametría y sistemas de información geográfica.
Para esta labor, trabajó en conjunto con organismos como el Servicio Aerofo-
togramétrico de la Fuerza Aérea (SAF), el Servicio Hidrográfico y Oceanográfico
de la Armada (SHOA), el Centro de Información de Recursos Naturales (CIREN),
el Instituto Nacional de Estadísticas (INE) y la Agencia Chilena del Espacio (ACE).
En 2002, como resultado de un acuerdo de colaboración entre la Oficina
Federal de Cartografía y Geodesia (BKG) de Alemania y un consorcio chileno
compuesto por tres universidades y el IGM, se instaló en la ciudad de Concep-
ción el Observatorio Geodésico Integrado Transportable (TIGO). Su objetivo fue
aportar datos clave para el establecimiento del Sistema de Referencia Global
y la mantención de sus respectivos marcos de referencia, en colaboración con
servicios geodésicos internacionales, así como el monitoreo de los parámetros
de orientación de la Tierra y el movimiento de su corteza.
Ese mismo año, el IGM impulsó el desarrollo de la Base de Datos Geoes-
pacial (BDG), orientada tanto al uso interno como al servicio de los usuarios
del Sistema de Información Geográfica. El objetivo principal fue establecer un

– 584 –
 El rol del IGM en el avance de la geomática en Chile

procedimiento que permitiera comercializar productos del IGM a través de In-

ternet, integrándose a su vez con otras bases de datos nacionales e interna-
cionales tanto públicas como privadas. Entre los productos priorizados para su
publicación, se encontraban las cartas topográficas a escala 1:50.000, utilizan-
do plataformas computacionales como Intergraph y ArcGIS.
En 2010, el Ministerio de Defensa, a través de la Subsecretaría de Defensa,
conformó una mesa técnica con representantes de diversos servicios del Es-
tado generadores de información territorial, junto con la Oficina Nacional de
Emergencia (ONEMI, actualmente SENAPRED). Esta instancia tuvo como ob-
jetivo la ejecución de un proyecto piloto para la elaboración de un mapa de
riesgos que integrara las principales amenazas naturales que enfrenta el país.
El IGM fue encargado de desarrollar el prototipo denominado Sistema Integra-
do de Información para Emergencias (SIIE), que evaluó amenazas asociadas a
sismos y tsunamis, actividad volcánica e inundaciones fluviales por precipita-
ciones. El área de estudio abarcó desde la región de Arica y Parinacota hasta la
región de Atacama.
El SIIE fue concebido como un servicio de mapas digitales (Web Map Servi-
ce), accesible a través de Internet y basado en tecnología Java. Operaba sobre
el sistema de georreferenciación SIRGAS y se conectaba directamente con ser-
vicios de mapas físicos, viales, urbanos, además de un servidor de imágenes
satelitales. Esta infraestructura tecnológica permitía la visualización, análisis e
identificación de zonas de riesgo, sirviendo como soporte para la planificación
del apoyo logístico y la respuesta rápida ante desastres y/o emergencias.
Paralelamente, y según lo señalado por el Departamento de Ingeniería del
IGM durante el año 2010, la necesidad de contar con una representación más
precisa del espacio físico nacional acorde a las nuevas tecnologías disponibles,
motivó al Instituto Geográfico Militar a desarrollar cartografía digital a escala
1:25.000, abarcando la totalidad del territorio nacional, con excepción de la co-
muna Antártica. Para su producción, se emplearon mosaicos de ortoimágenes
y modelos digitales de superficie (MDS) con resoluciones espaciales de 0,5 m y
8 m, respectivamente. Esto permitió generar una visualización estereoscópica
de cada área de trabajo, facilitando la interpretación morfológica del terreno
y apoyando la fotointerpretación realizada por los cartógrafos durante la ex-
tracción de vectores. Como resultado, se obtuvo una representación territorial
tridimensional de alta calidad.

– 585 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

El desarrollo de esta cartografía se dividió en cinco fases, organizadas de

norte a sur:

• Fase I: regiones de Arica y Parinacota, Tarapacá y Antofagasta. Elaborada

entre los años 2013 y 2014.
• Fase II: regiones de Atacama, Coquimbo, Valparaíso y Metropolitana. Ela-
borada entre los años 2014 y 2016.
• Fase III: regiones de O´Higgins, Maule, Biobío y Araucanía. Elaborada entre
los años 2016 y 2017.
• Fase IV: regiones de Los Ríos, Los Lagos y de Aysén del General Carlos
Ibáñez del Campo. Elaborada entre los años 2017 y 2020.
• Fase V: región de Magallanes y de la Antártica Chilena (excepto la comu-
na Antártica). Esta fase se encuentra actualmente en ejecución, iniciada
en enero del 2025 y con una duración estimada de 3 años.

La cartografía 1:25.000 ha sido estandarizada para garantizar la interope-

rabilidad de los datos, utilizando el modelo de datos TDS (Topographic Data
Store), que organiza la representación del terreno de forma lógica y uniforme.
Este modelo define los atributos de cada feature (objeto, elemento o accidente
geográfico) en conformidad con normas nacionales e internacionales, como las
establecidas por el comité técnico ISO/TC 211 de la Organización Internacional
de Normalización (ISO). A ello se suma un riguroso proceso de producción con
múltiples controles (tanto automatizados como visuales) que aseguran la uni-
formidad y calidad de la información geográfica representada (figura 63).
Actualmente, la cartografía digital 1:25.000 está disponible desde la región
de Arica y Parinacota hasta la región de Aysén. Ha sido utilizada en diversas
aplicaciones, tales como evaluaciones de impacto ambiental, análisis de la red
hídrica, estudios de obras de ingeniería y proyectos mineros.
Cabe destacar que en 2023 esta cartografía permitió actualizar el área de la
“cota 30 m”, que identifica las zonas costeras con amenaza de inundación por
tsunamis. Esta información puede consultarse a través del “Visor Chile Prepa-
rado” de SENAPRED. La generación de esta nueva cartografía permite reflejar
con mayor fidelidad los cambios en el entorno nacional, mejorando el conoci-
miento del territorio, sus características y capacidades. Cuando se utiliza ade-
cuadamente como herramienta de planificación y toma de decisiones, contri-
buye directamente al desarrollo sustentable y estratégico del país.

– 586 –
 El rol del IGM en el avance de la geomática en Chile

Figura 63. Proceso de producción cartográfica a escala 1:25.000.

Fuente: IGM (2024).

En 2016 se dio inicio a un proyecto colaborativo siguiendo el modelo del

Programa Multinacional de Coproducción Geoespacial (MGCP), impulsado por
la Organización del Tratado del Atlántico Norte (OTAN), que otorga acceso a da-
tos geoespaciales en proporción a la contribución de cada país. Denominado
TREx (Tandem-X High Resolution Elevation Data Exchange Program) (figura 64),
esta iniciativa tiene por objetivo generar un Modelo Digital de Elevación (DEM)
de cobertura global de polo a polo a partir de datos obtenidos por los satélites
radar TerraSAR-X y TanDEM-X. En el programa participan 33 naciones; 2 admi-
nistradoras y 31 editoras, entre las cuales se encuentra Chile, representado por
el IGM como Centro de Procesamiento Local (LPC).

Figura 64. Logo Programa TREx.

Fuente: Archivo IGM (2024).

– 587 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Según lo informado por el LPC del IGM, los datos de elevación de alta reso-
lución provenientes de la misión TanDEM-X cuentan con una resolución espa-
cial de 12 metros (figura 65) y una precisión vertical relativa inferior a 2 metros,
cubriendo incluso las regiones polares. Esta precisión supera todos los conjun-
tos de datos similares anteriormente disponibles.

Figura 65. DEM y resolución de datos.

Fuente: Archivo IGM (2024).

En 2017 se firmó el Memorándum de Entendimiento que oficializó la incor-

poración de Chile al programa. Posteriormente, en octubre de 2018, el IGM ca-
pacitó en Alemania a dos profesionales especialistas en sensores remotos, con
el objetivo que se familiarizaran con la plataforma informática del proyecto. Ac-
tualmente, el equipo de trabajo del IGM está conformado por profesionales de
las ciencias de la Tierra e informática, quienes se dedican a la edición y control
de calidad de los DEM asignados a Chile.
Desde 2021, la Red Geodésica Nacional (RGN) Sirgas-Chile cuenta con 111
Estaciones de Referencia de Operación Continua (CORS, por sus siglas en
inglés), distribuidas estratégicamente a lo largo del país. Cada estación está

– 588 –
 El rol del IGM en el avance de la geomática en Chile

equipada con un receptor y una antena GNSS que registra datos de forma inin-
terrumpida durante todo el año. Esta infraestructura permite el acceso remoto
a los datos mediante protocolos de Internet, lo que no solo garantiza una re-
ferencia confiable para el manejo de datos geoespaciales, sino que también
posibilita el monitoreo continuo de desplazamientos de la corteza terrestre y
otros fenómenos geodinámicos.
En 2022, el IGM impartió la primera versión del Diplomado en Geomática Mili-
tar, dirigido a miembros del Ejército y funcionarios del Instituto. El programa en-
tregó conocimientos y herramientas metodológicas en geomática y geociencias,
permitiendo integrar tecnologías y métodos de los Sistemas de Información Geo-
gráfica (SIG) para construir y gestionar bases de datos geoespaciales aplicables
en contextos militares, de emergencia y desastres. Los participantes realizaron
análisis geoespaciales utilizando software libre especializado en análisis geográ-
fico, teledetección, navegación satelital, cartografía digital y simulación territorial,
entre otros enfoques técnicos aplicados a usos estratégicos.
En 2024, personal del IGM participó junto a otras instituciones en una comisión
desplegada en la Estación Polar Científica Conjunta Glaciar Unión (EPCCGU), con
el fin de realizar trabajos geodésicos en terreno mediante GNSS. El objetivo fue
elaborar cartografía a escala 1:100.000 y generar una ortoimagen a partir de un
vuelo aerofotogramétrico del Glaciar Unión, un sector estratégico tanto para la
investigación científica como para las operaciones logísticas en la Antártica.
La comisión permitió obtener datos geodésicos de alta precisión para res-
paldar la elaboración de cartografía terrestre moderna y detallada en la región
antártica (figura 66). La exactitud en las coordenadas planas y altimétricas re-
sultó clave para fortalecer el conocimiento del territorio, apoyar la planificación
institucional del Ejército y contribuir a la investigación científica civil. Las activi-
dades ejecutadas pueden ser resumidas en:

a. Medición GNSS de puntos geodésicos para la georreferenciación de la

cartografía: se midieron tres puntos geodésicos (UNI1, UNI2 y UNI3) du-
rante 48 horas, utilizando equipos GNSS (Global Navigation Satellite Sys-
tem) de doble frecuencia y multiconstelación (GPS y GLONASS) conforme
a estándares internacionales. Las coordenadas obtenidas con precisión
milimétrica fueron referidas al datum oficial SIRGAS-Chile. Esta informa-
ción se empleará en estudios geoespaciales, análisis isostáticos del gla-
ciar y evaluaciones del desplazamiento tectónico en la región.

– 589 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

b. Medición de Puntos de Control de Terreno (PCT) para vuelo aerofoto-

gramétrico: se realizaron mediciones GNSS en siete puntos de control
geodésico distribuidos en 36 hectáreas del Glaciar Criósfera, afluente
del Glaciar Unión. Los datos, procesados y referenciados a SIRGAS-Chile,
permitirán georreferenciar el levantamiento aerofotogramétrico y generar
una ortofoto de alta precisión.
c. Levantamiento planimétrico de la Estación Polar Científica Conjunta Gla-
ciar Unión (EPCCGU): se llevó a cabo un levantamiento planimétrico me-
diante GNSS RTK (Real Time Kinematic) en la estación polar, con el fin de
generar cartografía precisa a escala intermedia. Se vinculó un punto base
al sistema de referencia nacional SIRGAS-Chile para enviar correcciones en
tiempo real al equipo rover utilizado en la captura de puntos topográficos.

Cabe destacar que las mediciones realizadas en los puntos geodésicos

UNI1, UNI2 y UNI3, junto con los PCT del Glaciar Criósfera, han permitido con-
solidar una base de datos geodésica robusta. Esta información no solo apoya
la producción de cartografía oficial, sino que también resulta fundamental para
investigaciones científicas sobre dinámica glaciar, cambio climático y sosteni-
bilidad del ecosistema polar.

Figura 66. Equipo IGM efectuando mediciones en terreno.

Fuente: Archivo IGM (2024).

– 590 –
 El rol del IGM en el avance de la geomática en Chile

13.3. Conclusiones

A medida que avanza el conocimiento, el IGM ha identificado una gran opor-

tunidad para progresar mediante la adopción de nuevas tecnologías, conso-
lidando su compromiso con el desarrollo continuo a través de los distintos
proyectos que ejecuta. En este contexto, el IGM asume la responsabilidad de
entregar productos modernos y de alta precisión, con el propósito de facilitar
la toma de decisiones y contribuir al ordenamiento territorial por parte de las
autoridades competentes.
La misión de elaborar la cartografía nacional en Chile es compleja, ya que
implica la implementación y gestión de diversos procesos técnicos. Un claro
ejemplo de ello son los levantamientos de información en la zona austral del
país, los cuales han representado un desafío constante. Estas tareas han exigi-
do al IGM maximizar sus capacidades profesionales, técnicas y logísticas para
acceder a territorios que, por su geografía y condiciones naturales, presentan
grandes dificultades para la obtención de datos en terreno, tales como la de-
terminación de posiciones geodésicas y altimetría, esenciales para la genera-
ción de información base.
Un caso particularmente representativo de esta complejidad es el levan-
tamiento cartográfico del Campo de Hielo Sur, una extensa zona compuesta
por archipiélagos, fiordos, cordilleras y glaciares, que requiere un esfuerzo téc-
nico y científico de alto nivel. Ante este tipo de escenarios, el IGM ha debido
incorporar los más recientes avances en ciencia, tecnología, conocimiento y
geomática. La utilización de sensores remotos, técnicas de teledetección, SIG,
drones y la actualización permanente de la red geodésica nacional son ele-
mentos fundamentales para garantizar la producción de cartografía moderna,
precisa y confiable.
Frente a los constantes cambios de la dinámica terrestre, como los provoca-
dos por el cambio climático y sus múltiples consecuencias sobre el territorio, el
IGM debe contar con la capacidad de actualizar regularmente su cartografía en
función de la evolución geomorfológica del país. Para ello, se requiere integrar
continuamente los últimos avances en geomática, los cuales también constitu-
yen la base para impulsar nuevos proyectos colaborativos con otras entidades
públicas y privadas, nacionales e internacionales, que permitan avanzar en la
generación y análisis de información geoespacial.

– 591 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Respecto a los diversos proyectos descritos en este documento, y aque-

llos que actualmente desarrollan los equipos multidisciplinarios del Instituto, el
IGM tiene el desafío permanente de mantener, fortalecer y perfeccionar sus ca-
pacidades técnicas, mediante la educación continua, la investigación aplicada,
la capacitación especializada y la implementación de programas geomáticos.
Todo esto con el objetivo de incorporar sistemáticamente nuevas tecnologías y
metodologías de trabajo en sus procesos productivos.
En síntesis, este artículo permite ilustrar la relevante contribución que realiza
el IGM a la sociedad chilena. Se pone de manifiesto la multiplicidad de tareas,
esfuerzos y desafíos que conlleva la elaboración de cartografía a distintas es-
calas, insumo esencial para la integración de información geoespacial entre
organismos del Estado y del extranjero. Dicha información presta apoyo tanto a
instituciones públicas como a la ciudadanía, impactando en múltiples ámbitos
como las evaluaciones de impacto ambiental, el análisis de recursos naturales,
la planificación de obras civiles, la identificación de amenazas naturales y an-
trópicas, entre otros campos que convergen en el objetivo común de construir
un futuro más sustentable, seguro y ordenado para el país.

13.4. Referencias

Aguilera, G. (2024). Estructuración histórica y evolución tecnológica de la Red

Geodésica Nacional de Chile–horizontal. En: Revista Geográfica de Chile Te-
rra Australis, vol. 60. Santiago: Chile.
IGM. (2022). Historia del Instituto Geográfico Militar y su aporte al desarrollo na-
cional. Santiago: Chile.
IGM. (2024). TREX y aporte al Ejército de Chile. Revista Armas & Servicios del
Ejército. Recuperado de: [Link]
IGM. (2024). IGM en la Antártica chilena. Boletín informativo IGM. Santiago: Chile.

– 592 –
 CAPÍTULO XIV
APLICACIONES DE LA GEOMÁTICA EN LA MINERÍA

Víctor Herrera González1

14.1. Introducción

El uso de la información proporcionada por una visión integradora desde el

espacio, a través de imágenes satelitales, ha derivado en diversas aplicaciones
dedicadas principalmente al estudio de fenómenos y cambios ocurridos sobre
la superficie terrestre, lo que en general se conoce como geoinformación.
Sin embargo, dicha información proviene de diversas tecnologías cuya fi-
nalidad actual es la interdependencia entre ellas, con el objetivo de lograr un
mayor potencial en la toma de decisiones más acertadas o, a partir de ello, la
generación de nueva información más depurada y confiable. Por lo mismo, y
acorde con la red JUST-SIDE (Proyecto Red Justicia, Sostenibilidad y Territorio
a través de Sistemas de Infraestructuras de Datos Espaciales, del Programa
Iberoamericano de Ciencia y Tecnología para el Desarrollo - CYTED), se esta-
blece que estas tecnologías conforman una plataforma básica y esencial para
la generación de la mencionada geoinformación, la cual deriva en principios o
disciplinas más avanzadas como la geomática. Entre las tecnologías que cons-
tituyen y dan forma a este concepto, están los sistemas de posicionamiento sa-
telital o GPS (Bannister et al., 2002), cuya finalidad es georreferenciar cualquier
objeto o elemento de interés sobre la superficie terrestre con distintas precisio-
nes y exactitudes. Entre estos se encuentra, por ejemplo, los equipos GPS na-
vegadores (precisiones entre 5 y 15 metros), los GPS cartográficos (precisiones
entre 3 y 5 metros) y los equipos geodésicos (precisiones subcentimétricas),
estos últimos aplicados en obras civiles, catastros, mensuras mineras, fronte-
ras y límites del Estado, entre otros. Además, estos sistemas utilizan en común
un sistema de representación cartográfica adecuado, siendo el más utilizado

1
Universidad de Santiago de Chile, Chile..

– 593 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

actualmente el WGS-84 (World Geodetic System 1984), por tratarse de un sis-

tema geodésico geocéntrico mundial de uso universal. Esto permite, por ejem-
plo, integrar información cartográfica de un plano digital y superponerla en una
imagen satelital y así, visualizar el efecto potencial de la construcción de un
camino, una zona de inundación por una central hidroeléctrica o los impactos
de un incendio forestal. Por ello, la localización adecuada de diversos eventos,
tales como límites prediales (alta precisión) o incendios forestales (baja preci-
sión), constituye el punto de partida para que, en función de la escala utilizada
y del tipo de evento a estudiar, la geoinformación cumpla su papel como he-
rramienta confiable.
La segunda tecnología corresponde al uso de imágenes satelitales pro-
porcionadas por sensores pasivos (dependientes de la energía solar) o activos
(emisores de su propia fuente de energía), cuyo objetivo central es captar in-
formación de un objeto a cierta distancia sin contacto directo con él (Herrera,
2005), concepto propio de la teledetección espacial o uso de sensores remo-
tos. A diferencia de una fotografía aérea, las imágenes satelitales se generan
a partir de la energía que emiten los distintos elementos situados sobre la su-
perficie terrestre, en forma de ondas electromagnéticas, y que son registradas
a lo largo del espectro electromagnético (EEM), proporcionando valiosa infor-
mación en sectores de este espectro donde el ojo humano no puede operar
(Chuvieco, 2008).
Por último, se encuentra el uso de los Sistemas de Información Geográfica
(SIG), tecnología que completa el principio de “asociación de tecnologías”. Bajo
esta premisa, los SIG tienen la función de integrar la información georreferen-
ciada (proporcionada por GPS) y la información cualitativa entregada por las
imágenes satelitales, para la generación de bases de datos gráficas (mapas) y
no gráficas (archivos o registros) en formato digital (Bosque, 1992), con el fin de
ser procesadas y generar nueva información según las necesidades del usua-
rio. Por ejemplo, a partir de un plano de curvas de nivel, se puede generar mo-
delos digitales de terreno (MDT) con imágenes satelitales en 3D o crear planos
de pendiente.
En este contexto, la mencionada asociación de geotecnologías define el
principio de la geoinformática o geomática, disciplina que nace en Canadá du-
rante la segunda mitad del siglo pasado como una necesidad de disponer de
mejor forma de los recursos del país para un ordenamiento y planificación terri-

– 594 –
 Aplicaciones de la geomática en la minería

torial más eficiente, recurriendo para ello a un trabajo conjunto entre el Estado,
las empresas y las universidades. En consecuencia, el objetivo de este capítulo
será destacar el uso y las aplicaciones de la geomática y, en especial, de la te-
ledetección espacial en el sector minero, mostrando para ello dos ejemplos o
casos que hacen uso de sensores activos.

14.2. Desarrollo

14.2.1. Consideraciones técnicas

En la actual sociedad de la información, si bien, ha prevalecido el acceso a

una enorme cantidad de datos (preferentemente accesibles a través de bases
de datos o bibliotecas virtuales, de forma directa e individual) para seleccionar
y analizar información de interés, la tendencia hacia el manejo integrado de
bases de datos espaciales define una línea de trabajo colaborativo y centra-
lizado. Esta se da principalmente entre entidades fiscales, como ministerios,
universidades, centros de recursos, entre otros. Además, la tecnología ha lle-
gado para quedarse y el resultado esperado es que se potencie aún más aquel
profesional que opta por este criterio de integración de contenidos, respalda-
do por una disciplina emergente en nuestro país y ya consolidada en otros: la
geoinformática. Así, el resultado de esta innovación encuentra respuesta en el
principio de asociación tecnológica, que une preferentemente los conceptos
de georreferenciación, análisis espacial y manejo integrado de infraestructuras
de bases de datos. Esta especialización es ampliamente valorada en empresas
pertenecientes a sectores productivos como la minería, el sector forestal, la
agricultura, entre otros.
Dentro de estas geotecnologías, que definen el principio de geoinformación,
destaca el uso de imágenes satelitales, por su capacidad de ofrecer una visión
integrada del territorio. Estas imágenes son generadas por sensores situados a
bordo de plataformas satelitales, que captan los patrones espectrales emitidos
o reflejados por los objetos terrestres que poseen la capacidad de interactuar
con la energía electromagnética (Avery & Belin, 1992), la cual es registrada a lo
largo del EEM. Las diferencias espectrales se producen a partir de los aspectos
fenotípicos que identifican una clase; por ejemplo, se puede aseverar que una

– 595 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

roca presenta un patrón espectral propio que la diferencia tanto de otros cuer-
pos físicos, como el agua, como también de otras rocas con distinta composi-
ción mineral. Asociado a esto, el tipo de algoritmo utilizado, así como el criterio
de clasificación en el que se sustente la investigación, son elementos vitales
para “extraer” la información de interés presente en el área de monitoreo.
Según las necesidades del investigador, es importante distinguir entre sen-
sores pasivos, que requieren de la energía del sol y que se destinan general-
mente a estudios de fenómenos y recursos naturales, y sensores activos, que
emiten su propio haz de luz o energía. Estos últimos permiten captar imágenes
nocturnas y tienen, además, la capacidad de penetrar la cubierta nubosa e in-
cluso lograr cierta penetración en el interior de la superficie terrestre. Este ras-
go característico de los sensores activos no ha sido plenamente explorado ni
explotado en toda su potencialidad. Aunque la tecnología está disponible y se
entregan imágenes satelitales para su comercialización, son pocos los investi-
gadores que han logrado resultados sustancialmente significativos en materia
de innovación dentro del amplio abanico de posibilidades que ofrece la tele-
detección espacial.
Así, el desafío de todo estudio que involucre la aplicación de esta tecno-
logía aeroespacial consiste en asociar el valor digital de los píxeles que con-
forman las distintas bandas de una imagen satelital con la longitud de onda
reflejada por los fenómenos y objetos terrestres. Para ello, es fundamental el
conocimiento de las firmas o huellas espectrales, entendidas como la radiación
reflejada en función de la longitud de onda. Esta se define como la forma pe-
culiar de reflejar o emitir energía de un determinado objeto o cobertura, lo que
es consecuencia de sus características físicas y/o químicas que interactúan
con la energía electromagnética y que varía, obviamente, según la longitud de
onda (ver figura 67). Por ello, las firmas espectrales son propias de una especie
o clase, ya sea una roca (mineral), vegetal o animal, o de algún fenómeno u
objeto terrestre que comparta similares propiedades físico-químicas. El uso de
estas firmas espectrales constituye el principal argumento técnico-científico al
momento de presentar evidencia clara sobre una situación determinada que
se quiera estudiar, investigar o normar, dado que cualquier alteración en estas
firmas demuestra (de manera irrefutable) un cambio accidental o intencional.
De esta forma, es posible obtener información directa mediante el uso de
bandas espectrales, sabiendo de antemano que cada banda reacciona mejor

– 596 –
 Aplicaciones de la geomática en la minería

frente a ciertos fenómenos específicos. Por ejemplo, la vegetación se aprecia

mejor en la banda del infrarrojo cercano o IRC (Lillesand & Kiefer, 1994) (ver
figura 68); la turbidez y profundidad del agua se visualizan con mayor claridad
en la banda del azul; los seres humanos, en la banda del infrarrojo térmico o IRT
(también conocido como termal), entre otros casos.

Figura 67. Ejemplos de firmas espectrales.

Fuente: Herrera (2005).

Figura 68. a) imagen en color natural de la universidad de Wisconsin; b) la misma ima-

gen, pero con incorporación de la banda IRC. Se aprecia que el césped del estadio es
sintético, pues no reaccionó en la banda del IRC al color rojo asignado a dicha banda.
Fuente: Lilledand y Fiefer (1994).

Una característica importante de toda imagen satelital son las resoluciones

con las cuales el fabricante decide su uso o aplicaciones en el mercado. Estas
resoluciones son: espacial (tamaño del píxel), espectral (número de bandas),
temporal (tiempo transcurrido entre imágenes para una misma zona) y radio-

– 597 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

métrica (diferentes niveles de energía que puede captar). La primera es la que

más llama la atención, pues define el nivel de detalle que la imagen es capaz
de entregar, lo cual podemos apreciar directamente en las imágenes de Goo-
gle Earth (ver figura 69).
Luego, y de acuerdo al tipo de investigación o estudio a realizar, se deberá
definir inicialmente el tipo de banda en la cual mejor se aprecia el fenómeno a
estudiar, las resoluciones que mejor definen dicho elemento, el o los sensores
que poseen tales características y, de ser necesario, determinar el tipo de algo-
ritmo o función matemática que ayudará a discriminar de mejor forma aquello
que se desea estudiar en relación a su entorno (Richards, 1993).

Figura 69. Imagen satelital sensor QuickBird, zona Universidad de Coimbra (Portugal).
Fuente: Google Earth (2019).

Estudios más avanzados y estratégicos apuntan a ampliar nuestro acceso

para investigar fenómenos que se desarrollan más allá del espectro visible,
cubriendo específicamente el rango de las microondas (radar o sistema SAR),
propio de los sensores activos. En esta parte es preciso recordar que el EEM
corresponde a la distribución energética del conjunto de ondas electromag-
néticas y que, referido a un objeto en particular, se denomina simplemente es-
pectro a la radiación electromagnética que dicho objeto emite (espectro de
emisión) o absorbe (espectro de absorción). Esta radiación sirve para identificar
la sustancia u objeto de manera análoga a una huella digital (Zavala, 2005),

– 598 –
 Aplicaciones de la geomática en la minería

cuyo resultado se aprecia en la firma espectral del objeto de interés, como se

señaló anteriormente.

14.2.2. Estudio de caso 1: determinación de hidrocarburos en aguas subte-

rráneas y suelos

En este contexto, un primer caso de estudio a presentar corresponde a una

consultoría académica para la evaluación del estudio realizado por el Centro
de Teledetección Aplicada para Estudios del Territorio (CETAET), cuyo informe
técnico fue preparado para EcoTecnos. Este estudio se realizó en el norte de
Chile para la determinación de hidrocarburos en aguas subterráneas y suelos,
mediante imágenes satelitales multitemporales en el sector de Playa Las Pe-
troleras, Antofagasta.
Eventos históricos de posibles impactos ocurrieron en 1994, a comienzos
del año 2000 y en abril de 2005, reflejando la presencia de hidrocarburos en la
zona de estudio a nivel subterráneo. Sin embargo, no se había podido estable-
cer la dinámica de contaminación ni la dimensión territorial del fenómeno de
impacto ambiental. Los principales afectados fueron los vecinos, la actividad
turística y la caleta de pescadores que allí funcionaba, debido a la carencia de
información territorial que reflejase de forma fehaciente tanto el origen como
el impacto real provocado por la presencia de hidrocarburos en el subsuelo.
Por ello, y debido al carácter de este estudio, se propuso abordarlo mediante
la aplicación de técnicas de teledetección aeroespacial, utilizando algoritmos
basados en el análisis digital de imágenes de radar y la fusión de éstas con
imágenes ópticas e infrarrojas.
Revisando la bibliografía relativa a la detección de petróleo en la superficie
del mar, en la actualidad se pueden identificar diversas técnicas, que van desde
la localización visual hasta la detección térmica mediante barredores infrarrojos
(IR), pasando por cámaras aéreas y llegando a radares de apertura sintética (SAR).
Por otra parte, existen varios manuales y artículos (Zavala, 2005; Verbyla, 1995;
Chuvieco, 1996) que proponen el uso de imágenes obtenidas por radares SAR
ubicados a bordo de satélites, uno de cuyos objetivos es la generación de car-
tografía de estructuras geomorfológicas subterráneas, dado que estos radares
aprovechan la transparencia que presentan algunos materiales a las microondas.
Por esta razón, se decidió responder a los requerimientos solicitados median-
te la aplicación de técnicas de teledetección satelital o aeroespacial median-

– 599 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

te algoritmos acordes al análisis y tratamiento digital de las imágenes radar y

su fusión con imágenes ópticas e infrarrojas. En este sentido, el trabajo se basó
en la premisa de que el suelo presenta diferentes respuestas espectrales como
consecuencia de su distinta composición y estructura, derivadas de su granulo-
metría, sedimentación, componentes fisicoquímicos y niveles de compactación.
Esto se refleja en propiedades dieléctricas diferenciadas del terreno, las cuales
pueden ser captadas por satélites que obtienen imágenes de distinta resolución
espectral. Así, la presencia de agua e hidrocarburos a nivel subterráneo no pasa
desapercibida para estos sensores, que permiten generar cartografía dinámica
relativa a la evolución espacial y temporal de estos cuerpos físicos.
De esta manera, el objetivo general consistió en generar cartografía diná-
mica relativa a la presencia de hidrocarburos a nivel subterráneo en el entorno
de la planta minera, sector Playa Las Petroleras, Antofagasta, Chile. Se desta-
có como aspectos clave la identificación del sistema de aguas subterráneas
existente en la zona de estudio, la posible presencia de hidrocarburos en el
subsuelo y la estimación de sus volúmenes, considerando la granulometría del
suelo. Con el objeto de establecer el patrón espectral del área de estudio y,
en consecuencia, identificar las imágenes satelitales y bandas necesarias para
alcanzar los objetivos propuestos, se procedió a generar firmas espectrales in
situ. Para ello se utilizó un radiómetro manual hiperespectral vinculado digital-
mente con una red GPS diferencial de alta resolución. Así, se identificaron ini-
cialmente las firmas espectrales de los objetos presentes en el área de estudio
tanto dentro como fuera de las instalaciones mineras. La figura 70 muestra los
resultados obtenidos de dichas firmas espectrales.

Figura 70. Firma espectral del suelo en el sector norte de las instalaciones mineras
(izquierda); firma espectral del suelo en la entrada sur del recinto (derecha).
Fuente: Zavala (2005).

– 600 –
 Aplicaciones de la geomática en la minería

Una vez obtenido el patrón espectral de la superficie del área de trabajo, se

generó una matriz espectral georreferenciada y se seleccionaron las imágenes
satelitales pertinentes. Si bien, inicialmente se había propuesto el uso exclusivo
de imágenes de radar, dada su capacidad de penetración en el suelo tras iden-
tificar las firmas espectrales ya mencionadas, se decidió adquirir imágenes del
satélite ASTER, con el fin de fusionarlas con las imágenes radar.
Se empleó un total de 22 imágenes de radar de los satélites ERS-1, ERS-2 y
Radarsat, seleccionadas por sus características espectrales similares y por la
disponibilidad de datos en las fechas solicitadas, incluyendo momentos an-
teriores y posteriores, con el objetivo de observar la evolución territorial del
hidrocarburo. Asimismo, se incorporaron 7 imágenes ASTER, reconocidas por
su buena capacidad de fusión con imágenes radar y por su utilidad espectral
en la discriminación de estructuras geomorfológicas y minerales (ver figura 71).
Con el fin de obtener la precisión adecuada, se procedió a la corrección
geométrica o georreferenciación de la totalidad de las imágenes. Para ello, se
utilizaron 22 puntos de control terrestre, obtenidos mediante GPS diferencia-
les de alta resolución, en coordenadas UTM, distribuidos mediante la técnica
de muestreo estratificado simple. El elipsoide y datum aplicado fue PSAD-56,
obteniéndose un error medio cuadrático (RMS) de 0,4 metros (40 cm), lo que
otorga una precisión adecuada para la escala de cartografía utilizada.
Posteriormente, las imágenes fueron procesadas mediante un algoritmo de
redes neuronales orientado a la detección de anomalías en función de las fir-
mas espectrales asociadas a la presencia de hidrocarburos. Un hallazgo impor-
tante fue que la presencia del hidrocarburo no se manifestó de manera perma-
nente, es decir, si existiera una filtración constante desde estanques o ductos
subterráneos, la infiltración hacia el mar debiese mantenerse activa, lo cual no
fue observado.

– 601 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 71. Imagen ASTER de la bahía de Antofagasta.

Fuente: Zavala (2005).

Desde el punto de vista geomorfológico, los resultados permitieron deter-

minar que el área de estudio está compuesta por areniscas con intercalaciones
de sedimentos de origen marino que recubren rocas volcánicas andesíticas y
rocas sedimentarias marinas de edad jurásica. Estas estructuras son general-
mente inconexas, formando bolsones aislados, conectados sólo en sus niveles
superiores, con depresiones situadas a una profundidad cercana a los 15 me-
tros. En dichas cavidades se identificó la presencia de hidrocarburos, agua y, en
algunos casos, una mezcla de ambos. Esta zona se representa en las figuras 72
y 73, donde se aprecia las zonas más oscuras correspondientes a las cavidades
en toda el área de estudio
Con estos resultados, se generaron mapas georreferenciados que permitie-
ron visualizar la ubicación y distribución de los hidrocarburos. Esta información
proporcionó una visión temporal y espacial sobre el aporte de los distintos tipos
de hidrocarburos, su ubicación actual y su impacto en la vida de los vecinos y
actores locales involucrados.
Identificada la estructura geomorfológica del área y confirmada la presencia
de hidrocarburos, se procedió a estimar su dinámica espacial y temporal desde
1994 hasta 2005. Se obtuvo, así, mapas que reflejan la evolución del hidrocar-

– 602 –
 Aplicaciones de la geomática en la minería

buro subterráneo. A modo de ejemplo, en la figura 73 se muestra su dimensión

territorial en color gris.

Figura 72. Superposición de la imagen de radar sobre el mapa de ubicación del área
de estudio.
Fuente: Zavala (2005).

También fue posible observar una dinámica de desplazamiento territorial

del hidrocarburo altamente compleja. Para determinar su causal, se analizó las
15 imágenes SAR restantes y el soporte de las imágenes ASTER. El análisis de-
tallado identificó como factor principal de esta dinámica al aumento del nivel
del mar, producto de las mareas, lo que genera un desplazamiento subterrá-
neo del agua de mar. Esta agua no solo moviliza el hidrocarburo dentro de las
cavidades subterráneas, sino que, al saturarse dichas cavidades, provoca un
desplazamiento de masa de materiales superficiales, que son arrastrados por
efecto gravitacional y por la diferencia de volumen hacia zonas cercanas a la
línea de costa.

– 603 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 73. Resultado del monitoreo, abril 2005.

Fuente: Zavala (2005).

Por tanto, se pudo concluir que existe un fenómeno de divagación subte-

rránea que cubre gran parte del área de estudio y que se conecta con la línea
de costa, regulado por las variaciones del nivel del mar (Zavala, 2005). Además,
se identificó el origen del petróleo subyacente, localizado en un polígono con
coordenadas UTM centrales 357850 E y 7386650 N, el cual excede los límites
de las instalaciones de la empresa minera. Según información proporcionada
por CONAMA y la Seremi de Salud de la región de Antofagasta, este polígono
correspondería a otra compañía petrolera. Como se ha observado, este trabajo
presenta una componente social y ambiental altamente relevante, no sólo para
los habitantes de la zona afectada, sino también como caso de estudio de un
impacto ambiental significativo evaluado con tecnología no invasiva. Para la
siguiente aplicación, se abordará un fenómeno recurrente relacionado con tu-
berías subterráneas, las cuales, por efecto de movimientos sísmicos, deterioro
del material o contacto con elementos agresivos, pueden presentar filtraciones
y pérdidas del material transportado.

– 604 –
 Aplicaciones de la geomática en la minería

14.2.3. Estudio de caso 2: detección de filtraciones en tuberías

Un segundo caso de estudio correspondió al apoyo geodésico para la de-

tección de filtraciones en tuberías, fenómeno conocido como pitting, en ins-
talaciones destinadas a la actividad minera. La zona de estudio se ubicó en
el norte de Chile, en la región de Antofagasta, al sur de la ciudad del mismo
nombre, entre Caleta Coloso y el acceso a la Compañía Minera Escondida Ltda.
(ver figura 74).
Este estudio utilizó imágenes del sensor TerraSAR-X para la detección de
filtraciones en tuberías subterráneas, aplicando el algoritmo de redes neurona-
les. El trabajo fue realizado nuevamente por el Centro de Teledetección Apli-
cada para Estudios del Territorio (CETAET). Este proceso incluyó la clasificación
digital para identificar y discriminar zonas con pitting respecto al entorno.

Figura 74. Localización del estudio de pitting en tuberías subterráneas.

Fuente: Google Earth (2012).

Al igual que en el caso anterior, una vez identificadas la firma espectral y

las características del pitting, se aplicó el algoritmo de clasificación mediante
redes neuronales, el cual buscó en la imagen satelital rasgos espectrales simi-
lares en toda la imagen a lo largo del trazado de la tubería. Posteriormente, se
generó una tabla de puntos críticos con sus respectivas coordenadas carto-
gráficas, previa corrección geométrica de la imagen satelital con el sistema de

– 605 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

referencia WGS-84. Completada esta fase, se procedió al replanteo en terreno

de los puntos identificados, usando coordenadas UTM en el tramo comprendi-
do entre Caleta Coloso y el acceso a Minera Escondida Ltda. (MEL).
Para estas labores fue esencial aplicar el principio de integración de geotec-
nologías, comenzando con el apoyo terrestre desde el vértice geodésico “La
Negra” (ver figura 75). Además, es importante destacar el uso de equipos GPS
geodésicos junto con la técnica RTK (Real Time Kinematic), utilizada tanto en
las mediciones de replanteo como en el control de desplazamiento de esta-
cas. Estos procedimientos permitieron mantener errores del orden centimétri-
co, proporcionando la confiabilidad requerida para este tipo de trabajos. Como
parte del control de calidad, se realizó un chequeo preliminar en un vértice
ubicado en la Universidad de Antofagasta, validando la precisión instrumental
y metodológica.
En este contexto, es fundamental mantener una relación coherente entre
las especificaciones técnicas establecidas por el mandante, el tamaño del píxel
satelital, el método y precisión del replanteo y la localización final de los puntos
de interés mediante calicatas (excavaciones realizadas con retroexcavadora).

Figura 75. Apoyo geodésico y replanteo de coordenadas en zonas con filtraciones.

Fuente: Herrera (2022).

– 606 –
 Aplicaciones de la geomática en la minería

Finalmente, se elaboró un listado georreferenciado de puntos críticos para

el replanteo en terreno. Debido a que las imágenes satelitales fueron previa-
mente corregidas geométricamente y referidas al sistema cartográfico WGS-
84, fue posible determinar con exactitud las zonas de pitting e incluirlas en un
documento técnico de puntos estacables, el cual fue utilizado en terreno me-
diante GPS geodésico de acuerdo a la precisión requerida (ver figura 76). Es
importante señalar que dicha precisión está determinada, entre otros facto-
res, por el ancho de la tubería, el cual debe ser compatible con el tamaño del
píxel satelital. Así, parámetros técnicos como tolerancia, precisión, exactitud,
escala, especificaciones técnicas y resolución (y su correcta integración) son
los que permiten asegurar un resultado confiable, materializado en un listado
de puntos georreferenciados con problemas de filtración (Herrera, 2022). Todo
ello otorga validez y confiabilidad a las aplicaciones geomáticas en el territorio,
especialmente cuando se trata de evaluar alteraciones provocadas por activi-
dades humanas (Mena, 2006).

14.3. Resultados y discusión

14.3.1. Para el estudio de caso 1

A la luz de los resultados obtenidos, fue factible aseverar que el origen de

gran parte del hidrocarburo presente a nivel subterráneo en la zona de estu-
dio se remonta a fechas anteriores a 1994, en un polígono externo a las ins-
talaciones actuales de la planta minera. Tal como se mencionó previamente,
este polígono correspondería a instalaciones de una antigua compañía petro-
lera, lo cual fue respaldado mediante el seguimiento multitemporal realiza-
do con imágenes de radar fusionadas con imágenes ópticas, de acuerdo con
la metodología aplicada. Cabe destacar que los principios físicos empleados
resultaron pertinentes para el tipo de estudio desarrollado. La metodología
se estructuró en cuatro etapas fundamentales: (i) medición del fenómeno en
terreno mediante un radiómetro, para conocer su comportamiento espectral
y comparar estos datos con los valores digitales de las imágenes satelitales;
(ii) georreferenciación de las imágenes, permitiendo el vaciado de información
espacial sobre un sistema de referencia cartográfico definido; (iii) aplicación

– 607 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

del algoritmo más apropiado para la detección del fenómeno, en este caso,
redes neuronales; y (iv) verificación y validación de los resultados con informa-
ción de terreno confiable.
Por otra parte, la forma en que se desplaza el hidrocarburo y, por ende,
cómo se gatilla el proceso de contaminación hacia la costa, está directamente
asociada a la geomorfología subterránea del área. En esta zona, la presencia
de roca impermeable genera cavidades inconexas en la base, las cuales son
ocupadas por hidrocarburos y agua. Así, los eventos de contaminación costera
ocurren cuando estas cavidades se saturan de agua de mar, provocando un
proceso de movilización de masas que arrastra materiales superficiales hacia
la línea de costa. Este fenómeno representa un riesgo ambiental significativo
y constituye un foco de injusticia territorial evitable, clasificable en distintas
dimensiones: (i) injusticia conmutativa: los vecinos son perjudicados sin recibir
compensaciones proporcionales; (ii) injusticia preventiva: el riesgo, conocido
pero no mitigado, condujo a un incidente grave con consecuencias para la
comunidad y la caleta de pescadores; y (iii) injusticia retributiva: se observa im-
punidad en favor de las grandes empresas, con una respuesta deficiente por
parte de las autoridades, lo cual es cuestionable desde una perspectiva ética
(Herrera, 2019).

– 608 –
 Aplicaciones de la geomática en la minería

Figura 76. Listado de puntos a replantear con problema de pitting.

Fuente: Herrera (2012).

Adicionalmente, y considerando la evolución de los volúmenes de hidrocar-

buros existentes, fue posible afirmar que su destino final es el mar, aunque el
proceso de acarreo es extremadamente lento. Esta situación puede asociarse
con una injusticia restaurativa, ya que, a pesar del tiempo transcurrido, el daño
ambiental no ha sido remediado, afectando un área de uso público (playa) cuyo
impacto es aún más complejo y lento de revertir.
En este contexto, se determinaron las siguientes observaciones y conse-
cuencias relevantes:

– 609 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Identificación de hidrocarburos en aguas subterráneas y suelos mediante

imágenes satelitales multitemporales, junto con la detección de pitting.
- Dado que los métodos tradicionales no permitieron establecer ni la di-
námica ni la magnitud del fenómeno, los más afectados han sido los ve-
cinos, el turismo y la caleta de pescadores, debido a la ausencia de in-
formación territorial precisa que determine el origen y el impacto real del
fenómeno.
- En abril de 2019 se anunció un plan de remediación para el sector Las
Petroleras y al año siguiente se comunicó el retiro de los estanques de
combustible.

14.3.2. Para el estudio de caso 2

El estudio de localización de filtraciones (pitting) no solo permitió generar

bases de datos georreferenciadas (Herrera, 2012), sino que también eviden-
ció algunas lecciones y consideraciones técnicas que debe tenerse presentes.
Uno de los desafíos encontrados fue la interferencia de la señal GPS, espe-
cialmente en el tramo anterior al vértice geodésico “Estación La Negra” (km
17), donde se observó el mayor error de desplazamiento. Esto se explicó por la
presencia de calicatas confirmadas en terreno y, principalmente, por inducción
electromagnética generada por líneas de alta tensión, las cuales afectan la se-
ñal GPS, provocando distorsiones en las mediciones de replanteo y estacado.
Adicionalmente, la presencia de humedales también interfiere con los senso-
res activos, reduciendo su precisión (ver figura 77).
Otra situación observada fue la presencia de elementos con firmas espec-
trales similares, lo que puede derivar en errores de clasificación si no se realiza
una adecuada discriminación. En este caso, la existencia de más de una tubería
evidenció un fenómeno de “paralelismo” (ver figura 78). Si bien las trayectorias
distintas de las tuberías evitaron confusiones, esta situación reveló la presencia
de pitting en tuberías de mayor antigüedad, algo que también ha sido docu-
mentado en otros estudios.

– 610 –
 Aplicaciones de la geomática en la minería

Figura 77. Presencia de humedales en la zona de estudio.

Fuente: Herrera (2012).

Figura 78. Paralelismo de tuberías subterráneas.

Fuente: Herrera (2012).

Como resultado general del estudio, se constató importantes ventajas del

uso de tecnologías de teledetección frente a los métodos tradicionales, tales
como:

- Carácter digital y numérico de los datos, lo que facilita el análisis y alma-

cenamiento.
- Homogeneidad en la captura de datos: un mismo sensor monitorea toda
el área.
- Capacidad de penetración de los sensores activos (radar), útil en condi-
ciones adversas.

– 611 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

- Alta precisión en los resultados, especialmente en el replanteo en terreno.

- Posibilidad de estudios no invasivos, incluso en zonas de difícil acceso.
- Tecnología validada científicamente y con resultados verificables.
- Capacidad de realizar seguimiento multitemporal.
- Costos relativamente bajos en comparación con métodos tradicionales
de prospección.

14.4. Conclusiones

En este contexto, los resultados exitosos obtenidos no solo permiten vali-

dar los objetivos originalmente propuestos en cada proyecto, sino que ade-
más motivan y proyectan su implementación en nuevas áreas, especialmente
aquellas donde se requiere la identificación de fenómenos y cambios ocurridos
en la superficie terrestre. El uso de sensores remotos se presenta como una
herramienta poderosa por su carácter no invasivo, lo que lo convierte en una al-
ternativa idónea para la defensa del patrimonio natural y la gestión sustentable
de los recursos. Esto estimula el desarrollo e integración de tecnologías geo-
espaciales, así como la innovación en aplicaciones cada vez más confiables
de la teledetección espacial, fortaleciendo su rol como respaldo técnico-cien-
tífico para la formulación de políticas públicas orientadas a enfrentar no solo
injusticias sociales, sino también a promover el uso sostenible de los recursos
naturales y la protección del patrimonio ambiental. Los estudios de caso pre-
sentados lo ejemplifican con claridad: el primer caso, que permitió demostrar
la contaminación por hidrocarburos en una playa utilizada por comunidades de
pescadores, revelando un impacto ambiental de origen antrópico; el segundo
caso, que abordó la detección de filtraciones en tuberías subterráneas (pitting),
como consecuencia del deterioro de materiales o movimientos sísmicos, entre
otros factores.
Respecto al fenómeno del pitting, se logró identificar múltiples puntos críti-
cos dentro del área de estudio con un 90% de asertividad, gracias a la aplica-
ción del sistema SAR y una metodología robusta y rigurosa. La mayoría de los
puntos detectados se situaron dentro del margen de error tolerable, definido
en 1 metro, en correspondencia con el tamaño del píxel de las imágenes sate-
litales utilizadas. En condiciones óptimas de medición, los errores fueron míni-

– 612 –
 Aplicaciones de la geomática en la minería

mos, no superando el centímetro, lo que reafirma la precisión y eficacia de las

técnicas aplicadas.
En lo que respecta a la integración de tecnologías en el ámbito de la geoin-
formación, los casos expuestos evidencian la vinculación directa con el queha-
cer universitario, particularmente en el uso de sistemas satelitales tanto para
georreferenciación (GPS diferencial) como para el procesamiento digital de
imágenes satelitales. Esta sinergia entre ciencia, tecnología y formación aca-
démica resulta clave para enfrentar los desafíos del presente y del futuro.
Finalmente, es importante reafirmar la relevancia del proceso de integración
de las geotecnologías, así como de los conocimientos técnicos y científicos
necesarios para afrontar los cambios tecnológicos y las innovaciones en este
campo. Estas herramientas no solo contribuyen al cumplimiento de la misión
y visión de las instituciones de educación superior, sino que también fortale-
cen la planificación territorial y la toma de decisiones informadas mediante una
geoinformación confiable, verificable y validada, con impacto real y directo en
las actividades humanas y su relación con el territorio.

– 613 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

14.5. Referencias

Avery, T., & Belin, G. (1992). Fundamentals of Remote Sensing and Airphoto Inter-
pretation. New York,USA: 5th edition, Macmillan Publishing Company.
Bannister, A., Raymond, S., Baker, R. (2002). Técnicas Modernas en Topografía,
Ciudad de México: 7ª edición, editorial Alfaomega.
Bosque, J. (1992). Sistemas de Información Geográfica. Madrid, España: 3ª edi-
ción, editorial Rialp.
Chuvieco, E. (1996). Fundamentos de Teledetección Espacial. Madrid, España: 3ª
edición actualizada, editorial Rialp S.A.
Chuvieco, E. (2008). Teledetección Ambiental, la observación de la Tierra desde
el Espacio. Barcelona, España: 3ª edición actualizada, editorial Ariel Ciencia.
Herrera, V. (2005). Elementos de cartografía y Teledetección Para Ambiente, San-
tiago de Chile: 1a edición, editorial universitaria USACH.
Herrera, V. (2012). “Marcación repuntos críticos para detección de pitting interno
en tuberías con equipos GPS”. Informe Técnico Cía. Minera Escondida. San-
tiago de Chile.
Herrera, V. (2019). Coautor: “Aplicación de teledetección espacial para la solu-
ción de problemáticas e injusticias territoriales”. En Sistemas Sociais comple-
xos e integracao de geodados no directo e nas políticas. Coimbra, Portugal:
Editorial Instituto Jurídico de la Facultad de Directo.
Herrera, V. (2022). Topografía clásica, geotecnologías y aplicaciones territoriales.
Madrid, España: 1ª edición, Editorial Académica Española - EAE.
Lillesand, T., & Kiefer, R. (1994). Remote Sensing and Image Interpretation. New
York, USA: 1a edición, J. Wiley & Sons.
Mena, C. (2006). Geomática para la ordenación del territorio. Talca, Chile: 1ª edi-
ción, editorial universitaria U. de Talca.
Richards, J.A. (1993). Remote Sensing Digital Image Análisis. An Introduction. Ber-
lin, Alemania: 3ª edición, editorial Springer-Verlag.
Verbyla, D. (1995). Satellite remote sensing of natural resources. Boca Ratón, Flo-
rida, USA: Lewis Publishers.
Zavala, P. (2005). “Aplicaciones de teledetección en el ámbito de radares (SAR)”.
Lima, Perú: Revista Geoexpo, Vol. III N°7.

– 614 –
 CAPÍTULO XV
EVALUACIÓN COMPARATIVA DEL USO DE SOFTWARE SIG:
COMERCIAL VERSUS LIBRE

Héctor Sáez Campos1

15.1. Introducción

En la actualidad, la cartografía digital y la gestión de datos geoespaciales

han adquirido una importancia creciente en una amplia gama de campos, que
van desde la planificación urbana y la protección del medio ambiente hasta la
gestión de recursos naturales y la toma de decisiones en sectores tanto públi-
cos como privados. En este contexto, los Sistemas de Información Geográfica
(SIG) se han consolidado como herramientas indispensables para el análisis y
la visualización de datos espaciales de manera eficiente.
Este capítulo tiene como propósito compartir una reflexión comparativa so-
bre el uso de los SIG, abordando tanto las soluciones de software comercial
como las de código libre. A lo largo de los años, he tenido el privilegio de tra-
bajar con diversas plataformas SIG, cada una con sus particularidades, ventajas
y limitaciones. Mi trayectoria profesional ha estado marcada por la exploración
y aplicación de estas herramientas en la resolución de desafíos geoespacia-
les complejos. A través de estas páginas, se ilustran las ventajas reales deriva-
das del uso de ambos tipos de software. Asimismo, se abordarán las lecciones
aprendidas y las prácticas más eficaces identificadas en este proceso, con el
objetivo de ofrecer recomendaciones útiles para quienes evalúan la adopción
de estas tecnologías en sus instituciones o proyectos.
En última instancia, esta reflexión no solo busca ofrecer una visión general
de las capacidades de los SIG, sino también aportar ideas valiosas para quienes
consideran su uso en contextos profesionales o académicos. Invito al lector a
adentrarse en este recorrido donde la tecnología, el análisis territorial y los re-

1
Centro de Información de Recursos Naturales (CIREN), Santiago, Chile.

– 615 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

cursos (naturales y urbanos) convergen para ofrecer soluciones innovadoras y

perspectivas enriquecedoras.

15.2. Desarrollo

15.2.1. Experiencia práctica con software SIG

A continuación, se analiza la experiencia práctica con software SIG tanto co-

mercial como libre, desde un enfoque comparativo. El objetivo es comprender
cómo estas dos modalidades han impactado distintas áreas de trabajo y han
influido en la toma de decisiones estratégicas dentro de las organizaciones.
Para enriquecer el análisis, se realizaron entrevistas a profesionales especiali-
zados en SIG y se complementó la información con datos recopilados de fuen-
tes en línea.
A lo largo de mi trayectoria profesional, he trabajado con diversos progra-
mas especializados en el manejo de información SIG comerciales y libres. Entre
los más utilizados para el procesamiento de datos vectoriales se encuentran
los comerciales ArcGIS y TNTgis, así como los software libres gvSIG y QGIS. A
continuación, presento una breve descripción de cada uno:

• ArcGIS, comercial ([Link] ArcGIS es una plataforma geo-

espacial muy completa, concebida para profesionales y organizaciones.
Desarrollada por Esri, es considerada la tecnología líder en SIG. ArcGIS
permite integrar y conectar datos mediante el contexto geográfico, ofre-
ciendo herramientas avanzadas para crear, administrar, analizar, repre-
sentar cartográficamente y compartir todo tipo de información espacial.
ArcGIS Pro, su aplicación de escritorio más potente, ha sido desarrollada
con base en las sugerencias e ideas de su comunidad de usuarios. Este
software admite visualización de datos, análisis avanzados y manteni-
miento de información en formatos 2D, 3D y 4D. También facilita el inter-
cambio de datos dentro del ecosistema ArcGIS, ArcGIS Online y ArcGIS
Enterprise, y permite el trabajo en múltiples plataformas a través del GIS
web. En los últimos años, Esri ha dejado de desarrollar ArcMap para enfo-
carse plenamente en ArcGIS Pro, que incorpora capacidades avanzadas,
como análisis 3D, topología, publicación web mediante ArcGIS Online,

– 616 –
 Evaluación comparativa del uso de software SIG: comercial versus libre

análisis de redes, gestión de metadatos y soporte para documentación

BIM. Gracias a estas funcionalidades, ArcGIS Pro mantiene una clara ven-
taja en áreas especializadas, donde alternativas de software libre como
QGIS han quedado relativamente rezagadas.
• TNTgis, comercial (Actualmente Datum Workstation) ([Link]
[Link]/): Datum Workstation ofrece capacidades avanzadas
de SIG, procesamiento de imágenes y análisis geoespacial a un precio
asequible. Incluye un lenguaje de scripting que permite automatizar el
procesamiento geoespacial tanto en recursos informáticos locales como
en red. Anteriormente conocido como TNTgis, Datum Workstation es un
software SIG avanzado que integra la visualización y el procesamiento de
datos de mapas, imágenes y terrenos, junto con la creación y gestión de
bases de datos relacionales asociadas. El programa proporciona todas las
herramientas necesarias para crear, editar, georreferenciar, interpretar y
publicar cualquier tipo de datos geoespaciales. Los procesos de análisis
están disponibles tanto para datos geométricos (vectoriales, CAD, shape-
files) como para imágenes y modelos de terreno, lo que permite convertir
fácilmente los datos en información geoespacial significativa.
• gvSIG, libre ([Link] gvSIG es un SIG potente, fácil de
usar, interoperable y utilizado por miles de personas en todo el mundo.
Con gvSIG Desktop es posible trabajar con una amplia variedad de for-
matos vectoriales y ráster, archivos locales, bases de datos y servicios re-
motos, contando con todo tipo de herramientas para analizar y gestionar
tu información geográfica. Está diseñado para ser fácilmente extensible,
lo que permite una mejora continua de la aplicación y el desarrollo de
soluciones a medida. Al ser software libre, con licencia GNU/GPL, su uso,
distribución, estudio y mejora son completamente libres.
• QGIS, libre ([Link] QGIS es una aplicación profesional
de SIG, desarrollada como software libre y de código abierto (FOSS, por
sus siglas en inglés). Está licenciada bajo la GNU General Public License
y forma parte de los proyectos oficiales de la Open Source Geospatial
Foundation (OSGeo). QGIS es multiplataforma: funciona en Linux, Unix,
macOS, Windows y Android, y es compatible con una amplia variedad de
formatos de datos vectoriales, ráster y bases de datos. Ofrece una gama

– 617 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

cada vez mayor de funcionalidades tanto a través de sus herramientas

principales como mediante complementos desarrollados por la comu-
nidad. Permite visualizar, gestionar, editar y analizar datos espaciales, así
como diseñar mapas listos para impresión, lo que lo convierte en una
solución robusta y flexible para profesionales del análisis geoespacial.

En la figura 79, se presenta una comparativa que sintetiza las principales

capacidades y funcionalidades de los software de SIG comerciales ArcGIS y
TNTgis, y de los softwares libres gvSIG y QGIS.

15.2.2. Comparación de SIG comercial y libre

En esta sección se presenta una comparación entre los SIG comerciales y

los de software libre. Se analizará aspectos como la funcionalidad, la facilidad
de uso, la disponibilidad de características específicas y la interoperabilidad.
Asimismo, se destacará las fortalezas y debilidades de ambos tipos de soft-
ware. Estas características son fundamentales para determinar cuál opción se
ajusta mejor a las necesidades y recursos de cada organización.

[Link]. Principales fortalezas del software comercial

Entre las principales fortalezas del software SIG comercial, cabe destacar:

• Interfaz intuitiva y amplia documentación: estos programas ofrecen una

interfaz amigable y bien estructurada, lo que facilita su uso incluso para
usuarios con poca experiencia. Además, disponen de abundante docu-
mentación y recursos de aprendizaje, lo que contribuye a mejorar el flujo
de trabajo.

– 618 –
 Evaluación comparativa del uso de software SIG: comercial versus libre

Figura 79. Comparativa de las principales funcionalidades de los software SIG.

Fuente: Sitios web oficiales de los softwares SIG y otras fuentes en línea.

• Funcionalidades avanzadas: proporcionan herramientas sofisticadas para

análisis espacial, modelado, geoprocesamiento y visualización. Esto in-
cluye funciones robustas para análisis ráster y vectorial, geocodificación,
interpolación y análisis de redes.

– 619 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

• Soporte técnico profesional: al tratarse de software comercial, cuentan

con soporte técnico especializado que ofrece asistencia para resolver
problemas complejos e implementar soluciones personalizadas.
• Integración y compatibilidad: se integran eficientemente con otros pro-
gramas tanto comerciales como de código abierto. Además, permiten
una alta interoperabilidad con diversos formatos y plataformas, lo que fa-
cilita la gestión de datos desde múltiples fuentes.
• Compatibilidad con una amplia variedad de formatos: admiten numero-
sos formatos de datos vectoriales y ráster, como Shapefiles y GeoPacka-
ge, entre otros. Esto permite importar, exportar y convertir información sin
pérdida de calidad ni precisión.
• Actualizaciones regulares: los desarrolladores ofrecen mejoras continuas
con nuevas funcionalidades, optimización del rendimiento y compatibili-
dad con tecnologías emergentes.
• Análisis en la nube: permiten crear mapas colaborativos, acceder a datos
desde la nube e integrar análisis geoespaciales con plataformas web y
servicios en línea.

[Link]. Principales debilidades del software comercial

Como principales debilidades del software SIG comercial, se encuentran:

• Costo elevado: al tratarse de software propietario, las licencias suelen

ser costosas, lo que representa una barrera significativa para pequeñas
organizaciones, instituciones educativas o usuarios independientes que
buscan soluciones más asequibles.
• Curva de aprendizaje: aunque cuentan con interfaces amigables, presen-
tan una curva de aprendizaje considerable cuando se trata de aprove-
char al máximo sus funcionalidades avanzadas. Los usuarios principian-
tes pueden requerir tiempo y formación específica para familiarizarse con
todas sus capacidades.
• Dependencia de hardware robusto: por lo general, requieren equipos
con especificaciones técnicas robustas para operar de manera eficiente.
En sistemas con recursos limitados, el rendimiento puede verse compro-
metido.

– 620 –
 Evaluación comparativa del uso de software SIG: comercial versus libre

• Dependencia de licencias y costos de mantenimiento: además del costo

inicial, es común que las actualizaciones, el soporte técnico y el acceso a
nuevas versiones estén sujetos a contratos de mantenimiento adiciona-
les, lo que incrementa los costos operativos a largo plazo.
• Menor flexibilidad en personalización: aunque ofrecen herramientas
como Python y ModelBuilder, las posibilidades de personalización pue-
den ser más limitadas en comparación con soluciones de código abierto
como QGIS, que permiten modificaciones profundas y adaptaciones es-
pecíficas según las necesidades del usuario.
• Restricciones en interoperabilidad gratuita: algunas integraciones con
servicios web, plataformas en la nube o análisis avanzados requieren li-
cencias adicionales o el uso de créditos, lo que restringe su acceso sin un
costo extra.

[Link]. Principales fortalezas del software libre

Como fortalezas del software SIG libre, se puede destacar:

• Gratuito y de código abierto: al ser completamente gratuito, representa

una opción accesible para individuos, pequeñas organizaciones, institu-
ciones académicas y gobiernos. Al estar basado en código abierto, cual-
quier usuario o desarrollador puede modificarlo según sus necesidades
específicas, fomentando la transparencia y la innovación.
• Flexibilidad y personalización: destaca por su alta capacidad de perso-
nalización gracias a su arquitectura modular basada en complementos
(plugins) y al acceso completo al código fuente. Los usuarios pueden de-
sarrollar y compartir extensiones adaptadas a flujos de trabajo particula-
res sin necesidad de recurrir a soluciones comerciales costosas.
• Compatibilidad con múltiples formatos: admite de forma nativa una gran
variedad de formatos de datos vectoriales, ráster y de bases de datos
espaciales. Entre ellos, Shapefile, GeoPackage, GeoJSON y PostGIS, entre
otros. Además, permite la conexión directa con servicios web geoespa-
ciales como WMS y WFS.
• Interfaz intuitiva y comunidad activa: aunque su apariencia puede ser
menos pulida que la de los software comerciales, cuenta con una interfaz

– 621 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

moderna y funcional. Su comunidad global de usuarios y desarrolladores

es altamente activa, lo que garantiza soporte constante, amplia docu-
mentación, foros y tutoriales en línea.
• Actualizaciones frecuentes y desarrollo colaborativo: su modelo abier-
to permite integrar mejoras y nuevas funcionalidades con mayor rapidez
que en el software propietario. Las actualizaciones regulares reflejan las
necesidades de la comunidad usuaria.
• Integración con Python y GRASS GIS: permite una integración poten-
te con Python para automatización y desarrollo de scripts personaliza-
dos. También se vincula con otras herramientas de software libre, como
GRASS GIS, ampliando significativamente sus capacidades analíticas.
• Uso eficiente de recursos: en general, requiere menos potencia de
hardware que las soluciones comerciales, por lo que resulta ideal para
su implementación en equipos con especificaciones modestas o en
contextos de recursos limitados.

[Link]. Principales debilidades del software libre

Entre las debilidades del software SIG libre, se encuentran:

• Soporte técnico no garantizado: al tratarse de software de código abier-

to, no cuenta con soporte técnico formal garantizado. La resolución de
problemas suele depender de foros, documentación comunitaria o co-
laboradores voluntarios. Esta falta de asistencia profesional inmediata
puede ser una limitación en entornos empresariales o institucionales que
requieren respuestas rápidas y personalizadas.
• Curva de aprendizaje pronunciada: si bien la interfaz ha mejorado y es
funcional, puede resultar intimidante para usuarios principiantes debido a
la gran cantidad de configuraciones, herramientas y complementos dis-
ponibles. La capacitación inicial suele ser necesaria para aprovechar todo
su potencial.
• Menos sofisticación en herramientas avanzadas: aunque el software SIG
libre ha avanzado significativamente, algunas herramientas para análisis
complejos (como modelado 3D, análisis ráster de alta precisión o geo-

– 622 –
 Evaluación comparativa del uso de software SIG: comercial versus libre

procesamiento avanzado) aún no alcanzan el mismo nivel de robustez,

estabilidad o facilidad de uso que sus equivalentes comerciales. Además,
su desempeño puede depender del tipo y calidad de los complementos
utilizados.
• Menor integración limitada con servicios en la nube: si bien es posible
conectarse a plataformas colaborativas y servicios web (WMS, WFS, etc.),
su integración nativa con herramientas de nube y entornos de trabajo
colaborativo no suele ser tan fluida como en el software comercial. Esto
puede ser una desventaja para quienes trabajan intensivamente en en-
tornos multiusuario o en tiempo real.
• Dependencia del desarrollo comunitario: el avance del software libre de-
pende en gran medida del trabajo de la comunidad de desarrolladores.
Como resultado, la incorporación de nuevas funcionalidades o la correc-
ción de errores puede variar en tiempos y prioridades, lo cual podría afec-
tar a quienes necesitan soluciones específicas de forma inmediata.
• Ausencia de herramientas propietarias específicas: algunas funciones
exclusivas del software comercial (como análisis con inteligencia artificial
integrada, herramientas de geoprocesamiento muy especializadas o in-
tegración directa con plataformas empresariales) pueden no estar dispo-
nibles en el software libre o requerir configuraciones adicionales comple-
jas que no siempre son intuitivas.

15.2.3. Uso Integrado de software comercial y libre: Proyecto CIREN “Estudio

de erosión Macrozona Sur”

A continuación, se presenta un proyecto que ejemplifica la integración y el

uso conjunto de diferentes soluciones SIG, demostrando la flexibilidad y com-
plementariedad que ofrecen estas herramientas. Se describen los procesos
clave en los que se emplearon diversas plataformas, destacando su capacidad
para interoperar y compartir datos de manera eficiente.
En proyectos que manejan grandes volúmenes de datos, tanto vectoriales
como ráster, resulta esencial utilizar un conjunto complementario de herra-
mientas SIG que permita una alta compatibilidad de formatos y una interope-
rabilidad efectiva entre plataformas. Esta combinación optimiza los flujos de
trabajo, la integración de resultados y la toma de decisiones estratégicas.

– 623 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

El objetivo del proyecto fue levantar, recopilar, sistematizar y proveer infor-

mación territorial actualizada y confiable sobre la erosión actual y potencial de
los suelos en las regiones de La Araucanía, Los Ríos y Los Lagos. Esta informa-
ción busca apoyar la gestión sostenible del recurso suelo, asegurando su pro-
ductividad en el marco de una agricultura sustentable, la seguridad alimentaria
y la provisión de servicios ecosistémicos, así como su conservación y rehabili-
tación.
Entre las metas específicas se incluyó la generación de cartografía de ero-
sión actual y potencial a escalas multivariables (1:10.000 a 1:50.000) según zo-
nas priorizadas, capacidad de uso del suelo y sector productivo. Para ello se
aplicaron técnicas de geomática, combinando métodos de clasificación de da-
tos satelitales y aéreos, técnicas SIG, GPS y estudios de campo.
Dado el carácter complejo y multidimensional del proyecto, se optó por una
combinación de software SIG comercial (TNTgis, ArcGIS y ENVI) y libre (QGIS)
que, en conjunto, ofrecían todas las herramientas necesarias para su desarrollo.
En el ámbito vectorial destacaron TNTgis, ArcGIS y QGIS, por sus funciones
avanzadas de edición, análisis y soporte para topologías complejas. Particular-
mente, TNTgis sobresalió por su capacidad para manejar topología triple, que
permite almacenar puntos, líneas y polígonos en un mismo archivo vectorial,
una funcionalidad no presente en las otras plataformas.
Para el análisis ráster, se priorizaron TNTgis, ArcGIS y ENVI, por su alta ca-
pacidad de procesamiento y herramientas específicas para datos de este tipo,
fundamentales en la evaluación espacial de la erosión.
A continuación, se detalla el uso específico de cada software en los proce-
sos vectoriales:

• Uso del software ArcGIS en el proyecto: en ArcGIS, se emplearon diver-

sas herramientas de edición como creación y modificación de entidades,
selección avanzada, ajuste automático de geometrías, división y fusión
de elementos, gestión topológica y manejo de atributos y tablas. También
se utilizaron herramientas de geoprocesamiento para análisis espacial,
gestión de datos, análisis de redes y geocodificación. Estas funcionali-
dades convierten a ArcGIS en una plataforma robusta para la edición y
gestión de datos vectoriales, especialmente útil en proyectos que exigen
alta precisión y control topológico. Además, se aprovecharon sus capaci-

– 624 –
 Evaluación comparativa del uso de software SIG: comercial versus libre

dades para el procesamiento de datos ráster, esenciales para el cumpli-

miento de los objetivos del estudio.
• Uso del software TNTgis en el proyecto: TNTgis fue elegido por su sólido
conjunto de herramientas para revisión y corrección topológica, crucial
para garantizar la coherencia y calidad de los datos geoespaciales. Se
utilizaron funciones como verificación topológica, corrección automática
de errores, ajuste de nodos, detección de duplicados y elementos desco-
nectados, fusión y división de polígonos. Estas capacidades aseguran el
cumplimiento de reglas topológicas y aumentan la fiabilidad de los aná-
lisis. Además, TNTgis también fue clave en el procesamiento de datos
ráster.
• Uso del software QGIS en el proyecto: QGIS se utilizó para diversos pro-
cesos vectoriales como digitalización, edición, georreferenciación, unión,
intersección, recorte, extracción, análisis espacial, gestión de atributos
y verificación de topología. Una de sus principales ventajas fue la posi-
bilidad de instalarlo en múltiples equipos sin costo de licencia, lo cual
permitió que varios profesionales trabajaran en paralelo, optimizando el
tiempo de ejecución del proyecto. Además, se desarrolló una capacita-
ción orientada al mandante del proyecto, con el objetivo de introducir
a los profesionales (sin formación previa en SIG) en el uso conceptual y
práctico del software libre. Esta formación fue facilitada gracias a la posi-
bilidad de instalar QGIS en todos los equipos del organismo.

Como un análisis final, podemos decir que el uso combinado de software

comercial y libre evidenció una alta compatibilidad e interoperabilidad entre
plataformas. La posibilidad de intercambiar datos vectoriales y ráster sin pérdi-
da significativa de información permitió integrar flujos de trabajo complejos de
forma eficiente.
Esta sinergia tecnológica optimizó los procesos de edición, análisis y gestión
de información geoespacial, garantizando resultados consistentes y de alta ca-
lidad en el desarrollo del proyecto de erosión.

– 625 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

15.2.4. Consideraciones al seleccionar software SIG

Al usar software SIG, ya sea comercial o libre, existen varias consideraciones

importantes que deben tenerse en cuenta. Estas pueden influir significativa-
mente en la elección de una u otra opción, dependiendo de las necesidades
específicas del proyecto, el presupuesto y los recursos disponibles. A continua-
ción, se enumera algunas de las más relevantes:

[Link]. Uso de software SIG Comercial

• Costo: el software SIG comercial generalmente implica un costo elevado

de adquisición, que incluye licencias, actualizaciones y soporte técnico. Es
fundamental evaluar si el presupuesto del proyecto permite esta inversión.
• Soporte técnico: los proveedores de software comercial suelen ofrecer
soporte técnico robusto, con acceso a asistencia especializada, actua-
lizaciones frecuentes y recursos de formación. Esto resulta crucial para
organizaciones que no cuentan con un equipo técnico dedicado.
• Capacidades avanzadas: las plataformas comerciales suelen incluir fun-
cionalidades avanzadas y herramientas especializadas que pueden no
estar disponibles en alternativas de código abierto, como análisis com-
plejos, procesamiento de imágenes y extensiones específicas para diver-
sos procesos SIG.
• Integración con otros sistemas: el software comercial suele integrarse
mejor con otros productos del mismo proveedor o con sistemas empre-
sariales comunes, facilitando su implementación en entornos corporati-
vos establecidos.
• Cumplimiento normativo: en muchos casos, el uso de software comercial
facilita el cumplimiento de estándares y normativas específicas, lo cual
puede ser un requisito en ciertos sectores.

[Link]. Uso de software SIG libre

• Costo: el software libre, como QGIS, suele ser gratuito, lo que lo convierte
en una opción atractiva para organizaciones con presupuestos limitados.

– 626 –
 Evaluación comparativa del uso de software SIG: comercial versus libre

Sin embargo, pueden existir costos indirectos asociados, como forma-

ción, mantenimiento o personalización.
• Comunidad y soporte: aunque el soporte técnico formal puede ser me-
nos robusto que en las opciones comerciales, el software libre cuenta con
comunidades activas que representan un recurso valioso para resolver
problemas y compartir conocimientos.
• Independencia del proveedor: el uso de software libre reduce la depen-
dencia de un único proveedor, disminuyendo los riesgos asociados a la
discontinuación del soporte o al incremento en los costos de licencias.
• Actualizaciones y desarrollo: las actualizaciones y mejoras en el software
libre suelen ser rápidas y están impulsadas por la comunidad, lo que per-
mite una evolución constante con nuevas funciones y correcciones de
errores.
• Compatibilidad y estandarización: el software libre suele adherirse a es-
tándares abiertos, lo que facilita la interoperabilidad con otras herramien-
tas y formatos de datos, reduciendo problemas de compatibilidad.

15.2.5. Tendencias futuras del uso y desarrollo de software SIG

La decisión entre utilizar software SIG comercial o libre debe fundamentarse

en un análisis detallado de las necesidades del proyecto, las capacidades del
equipo, el presupuesto y las expectativas a largo plazo. Mientras que el software
comercial puede ofrecer soluciones más robustas y soporte profesional, el
software libre aporta flexibilidad, ahorro de costos y una comunidad activa,
aspectos cruciales para ciertos tipos de proyectos y organizaciones. Además,
es importante considerar las tendencias futuras en el uso y desarrollo de
software SIG.
Desde el lanzamiento de ArcInfo en 1982 hasta la incorporación de inteli-
gencia artificial en QGIS en 2023, los sistemas de información geográfica han
experimentado una evolución significativa. La visualización de datos geográfi-
cos es cada vez más accesible y sencilla, lo que democratiza el acceso y ge-
nera nuevas demandas y oportunidades laborales. Aunque el rumbo futuro y
las tendencias son impulsados principalmente por grandes empresas como
Microsoft, Google y OpenAI.

– 627 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Entre las tendencias que tendrán creciente protagonismo en el sector SIG,

destacan:

• SIG 3D y realidad aumentada (AR): la capacidad de crear y visualizar ma-

pas en tres dimensiones, junto con la integración de realidad aumentada,
permitirá a los usuarios interactuar con el mundo físico y virtual de forma
más intuitiva. Aplicaciones como Wikitude o Layar son casos destacados
de esta tecnología. Por ejemplo, Wikitude Navigation fue el primer siste-
ma de navegación para automóviles que integró una pantalla de realidad
aumentada, eliminando la necesidad de mapas físicos.
• BIM y SIG: la integración de la información de construcción de edificios
(BIM) con los SIG facilitará una mejor planificación y gestión del ciclo de
vida de las construcciones. Este proceso permite intercambiar datos en-
tre ambos sistemas sin pérdida de información, consultándolos desde
una base de datos única.
• Análisis de big data: los SIG permiten analizar grandes volúmenes de da-
tos para extraer información valiosa en áreas como comercio, salud pú-
blica y seguridad. El abaratamiento y accesibilidad de sensores generan
grandes flujos de datos geoespaciales en tiempo real que deben proce-
sarse rápidamente, especialmente en aplicaciones como las smart cities.
• Internet de las cosas (IoT): la integración de sensores y dispositivos co-
nectados con SIG posibilitará el seguimiento en tiempo real y una ges-
tión más eficiente de los recursos. El IoT conecta miles de millones de
sensores en todo el mundo, permitiendo el intercambio continuo de in-
formación proveniente de dispositivos como smartphones, automóviles y
hogares inteligentes.
• Gemelos digitales: los SIG se utilizan para crear modelos digitales pre-
cisos de entornos físicos, ayudando en la toma de decisiones y planifi-
cación. Un gemelo digital es una representación virtual del mundo real
que incluye objetos, procesos, relaciones y comportamientos, integrando
diversos modelos digitales.
• SIG en la nube: los SIG alojados en la nube facilitan el acceso a datos y
la colaboración en tiempo real entre usuarios. El concepto de “SIG en la
nube” se refiere al uso de servicios y aplicaciones SIG a través de Internet,

– 628 –
 Evaluación comparativa del uso de software SIG: comercial versus libre

permitiendo al usuario acceder mediante un navegador web sin necesi-

dad de instalar software localmente.
• Inteligencia artificial (IA): la IA se aplica en los SIG para analizar y clasifi-
car grandes conjuntos de datos, mejorando la precisión y eficiencia en la
toma de decisiones. Sus usos incluyen análisis automáticos, predicción
de eventos geográficos, mapas inteligentes, reconocimiento de patrones,
sistemas de monitoreo y análisis de riesgos.
• SIG móvil: el uso de dispositivos móviles para capturar y analizar datos de
ubicación en tiempo real permitirá una toma de decisiones más rápida y
una mejor planificación. El desarrollo de aplicaciones SIG móviles está en
crecimiento constante y se convierte en una herramienta clave en el sector.
• Análisis de datos espaciales en tiempo real: la capacidad de procesar
datos espaciales en tiempo real facilitará respuestas ágiles ante emer-
gencias y una toma de decisiones más informada.
• Nuevos perfiles SIG: el mercado demandará profesionales SIG altamente
capacitados, con conocimientos en gestión de bases de datos, análisis
espacial, programación, servidores e inteligencia artificial, aunque con
especialización en áreas concretas.

15.3. Conclusiones

Tras analizar y comparar plataformas SIG comerciales y libres, se concluye

que ambas presentan ventajas y desventajas distintivas. Mientras que las solu-
ciones comerciales suelen ofrecer mayor estabilidad y soporte técnico espe-
cializado, las plataformas libres brindan una mayor flexibilidad, personalización
y acceso a una amplia comunidad de usuarios y desarrolladores.
Se presentan recomendaciones prácticas para usuarios y profesionales que
consideren el uso de SIG en sus proyectos. Se invita a explorar tanto las opcio-
nes comerciales como las libres, evaluando cuidadosamente las necesidades
específicas antes de tomar una decisión. Se enfatiza la importancia de la forma-
ción continua y de la colaboración con la comunidad de usuarios y desarrolla-
dores para maximizar el potencial de estas herramientas tecnológicas.
La elección entre software comercial y libre debe basarse en un análisis de-
tallado de las necesidades del proyecto, las capacidades del equipo, el presu-

– 629 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

puesto y las expectativas a largo plazo. Mientras el software comercial puede

ofrecer soluciones más robustas y soporte profesional, el software libre aporta
flexibilidad, ahorro de costos y una comunidad activa, aspectos clave para cier-
tos tipos de proyectos y organizaciones.
Este documento se fundamenta en la experiencia personal en el uso de soft-
ware SIG tanto comercial como libre, con un enfoque específico en la gestión de
información vectorial en proyectos y estudios SIG. No pretende establecer una
verdad absoluta sobre los Sistemas de Información Geográfica, sino ofrecer una
perspectiva práctica basada en el uso directo de estas herramientas, en expe-
riencias de otros profesionales y en la consulta de fuentes disponibles en la web.
Es importante destacar que el software libre no busca sustituir al comercial,
sino que ambos se complementan. En los proyectos en los que he participado,
se ha utilizado diversos tipos de software SIG tanto comerciales como libres, ya
que la combinación de sus capacidades contribuye a obtener mejores resulta-
dos en los estudios y proyectos realizados.

15.4. Referencias

QGIS. (2024). “Guía del usuario de QGIS”. [Link]

user_manual/
ArcGis. (2024). “Tutoriales de ArcGIS”. [Link]
latest/get-started/introduction/[Link]
Biblioteca digital CIREN. (2022). “Estudio de Erosión Macrozona Sur”. [Link]
[Link]/search?query=Estudio%20de%20Erosi%C3%B3n%20
Macrozona%20Sur
ChatGPT. (2024) “Fortalezas y debilidades del ArcGis”. [Link]
c/670e6d06-af8c-800f-b040-28216a92d712
ChatGPT. (2024) “Fortalezas y debilidades del QGIS” [Link]
c/670e6d06-af8c-800f-b040-28216a92d712
MappingGIS, Aurelio Morales (2024). “10 tendencias de futuro en GIS en 2024”.
Recuperado de [Link]
ro-en-gis/
Sitios web oficiales de los softwares SIG, ArcGis, TNTgis, gvSIG, QGIS

– 630 –
 CAPÍTULO XVI
PLATAFORMA PÚBLICA DE SALARES EN EL NORTE DE CHILE:
RESCATE DEL DATO PÚBLICO, UNA SOLUCIÓN GEOESPACIAL PARA
LA INVESTIGACIÓN Y EL CONOCIMIENTO GEOCIENTÍFICO DE LOS
SISTEMAS SALINOS

Hugo Neira1, Nicolás Cádiz2, Elizabeth Sandoval1, Silvia Arcea1

16.1. Introducción

La explotación del litio en Chile tiene implicancias estratégicas y críticas para

el desarrollo económico, social y medioambiental del país. Chile es uno de los
principales productores mundiales de litio, sin embargo, la explotación de este
recurso también plantea desafíos políticos, ambientales y sociales, como la
participación de las comunidades locales en la toma de decisiones. Esto impli-
ca estrategias y desafíos que deben ser abordados de forma sostenible. Cabe
señalar que el litio pertenece al grupo de los minerales críticos en referencia a
minerales de gran importancia estratégica y económica para la industria y para
los países (Zappettini, 2021; Salazar-Xirinachs, 2023; ONU Comercio y Desarrollo
- UNCTAD, 2024).
La creación de la Plataforma Pública de Salares permite el despliegue, dis-
tribución, caracterización y análisis de los estudios realizados a 18 sistemas sa-
linos por el Servicio Nacional de Geología y Minería (SERNAGEOMIN). Estable-
ce una línea base de información geocientífica que ayuda a los tomadores de
decisiones, investigadores, la industria, la academia y al público general, para
acceder a información clave para el conocimiento y gestión más eficiente y
sostenible de este recurso.

1
SubDepartamento de Analítica Territorial, Servicio Nacional de Geología y Minería, Santiago, Chile.
2
Unidad de Recursos Minerales, Servicio Nacional de Geología y Minería, Santiago, Chile.

– 631 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Los estudios de las salmueras y costras salinas de los salares son funda-
mentales para entender la composición y caracterización de estos ecosiste-
mas. En tal sentido, la creación y consolidación de esta plataforma web facilita
el acceso y disponibilización de conocimiento, lo que permite el análisis y la
visualización de estos datos de manera integrada a la comunidad, aumentando
y potenciando la calidad de la investigación en este campo.
La búsqueda de litio es crucial para la transición energética debido a su
papel hasta ahora insustituible en la producción de baterías de iones de litio.
Este elemento es considerado un recurso estratégico (Salazar-Xirinachs, 2023),
especialmente en el “triángulo del litio” (Argentina, Bolivia y Chile), aunque Bra-
sil, México y Perú también poseen depósitos, pero menos extensos. Su impor-
tancia estratégica se debe a su potencial para contribuir tanto a la transición
energética global como al desarrollo económico sostenible. Además, los paí-
ses con yacimientos de litio enfrentan el desafío de desarrollar capacidades
productivas y tecnológicas para su extracción, lo que requiere una agenda de
desarrollo productivo centrada en este elemento.
En esta línea, hace más de 10 años SERNAGEOMIN se ha encargado de in-
vestigar y estudiar diferentes sistemas salinos y el litio en nuestro país, lo cual
ha generado un valioso repositorio de datos geocientíficos en esta materia.
Gran parte de dichos datos se consolidan en esta solución geoespacial, como
un compendio que va en rescate del conocimiento y valor del dato geocientífi-
co generado por la institucionalidad pública.
Dado que los sistemas salinos comprenden entornos altamente dinámicos,
modificando sus rasgos de forma recurrente, y para otorgar un sustento analí-
tico y tecnológico a la Plataforma Pública de Salares, fue necesario desarrollar
algoritmos de clasificación basados en inteligencia artificial (machine learning),
utilizando colecciones de imágenes satelitales Landsat 8 de un período de 5
años de la plataforma Google Earth Engine (GEE). Estos permiten definir de
manera precisa el límite de los sistemas salinos mediante el cálculo estadístico
de los píxeles (Perilla y Mas, 2020). Este enfoque, respaldado por técnicas de
aprendizaje automático y el análisis de imágenes satelitales a largo plazo, pro-
porciona una representación confiable, estable y actualizada de la extensión
de los salares, mejorando así la comprensión de su distribución espacial y su
evolución temporal.

– 632 –
 Plataforma pública de salares en el norte de Chile

16.2. Desarrollo

16.2.1. Distribución geográfica de los salares en el norte de Chile

La distribución de los salares en la región norte de Chile es amplia, contabili-

zando alrededor de 71 salares (Gajardo, 2014; Cabello, 2022). Estos se ubican en
las regiones de Arica y Parinacota, Tarapacá, Antofagasta y Atacama (ver figura
80), extendiéndose longitudinalmente por cerca de 1.150 km. Se clasifican se-
gún su ubicación de oeste a este en salares de la cordillera de la Costa, de la
depresión central, preandinos y andinos (ver figura 81).
En la zona occidental se encuentran los salares de la cordillera de la Costa.
Estos salares se localizan cerca de la costa del océano Pacífico y se caracte-
rizan por su formación en cuencas costeras (Gajardo, 2014). Su proximidad al
mar puede influir en su composición y en los procesos de formación de los
depósitos salinos.
En la depresión central, que se sitúa entre la cordillera de la Costa y la cor-
dillera de los Andes, se encuentran los salares de la depresión central (Gajardo,
2014). Estos salares se ubican en una depresión geográfica y están rodeados
por cadenas montañosas. La topografía y las características geológicas de esta
zona pueden influir en la acumulación y composición de los depósitos salinos.

– 633 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 80. Distribución de los salares del norte de Chile.

Fuente: SERNAGEOMIN (2023).

Figura 81. Perfil esquemático geomorfológico de depósitos salinos del norte de Chile.
Fuente: Gajardo (2014).

– 634 –
 Plataforma pública de salares en el norte de Chile

En la región pre-cordillerana, al pie de la cordillera de los Andes, se encuen-

tran los salares preandinos (Gajardo, 2014). Estos salares se localizan en una
zona de transición entre las montañas y las llanuras costeras y su formación
está influenciada por la interacción entre los procesos geológicos de la cordi-
llera y los factores climáticos de la región.
Finalmente, en la zona oriental, en estrecha relación con la cordillera de los
Andes, se encuentran los salares andinos. Estos salares se sitúan en altitudes
más elevadas y en terrenos montañosos. La influencia de la cordillera en la dis-
tribución y composición de los salares puede ser determinante (Cabello, 2022;
Gajardo, 2014; Troncoso, 2013).

16.2.2. Situación y contexto geomático de la información geoespacial acer-

ca del litio

El uso integrado y sistemático de la información se ha vuelto esencial en los

últimos años, y los salares no son la excepción. La información disponible sobre
los recursos de litio y los salares se encuentra diseminada en diversas fuentes
(Troncoso, 2013), lo que dificulta su integración y análisis efectivo en platafor-
mas especializadas en el manejo de información georreferenciada. Además, la
calidad y actualización de los datos pueden variar, lo que genera incertidumbre
y limita la capacidad de evaluar con precisión el potencial de explotación de los
recursos.
El problema central es la falta de información gratuita, actualizada y accesi-
ble sobre los recursos de litio en el norte de Chile. Esta carencia de información
dificulta la toma de decisiones informadas por parte de los actores involucra-
dos en el interés del litio, incluyendo instituciones públicas (Gobierno de Chile,
2023), organismos reguladores, empresas, comunidades locales y la sociedad
en general.
Esta falta de institucionalidad en la información puede tener varios efectos
negativos (Guerrero y Piña, 2024). En primer lugar, dificulta la planificación es-
tratégica y el diseño de políticas relacionadas con la explotación del litio. Los
actores involucrados no cuentan con una base de información confiable que
les permita identificar las zonas de interés, evaluar los riesgos y oportunidades
y tomar decisiones informadas sobre la explotación y gestión del recurso.

– 635 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

16.2.3. Pertinencia de la Plataforma Pública de Salares en el norte de Chile

El objetivo de esta plataforma es proporcionar una herramienta integral y ac-

cesible que facilite la toma de decisiones informadas, la planificación estratégi-
ca y el desarrollo sostenible en la explotación del litio en el norte de Chile (Go-
bierno de Chile, 2023). Al centralizar la información, brindar datos actualizados,
fomentar la transparencia y promover la participación ciudadana, la plataforma
busca ser un referente confiable y útil para los actores involucrados en la ges-
tión de este importante recurso. Entre los aspectos relevantes, se puede men-
cionar: a) centralizar la información, b) proporcionar información actualizada y
confiable, c) facilitar la visualización y análisis de datos, d) fomentar la transpa-
rencia y la participación ciudadana, y e) impulsar un desarrollo sostenible.
El esquema de a figura 82 conceptualiza el flujo metodológico del desarro-
llo de la plataforma, definiendo cada una de sus fases y subprocesos. Estos
incluyen la recopilación y análisis de datos relevantes sobre el litio en la región,
la selección de los widgets y funcionalidades adecuadas de ESRI Experience
Builder, la personalización del diseño y la apariencia visual, así como la imple-
mentación de herramientas de análisis y visualización de datos.

Figura 82. Esquema metodológico de la plataforma del litio.

Fuente: Neira (2024).

– 636 –
 Plataforma pública de salares en el norte de Chile

16.2.4. Tabulación, normalización y estructuración de los datos químicos

en la geodatabase

La utilización de los trabajos publicados por SERNAGEOMIN en diversos in-

formes registrados sobre sistemas salinos, son la estructura de la plataforma,
ya que representan el conocimiento generado en más de 10 años de trabajo en
estos ecosistemas. Estos informes, como los de Cádiz y Carrasco (2019, 2020,
2021, 2022) y Troncoso (2013) proporcionan valiosa información sobre los sala-
res, su composición y características químicas y físicas.
Esto constituye una fuente de conocimiento geocientífico actualizada y res-
paldada por SERNAGEOMIN, y representa un recurso invaluable para la plata-
forma del litio. No obstante, estos datos deben ser procesados y estructurados
siguiendo las normas institucionales del Servicio en materia geoespacial, esto
con el fin de ser integradas en una geodatabase que contendrá toda la infor-
mación relacionada con los sistemas salinos.
El proceso de tabulación implica la recopilación de los datos químicos rele-
vantes, como la concentración de litio, potasio y magnesio, entre otros elemen-
tos presentes en la costra y la salmuera. Estos datos deben ser organizados en
una tabla que permita una fácil visualización y análisis de la información.
Una vez tabulados y normalizados, los datos químicos se estructuran e in-
tegran en la geodatabase, la que se diseña de manera que permita almacenar
y gestionar la información química junto con los atributos espaciales. Además,
se establece tablas y relaciones adecuadas para garantizar la coherencia y la
integridad de los datos.

16.2.5. Estructuración de la base de datos espacial y publicación en el GIS

Server de SERNAGEOMIN

Esta etapa se centra en la estructuración de la base de datos espacial en una

geodatabase (GDB) con dominios, subtipos y listas de validación. Este proceso
es fundamental para garantizar la coherencia, la integridad y la consistencia de
los datos almacenados en la plataforma del litio.
En el modelo actual de la plataforma, se identifica dos tipos de coberturas
estructuradas; una cobertura de polígono para los salares clasificados en cos-
tra y agua y una cobertura puntual para las muestras con análisis químico de

– 637 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

laboratorio de costra y agua. Cada punto representa una ubicación geográfica

precisa donde se ha obtenido una muestra. Estos puntos están vinculados a in-
formación detallada sobre las características químicas, geológicas y otras pro-
piedades de la muestra recolectada. La cobertura puntual permitirá un análisis
más detallado y específico de las propiedades de las muestras, así como su
relación espacial con los salares en general.
Una vez estructurada la base de datos espacial en la geodatabase, se pro-
cede a la publicación de esta en el Servidor SIG de SERNAGEOMIN. Esta publi-
cación tiene como objetivo centralizar y gestionar de manera eficiente la base
de datos, permitiendo el control de versiones y asegurando la disponibilidad y
accesibilidad de los datos a través de servicios de capas.

16.2.6. Creación de mapas web en el Map Viewer de ArcGIS Online

La creación de mapas web se construye en el Map Viewer de ArcGIS Online,

el que posteriormente es configurado en el Experience Builder para su integra-
ción en la plataforma del litio.
En el Map Viewer de ArcGIS Online, se utiliza los servicios de capas con-
sumidos desde el servidor SIG de SERNAGEOMIN para crear los mapas web.
Estos servicios de capas contienen la información geoespacial almacenada en
la geodatabase, incluyendo la delimitación de los salares, la clasificación en
costra y agua, las muestras puntuales y otros atributos relevantes.

16.3. Resultados

16.3.1. Base de datos geoespacial

La plataforma del litio se constituye como un gestor de información geocien-

tífica georreferenciada, con documentación, contenido actualizado e histórico,
en una plataforma web que busca ser un referente en materia del litio en Chile.
Esto permite contar con una herramienta que facilita la evaluación y análisis
de datos, logrando así una comparación efectiva de distintas opciones y es-
cenarios, lo que resulta fundamental para la toma de decisiones informadas y
eficientes sobre el recurso del litio. Además, la plataforma del litio fomenta la

– 638 –
 Plataforma pública de salares en el norte de Chile

transparencia en los datos para que la sociedad en su conjunto pueda utilizarla

en la toma de decisiones, contribuyendo a entregar información que busca un
desarrollo sostenible y responsable de este recurso en Chile.

[Link]. Base de datos utilizada para la plataforma de mapas web

La plataforma web territorial del litio requiere información geocientífica es-

pacialmente precisa y actualizada. En tal sentido, se utilizan todos los trabajos
que SERNAGEOMIN ha publicado sobre sistemas salinos en diversos Informes
registrados, tales como Cádiz y Carrasco (2019, 2020, 2021,2022) y Troncoso
(2013). Cabe señalar que anualmente se están desarrollando estudios de sala-
res, por lo que esta plataforma ofrece un modelo de datos con crecimiento y
actualización, lo que representa una oportunidad para SERNAGEOMIN de ser
un referente en materia de gestión de conocimiento geocientífico sobre el litio.
La base de datos geoespacial es el núcleo de la plataforma del litio, ya que
contiene toda la información necesaria sobre el recurso. Es el soporte de la in-
formación y lo que le da sustento y validez a la plataforma.
Sobre el diseño de la base de datos geoespacial, se busca conceptualizar
un modelo que permita una gestión de la información, garantizar la calidad de
los datos, facilitar su integración, análisis, trazabilidad y actualización.

[Link]. Estructura de la base de datos geoespacial (GDB)

Se diseña un conjunto de datos (feature dataset) al que se denomina SISTE-

MAS_SALINOS. Dentro de este conjunto se generan dos clases de entidades
(feature class) que se denominan:

• BD_AGUA_SALARES: representa una base de datos que almacena infor-

mación sobre muestras de agua (salmueras). Estas muestras han sido re-
copiladas y analizadas por SERNAGEOMIN y su ubicación geoespacial se
encuentra registrada en esta base de datos.
• BD_SALES_SALARES: corresponde a una base de datos que almace-
na información sobre muestras de costra salina (sales). Al igual que las
muestras de agua, estas muestras han sido recopiladas y analizadas por
SERNAGEOMIN y están geoespacialmente registradas.

– 639 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Ambas clases de entidades tienen una geometría puntual, y sus estructuras

comprenden un total de 95 columnas para las muestras de agua y 76 colum-
nas para las muestras de sales. Cada columna contiene información especí-
fica detallada por los equipos de geología de SERNAGEOMIN. Por otra parte,
la estructura tiene algunas columnas que permiten identificar y caracterizar la
muestra dentro del salar. Estas columnas contienen información crítica, como
el nombre del salar, el identificador de la muestra, coordenadas de ubicación,
la fecha de recolección de la muestra, región, comuna y referencias bibliográ-
ficas, entre otros.

[Link]. Información complementaria; base de datos geoespacial de salares

y sistemas salinos

Por otra parte, el equipo de Recursos Minerales modeló el límite geoespa-

cial de Salares y Sistemas Salinos en el año 2023. Este modelamiento se conso-
lidó como la cobertura oficial en la definición de la envolvente (límite exterior)
de los salares en Chile.
Metodológicamente se fotointerpretaron un total de 71 salares y lagunas en
el territorio chileno, clasificándolos en tres categorías: salares costeros, sala-
res pre-andinos y salares andinos, según referencias del Servicio Nacional de
Geología y Minería (SERNAGEOMIN), el Ministerio de Minería y el Ministerio de
Medio Ambiente.
La metodología empleada para la fotointerpretación consideró:

a. La evaluación de capas de imágenes Esri (2023) en conjunto con imáge-

nes Sentinel 2A de la zona de estudio.
b. El análisis del perímetro mediante tres metodologías distintas, incluyendo
análisis espectrales de los límites (PCA1-2-3), la identificación de la geo-
logía presente en las cartas geológicas 1:100.000 del SNGM y el análisis
topográfico basado en el COP- DEM_GLO-30-DTED (2022).
c. Restitución cartográfica a una escala de 1:10.000, utilizando las capas de
imágenes Esri 2023 para la representación de las características geológi-
cas (componentes salinas) y de los sistemas vegetativos y lagunares de
relevancia en el entorno.

– 640 –
 Plataforma pública de salares en el norte de Chile

d. Validación de la información geoespacial por medio de profesionales de

la Unidad de Recursos Minerales.

Es importante destacar que este trabajo se llevó a cabo con una validez
a escala 1:10.000 antes de ser integrada en la plataforma como información
oficial sobre los salares de Chile, respaldada y validada por SERNAGEOMIN.
Por último, este modelamiento no se encuentra enmarcado en el desarrollo de
este trabajo.

16.3.2. Plataforma Pública de Salares

[Link]. Carga en la base de datos geoespacial y simbolización para

publicación

Las coberturas de muestras en salmueras, costras salinas y la envolvente

de los sistemas salinos son cargados en una base de datos geoespacial (GDB).
En el caso de las salmueras, se cuenta con un total de 243 registros; para las
costras salinas se trabajó un total de 369 observaciones. Con respecto a las en-
volventes de los sistemas salinos, estos comprenden 19 elementos distribuidos
en dos regiones de Chile; Antofagasta y Atacama, situadas en el entorno andino
de la cordillera de los Andes.
Posterior a la carga de los datos en la GDB, se procede a la simbolización
para la publicación. En este caso, se simboliza por la columna que indica el va-
lor de litio, para que los símbolos se ajusten por tamaño según la concentración
del elemento, utilizando quiebres naturales con 5 categorías. Esto es sólo para
efectos de despliegue visual; posteriormente se parametrizan los intervalos en
la plataforma web. Además, se simboliza las muestras de costra salina por la
columna de mineral, ya que es otra variable que se considera en la plataforma
dentro del mapa de mineralogía de los salares. Finalmente, la publicación en la
web se realiza por medio de cuatro variables: concentración de litio en salmue-
ras, concentración de litio en costras salinas, mineralogía de sistemas salinos y
el límite envolvente de salares (ver figura 83).

– 641 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

[Link]. Publicación de la GDB en la web de SERNAGEOMIN

La publicación de los datos geocientíficos de los sistemas salinos se realiza

por medio del software ArcGIS PRO en su versión 3.2, alojando las coberturas
en la nube de ArcGIS Online gestionada por SERNAGEOMIN. El resultado de los
datos desplegados en la web se puede visualizar en la figura 84.
El producto consiste en el despliegue de 4 coberturas web, que se comple-
mentan con otros datos del SERNAGEOMIN, como la propiedad minera, el Atlas
de las instalaciones mineras y los centros poblados de Chile. Estas coberturas
se encuentran alojadas en el servidor SIG de SERNAGEOMIN, por lo que solo
fueron agregadas como un servicio de mapa web (WMS). Esta es una de las
principales ventajas de contar con un sistema de datos geoespacial (figura 85),
ya que se facilita la carga y despliegue de coberturas para construir platafor-
mas web que permitan el análisis de datos.

Figura 83. Despliegue de las coberturas que serán publicadas en la plataforma web:
concentración de litio en salmueras, concentración de litio en costras salinas, minera-
logía de sistemas salinos y el límite envolvente de salares.
Fuente: Neira (2024).

– 642 –
 Plataforma pública de salares en el norte de Chile

Figura 84. Datos de sistemas salinos subidos a plataforma web de ArcGIS Online.
Fuente: Neira (2024).

Figura 85. Carga de coberturas complementarias para enriquecer el análisis de datos

en la plataforma.

[Link]. Plataforma Pública de Salares de Chile

La Plataforma Pública de Salares se concibe como un solo producto, pero

está constituido por cuatro subsistemas; visor territorial de salares, cuadro de
mando (dashboard) de salares, visor geoestadístico y el antiguo visor geoesta-
dístico de salares.

– 643 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

16.3.3. Subsistema visor territorial

Este visor se conceptualiza como un sistema repositorio de datos; contiene

todas las coberturas que se analizan en la plataforma, tiene un menú reducido
para facilitar la lectura de los datos. No tiene solo información de salares, sino
que también información complementaria (ver figura 86). El detalle de las co-
berturas que aloja este sistema es:

- Concentración de litio en salmueras.

- Concentración de litio en costras salinas.
- Mineralogía de sistemas salinos.
- Límite envolvente de salares.
- Propiedad minera.
- Atlas de las instalaciones mineras.
- Centros poblados de Chile.

16.3.4. Subsistema dashboard de salares

Este visor se modela como un sistema de analítica geoespacial, que está

compuesto por 5 secciones (ver figura 87). En la primera sección se encuentran
los filtros de los datos que pueden ser por sistema salino (Nombre del Salar),
por región administrativa (Antofagasta y Atacama) y por filtro de comuna en que
se encuentran los datos. En la segunda sección se despliega el mapa de mues-
tras tomadas en salmueras, con los indicadores del número de muestras en la
vista y la suma de la concentración de litio de las muestras en la vista del mapa.
En la tercera sección se despliega el mapa de muestras tomadas en costra sa-
lina, con los mismos indicadores que la sección anterior. La cuarta sección pre-
senta el mapa de especie mineral de las muestras en costra salina, indicando el
número de muestras con la descripción de cada especie mineral. Finalmente,
la sección cinco incluye información sobre la propiedad minera y un atlas de
instalaciones mineras, destinado a responder consultas recurrentes sobre el
número de instalaciones o la propiedad minera asociada a los sistemas salinos.

– 644 –
 Plataforma pública de salares en el norte de Chile

Figura 86. Subsistema visor territorial incrustado en la Plataforma Pública de Salares.

Figura 87. Subsistema dashboard de salares incrustado en la Plataforma Pública de

Salares.

16.3.5. Subsistema visor geoestadístico de salares

Este sistema permite correlacionar datos de muestras de salmuera y cos-

tra salina con diversas variables, como la especie mineral, la vía evolutiva, el
sistema salino, y aspectos administrativos, como la región y comuna donde se
tomaron las muestras. El sistema se divide en dos partes; salmueras y costras
salinas, debido a la cantidad de datos necesarios para realizar el análisis espa-
cial (figura 88).

• Salmueras: se subdivide en ocho secciones que, incluyen un mapa de

muestras, gráficos de concentración de litio, diagramas de correlación de

– 645 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

elementos mayores, y otros análisis específicos, como el pH y las correla-

ciones con el cloruro.
• Costras salinas: se subdivide en siete secciones, con mapas de muestras,
gráficos de concentración de litio, análisis por especie mineral, y matrices
de correlación de elementos mayores y concentración de litio según el
sistema salino y la especie mineral. Este análisis geológico ayuda a eva-
luar la madurez del salar. El ingreso a la plataforma se puede acceder por
medio de este enlace: [Link]

Figura 88. Subsistema visor geoestadístico incrustado en la Plataforma Pública de

Salares, análisis de salmueras y análisis de costra salina.
Fuente: Neira (2024).

16.4. Conclusiones

SERNAGEOMIN ha identificado 18 salares en las regiones de Antofagasta y

Atacama con potencial geológico para proyectos de litio, consolidando este
conocimiento en una plataforma pública de acceso abierto. Esta herramienta,
desarrollada en el marco de la Estrategia Nacional del Litio, facilita la dispo-
nibilidad de datos geocientíficos y promueve la innovación en la gestión de
información geoespacial. El proyecto abordó desafíos como la digitalización de
datos y la necesidad de modernizar procesos en la gestión de recursos geoló-
gicos.

– 646 –
 Plataforma pública de salares en el norte de Chile

La plataforma, además de apoyar a la academia y la investigación, busca

catalizar el desarrollo económico y social en las regiones mencionadas, pro-
moviendo un uso sustentable de los recursos. La apertura de datos al público
democratiza el conocimiento y establece una base para decisiones más infor-
madas.
Esta plataforma refuerza el compromiso del sector público con la trans-
parencia y la accesibilidad de la información. La experiencia adquirida en la
creación de la Plataforma Pública de Salares sienta un precedente para futuros
desarrollos, demostrando que la combinación de tecnología avanzada, inves-
tigación científica y colaboración interdisciplinaria puede generar soluciones
innovadoras que beneficien tanto a la sociedad como al medio ambiente.

16.5. Agradecimientos

Los agradecimientos a SERNAGEOMIN, por el apoyo constante y la con-

fianza depositada en este proyecto. Su visión y compromiso con el desarrollo
geocientífico han sido fundamentales para llevar a cabo esta iniciativa.
A la Unidad de Recursos Minerales, por su colaboración y dedicación en la
consolidación de conocimientos y en la implementación de nuevas tecnolo-
gías aplicadas a la gestión de recursos geológicos. Su experiencia y apoyo han
sido clave para el éxito de este proyecto.
Un agradecimiento especial a Nicolás Cádiz, por la confianza depositada en
el potencial de este proyecto de transformación digital basado en datos. Su
compromiso ha sido constante, impulsando la innovación y abriendo nuevos
caminos en la gestión geoespacial de los recursos salinos.

– 647 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

16.6. Referencias

Cabello, J. (2022). “Reservas, recursos y exploración de litio en salares del norte

de Chile”. Andean Geology, 49, 297-306. Doi: [Link]
geov49n2-3444
Cádiz, N., Carrasco, R. (2019). “Potencial de litio en el Salar de la Isla, Región de
Atacama, Chile”. SERNAGEOMIN. Santiago de Chile: SERNAGEOMIN. Obteni-
do de [Link]
Cádiz, N., Carrasco, R. (2020). “Potencial de litio en el salar de Pajonales, región
de Antofagasta, Chile”. SERNAGEOMIN. Santiago: SERNAGEOMIN. Obtenido
de [Link]
Cádiz, N., Carrasco, R. (2021). “Potencial de litio en el salar de Las Parinas, región
de Atacama, Chile”. SERNAGEOMIN. Santiago: SERNAGEOMIN. Obtenido de
[Link]
Cádiz, N., Carrasco, R. (2022). “Potencial de litio en el salar de Aguilar, región
de Atacama, Chile”. SERNAGEOMIN. Santiago: SERNAGEOMIN. Obtenido de
[Link]
Gajardo, A. (2014). “Potencial del litio en salares del norte de Chile”. Jornadas de
Geología, (pág. 42). Santiago. Obtenido de [Link]
cl/items/8e62f092-c834-4bbf-b534-2e5a461a04f2
Gobierno de Chile. (2023). “Chile avanza con Litio”. Obtenido de Estrategia Na-
cional del Litio: [Link]
Guerrero, R., Piña, M. (2024). “Litio: Recomendaciones para la gobernanza de
salares en Chile”. Espacio Público, 36. doi:10.13140/RG.2.2.33470.05446
Neira, H. (2024). “Plataforma pública de salares en el norte de Chile: Una herra-
mienta geomática para la investigación y la gestión territorio-ambiental de
este recurso geológico”. Tesis de magíster (Manuscrito no publicado), Ponti-
ficia Universidad Católica de Chile, Instituto de Geografía, Santiago.
ONU Comercio y Desarrollo - UNCTAD. (2024). “Auge de minerales críticos: El
cambio energético global trae oportunidades y riesgos para los países en
desarrollo.” [Link]
Perilla, G., Mas, J. (2020). “Google Earth Engine (GEE): una poderosa herramienta
que vincula el potencial de los datos masivos y la eficacia del procesamiento

– 648 –
 Plataforma pública de salares en el norte de Chile

en la nube”. Investigaciones geográficas, 101. doi: [Link]

rig.59929
Salazar-Xirinachs, J. (2023). “Extracción e industrialización del litio: oportunida-
des y desafíos para América Latina y el Caribe”. CEPAL.
Troncoso, R. (2013). “Estudio del potencial de litio en salares del norte de Chile”.
Santiago: SERNAGEOMIN. Obtenido de [Link]
items/01d89fd5-47b4-4479-b83c-67e7bfe0ab36
Zappettini, E. (2021). “Minerales y metales críticos y estratégicos. Análisis de si-
tuación y metodología de clasificación para la República Argentina”. Serie
Contribuciones Técnicas Recursos Minerales N°45. Buenos Aires, Servicio
Geológico Minero Argentino. Instituto de Geología y Recursos Minerales., 19.

– 649 –
 CAPÍTULO XVII
APLICACIÓN DE LA GEOMÁTICA EN LA GESTIÓN ENERGÉTICA: EL
DIAGNÓSTICO ESTRATÉGICO TERRITORIAL PARA LA REGIÓN DEL
MAULE

María Luisa del Campo Hitschfeld1, Francisco Mateo Elgued1, Albert Ávila
Rodríguez3, Andrés Maragaño Leveque3, Humberto Vidal Gutiérrez6, Andrea
Fernández Covarrubias7, Pablo González Bravo2, Tomás Chadwick Lobos4,
Marco Rivera Abarca5, Miguel Martínez Fredes, Astrid Adasme

17.1. Introducción

En el presente capítulo, se expone la metodología y los resultados prelimina-

res del Diagnóstico Estratégico Territorial, desarrollado en el marco del estudio
del Plan Estratégico de Energía para la Región del Maule (PEER Maule). El objetivo
es destacar la metodología empleada como una herramienta eficaz que integra
la participación de la comunidad y actores relevantes, junto con el levantamiento
de información desde fuentes secundarias, todo ello representado en cartogra-
fías que apoyan la toma de decisiones y la gestión estratégica del territorio.
Para contextualizar este diagnóstico, es necesario considerar el marco ge-
neral del PEER Maule, el cual responde a los lineamientos establecidos por
el Ministerio de Energía a través de la Política Energética Nacional 2050 y su
actualización de 2022 (Ministerio de Energía, 2022). Estas políticas subrayan la

1
Centro Tecnológico Kipus, Universidad de Talca, Talca, Chile.
2
Carrera Administración Pública, Facultad de Ciencias Jurídicas y Sociales, Universidad de Talca, Talca, Chile.
3
Escuela de Arquitectura, Facultad de Arquitectura Música y Diseño, Universidad de Talca, Talca, Chile.
4
Departamento de Ciencia Política y Administración Pública, Facultad de Ciencias Jurídicas y Sociales, Univer-
sidad de Talca, Talca, Chile.
5
Power Electronics, Machines and Control (PEMC) Research Institute, Department of Electrical and Electronic
Engineering, Faculty of Engineering, University of Nottingham, Nottingham NG7 2GT, UK.
6
Centro de Estudio de los Recursos Energéticos (CERE), Facultad de Ingeniería, Universidad de Magallanes,
Punta Arenas, Chile.
7
Departamento de Urbanismo, Facultad de Arquitectura, Urbanismo y Geografía, Universidad de Concepción,
Concepción, Chile.

– 651 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

importancia de una inserción equilibrada del sector energético en los territo-

rios, promoviendo una planificación que considere tanto las necesidades ener-
géticas como las realidades sociales y territoriales de cada región.
En este contexto, la Universidad de Talca, a través de su Centro Tecnológico
Kipus, lideró la ejecución del PEER Maule. El propósito de este plan es orientar
el desarrollo energético regional mediante un enfoque territorial y participativo,
en coherencia con los principios de la Política Nacional de Energía y los instru-
mentos de planificación regional. La metodología aplicada incluyó actividades
participativas, análisis sectorial y el uso de herramientas geoespaciales para
construir una visión estratégica e inclusiva.

17.2. Desarrollo

17.2.1. Metodología

Como se muestra en la figura 89, el esquema metodológico del PEER Maule

se estructuró en 3 etapas: 1) diagnóstico estratégico territorial; 2) sensibilización
regional; y 3) propuesta PEER Maule. La generación de productos cartográficos
se presenta como un instrumento central del estudio, permitiendo recoger y
traducir la información en un lenguaje espacial comprensible y útil para la pla-
nificación territorial.
En particular, la metodología aplicada durante la etapa de Diagnóstico Es-
tratégico Territorial (figura 90) se basó en lo establecido en la Guía 2.0 para la
Elaboración de Planes Energéticos Regionales (GEPER) del Ministerio de Ener-
gía (Ministerio de Energía, 2017) y en los principios estratégicos de la Política
Nacional de Ordenamiento Territorial (PNOT) (Ministerio del Interior y Seguri-
dad Pública, 2021). Esta metodología busca formular propuestas territoriales
basadas en el enfoque de la “Energía como motor de desarrollo” (Pilar 2 de la
Política Energética de Chile; Ministerio de Energía, 2015), integrando, además,
los principios de “Participación Ciudadana y Ordenamiento Territorial” (Ministe-
rio de Energía, 2022b) junto con los lineamientos de la Ley Marco de Cambio
Climático (Ministerio del Medio Ambiente, 2022). Todo esto con el objetivo de
avanzar hacia una transición energética que contribuya a la carbono neutra-
lidad del país. De este modo, se propone generar propuestas que integren y
compatibilicen las distintas actividades presentes en el territorio, considerando

– 652 –
 Aplicación de la geomática en la gestión energética

las particularidades de cada provincia y comuna de la región. La propuesta

reconoce la identidad local y el desarrollo económico y productivo, así como
el bienestar del medioambiente y las comunidades. El proceso metodológico
contempló varias etapas, cada una con un enfoque específico:

a. Caracterización del territorio y sus sistemas: se realizó un análisis descripti-

vo de los sistemas territoriales definidos en la PNOT, estos son: sistema de
asentamientos humanos, sistema económico-productivo, sistema natural,
sistema logístico y de infraestructura y sistema socio-territorial integrado.
Asimismo, se incorporaron condiciones transversales como el riesgo y el
cambio climático. Esta caracterización se basó en la recopilación y análi-
sis de datos oficiales, provenientes de organismos públicos, disponibles a
través de plataformas como la Infraestructura de Datos Espaciales (IDE) de
Chile, el Geoportal de Chile, ARCLIM, y diversos ministerios.

Figura 89. Esquema metodológico del PEER Maule.

Fuente: Elaboración propia a partir de GEPER y PNOT.

– 653 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

b. Representación cartográfica y análisis geoespacial: la cartografía se utili-

zó como instrumento integrador, permitiendo visualizar los distintos siste-
mas territoriales y su interrelación. La metodología empleada consistió en
la selección y superposición de capas de información geográfica (overlay
analysis) para representar el estado actual del territorio, facilitando así la
identificación de patrones espaciales y relaciones entre variables.
Por ejemplo, la representación del sistema de asentamientos humanos
mediante puntos proporcionales al tamaño de la población (Simbología
Proporcional) evidenció una alta concentración demográfica a lo largo del
eje central de la región (Ruta 5 Sur y Valle Central). A su vez, el análisis de
conectividad permitió identificar intersecciones transversales desde la cor-
dillera hasta el mar en ciudades clave, como Curicó, Talca y Linares, deli-
neando subsistemas territoriales que se encuentran desconectados entre
sí. Estos subsistemas presentan una distribución coincidente con la del sis-
tema de transmisión eléctrica regional, lo que sugiere una correlación en-
tre la infraestructura energética y los patrones de ocupación del territorio.

Figura 90. Metodología aplicada en la etapa de Diagnóstico Estratégico Territorial.

Fuente: Elaboración propia a partir de GEPER y PNOT.

– 654 –
 Aplicación de la geomática en la gestión energética

Además del análisis de infraestructura y asentamientos, se incorporó el

estudio del sistema natural, incluyendo la distribución del bosque nativo,
sitios de interés ecológico, áreas protegidas y cuerpos de agua. La super-
posición de estas capas permitió identificar zonas de alta fragilidad am-
biental, áreas de valor ecosistémico y posibles conflictos entre el desarro-
llo urbano y la conservación del territorio. Asimismo, se realizó un análisis
de redes espaciales a partir de la interpretación cartográfica, identificando
nodos urbanos y su relación con la infraestructura de transporte y trans-
misión eléctrica. Aunque no se aplicó un network analysis automatizado,
el análisis cualitativo permitió evaluar la conectividad territorial mediante
la observación de rutas principales, jerarquía de asentamientos, distribu-
ción de infraestructura y presencia de elementos naturales clave.
Estos métodos permitieron no solo describir la distribución de asenta-
mientos, infraestructuras y elementos naturales, sino también evidenciar
las dinámicas espaciales que afectan el desarrollo territorial, la accesibi-
lidad y la sostenibilidad en la región.
c. Participación ciudadana y levantamiento de información local: se reali-
zaron talleres regionales y provinciales en los cuales se presentaron ma-
pas base a los participantes. Estos pudieron agregar información relevante
mediante el uso de stickers con iconografía específica (centrales eólicas,
subestaciones y áreas con déficit energético, entre otros). Esta metodolo-
gía permitió identificar problemáticas o conflictos ambientales locales no
visibles en los datos oficiales. Posteriormente, la información fue tabulada
y jerarquizada según la frecuencia de aparición de las variables registradas.
d. Análisis energético estratégico: a partir del análisis territorial de la infor-
mación obtenida en los talleres, junto con la cartografía síntesis de cada
sistema y de las condiciones transversales, se identificaron factores crí-
ticos mediante un proceso iterativo. Este proceso combinó la evaluación
de conflictos socioambientales, elementos ambientales de importancia y
los requerimientos energéticos regionales.

La información obtenida se consolidó en un análisis energético estratégico

de la región, en el cual la cartografía no solo actúa como herramienta de visua-
lización, sino como el principal medio para articular los datos territoriales desde
un enfoque sistémico. La representación espacial de las brechas energéticas y

– 655 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

factores críticos facilita la toma de decisiones a nivel regional, provincial, comu-

nal y local, proporcionando una base objetiva y visualmente comprensible para
la planificación y gestión territorial.

17.3. Resultados

El diagnóstico estratégico territorial constituye la base fundamental para

comprender la realidad energética de la región. Este análisis se sustenta en
los sistemas territoriales definidos por la Política Nacional de Ordenamiento
Territorial (PNOT) (Ministerio del Interior y Seguridad Pública, 2021), los cuales
comprenden cinco sistemas: asentamientos humanos, económico-productivo,
natural, logístico e infraestructura, y socio-territorial integrado. A estos se su-
man dos condiciones transversales: el riesgo de desastres y la adaptación al
cambio climático. A partir de esta estructura (cinco sistemas y dos condiciones
transversales) se organizó el estudio para abordar de manera integral las carac-
terísticas demográficas, económicas y ambientales que influyen en el uso y de-
manda energética en la región. Asimismo, esta metodología permitió identificar
oportunidades para la implementación de fuentes renovables en coherencia
con las particularidades territoriales y los desafíos asociados al desarrollo sos-
tenible.

17.3.1. Sistemas territoriales en la región del Maule

Uno de los aspectos más relevantes del diagnóstico es el análisis de los sis-
temas territoriales, lo que permite comprender cómo interactúan los factores
demográficos, económicos y naturales en el desarrollo energético regional.
El Sistema de Asentamientos Humanos en la región del Maule (figura 91)
presenta una marcada dualidad entre áreas urbanas, concentradas principal-
mente en ciudades como Talca, Curicó y Linares, y zonas rurales, donde reside
aproximadamente el 27% de la población (Gobierno Regional del Maule, 2023).
Esta distribución tiene implicancias directas en el acceso y calidad del suminis-
tro energético, ya que las zonas rurales suelen enfrentar mayores dificultades
para contar con servicios energéticos estables y eficientes. Administrativamen-
te, la región está dividida en cuatro provincias y treinta comunas, lo que agrega

– 656 –
 Aplicación de la geomática en la gestión energética

complejidad a la coordinación de políticas públicas en materia energética. La

toma de decisiones en torno al desarrollo de infraestructura debe considerar
este contexto territorial, trabajando coordinadamente con autoridades locales
para asegurar que las soluciones energéticas respondan a las realidades espe-
cíficas de cada comuna.
Desde una perspectiva demográfica, las proyecciones indican que la pobla-
ción regional seguirá creciendo, alcanzando más de 1,2 millones de habitantes
hacia 2035 (Instituto Nacional de Estadísticas, 2022). Este aumento demográfico
representa un desafío significativo para la planificación energética, ya que se
proyecta un crecimiento en la demanda eléctrica y en otros servicios energéti-
cos, especialmente en zonas urbanas en expansión.

Figura 91. Sistema de Asentamientos Humanos.

El Sistema Económico-Productivo de la región está fuertemente dominado

por los sectores agrícola, forestal y manufacturero, todos ellos con alta deman-
da energética (figura 92). El Maule destaca a nivel nacional por su producción
de materiales de construcción de arcilla, concentrando el 97% de las ventas
nacionales; productos cárnicos, con un 90% de participación; y cultivos como

– 657 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

arroz, cereales, plantas y madera, lo que implica un uso intensivo de energía

(Servicio de Impuestos Internos, 2023).
Entre 2020 y 2022, la región aportó un 4,8% al PIB nacional, con un crecimien-
to acumulado del 33,4% en la última década. Los sectores más dinámicos han
sido la industria manufacturera, la agropecuaria-silvícola y los servicios perso-
nales (Banco Central de Chile, 2023).

Figura 92. Sistema Económico-Productivo.

El Maule mantiene una vocación agrícola histórica, destinando un 24% del

territorio regional a uso agrícola. Sin embargo, enfrenta desafíos relevantes en
términos de sostenibilidad ambiental, como la erosión de suelos en el secano
costero, donde el 29% del territorio presenta alta fragilidad. En contraste, la ex-
pansión urbana es mínima, ocupando solo el 0,8% del suelo regional (Instituto
de Investigaciones Agropecuarias, 2004).
La agricultura depende en gran medida de la energía para actividades como
el riego, mecanización y conservación de productos, por lo que la incorporación
de energías renovables (por ejemplo, paneles solares para riego) representa
una oportunidad clave para mejorar la eficiencia energética y reducir costos.

– 658 –
 Aplicación de la geomática en la gestión energética

De forma similar, el sector forestal posee un alto potencial para aprovechar resi-
duos biomásicos con fines energéticos, lo que no solo reduciría la dependencia
de combustibles fósiles, sino que también podría contribuir a los objetivos de
neutralidad de carbono.
Finalmente, el turismo es un sector estratégico para el Maule, con 339 atrac-
tivos reconocidos, que incluyen destinos locales y de relevancia internacional,
como viñedos y pasos fronterizos. Las Zonas de Interés Turístico (ZOIT), como
Lago Colbún-Rari y Chanco-Pelluhue, reflejan una interacción productiva entre
turismo, agricultura y comercio, promoviendo un desarrollo territorial integrado
(Subsecretaría de Turismo, 2022).
El Sistema Natural juega un papel fundamental en el desarrollo energético
sostenible (figura 93). La región del Maule posee una gran diversidad de re-
cursos naturales, algunos de los cuales presentan alto potencial energético,
como la radiación solar y el viento. Sin embargo, también alberga áreas de alto
valor ecológico, como humedales y zonas montañosas, que requieren especial
protección. Esto plantea el desafío de conciliar la explotación de recursos ener-
géticos con la conservación ambiental, promoviendo un enfoque de equilibrio
territorial.

Figura 93. Sistema Natural.

– 659 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La región está fuertemente influenciada por los ríos Mataquito y Maule, cu-
yas cuencas superan los 20.000 km². Su patrimonio natural se define por un
clima mediterráneo y una diversidad de accidentes geográficos, destacando la
cordillera de los Andes, con hitos como el volcán El Planchón y la Laguna del
Maule, así como la cordillera de la Costa, con valles interiores, playas de arena
negra y humedales como el de Putú (Gobierno Regional del Maule, 2015).
La región cuenta con diversas áreas protegidas, incluyendo un parque nacio-
nal (4.145 ha), seis reservas nacionales (3.485 ha), un parque forestal (4.588 ha),
entre otras categorías, sumando un total de 89.059 ha bajo protección oficial.
Sin embargo, estas áreas presentan baja conectividad ecológica, lo que limita
la conservación genética de las especies y la resiliencia de los ecosistemas.
El Maule alberga bosques nativos tanto en la cordillera como en la costa,
incluyendo bosques esclerófilos, actualmente amenazados por la fragmenta-
ción, el cambio climático y la actividad antrópica. Los incendios forestales de
2017 causaron graves daños a especies endémicas como el ruil (Ministerio del
Medio Ambiente, 2018). Entre los ecosistemas prioritarios para la conservación,
se encuentran el Parque Nacional Radal Siete Tazas, la Laguna del Maule, los
humedales costeros y la ciénaga del Name, todos en estado de conservación
crítico. En cuanto a la biodiversidad, la región alberga 105 especies en categoría
de amenaza: 15 en peligro crítico, 47 en peligro de extinción y 43 vulnerables,
pertenecientes a los reinos Plantae y Animalia.
El análisis del Sistema Logístico y de Infraestructura identifica los principales
factores que sustentan el desarrollo regional (figura 94). En términos de ac-
cesibilidad vial, se prioriza la conexión asfaltada entre capitales comunales y
provinciales; sin embargo, el 51% de la red vial aún no está pavimentada, lo que
afecta la calidad de vida y la eficiencia del transporte. A nivel aeroportuario,
existen 49 aeródromos, pero la ausencia de aeropuertos públicos limita la co-
nectividad aérea de la región. Respecto a la infraestructura portuaria, el Maule
no dispone de puertos de carga ni terminales de pasajeros, aunque cuenta con
13 caletas pesqueras que buscan desarrollar el potencial marítimo a pesar de
la carencia de bahías naturales protegidas.
En cuanto a saneamiento, la cobertura es adecuada; no obstante, persisten
desigualdades en la distribución de infraestructura de salud, concentrada prin-
cipalmente en Talca y Curicó, lo que dificulta el acceso de comunidades rurales
o alejadas. En telecomunicaciones, se observa brechas de conectividad digital

– 660 –
 Aplicación de la geomática en la gestión energética

significativas entre zonas urbanas y rurales, lo que requiere políticas públicas

para cerrar la desigualdad digital.
La infraestructura energética de la región se caracteriza por una cierta diver-
sificación en la generación eléctrica, aunque persisten desigualdades en la ca-
pacidad y acceso a subestaciones, especialmente en comunas rurales. La pla-
nificación de nuevas líneas de transmisión es positiva, pero aún existen desafíos
en términos de acceso equitativo al suministro eléctrico (Ministerio de Energía,
2019). En cuanto a la movilidad eléctrica, se identifica solo 9 estaciones de carga
(electrolineras) distribuidas en 7 comunas, lo que resulta insuficiente para fomen-
tar el uso de vehículos eléctricos. Asimismo, la presencia de depósitos de com-
bustibles y centros de distribución de gas licuado contribuye a mejorar la segu-
ridad energética y reducir costos logísticos (Comisión Nacional de Energía, 2023).
El Sistema Socio-Territorial Integrado tiene como objetivo articular el terri-
torio regional en un marco que promueva sinergias y complementariedades
entre zonas y territorios vecinos (figura 95). Este enfoque considera aspectos
como las formas de vida locales, la ruralidad, la gestión de recursos hídricos, la
infraestructura energética y la identidad territorial, integrados desde una visión
macroterritorial.

Figura 94. Sistema Logístico y de Infraestructura.

– 661 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

La delimitación de este sistema considera formaciones geomorfológicas,

elementos sociales, culturales y ambientales, más allá de los límites político-
administrativos. En este contexto, se identifica sistemas transversales y longi-
tudinales, que evidencian brechas de desarrollo y conectividad que deben ser
abordadas mediante políticas públicas.
Los sistemas transversales conectan al Maule con pasos internacionales
como Iloca–Curicó–Paso Vergara y Constitución–Talca–Paso Pehuenche, sien-
do claves para la integración comercial y energética.
Los sistemas longitudinales agrupan unidades territoriales con característi-
cas comunes:

- Borde costero: unidad paisajística con potencial turístico, ecológico y

pesquero.
- Secano interior: presenta desafíos ambientales y económicos, con alta
erosión y dependencia de monocultivos forestales (Instituto de Investiga-
ciones Agropectuarias, 2020).
- Depresión intermedia y precordillera: zonas con potencial energético,
patrimonial y turístico, y con conectividad vial mediante rutas regionales).
La precordillera, en tanto, destaca por su turismo, patrimonio y capacidad
energética, con conexión vial a través de rutas regionales.

La región también presenta zonas con aislamiento territorial. Se identifican

109 localidades en condición de aislamiento, afectando al 0,3% de la población,
concentradas principalmente en San Clemente, Longaví y San Javier. Asimis-
mo, cuatro comunas (Cauquenes, Pelluhue, Empedrado y Chanco) presentan
niveles críticos de rezago, mientras que otras diez están en riesgo de ser con-
sideradas como zonas rezagadas (Subsecretaría de Desarrollo Regional y Ad-
ministrativo, 2021).

– 662 –
 Aplicación de la geomática en la gestión energética

Figura 95. Sistema Socio-Territorial Integrado.

17.3.2. Condición transversal de riesgos de desastres de origen natural y/o

antrópicos

La región del Maule enfrenta una variedad de riesgos de desastres tanto

naturales como antrópicos, los cuales son analizados desde una perspectiva
integral en el marco del diagnóstico territorial. De acuerdo con Ayala-Carcedo
(2001), el riesgo se define por la interacción de tres factores: peligrosidad, ex-
posición y vulnerabilidad. La peligrosidad se refiere a las características de un
fenómeno potencialmente dañino; la exposición, al grado en que personas o
bienes están ubicados en áreas amenazadas; y la vulnerabilidad, al nivel de
pérdidas potenciales que dichos elementos pueden sufrir.
Entre las principales amenazas naturales que afectan a la región se des-
tacan: inundaciones, remociones en masa, sismicidad y actividad volcánica, e
incendios forestales (figura 96). En muchos casos, estas amenazas se ven agra-
vadas por intervenciones humanas, como la deforestación y la impermeabili-
zación del suelo, lo que incrementa significativamente la vulnerabilidad de las
comunidades expuestas.

– 663 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

El riesgo de inundaciones en la región del Maule se origina principalmente

por el desborde de ríos a causa de precipitaciones intensas o deshielos. Las
áreas más vulnerables se localizan en zonas cercanas a los cauces de los ríos
Cauquenes, Tutuvén y Curanilahue, donde tanto viviendas como infraestructu-
ra vial suelen verse afectadas.
Asimismo, se presentan inundaciones por anegamiento, comunes en zonas
deprimidas con baja capacidad de infiltración. Estas ocurrencias se relacionan
con lluvias intensas, fallas en el sistema de drenaje urbano o con deficiencias
en infraestructuras como represas o diques. Las causas predominantes inclu-
yen precipitaciones extremas, derretimiento de nieve y fallos estructurales.

Figura 96. Riesgos y amenazas en la región del Maule.

En las comunas litorales de Pelluhue y Constitución, se identifican riesgos

asociados a inundaciones costeras causadas por tsunamis y marejadas. La
magnitud del daño depende tanto del evento generador (por ejemplo, un sis-
mo de gran intensidad) como de factores locales, como la morfología del te-
rreno costero y la presencia (o ausencia) de barreras naturales o artificiales de
protección.

– 664 –
 Aplicación de la geomática en la gestión energética

Las remociones en masa, incluyendo deslizamientos y derrumbes, son ame-

nazas relevantes en la región, derivadas de factores tanto geológicos como
hidrometeorológicos. Los deslizamientos ocurren cuando el suelo o las rocas
pierden su estabilidad debido a una sobresaturación o pérdida de cohesión,
especialmente en terrenos de alta pendiente. Los derrumbes, por su parte,
suelen producirse en acantilados o laderas empinadas, generalmente tras sis-
mos o procesos erosivos continuados.
El Maule se ubica en una zona de alta sismicidad, al formar parte del Cintu-
rón de Fuego del Pacífico. Los sismos interplaca son frecuentes y de alta mag-
nitud, como el ocurrido en 2010, que generó significativos daños estructurales
y un tsunami que afectó severamente a la costa regional.
En relación con la actividad volcánica, la región pertenece a la Zona Vol-
cánica Sur de los Andes, destacando complejos volcánicos activos como el
Planchón-Peteroa y el Descabezado Grande-Quizapu. Estos volcanes pueden
generar riesgos asociados a erupciones explosivas, flujos de lava, piroclastos
y lahares, representando amenazas tanto para la infraestructura como para las
comunidades cercanas.
Los incendios forestales constituyen una amenaza recurrente en zonas con
vegetación nativa y en áreas de uso silvoagropecuario. Estos eventos son inten-
sificados por condiciones climáticas extremas, como altas temperaturas, vien-
tos fuertes y sequías prolongadas. Durante el periodo 2017–2022, la región del
Maule fue una de las más afectadas del país, registrando más de 5.000 incen-
dios en dicho quinquenio. Esta situación evidencia la necesidad de fortalecer
las políticas de prevención, monitoreo y respuesta ante este tipo de eventos.

17.3.3. Brechas energéticas y temas claves o críticos

A partir del análisis de los sistemas territoriales, se constata el alto potencial

de crecimiento y abundancia de recursos energéticos en la región del Maule.
Al 31 de diciembre de 2023, la región contaba con una capacidad instalada de
2.218 MW, principalmente en centrales hidroeléctricas y solares (figura 97). Esta
infraestructura permitió que, en 2022, se generaran aproximadamente 5.000
GWh de energía eléctrica, frente a un consumo regional de 3.222 GWh. Es de-
cir, la región es excedentaria, generando más energía de la que consume. Sin
embargo, a pesar de este superávit, persisten importantes brechas en términos

– 665 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

de infraestructura, acceso y equidad energética, las cuales afectan de manera

desigual a las distintas comunas del territorio.
Una de las brechas más significativas es la desigual distribución de la in-
fraestructura de generación y transmisión eléctrica. Comunas como Colbún,
que cuenta con 1.233 MW de capacidad instalada distribuida en 11 centrales
hidroeléctricas, tienen un rol protagónico en la matriz energética nacional. En
contraste, otras comunas (particularmente en zonas rurales) carecen de in-
fraestructura suficiente para aprovechar su propio potencial en energías reno-
vables. La escasa presencia de subestaciones eléctricas en sectores con abun-
dantes recursos energéticos (como el valle central y el secano interior) limita el
desarrollo de proyectos solares y eólicos.
Otra brecha relevante es la persistencia de una porción de la población sin
acceso a energía eléctrica. Aunque se estima que este grupo representa solo
el 0,15% de la población regional (Instituto Nacional de Estadísticas, 2022), su
atención es clave para garantizar el acceso universal a servicios energéticos
de calidad. A esto se suma la disponibilidad desigual de combustibles para
calefacción y transporte en zonas alejadas del litoral y la precordillera, lo cual
representa un desafío logístico, especialmente en contextos de emergencias
climáticas o invierno extremo.
En el ámbito de la planificación energética, se identifica una brecha de in-
formación sobre terrenos fiscales disponibles para proyectos energéticos. La
falta de acceso público y sistematizado a esta información limita la expansión
eficiente de la infraestructura energética, dificultando tanto la atracción de in-
versión como el cumplimiento de compromisos medioambientales a mediano
y largo plazo.

– 666 –
 Aplicación de la geomática en la gestión energética

Figura 97. Potencial bruto de energía.

Por otro lado, la insuficiencia de la infraestructura de transmisión eléctrica

continúa siendo el principal obstáculo para el desarrollo energético regional.
Aunque existen zonas con alto potencial en energía solar y eólica, la limitada
capacidad de transmisión impide su aprovechamiento. Esta situación es parti-
cularmente crítica en el borde costero y el secano interior, donde la carencia de
subestaciones y líneas de transmisión impide el despliegue de proyectos que
podrían fortalecer la sostenibilidad energética regional.
La identificación de estas brechas se enriqueció mediante un proceso de
participación ciudadana, llevado a cabo a través de talleres a escala regional,
provincial y comunal. Estos espacios permitieron que la comunidad expresara
sus necesidades, preocupaciones y expectativas en torno a la energía. Median-
te ejercicios de cartografía participativa (figura 98), los participantes identifica-
ron tanto zonas con alto potencial energético como territorios donde el desa-
rrollo energético podría generar conflictos sociales o ambientales, aportando
información clave para la toma de decisiones.
A partir de este proceso, se definieron los denominados temas claves o crí-
ticos, entendidos como aquellos aspectos determinantes para la elaboración

– 667 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

del PEER Maule tanto en términos sociales como ambientales y económicos.

Estos temas constituyen la base para la formulación de los Factores Críticos de
Decisión (FCD) y la posterior priorización de macrozonas energéticas, aborda-
das en etapas posteriores del PEER, como la Sensibilización Regional. En dicha
fase, los FCD se integran a los sistemas territoriales y se representan gráfica-
mente a través de cartografía temática, facilitando así una planificación energé-
tica territorial más equilibrada y sustentable.

Figura 98. Cartografía participativa.

Fuente: Taller provincial en Linares.

17.4. Conclusiones

El Diagnóstico Estratégico Territorial del PEER Maule demuestra que la

geomática constituye una herramienta fundamental para la integración, el
análisis y la gestión del territorio. Aplicada al ámbito energético, ha permiti-
do articular las variables de los distintos sistemas territoriales (demográficos,
económicos, naturales, logísticos y socio-territoriales), facilitando la identifica-

– 668 –
 Aplicación de la geomática en la gestión energética

ción de brechas, factores críticos y valoración de objetos territoriales clave, que

servirán de base para la formulación de propuestas orientadas al desarrollo
energético sostenible.
El desarrollo de cartografía temática en el PEER Maule ha sido esencial para
comprender la realidad energética del territorio y diseñar propuestas de plani-
ficación y ordenamiento territorial que impulsen una transición energética justa
y sostenible.
La integración de fuentes secundarias, la participación de actores clave y la
incorporación de conocimientos locales otorgan solidez y validez a la informa-
ción cartográfica generada. Esta información se constituye en un insumo es-
tratégico para la elaboración de políticas públicas a distintas escalas (regional,
comunal y local), tales como las Estrategias Energéticas Locales y los Planes
Regionales de Ordenamiento Territorial.
Asimismo, la incorporación de restricciones normativas, patrimoniales y
ambientales en un enfoque geoespacial permite identificar áreas aptas o sen-
sibles para el desarrollo energético. Esto asegura una visión territorialmente
equilibrada, en la que las propuestas consideran no solo la viabilidad técnica
de los proyectos, sino también los valores ambientales, culturales y sociales
del territorio, promoviendo una planificación más contextualizada e inclusiva.
En síntesis, la geomática se consolida como una herramienta transversal de
alto valor para la gestión territorial y energética. Al permitir equilibrar el apro-
vechamiento de los recursos energéticos con la conservación del patrimonio
natural y cultural y la inclusión de las comunidades locales, la geomática con-
tribuye activamente a un desarrollo sostenible, equitativo y adaptado a las par-
ticularidades de cada territorio.

17.5. Agradecimientos

El presente trabajo se enmarca en el desarrollo del Plan Estratégico de Ener-

gía para la Región del Maule (PEER Maule), elaborado en el contexto del Conve-
nio de Transferencia entre la Subsecretaría de Energía y la Universidad de Talca
(Resolución Exenta Subsecretarial Nº 122, de 2023). El PEER Maule se desarrolla
con aportes del Programa de Desarrollo Productivo Sostenible, coordinado por
el Comité de Ministras y Ministros para el Desarrollo Productivo Sostenible.

– 669 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

17.6. Referencias

Ayala-Carcedo, F. J. (2001). Riesgos naturales. Barcelona: Editorial Ariel.

Banco Central de Chile. (2023). “Producto Interno Bruto por Región”. Santiago.
Comisión Nacional de Energía. (2023). Anuario Estadístico de Energía 2023. San-
tiago.
Gobierno Regional del Maule. (2015). “Atlas Territorial de la Región del Maule”.
Talca.
Gobierno Regional del Maule. (2023). “Estrategia Regional de Desarrollo Maule
2042”. Talca.
Instituto de Investigaciones Agropectuarias. (2020). “Condiciones del secano in-
terior: Suelos y producción agrícola”.
Instituto de Investigaciones Agropecuarias (INIA). (2004). “Estudio sobre el seca-
no interior y su degradación ambiental”.
Instituto Nacional de Estadísticas. (2022). CASEN, Censo de Población y Vivien-
da. Santiago.
Ministerio de Energía. (2015). “Política Energética de Chile_2050”. Santiago.
Ministerio de Energía. (2017). “Guía 2.0 para la elaboración de Planes Energéti-
cos Regionales”. Metodología y Contenidos.
Ministerio de Energía. (2019). “Mapa de Vulnerabilidad Energética”. Santiago.
Ministerio de Energía. (2022). “Decreto Nº10: Aprueba política energética nacio-
nal 2050”. Primera actualización quinquenal. Santiago.
Ministerio de Energía. (2022b). “Agenda de Energía 2022-2026”. Santiago.
Ministerio del Interior y Seguridad Pública (2021). “Decreto Supremo N° 469:
Aprueba Política Nacional de Ordenamiento Territorial (PNOT)”. Santiago.
Ministerio del Interior y Seguridad Pública. (2021). “Decreto 469 Aprueba Polí-
tica Nacional de Ordenamiento Territorial”. Documentos de Proyectos (LC/
TS.2019/58).
Ministerio del Medio Ambiente. (2018). “Planificación ecológica de la infraes-
tructura ecológica de la biodiversidad y sus servicios ecosistémicos y pro-
grama regional de prioridades de restauración ecológica en el contexto de
los incendios de la temporada 2016-2017”. Santiago.

– 670 –
 Aplicación de la geomática en la gestión energética

Ministerio del Medio Ambiente. (2022). “Ley Marco de Cambio Climático, Ley
21455”. Santiago.
Servicio de Impuestos Internos. (2023). “Presupuesto de Gastos Tributarios. In-
forme Año 2023”. Santiago.
Subsecretaría de Desarrollo Regional y Administrativo. (2021). “Estudio de Loca-
lidades Aisladas”.
Subsecretaría de Turismo. (2022). “Política Nacional de Uso del Borde Costero”.
Santiago.

– 671 –
 CAPÍTULO XVIII
VISUALIZANDO BRECHAS: USO DE CARTOGRAMAS PARA
REPRESENTAR LOS DESEQUILIBRIOS TERRITORIALES DE LA
MACROZONA SUR DE CHILE

Fernando Peña-Cortés1, Cristian Inostroza-Matus1 2, Oliver Valdivia-Orrego1 3

18.1. Introducción

La Macrozona Sur de Chile (MZS), conformada por las regiones de La Arau-

canía, Los Ríos y Los Lagos, presenta un espacio caracterizado por marcados
contrastes sociales, ambientales y territoriales. La presencia del pueblo Mapu-
che, el campesinado chileno y diversas olas de colonización extranjera, entre
otros actores, han configurado territorios con dinámicas muy diversas, reflejan-
do condiciones geográficas y socioambientales únicas.
En la MZS coexisten territorios altamente urbanizados junto a zonas com-
pletamente rurales, dedicadas a actividades primarias como la agricultura,
acuicultura y silvicultura, así como a actividades terciarias como el turismo y los
servicios. Mientras algunas comunas presentan una infraestructura y condicio-
nes socioeconómicas más favorables, otras enfrentan altos niveles de pobreza,
aislamiento y precariedad, lo que las sitúa en condiciones de vulnerabilidad y
rezago, tal como lo indican las políticas nacionales de desarrollo regional (Ob-
servatorio Económico y Social de la región de La Araucanía, 2019; Troncoso,
2021).

1
Laboratorio de Planificación Territorial, Facultad de Recursos Naturales, Universidad Católica de Temuco,
Temuco, Chile.
2
Programa de Doctorado en Planificación Territorial y Sustentabilidad, Facultad de Recursos Naturales, Uni-
versidad Católica de Temuco, Temuco, Chile.
3
Programa de Doctorado en Ciencias Agropecuarias, Facultad de Recursos Naturales, Universidad Católica
de Temuco, Temuco, Chile.

– 673 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Para abordar estas desigualdades es esencial identificar y mapear los as-

pectos críticos que las sostienen y los territorios donde estas diferencias se
manifiestan de manera más acentuada. En la figura 99 se presenta la delimita-
ción de las tres regiones que integran la MZS y las 74 comunas que constituyen
el área de estudio de esta investigación.
Este capítulo tiene como objetivo analizar y representar algunos de los prin-
cipales desequilibrios territoriales de la MZS, entendidos como la expresión
espacial de condiciones sociales, económica, ambientales, y otras que se ma-
nifiestan de forma inequitativa y desbalanceada, generando brechas entre te-
rritorios que afectan el desarrollo regional y las dinámicas territoriales (Morea,
2017; Peña-Cortés e Inostroza-Matus, 2022).

Figura 99. División regional y comunal de la MZS.

Fuente: Elaboración propia basada en el Censo 2017.

– 674 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

Para representar gráficamente estos desequilibrios, se utilizó mapas geográ-

ficos y cartogramas. Los mapas geográficos muestran con precisión las dimen-
siones territoriales de cada comuna, mientras que los cartogramas distorsionan
su tamaño y forma según los valores de las variables analizadas. Esto permite
visualizar de manera gráfica y directa las diferencias territoriales (Cano et al.,
2015; Nusrat & Kobourov, 2016). Como se mostrará, este enfoque cartográfico
torna explícito cuáles son los territorios con mejores condiciones y aquellos
con mayores desafíos, haciendo evidente la magnitud de los desequilibrios te-
rritoriales en la MZS de Chile.

18.2. Desarrollo

18.2.1. Cartogramas y desequilibrios territoriales

Los cartogramas son un tipo de mapa donde el tamaño de zonas geográ-

ficas como países, regiones, provincias u otros, se altera para reflejar una va-
riable específica de interés, como población, ingresos, emisiones de gases u
otra, en lugar de su superficie terrestre real (Nusrat et al., 2018a; Nusrat et al.,
2018b). Esto permite integrar información estadística y geográfica, ofreciendo
una representación visual que facilita la observación de patrones y tendencias
espaciales. Los cartogramas simplifican y comunican datos complejos, siendo
particularmente útiles para ilustrar realidades políticas, sociales y económicas,
así como fenómenos ambientales (Döll, 2013; Nusrat et al., 2018a).
Existen cartogramas de tipo contiguo, no contiguos, de Dorling y rectan-
gulares, por mencionar algunos, cada uno con diferentes métodos de modifi-
cación del mapa. Los cartogramas contiguos mantienen la adyacencia de las
regiones deformando los límites, mientras que los no contiguos reducen cada
región de forma independiente, preservando la forma, pero no la topología. Los
cartogramas Dorling utilizan círculos para representar regiones, mientras que
los cartogramas rectangulares buscan preservar la adyacencia (Jia et al., 2023;
Nusrat, et al., 2018b).
Los cartogramas han sido utilizados eficazmente para representar el poder
político en elecciones, mostrando los votos en lugar de la superficie terrestre,
ofreciendo una representación más precisa de los resultados electorales (Nus-

– 675 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

rat & Kobourov, 2016). También han sido aplicados en el análisis de datos com-
plejos de tuberculosis, convirtiendo datos brutos en información interpretable
(Meddah et al., 2022). En riesgos climáticos, se destacan responsabilidades glo-
bales al ajustar regiones según población o emisiones de CO₂ (Döll, 2013). Los
cartogramas han demostrado ser más efectivos en cuanto a la comunicación
de la información (Liao & Dong, 2013). Aunque se cuestiona su distorsión de
forma y topología, los cartogramas siguen siendo valiosos para resaltar dispari-
dades y tendencias poco evidentes en mapas tradicionales (Liao & Dong 2013;
Sun & Li, 2010).
En las últimas décadas, el concepto de desequilibrios territoriales ha ido ad-
quiriendo mayor relevancia, (Oppido et al., 2019). Este concepto, ha sido utiliza-
do para identificar y analizar indicadores que se manifiestan de forma desigual
sobre el territorio, se distribuyen inequitativamente e influyen sobre otros fenó-
menos territoriales (Peña-Cortés e Inostroza-Matus, 2022). Estos pueden mani-
festarse en las diferencias en cantidades de población, sus ingresos, los niveles
de pobreza y hacinamiento y provisión de servicios básicos, entre otros (Cardo-
so, 2018; García-Ayllón, 2016). De igual forma, aspectos ambientales pueden
ser considerados como desequilibrios territoriales; problemas de sequía, ero-
sión o degradación ambiental son algunos ejemplos (Nin & Shmite, 2015).
Los cartogramas son una herramienta eficaz para visualizar desequilibrios
territoriales al distorsionar regiones geográficas según datos estadísticos como
indicadores poblacionales o económicos. Esta técnica facilita la identificación
de áreas desiguales haciendo evidentes disparidades difíciles de notar en ma-
pas tradicionales. En China, por ejemplo, se ha utilizado cartogramas para des-
tacar la concentración de población y riqueza en el sureste, en contraste con el
noroeste menos próspero.
En resumen, los cartogramas constituyen una valiosa herramienta para vi-
sualizar y analizar desequilibrios territoriales. Aunque al distorsionar las formas
puede dificultar el reconocimiento de las regiones, los cartogramas ofrecen
una clara representación visual de estos desequilibrios territoriales al ajustar el
tamaño de las áreas en función de los datos (Nusrat et al., 2018a). Esto permite
destacar inequidades sociales, económicas y ambientales que podrían pasar
desapercibidas en mapas tradicionales. Aplicar esta técnica en el ordenamien-
to territorial podría facilitar la identificación de inequidades espaciales o zonas
vulnerables y, con ello, aportar en la planificación de dichos espacios.

– 676 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

18.2.2. Metodología

El análisis de los desequilibrios territoriales en la MZS se desarrolló median-

te un enfoque estructurado en varias etapas. La primera fase consistió en la
recopilación de datos provenientes de fuentes oficiales, tales como los censos
de 2002 y 2017, la Encuesta de Caracterización Socioeconómica Nacional (CA-
SEN, 2017) y datos de la Comisión Nacional de Energía (CNE). Estos insumos
proporcionaron información sobre indicadores como la cantidad de población,
la variación poblacional, los niveles de pobreza (por ingresos y multidimensio-
nal), los años promedio de educación, el acceso a fuentes de agua y el índice
SAIDI (Sistema de Interrupciones del Suministro Eléctrico).
Posteriormente, los datos fueron procesados y espacializados, utilizando el
software ArcGIS 10.8. Cada indicador se representó inicialmente mediante ma-
pas temáticos con simbología basada en rampas de colores, los cuales refle-
jaron diferencias entre las comunas. Esta etapa preliminar permitió identificar
patrones espaciales básicos antes de proceder con la generación de cartogra-
mas, herramienta clave para la visualización avanzada de los datos.
La elaboración de cartogramas se realizó utilizando la metodología de Gast-
ner y Newman (2004), ampliamente reconocida por su capacidad para ecualizar
densidades. Este método modifica las dimensiones de los polígonos geográ-
ficos de acuerdo con un atributo numérico, manteniendo la topología original
sin introducir nuevos espacios o vecinos artificiales. La herramienta “Make a
Cartogram Gastner-Newman Method” de ArcGIS fue configurada para generar
los cartogramas, seleccionando como base las comunas y definiendo cada in-
dicador como atributo de valor.
Una vez generados los cartogramas, se realizaron ajustes visuales en las
simbologías, destacando las intensidades relativas de las variables analizadas.
Este proceso permitió identificar de manera explícita los desequilibrios territo-
riales relacionados con la concentración poblacional, los niveles de pobreza y
el acceso a servicios básicos en la Macrozona Sur.

– 677 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

18.3. Resultados

18.3.1. Distribución poblacional

Según el Censo de 2017, La Araucanía es la región con mayor población

entre las tres analizadas, seguida por Los Lagos y Los Ríos. En todas, las capi-
tales regionales concentran la mayor parte de los habitantes. En La Araucanía,
Temuco tiene 282.415 habitantes, el 29,5% de la población regional, mientras
comunas como Melipeuco y Perquenco apenas alcanzan un 0,6% y 0,7%. En
Los Ríos, Valdivia concentra el 43,1% de la población, en contraste con comu-
nas pequeñas como Corral (1,37%) y Máfil (1,84%).
En Los Lagos, Puerto Montt cuenta con 245.902 habitantes, representando
el 29,6% de la población regional, seguido por Osorno, con un notable 19,4%,
una excepción entre las regiones analizadas, donde los polos secundarios no
superan el 10%. Comunas rurales como Palena, Futaleufú y Chaitén, apenas re-
presentan entre el 0,2% y el 0,6% de la población. En La Araucanía, Padre las Ca-
sas es la segunda comuna más grande con 7,9% de la población, mientras en
Los Ríos, La Unión y Río Bueno, representan un 8,15% y 9,88% respectivamente.
La figura 100.a muestra la distribución territorial real de las comunas en
la Macrozona Sur de Chile, destacando su ubicación y tamaño físico. En este
mapa, se pueden identificar claramente los límites regionales y comunales,
pero la concentración de la población se representa por medio de los colores
rojos que presentan las capitales regionales. Las áreas rurales, como Palena
y Melipeuco, expresan sus grandes dimensiones territoriales, pero albergan
pocos habitantes en comparación con Temuco, Valdivia o Puerto Montt.
Por su parte, la figura 100.b (cartograma), al deformar las comunas según
su población, distorsiona su tamaño real para hacer visible la concentración
demográfica. Comunas como Temuco, Valdivia y Puerto Montt se agrandan
significativamente, destacando su alto porcentaje de la población regional,
mientras que comunas rurales como Lonquimay, Palena y Futaleufú se redu-
cen drásticamente, por mencionar algunas. La representación destaca cómo
las capitales regionales concentran la mayor parte de la población, haciendo
evidente el desequilibrio territorial existente.

– 678 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

18.3.2. Dinámica poblacional (2002-2017)

Otro de los desequilibrios territoriales identificados corresponde a la varia-

ción poblacional de las comunas. Entre los años 2002 y 2017, se producen dife-
rencias importantes en la dinámica de estas, donde algunas comunas repelen
población y otras la atraen en números exagerados. Al igual que con las can-
tidades de población, las comunas de mayor crecimiento fueron las capitales
regionales y aquellas con centros urbanos relativamente importantes según su
región.

Figura 100. a) Distribución poblacional comunas MZS; b) Cartograma distribución

poblacional comunas MZS.
Fuente. Elaboración propia en base a Censo 2017.

En la región de La Araucanía, Temuco y Padre las Casas fueron las comunas

con mayor crecimiento poblacional, aumentando en 37.068 y 17.331 personas
respectivamente. Temuco atrajo un 3,8% de la población regional, incremen-

– 679 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

tando su población en un 15,1%, mientras que Padre las Casas captó un 1,8%,
con un aumento del 29,5%. En contraste, comunas como Lumaco y Saavedra
sufrieron decrecimientos de 1.857 y 1.584 personas, lo que representa una dis-
minución del 16,3% y 11,3% de sus poblaciones. De las 32 comunas de la región,
13 presentaron variación poblacional negativa en el período analizado.
En la región de Los Ríos, Valdivia aumentó en 25.521 habitantes, lo que equi-
vale al 6,6% de la población regional y un crecimiento interno del 18,2%. La dife-
rencia con el resto de la región es evidente, incluso frente a comunas con cre-
cimiento positivo. Mariquina, en segundo lugar, creció en 3.055 habitantes, un
aumento ocho veces menor que Valdivia. En contraste, La Unión y Río Bueno
disminuyeron en 1.411 y 1.255 habitantes, respectivamente. De las 12 comunas
de la región, solo cinco crecieron, mientras que las siete restantes, incluyendo
las cuatro de la provincia de Ranco, presentaron tendencias negativas.
En la región de Los Lagos, Puerto Montt lideró el crecimiento con un au-
mento de 69.964 personas, lo que representa el 8,4% de la población regional,
siendo este el mayor incremento en la MZS. Osorno y Puerto Varas también vie-
ron aumentos significativos, con 15.985 y 11.666 personas respectivamente, que
corresponden al 1,9% y 1,4% de la población regional. En términos proporciona-
les, Puerto Montt creció un 39,8%, Osorno un 5,7%, y Puerto Varas un 35,4%. En
contraste, Chaitén, Maullín y San Juan de la Costa experimentaron reducciones
poblacionales del 29,4%, 14,9% y 12,1%, respectivamente, destacando el des-
equilibrio demográfico en la región.
La figura 101.a (mapa geográfico) presenta las comunas de la MZS con sus
proporciones físicas reales. Los colores utilizados van del amarillo al café y per-
miten identificar la variación poblacional entre 2002 y 2017: comunas en café
muestran un fuerte crecimiento, mientras que las comunas en amarillo o na-
ranja indican un crecimiento menor o incluso decrecimiento. Sin embargo, el
tamaño físico de las comunas como Palena y Chaitén puede dar la falsa im-
presión de que tienen un peso demográfico mayor al real, lo que limita la com-
prensión precisa de la distribución poblacional.
El cartograma, la figura 101.b, ajusta el tamaño de las comunas según su va-
riación poblacional, ofreciendo una representación más fiel del impacto demo-
gráfico en cada área. Las comunas que han crecido significativamente, como
Temuco, Valdivia y Puerto Montt, se agrandan, mientras que las rurales, como
Palena y Maullín, se comprimen notablemente. Al usar los mismos colores que
el mapa geográfico, pero con distorsión de tamaños, el cartograma hace evi-

– 680 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

dente la concentración de población en ciertos polos regionales, resaltando las

dinámicas de crecimiento y macrocefalia, lo que proporciona una visualización
más clara de este desequilibrio territorial.

18.3.3. Pobreza por ingresos y multidimensional 2017

En cuanto a las condiciones de pobreza identificadas en la MZS, para el caso de

la región de La Araucanía, la comuna con mayor porcentaje de población en situa-
ción de pobreza por ingresos es Cholchol, con un 41,6%, le siguen Galvarino con
un 37,2%, mientras que en tercera posición aparece Saavedra con un 35,3%. Cabe
destacar que otras comunas como Toltén, Vilcún, Lonquimay y otras, también po-
seen porcentajes de pobreza superiores al 30%. Para el caso contrario, Pucón se
posiciona como la comuna con menor porcentaje de población pobre por ingresos
con un 8,9%, le siguen Temuco con un 10,3% y Pitrufquén con un 10,6%.

Figura 101. a) Variación poblacional comunas MZS entre 2002 y 2017; b) Cartograma
variación poblacional.
Fuente. Elaboración propia en base a Censo 2002 y 2017.

– 681 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

En la región de Los Ríos, las comunas con mayor pobreza por ingresos fue-
ron Corral, con un 23,1%, y Paillaco y Lanco, ambas con un 19,1%. Para el caso
contrario, las comunas con menores porcentajes de pobreza por ingresos fue-
ron Río Bueno con un 6,4% de su población, seguida de Valdivia, con un 7,6%, y
Máfil, con un 12,5%. En función de los datos, se aprecia que las condiciones de
pobreza de la región de Los Ríos son muy inferiores respecto de la región de
La Araucanía.
En la región de Los Lagos, San Juan de la Costa se posiciona con los mayo-
res porcentajes de pobreza, con un 32,2% de su población. Le siguen Quinchao,
con un 26,9%, y Quemchi, con un 20,3%, siendo las tres comunas pobres de la
región. En el caso contrario, las comunas con menores porcentajes de pobla-
ción en situación de pobreza por ingreso son Puerto Varas, con 5,8%, Palena,
con un 9,9% y, finalmente, Castro, con un 10,1%.
En la figura 102.a se identifica en tonos café oscuro aquellas comunas que
presentan mayores niveles de pobreza por ingresos, mientras que los porcen-
tajes más bajos son representados en tonos más claros. Por su parte, la figura
102.b representa las comunas y sus proporciones en función de los porcentajes
de pobreza que alcanzan. El cartograma torna perceptible la concentración de
comunas con mayores índices de pobreza en La Araucanía, las cuales adquie-
ren mayor prominencia respecto del resto de comunas. También, cabe desta-
car las comunas de San Juan de la Costa y Corral, en Los Lagos y Los Ríos, las
cuales adquieren mayores tamaños en sus respectivas regiones. Para el caso
contrario, las comunas con menores porcentajes son representadas en dimen-
siones mucho menores, tal como ocurre con Pucón, Valdivia, Río Bueno, Puerto
Varas y Palena, entre otras.

– 682 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

Figura 102. a) Pobreza por ingresos comunas MZS; b) Cartograma de pobreza por
ingresos comunas de la MZS.
Fuente. Elaboración propia en base a CASEN de 2017.

En cuanto a la pobreza multidimensional en La Araucanía, dos de las tres

comunas con menores porcentajes son Temuco con un 16,5%, y Angol, con un
21,2%. Lautaro se posiciona en tercer lugar, con un 22,13% de su población. Para
el caso de las comunas con porcentajes de pobreza multidimensional más ele-
vados, lideran Lonquimay, con un 54,9%, Galvarino, con un 54,4%, y Saavedra,
con un 54,2%. Asimismo, otras comunas como Toltén, Carahue, Cholchol, Cura-
rrehue y otras, presentan porcentajes superiores al 45 % de su población.
Para el caso de Los Ríos, Valdivia es la comuna con menor porcentaje con un
14%, le sigue Mariquina, con un 24% y, finalmente, La Unión, con un 24,7%. Para el
caso contrario, las comunas con mayores porcentajes de pobreza multidimen-
sional fueron Lago Ranco, con un 37,7%, Corral, con el 35% de su población, y
Futrono, con un 32,9%. Igual que con la pobreza por ingresos, se observa cómo
los indicadores de Los Ríos son notoriamente inferiores respecto a La Araucanía.

– 683 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Por su parte, en la región de Los Lagos, Puerto Montt es la comuna con

menor porcentaje de pobreza multidimensional, con un 20,3%; le sigue Puer-
to Varas con un 21%, y luego Llanquihue, con un 21,3%. Para el caso contrario,
las comunas con mayores porcentajes de pobreza multidimensional son San
Juan de la Costa y Quinchao en primer y segundo lugar con un 53,3 % y 43,3%
de su población, respectivamente, mientras que en tercera posición aparece
Queilén, con un 41,2% de su población.
La figura 103.a representa la pobreza multidimensional en la MZS, utilizan-
do una escala de colores que va del verde claro (<20%) al verde oscuro (>45%).
Esta representación permite identificar comunas con altos niveles de pobreza,
como algunas en La Araucanía, que muestran mayor incidencia de pobreza
multidimensional.
Por su parte, la figura 103.b (cartograma) distorsiona el tamaño de las comu-
nas según sus niveles de pobreza, mostrando claramente dónde se concentra
este problema. Las comunas de La Araucanía, como Lumaco, Traiguén y Purén,
se expanden significativamente debido a sus altos niveles de pobreza, mien-
tras que las comunas de Los Lagos, como Puerto Montt y Osorno, se reducen,
reflejando menores tasas de pobreza multidimensional. Este contraste entre
regiones evidencia una mayor concentración de pobreza en zonas rurales de
La Araucanía, destacando los desequilibrios territoriales entre las regiones y la
necesidad de políticas focalizadas en las comunas más vulnerables.

18.3.4. Educación

En cuanto a los años de educación formal, para el caso de La Araucanía, la

comuna que presenta mejor promedio corresponde a Temuco, con 8,8 años. Le
siguen Pucón, con una media de 8,7 años y Villarrica, con 8,3 años. Respecto a
las comunas con menores promedios de educación, en La Araucanía se iden-
tifica los peores promedios de toda la Macrozona; el más bajo es Lumaco con
un promedio de 5,5 años, le sigue Los Sauces, con 5,82 años, y Lonquimay, con
5,85 años en promedio.
Para la región de Los Ríos, tan solo la comuna de Valdivia presenta un pro-
medio de educación formal superior a los 8 años, con una media de 8,6 años.
Tras esta, se ubican las comunas de Máfil y Paillaco, cuyos promedios se en-
cuentran en 7,8 y 7,5 años, respectivamente. Para el caso contrario, se identifica

– 684 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

las comunas de Lago Ranco, Panguipulli y Corral, cuyos promedios de años

son de 6,2, 6,7 y 6,8, respectivamente.

Figura 103. a) Pobreza multidimensional por comunas de la MZS; b) Cartograma de

pobreza multidimensional comunas de la MZS.
Fuente. Elaboración propia en base a CASEN de 2017.

En la región de Los Lagos, varias comunas tienen un promedio de escola-

ridad superior a los 8 años. Los más altos corresponden a Osorno (8,71 años),
Puerto Montt (8,58) y Puerto Varas (8,32). También destacan Llanquihue y Cas-
tro, ambas con promedios por encima de los 8 años. En contraste, San Juan de
la Costa tiene el promedio más bajo, con 6 años de escolaridad, seguido de
Quemchi y Hualaihué, con 6,4 años cada una. Estas diferencias reflejan impor-
tantes disparidades en el nivel educativo dentro de la región.
La figura 104 representa los desequilibrios territoriales en educación en la
MZS. La figura 104.a muestra en tonos claros los mejores promedios de edu-

– 685 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

cación, mientras que los oscuros corresponde a los peores. En la figura 104,
el cartograma revela cómo comunas como Temuco, Pucón, Villarrica, Valdivia
y Puerto Montt se expanden debido a sus altos promedios educativos. Por el
contrario, comunas como Lumaco, Los Sauces, Lonquimay, Lago Ranco y San
Juan de la Costa reducen significativamente su tamaño, reflejando sus bajos
niveles de escolaridad.

Figura 104. Promedio de años de educación formal por comunas de la Macrozona sur.
Fuente. Elaboración propia en base a CASEN 2017.

18.3.5. Fuentes de agua

La variable analizada de acceso a fuentes de agua es un servicio básico que

refleja desigualdades importantes. En La Araucanía, las comunas con menor
porcentaje de hogares con agua dentro del hogar son Galvarino (79%), Cholchol
(80%) y Vilcún (83%). En contraste, Temuco, Lautaro y Angol tienen los mayores

– 686 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

porcentajes, con un 98% de cobertura. Comunas como Victoria, Loncoche, Cu-

racautín y Carahue también destacan con un 97 % de hogares con agua dentro
del hogar, evidenciando diferencias significativas en la distribución de este re-
curso esencial.
En la región de Los Ríos, las comunas con menor acceso a agua desde una
llave interior son Los Lagos (93%), Futrono y Lago Ranco (94%). Las comunas
con mayor acceso son Paillaco (99%), seguidas de Valdivia, Río Bueno, Pangui-
pulli y Máfil (98%), y Mariquina, La Unión y Corral (97%). Aunque los porcentajes
más altos son comparables a los de La Araucanía, los más bajos en Los Ríos
reflejan mejores condiciones generales en el acceso a este servicio básico en
comparación con la región vecina.
Para el caso de la región de Los Lagos, las comunas que presentan meno-
res porcentaje de hogares con esta forma de acceso al agua corresponden a
San Juan de la Costa con un 86% de los hogares; le sigue la comuna de Quin-
chao, con un 88%, y Maullín con un 91% de los hogares. En tanto, las comunas
con porcentajes más altos son Puyehue, Puqueldón, Puerto Varas, Llanquihue,
Dalcahue, Cuaraco de Vélez y Ancud, donde se estima un 100% de cobertura.
Cabe destacar los casos de las comunas de Chaitén, Futaleufú, Hualaihué, Pa-
lena y Cochamó, que no registran datos en esta materia.
En este análisis macrozonal se estudiaron los porcentajes de población que
aún acarrea agua desde fuentes externas, para evidenciar los desequilibrios
en los sistemas de agua. Las comunas con altos porcentajes de hogares con
llaves interiores muestran bajos o nulos porcentajes de población que acarrea
agua. En cambio, las comunas con menores proporciones de hogares con ac-
ceso al agua desde el interior presentan mayores porcentajes de personas que
aún obtienen agua de fuentes externas.
La figura 105.a representa geográficamente los porcentajes de población
que acarrea agua, con tonos azules para bajos porcentajes y verdes a medida
que estos aumentan. La figura 105.b (cartograma) evidencia las deficiencias en
el suministro de agua, especialmente en La Araucanía, destacando comunas
como Galvarino, Saavedra, Lumaco y Ercilla. En el resto de la MZS, los por-
centajes de población que acarrea agua son inferiores al 6%, con excepciones
como San Juan de la Costa (11%) y Quinchao en Chiloé (8%).

– 687 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

18.3.6. SAIDI

Como indicador, el SAIDI da cuenta de las horas que ha sido interrumpido el

suministro eléctrico en un territorio en el lapso de un año. Esto evidencia las di-
ferencias que presenta la calidad de este servicio en entre diferentes espacios;
para nuestro caso, las comunas de la MZS.
En cuanto al servicio eléctrico en La Araucanía, las comunas con mayor SAI-
DI, es decir, mayores interrupciones en el año 2019, fueron Lumaco, Lonquimay
y Curarrehue, cuyas horas de suministro interrumpidas fueron de 146,17 para
la primera, 130,97 para la segunda y 124,63 para la tercera. En cuanto a las co-
munas con menor SAIDI, estas corresponden a Temuco, con solo 5,85 h, Angol,
con 13,9 h, y Lautaro, con 18 h A un nivel general, el SAIDI promedio para La
Araucanía corresponde a 58,89 h de interrupción de suministro.

Figura 105. a) Porcentaje de población que acarrea agua por comuna; b) Cartograma
porcentaje de población que acarrea agua por comuna.
Fuente. Elaboración propia en base a CASEN 2017.

– 688 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

En la región de Los Ríos, Valdivia, La Unión y Río Bueno tienen los mejores
promedios de interrupción eléctrica, con 10,93, 15,81 y 20,18 horas respectiva-
mente. Por otro lado, las comunas con más horas de interrupción son Pangui-
pulli (59,19), Lago Ranco (54,51) y Lanco (47,32). En general, estos promedios son
mejores que los de La Araucanía, con un promedio regional de 33,59 horas de
interrupción.
En la región de Los Lagos, el SAIDI promedio fue de 27,3 horas de interrup-
ción eléctrica, mejor que en las regiones previamente revisadas. Las comunas
con mejores indicadores fueron Osorno (9,49 horas), Castro (10,7) y Purranque
(10,97). Las comunas con peores cifras fueron San Juan de la Costa (57,55),
Chaitén (53,41) y Hualaihué (47,87). Estas cifras son similares a las de Los Ríos,
pero significativamente mejores que en La Araucanía.
Los datos presentados destacan las mayores diferencias de SAIDI entre co-
munas por región. La figura 106.a muestra una representación geográfica de
los SAIDI, utilizando una escala de colores de amarillo (mejores SAIDI) a negro
(peores SAIDI). La figura 106.b, en formato de cartograma, refleja cómo las co-
munas con peor servicio eléctrico se concentran en La Araucanía, con Lumaco,
Saavedra y Lonquimay ampliándose significativamente. En contraste, comunas
como Temuco, Osorno, Valdivia y Puerto Montt disminuyen su tamaño, reflejan-
do menos horas de interrupción del suministro eléctrico.

– 689 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Figura 106. a) SAIDI 2019 por comuna de la MZS; b) Cartograma SAIDI 2019 por
comuna de la MZS.
Fuente. Elaboración propia en base a Comisión Nacional de Energía 2021.

18.3.7. Discusión

En cuanto al análisis de la distribución poblacional, los cartogramas revelan

la fuerte concentración de habitantes en polos urbanos como Temuco, Valdi-
via y Puerto Montt, mientras que comunas rurales como Lumaco, Futaleufú y
Palena se reducen drásticamente en tamaño. Esta representación expone de
manera explícita el fenómeno de macrocefalia, donde las capitales regionales
concentran la mayor parte de la población y de los recursos, lo que amplifi-
ca los desequilibrios territoriales. Esta alta concentración de población pue-
de asociarse con factores que operan como elementos de atracción, mayor
cantidad y calidad de servicios e infraestructuras, oportunidades laborales y
acceso a mejores niveles de educación, entre otros aspectos (Rehner et al.,
2018; Vicuña et al., 2019).

– 690 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

Las capitales regionales de la MZS presentan los mejores promedios de

años de educación, servicio eléctrico y suministro de aguas. Además, las diná-
micas económicas de estas ciudades contribuyen a su crecimiento. En Temuco
y Valdivia predominan los servicios y actividades terciarias (Barros et al., 2018;
Toledo et al., 2000; Maturana et al., 2019), mientras que en Puerto Montt desta-
ca la actividad industrial asociada a la pesca y acuicultura (Rovida, 2000). Estas
actividades económicas pueden generar retroalimentaciones positivas, donde
el crecimiento poblacional estimula la instalación de más servicios y nuevas
inversiones, como ocurre en otras ciudades del país (Rehner et al., 2018).
La realidad de las comunas descritas contrasta con otras comunas de ca-
racterísticas más rurales o periféricas, ya sean costeras como Carahue, Saa-
vedra, Toltén, Corral y San Juan de la Costa, o cordilleranas como Lonquimay,
Cuarrehue, Lago Ranco y Cochamo, entre otras; las cuales presentan un evi-
dente declive demográfico. La falta de acceso a servicios básicos, educación
y empleo, así como la migración hacia los centros urbanos en busca de opor-
tunidades, contribuyen a la disminución constante de la población, fenómeno
que también ha sido identificado en municipios pequeños de otras partes del
mundo (Cruz-Muñoz & Isunza, 2017; Del Espino, 2017). Se trata de patrones de
despoblamiento que dan lugar a círculos viciosos, donde la disminución de la
población limita aún más la disponibilidad de servicios y recursos, reforzando
las tendencias a la baja.
En esta línea, en el análisis de la variación poblacional entre 2002 y 2017, los
cartogramas destacan el crecimiento desproporcionado de ciertas comunas
urbanas, mientras muchas comunas rurales muestran decrecimientos signifi-
cativos. Este patrón, al representarse geográficamente, puede pasar desaper-
cibido, pero el cartograma lo amplifica, mostrando cómo Temuco, Padre Las
Casas, Valdivia y Osorno, por mencionar algunas, atraen a gran parte de la po-
blación; mientras que otras, como Lumaco, Saavedra, Corral, La Unión y San
Juan de la Costa, pierden habitantes. Esta representación gráfica facilita una
interpretación más clara de las dinámicas demográficas, permitiendo a los to-
madores de decisiones identificar zonas que requieren intervención para frenar
la despoblación y equilibrar el desarrollo regional.
Otro aspecto que los cartogramas expresan de forma evidente son las di-
ferencias en los niveles pobreza, tanto por ingresos como de carácter mul-
tidimensional. Los datos analizados mostraron diferencias importantes en las
comunas de la MZS, donde nuevamente las capitales regionales, junto a co-

– 691 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

munas como Pucón, en La Araucanía, Río Bueno, en Los Ríos, o Puerto Varas,
en Los Lagos, son las que presentan los mejores indicadores, es decir, los por-
centajes de pobreza más bajos.
Los cartogramas muestran que las comunas con mayores niveles de po-
breza, especialmente en La Araucanía, aparecen ampliadas debido a sus altos
índices que superan el 30% en pobreza por ingresos y el 40% en pobreza mul-
tidimensional. Comunas como Saavedra, Toltén, Galvarino, Lumaco, Cholchol y
otras destacan por sus altos niveles de pobreza.
El análisis de los datos revela que las capitales regionales presentan mayo-
res avances en acceso a servicios básicos como agua y electricidad, gracias a
la inversión en infraestructura y disponibilidad de servicios públicos. Esto con-
trasta con las comunas que están perdiendo población, donde los índices de
pobreza son más elevados y la falta de servicios básicos, educación y oportu-
nidades económicas crea un ciclo de vulnerabilidad difícil de superar.
Los cartogramas son efectivos para representar la disparidad en el acceso a
servicios básicos. En regiones como Los Lagos y Los Ríos, se observa que co-
munas rurales, como San Juan de la Costa y Chaitén, enfrentan mayores defi-
ciencias en suministro de agua y electricidad, mientras que las capitales regio-
nales tienen mejores indicadores. La distorsión de tamaño en estas comunas
destaca la urgencia de mejorar la infraestructura y garantizar la equidad en el
acceso a servicios básicos.
Considerando lo anterior, los cartogramas revelan una de las principales li-
mitaciones en la Macrozona Sur: la desigual distribución de recursos y oportu-
nidades entre comunas. Aquellas con altos índices de pobreza por ingresos y
multidimensional sufren un acceso restringido a servicios básicos, educación,
salud y empleo, generando un ciclo de desventaja que limita la movilidad so-
cial y la mejora de la calidad de vida (Beytía, 2016). Además, la concentración
de población en capitales regionales fomenta el “drenaje” de talento y recursos
de las zonas rurales (Cànoves et al., 2006; García-Ayllón, 2016), disminuyendo
su fuerza laboral y capital humano (Gordillo y Plassot, 2017; Naghi, 2021). Los
cartogramas, al hacer visibles estos desequilibrios, evidencian la necesidad de
políticas que fomenten una distribución más equitativa de oportunidades y re-
cursos en la región.

– 692 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

18.4. Conclusiones

Este estudio mostró que en la Macrozona Sur de Chile hay grandes desigual-
dades entre las diferentes comunas. Las capitales regionales, como Temuco,
Valdivia y Puerto Montt, concentran la mayoría de la población y recursos. En
contraste, comunas rurales como Lumaco, Lonquimay y Galvarino enfrentan
altos niveles de pobreza, bajos años de educación y dificultades para acceder
a servicios básicos como agua potable y electricidad.
El uso de cartogramas fue esencial para visualizar estas diferencias de ma-
nera clara. Al ajustar el tamaño de las comunas según distintas variables, se
hizo evidente la magnitud de las desigualdades que no se aprecian en mapas
comunes. Esto facilitó la identificación de las zonas que necesitan mayor aten-
ción.
Es crucial implementar políticas que aborden estas desigualdades, invir-
tiendo en infraestructura básica, mejorando la educación y promoviendo el
desarrollo económico local en las comunas más vulnerables. Fortalecer los
servicios básicos y fomentar actividades económicas sostenibles son pasos
fundamentales para mejorar la calidad de vida y equilibrar el desarrollo en la
Macrozona Sur.
En resumen, integrar herramientas como los cartogramas en la planificación
territorial es vital. Esto permite tomar decisiones informadas y contribuye a un
desarrollo más justo y sostenible para todos los habitantes de las regiones.

18.5. Agradecimientos

Este trabajo contó con el apoyo del proyecto FONDECYT Nº 1221931, “Re-
pensando el Ordenamiento Territorial en Chile: Perspectivas críticas, conoci-
miento local/mapuche y escenarios co-construidos para la toma de decisio-
nes sostenibles”, Agencia Nacional de Investigación y Desarrollo (ANID).

– 693 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

18.6. Referencias

Barros, F., Ramírez, F., & Constanzo, J. (2018). “Asimetrías socioespaciales y los
modelos de planificación racional. Un estudio de caso en la ciudad de Temu-
co”. Cuaderno Urbano, 25(25), 91–115. [Link]
Beytía, P. (2016). “La estructura interna de la pobreza multidimensional”. In Los
Invisibles. Por qué la pobreza y la exclusión social dejaron de ser prioridad (Vol.
1, pp. 71–88). Instituto de Estudios de la Sociedad. [Link]
tract=3016543
Cano, R. G., Buchin, K., Castermans, T., Pieterse, A., Sonke, W., & Speckmann, B.
(2015). “Mosaic Drawings and Cartograms”. Computer Graphics Forum, 34(3),
361–370. [Link]
Cànoves, G., Villarino, M., & Herrera, L. (2006). “Políticas públicas, turismo rural
y sostenibilidad: difícil equilibrio”. Boletín de La Asociación de Geógrafos Es-
pañoles, 41, 199–217. [Link]
article/view/1997/0
Cardoso, M. M. (2018). “Desequilibrios territoriales en el área de expansión ur-
bana”. Geograficando, 14(2), Online. [Link]
Cruz-Muñoz, F., & Isunza, G. (2017). “Construcción del hábitat en la periferia de
la Ciudad de México. Estudio de caso en Zumpango”. Eure, 43(129), 187–207.
[Link]
Del Espino, B. (2017). “Miraculous Equilibrium. Keys for a Sustainable Network
of Small South Iberian Cities”. In L. Klusáková (Ed.), Small Towns in Europe in
the 20th and 21st Centuries (pp. 115–139). Charles University in Prague and
Karolinum Press.
Döll, P. (2013). Earth’ s Future Cartograms Facilitate Communication of Climate
Change Risks and Responsibilities Earth’ s Future. 1182–1195.
Gastner, M. & Newman, M. (2004). “Diffusion-based method for producing
density-equalizing maps”. Proceedings of the National Academy of Science,
101(20), 7499-7504.
García-Ayllón, S. (2016). “Rapid development as a factor of imbalance in urban
growth of cities in Latin America: A perspective based on territorial indica-
tors”. Habitat International, 58, 127–142. [Link]
tint.2016.10.005

– 694 –
 Visualizando brechas: uso de cartogramas para representar los desequilibrios territoriales

Gordillo, G., & Plassot, T. (2017). “Migraciones internas: un análisis espacio-tem-

poral del periodo 1970-2015”. Journal of Economic Literature, 14(40).
Jia, F., Wang, W., Yang, J., Li, T., Song, G., & Xu, Y. (2023). “Effectiveness of Rec-
tangular Cartogram for Conveying Quantitative Information: An Eye Trac-
king-Based Evaluation”. ISPRS International Journal of Geo-Information, 12(2).
[Link]
Liao, H., & Dong, W. (2013). “Cartogram: A new perspective to understand the dis-
tribution of geo-political data”. International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences - ISPRS Archives, 40(4W3),
95–98. [Link]
Maturana, F., Peña-Cortés, F., Carrasco, F. R., & Telias, M. (2019). “Urban dynamics
and transition to metropolitan spaces: The Valdivia case and Ríos Region,
Chile”. Urbe, 11, 1–16. [Link]
Meddah, F. G., Ayouani, Y., & Meddah, I. H. A. (2022). “An Integrated Approach to
Geovisualize Epidemiological Data”. International Journal of Applied Geospa-
tial Research, 13(1), 1–12. [Link]
Morea, J. P. (2017). Problemática territorial y conservación de la biodiversidad
en espacios protegidos de Argentina. Investigaciones Geográficas, 68, 115.
[Link]
Naghi, R. (2021). La migración y el fenómeno del “Brain-Drain” en Rumanía. Uni-
versidad de Cantabria, 1–132.
Nin, M. C., & Shmite, S. M. (2015). “El Mediterráneo como frontera: desequilibrios
territoriales y políticas migratorias”. Perspectiva Geográfica, 20(2), 339–364.
[Link]
Nusrat, S., Alam, J., & Kobourov, S. (2018a). “Evaluating Cartogram Effectiveness”.
IEEE Transactions on Visualization and Computer Graphics, 24(2), 1105–1118.
[Link]
Nusrat, S., Alam, J., Scheidegger, C., & Kobourov, S. (2018b). “Cartogram Vi-
sualization for Bivariate Geo-Statistical Data”. IEEE Transactions on Visuali-
zation and Computer Graphics, 24(10), 2675–2688. [Link]
TVCG.2017.2765330
Nusrat, S., & Kobourov, S. (2016). “The State of the Art in Cartograms”. Computer
Graphics Forum, 35(3), 619–642. [Link]

– 695 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

Observatorio Económico y Social de la región de La Araucanía. (2019). “Radio-

grafía a la pobreza comunal de la región de La Araucanía-Casen 2017”. http://
[Link]/[Link]/oes-ufro/estadisticas/sociales/2018-2/send/36-in-
formes-2019/399-radiografia-a-la-pobreza-comunal-casen-2017
Oppido, S., Ragozino, S., & Esposito, G. (2019). “Exploring Territorial Imbalances:
A Systematic Literature Review of Meanings and Terms”. In New Metropolitan
Perspectives (Vol. 101, pp. 90–100).
Peña-Cortés, F., & Inostroza-Matus, C. C. (2022). “Conflictos socio-ambientales y
desequilibrios territoriales en las costas de Chile, una relación dialéctica por
explorar”. In C. Martínez, R. Cienfuegos, J. M. Barragán, S. Navarrete, R. Hidal-
go, F. Arenas, & L. Fuentes (Eds.), Hacia una Ley de Costas en Chile: bases para
una Gestión integrada de Áreas Costeras (pp. 507–528).
Rehner, J., Rodríguez, S., & Murray, W. E. (2018). “Ciudades en auge en Chile: Rol
de la actividad exportadora en la dinámica del empleo urbano”. Eure, 44(131),
151–172. [Link]
Rovida, A. (2000). “Puerto Montt: el paso de ciudad menor a centro de desarro-
llo interregional en una ciudad del sur de Chile”. Espacio y Desarrollo, ISSN
1016-9148, No. 12, 2000, Págs. 83-101, 12, 83–101. [Link]
servlet/articulo?codigo=5339478&info=resumen&idioma=SPA%0Ahttps://
[Link]/servlet/articulo?codigo=5339478
Sun, H., & Li, Z. (2010). “Effectiveness of cartogram for the representation of spa-
tial data”. Cartographic Journal, 47(1), 12–21. [Link]
09X12525737905169
Toledo, X., Romero, H., & Garín, A. (2000). “Segregación socioespacial de la co-
muna de Temuco”. Espacio y Desarrollo, 12(12), 103–122.
Troncoso, M. (2021). “Informe Listado de Comunas Susceptibles De Ser Propues-
tas Como Zonas Rezagadas en Materia Socia”l 2021. [Link]
[Link]/files/doc_zonas_rezagadas/ORD 1286-2021_ In-
forme Comunas susceptibles de ser propuestas como Zona de Rezago en
Materia Social año [Link]
Vicuña, M., Orellana, A., Truffello, R., & Moreno, D. (2019). “Integración urbana
y calidad de vida: disyuntivas en contextos metropolitanos”. Revista INVI,
34(97), 17–47. [Link]

– 696 –
 CAPÍTULO XIX
INTELIGENCIA ARTIFICIAL GENERATIVA EN EL DISEÑO Y
PLANIFICACIÓN TERRITORIAL: UNA INTRODUCCIÓN Y CASOS
APLICADOS

Alejandro Cataldo1, Natalia Bravo-Adasme1

19.1. Introducción

La planificación y el diseño territorial representan una disciplina fundamental

para mejorar la calidad de vida de las personas. En este contexto, la reciente
aparición de los modelos de Inteligencia Artificial Generativa (IAG) está revo-
lucionando la forma en que se aborda los desafíos tradicionales en esta área.
Estas herramientas permiten optimizar procesos de análisis y diseño, además
de generar soluciones innovadoras que integren datos complejos, preferencias
sociales y dinámicas urbanas. Todo esto promete transformar la planificación y
diseño territorial en un proceso más inclusivo, eficiente y adaptable.
La relevancia de la planificación y el diseño territorial radica en su capacidad
para crear entornos sustentables y más equitativos. En este sentido, la adopción
de tecnologías las IAG está redefiniendo paradigmas tradicionales al permitir la
síntesis de ideas, la simulación de escenarios urbanos y la participación ciuda-
dana a través de herramientas digitales. Este cambio abre nuevas posibilidades
para integrar tecnologías a los procesos de planificación y diseño territorial.
A pesar del potencial prometedor de las IAG, su implementación en el ám-
bito territorial aún enfrenta brechas de conocimiento. Es necesario revisar, de
manera sistemática, qué tipos de IAG están siendo utilizadas en el mundo,
cómo se aplican en la práctica y qué lecciones se ha extraído sobre sus bene-
ficios y limitaciones. Esta revisión es esencial para orientar a profesionales, ges-
tores y políticos a una adopción responsable y efectiva de estas herramientas,

1
FEN, EIIE, Universidad de Talca, Talca, Chile.

– 697 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

mitigando riesgos como los sesgos algorítmicos, la falta de transparencia o la

dependencia excesiva de datos históricos.
Este capítulo tiene como objetivo resumir y analizar los principales temas
abordados en 37 trabajos científicos y de difusión, publicados en bases de da-
tos como Scopus y Proquest, sobre uso e inclusión de IAG en la planificación
y diseño territorial. A partir de estos trabajos, se identifica tendencias en el uso
de IAG para la planificación y diseño territorial; también se discute sus implica-
ciones prácticas. Al final del capítulo se describe dos casos exitosos de uso de
IAG en planificación y diseño territorial, que ilustran su aplicación en contextos
reales.
A través de esta estructura, el capítulo busca proporcionar una base con-
ceptual y práctica para comprender el impacto actual y futuro de la IAG en la
gestión y ordenación del territorio, orientando tanto a académicos como a pro-
fesionales hacia un uso crítico y responsable de estas tecnologías.

19.2. Desarrollo

En esta sección se presentan algunas definiciones básicas necesarias para

desarrollar el contenido. En la primera parte se introduce el concepto de inteli-
gencia artificial generativa (IAG), se explican los tipos de modelos más relevan-
tes, y se analiza su aplicación específica en el contexto del diseño y planifica-
ción territorial. En la segunda parte, se mencionan algunas herramientas de IAG
usadas para el diseño y planificación territorial.

19.2.1. Inteligencia artificial generativa (IAG)

La IAG hace referencia a sistemas de inteligencia artificial que son capa-

ces de generar contenido nuevo, que no existía antes. Autores establecen que
estos modelos son capaces de transformar una entrada de texto o imágenes
a salidas en distintos formatos, como texto, audio o video, haciendo de estos
modelos una herramienta muy versátil (Gozalo-Brizuela & Merchan, 2024). Esta
capacidad de generar nuevo contenido a partir de algunas indicaciones o datos
es lo que distingue a las IAG de otros tipos de Inteligencias artificiales que son
más analíticas. Estudios recientes han establecido que las IAG son una tec-

– 698 –
 Inteligencia artificial generativa en el diseño y planificación territorial

nología que está transformando diversos campos y áreas, como la síntesis de

imágenes, la generación de texto y las composiciones musicales, entre otros
(Takale et al., 2024).
Para poder entender la IAG, es fundamental entender su diferencia frente a
la inteligencia artificial (IA) más tradicional. Esta última es un campo mucho más
amplio que busca imitar funciones humanas como el aprendizaje o la resolu-
ción de problemas (Kalota, 2024). Sus principales objetivos son comprender,
analizar y predecir patrones a partir de datos existentes (Gupta et al., 2024). Por
otra parte, la IAG es un subconjunto especifico de la IA y tiene como objetivo
principal la creación de nueva información (Takale et al., 2024). Por ejemplo, con
IA tradicional es posible analizar un conjunto de imágenes de árboles y apren-
der a identificar si una nueva imagen contiene un árbol. En cambio, un modelo
de IAG podría tomar una descripción como “un árbol con muchas raíces” y ge-
nerar una imagen completamente de un árbol.
Actualmente es posible identificar diversos modelos de IAG, como los au-
tocodificadores variacionales (variational autoencoders), las redes generativas
adversarias (generative adversarial networks), los transformadores (transfor-
mers) o los modelos de difusión (diffusion models) (figura 107). Los autocodi-
ficadores variacionales (VAE), son modelos generativos profundos que tienen
una red decodificadora y un modelo de variable latente probabilística (Wang
et al., 2023). Estos modelos aprenden a codificar y decodificar datos, donde
las redes codificadoras traducen los datos de entrada en representaciones
y las redes decodificadoras reconstruyen los datos originales desde esas re-
presentaciones (Takale et al., 2024). Las redes generativas adversarias (GAN)
utilizan dos modelos neuronales competidores para crear nuevos datos que
se asemejen a datos originales y falsos basados en datos auténticos (Gupta et
al., 2024; Wang et al., 2023). El funcionamiento de este modelo se basa en una
especie de competencia: el generador intenta crear datos falsos que parezcan
reales, mientras que el discriminador intenta distinguir entre datos reales y fal-
sos generados. A través de este proceso, el generador mejora su capacidad
para producir datos realistas (Takale et al., 2024). Los transformadores son la
base de los grandes modelos de lenguaje (LLM, por su sigla en ingles). Estos
son utilizados para procesar secuencias de datos de texto y generar salidas
coherentes y relevantes. Estos son la base de herramientas como el Genera-
tive Pre-training Transformer o ChatGPT, el cual es conocido por su capacidad

– 699 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

de producir textos, ayudar en la redacción o responder preguntas (Gupta et

al., 2024). Finalmente, están los modelos de difusión, que son una clase nueva
de modelos generativos. Son modelos que aprenden a crear datos nuevos y
complejos empezando con datos simples y aplicando cambios que se pueden
revertir (Sengar et al., 2024).

Figura 107. Tipos de modelos de IAG (Imagen creada con IAG Microsoft Copilot).

Las aplicaciones de la IAG son amplias y están creciendo rápidamente en

diversos campos. Entre las áreas más destacadas se encuentran la ciencia de
la computación, la gestión empresarial, la ingeniería, la tecnología y la medi-
cina (Al Naqbi et al., 2024). Algunos ejemplos específicos de aplicación de IAG
son la generación textos educativos, resúmenes automáticos, tutoría virtual o
asistencia en tareas académicas para profesores y estudiantes (Kalota, 2024;
Mondal et al., 2023); la generación de imágenes artísticas o archivos multime-
dia mediante modelos como DALL-E, permitiendo la creación automatizada
de contenidos (Lv, 2023; Sengar et al., 2024); la creación de avatares, entornos
virtuales inmersivos y diálogos interactivos con personajes no jugadores para
aumentar la experiencia y personalización (Lv, 2023); o el uso de modelos para

– 700 –
 Inteligencia artificial generativa en el diseño y planificación territorial

la planificación y visualización automatizada de espacios urbanos a través de

la generación de imágenes satelitales y mapas detallados (Wang et al., 2023;
Wang et al., 2025; Zhang et al., 2022).

19.2.2. Tecnologías de IA para diseño y planificación territorial

El diseño y la planificación territorial han sido tradicionalmente disciplinas

que dependen del conocimiento experto, la creatividad de las personas y el
análisis de datos para tomar decisiones sobre el uso del suelo, la distribución
de servicios y la configuración del espacio urbano. Sin embargo, el surgimiento
de la IA y la IAG están transformando este campo, ofreciendo una herramienta
para explorar y materializar conceptos de diseño y planificación de forma más
eficiente (Von Brackel-Schmidt et al., 2024).
En la actualidad, la planificación urbana presenta problemas complejos que
requieren soluciones innovadoras, como la sostenibilidad, la resiliencia y la
equidad (Wang et al., 2023). Autores han demostrado que existen diversos com-
ponentes de la IA que tienen el potencial de ayudar a resolver estos problemas.
Estos componentes incluyen capacidades de análisis de datos masivos, mode-
lado predictivo, optimización de soluciones y generación de diseños y configu-
raciones espaciales (Kurniawan et al., 2024). Actualmente la IA espacial (GeoAI)
y los modelos de flujo a gran escala están permitiendo el desarrollo de geme-
los digitales urbanos, herramientas poderosas para simular escenarios futuros y
evaluar el impacto de diferentes políticas y diseños (Huang et al., 2025).
En el contexto del diseño y planificación territorial, en un comienzo la IA se
utilizó principalmente para tareas de análisis y predicción, como el modelado
del crecimiento urbano o la clasificación de usos de suelo (Kurniawan et al.,
2024). Con el tiempo, se ha ido incorporando técnicas más sofisticadas como
los algoritmos para explorar opciones de diseño (Jiang et al., 2024). Otro hito
importante ha sido la incorporación de redes neuronales, especialmente las
redes generativas adversarias (GANs). Por ejemplo, Urban-GAN es un sistema
computacional asistido por IA para el diseño urbano (He et al., 2025; Quan, 2022).
En el caso más específico de la IAG, éstas han ayudado a sintetizar configu-
raciones de uso del suelo bajo restricciones geoespaciales, sociales y centra-
das en el ser humano (Fu, 2025). Adicionalmente, el uso de LLM especializados,
como PlanGPT, están revolucionando la planificación urbana al permitir inte-

– 701 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

racciones más naturales y comprensivas con las herramientas de planificación

(Huang et al., 2025). Aplicaciones recientes de la IAG se han enfocado en el uso
de suelo (Wang et al., 2023), el diseño urbano generativo (Jiang et al., 2024), la
planificación participativa (Huang et al., 2025; Wang et al., 2025) o los gemelos
digitales urbanos (Huang et al., 2025).

19.3. Resultados y discusión

En esta sección se resume los principales beneficios del uso de IAG para di-
seño y planificación territorial. Luego se discute algunos de los mayores desa-
fíos que plantea el uso de IAG en estos campos. Finalmente, se presentan dos
casos ejemplares que reflejan la diversidad de aplicaciones y desafíos.

19.3.1. Principales beneficios de IAG para diseño y planificación territorial

Tres diferentes beneficios del uso de IAG en el diseño y planificación territo-

rial pueden ser mencionados: mayor eficiencia y precisión en tareas de plani-
ficación, más facilidad para lograr participación pública y diseño colaborativo
con comunidades y resolución o abordaje de desafíos urbanos especiales.
Respecto a una mayor eficiencia y precisión en tareas de planificación, la
IAG puede ser usada para automatizar tareas repetitivas y rutinarias, tal que los
planificadores puedan dedicarse a partes del proceso más complejas y que re-
quieren de ingenio o ejecución humana. Por ejemplo, un estudio mostró que el
uso de ChatGPT en ingeniería geomática ayudó al término de proyectos a tiem-
po y ajustados al presupuesto, mejorando la precisión en el análisis de datos
los sistemas de información geográficos y de teledetección; todo ello llevó a
una mayor eficiencia (Taktak, 2025). Otro aspecto en que las IAG pueden ayudar
es en la generación rápida de ideas y visualizaciones de proyectos antes que
sean ejecutados. Las aplicaciones de IAG pueden crear rápidamente imáge-
nes, videos y escenarios urbanos a partir de descripciones textuales, lo que las
vuelve ayudas invaluables para las etapas iniciales del diseño de cualquier pro-
yecto (Von Brackel-Schmidt et al., 2024) (ver los casos presentados al final de
este capítulo como ejemplos). Hoy se habla de que los LLM pueden ser vistos
como “co-pilotos analíticos” para los planificadores (Ying et al., 2025).

– 702 –
 Inteligencia artificial generativa en el diseño y planificación territorial

Se puede describir tres formas de uso de IAG que facilitan la participación

pública y el diseño colaborativo con comunidades pueden ser descritas. Pri-
mero, la IAG puede compensar las habilidades dispares de los participantes en
los procesos de planificación, permitiendo que más personas contribuyan con
sus ideas y visiones (Von Brackel-Schmidt et al., 2024). Segundo, la IAG puede
hacer que ideas o conceptos abstractos se conviertan en representaciones vi-
suales tangibles, haciendo que los participantes en procesos de planificación
se involucren y comprometan más en las discusiones de las diferentes alter-
nativas de solución. En un proyecto se utilizó un algoritmo de image-inpainting
(reconstrucción de imágenes) para sugerir varias soluciones alternativas en
cuatro ciudades europeas. Los participantes votaron para identificar la solución
preferida en los cuatro casos (Kavouras et al., 2025). Por último, los LLM es-
tán especialmente diseñados para procesar y analizar grandes volúmenes de
datos, haciéndolos especialmente útiles para procesar las retroalimentaciones
de los ciudadanos, lo cual sería imposible de hacer manualmente, mejorando
así la calidad de la participación ciudadana. En un proceso de cambio del plan
local en la ciudad de Hamilton, Nueva Zelandia, investigadores usaron Chat-
GPT para analizar los datos de comentarios públicos recolectados en línea. Con
ChatGPT los planificadores pudieron resumir los comentarios, identificar temas
relevantes y hacer análisis de sentimientos de los posts subidos por los parti-
cipantes (Fu et al., 2024). En otro estudio en Malta, investigadores usaron Chat-
GPT-4 para realizar análisis de sentimientos sobre cómo la población maltesa
percibe las ideas propuestas en un Laboratorio Urbano Vivo Virtual (VULL) de
rediseño de las calles (Scerri & Attard, 2025).
Tres casos pueden ilustrar el uso de IAG para abordar desafíos urbanos es-
peciales. Primero, la IAG puede ser utilizada para el diseño y evaluación de
redes viales optimizadas para la conducción autónoma (Ye et al., 2024). Se-
gundo, la IAG puede integrarse con las ciudades inteligentes y los gemelos
digitales urbanos para abordar desafíos relacionados con la sustentabilidad,
como el agotamiento de recursos, la degradación ecológica y la gestión de flu-
jos urbanos como movilidad, energía, residuos (Huang et al., 2025). Tercero, los
modelos de lenguaje-visión (visual language models, VLMs) pueden evaluar el
confort térmico en espacios urbanos. En un estudio, investigadores tomaron el
caso de la Calle Central de Harbin en China para validar la efectividad de los
agentes basados en VLM en la evaluación del confort térmico urbano (Zhang
et al., 2025).

– 703 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

19.3.2. Principales desafíos de IAG para diseño y planificación territorial

En general, las herramientas de IA han despertado diversas suspicacias.

Riesgos de violación a la privacidad, posibilidad de plagio y sesgos son algunos
de los problemas mencionados como posibles consecuencias del uso de IA.
En el caso del uso de las IAG para la planificación y el diseño territorial, también
existen desafíos y riesgos que han sido levantados por investigadores y profe-
sionales.
Un riesgo significativo, producto del uso de IAG para la planificación y el
diseño territorial, es que los modelos generados reflejen o amplifiquen sesgos
presentes en sus datos de entrenamiento. En una investigación que tuvo como
objetivo explorar los posibles sesgos presentes en aplicaciones de IAG usa-
das para crear escenarios residenciales, se mostró una marcada preferencia de
estas herramientas por asociar condiciones visuales agradables con motivos
naturales, mientras que condiciones visuales desagradables eran asociados
con motivos urbanos (Cavaglià, 2024). Asimismo, se ha observado que las IAG
usadas en la planificación y diseño territorial muestran resultados que son co-
nocidos como “alucinaciones”. En otro estudio, investigadores compararon las
salidas de varios modelos populares (ChatGPT, Gemini y Grok) con la evalua-
ción de expertos en el contexto de un proyecto de construcción inmobiliaria.
Los autores encontraron que hubo casos en que los modelos inventaron in-
formación y actuaron de “manera creativa”, pero sus salidas no eran precisas
(Belaroussi, 2025). Las alucinaciones de los modelos de IA (es decir, respuestas
inventadas por los modelos) ya han sido reportadas ampliamente por investi-
gadores, profesionales y usuarios como un problema de estos algoritmos.
La capacidad de las IAG de recopilar, procesar y analizar grandes cantidades
de datos urbanos plantea preocupaciones sobre la privacidad y la seguridad,
por lo tanto, se vuelve crucial abordar la seguridad de los datos y las preocu-
paciones éticas estableciendo marcos de referencia que garanticen una imple-
mentación responsable de la IAG y protejan los datos de los usuarios (Taktak,
2025). Otra preocupación del uso de IAG para la planificación y el diseño terri-
torial tiene relación con la calidad y representación de los datos utilizados para
su entrenamiento y aplicación (Jiang et al., 2025).
Por último, todos los estudios encontrados coinciden en la necesidad de
supervisión humana cuando se utiliza IAG para la planificación y diseño terri-

– 704 –
 Inteligencia artificial generativa en el diseño y planificación territorial

torial, y en no dejar de lado la inclusión del contexto local en el proceso. A

pesar de las capacidades de la IAG, la participación humana en el proceso de
planificación y diseño sigue siendo crucial para la toma de decisiones finales,
la validación de resultados y la comprensión del contexto local (Toyyibah et al.,
2024). Los modelos de IAG pre-entrenados pueden carecer de la capacidad de
incorporar matices contextuales (Malekzadeh et al., 2025). En un estudio, inves-
tigadores querían evaluar la posibilidad de automatizar el análisis de la atrac-
ción urbana. Usando ChatGPT-4, ellos evaluaron 1.800 imágenes de Google
Street View de Helsinki, Finlandia, y las compararon con las calificaciones de
24 participantes. Sus resultados mostraron que ChatGPT tuvo una preferencia
por áreas suburbanas con una alta presencia de vegetación, mientras que los
participantes encontraron estas zonas menos atractivas. Por el contrario, en el
centro de la ciudad y en las zonas urbanas densamente pobladas de Helsinki,
GPT-4 asignó puntuaciones de atracción más bajas que las proporcionadas por
los participantes. Los investigadores concluyeron que “aunque los modelos de
IA proporcionan valiosas perspectivas, las opiniones humanas son esenciales
para una comprensión integral de la atracción urbana” (Malekzadeh et al., 2025).

19.3.3. Casos exitosos de uso de IAG en la planificación y diseño territorial

Dos casos de uso de IAG son ilustrativos de cómo estas herramientas pue-
den ayudar y hacer más eficaz la planificación y el diseño territorial: la creación
de la nueva capital de Indonesia, Nusantara, y el uso de IAG para lograr proce-
sos de diseño y planificación participativos. Ambos casos serán presentados a
continuación.

[Link]. Nusantara, la nueva capital de Indonesia

Yakarta, la capital de Indonesia, está enfrentando problemas que obligaron

a sus ciudadanos a tener que decidir trasladar la ciudad completa. Por una par-
te, la ciudad se hunde a una velocidad aproximada de 25 centímetros por año,
siendo una de las ciudades que se hunden más rápido en el mundo (McEwan &
Skinner, 2024). El hundimiento es provocado por una muy rápida urbanización y
la extracción excesiva de agua subterránea, incrementada por la construcción
de rascacielos que demandan más agua. Una importante porción de las zonas

– 705 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

comerciales y residenciales, particularmente al norte de la ciudad, ya han sido

destruidas debido a las inundaciones que, además, se han visto incrementadas
por el cambio climático. Se estima que gran parte de la ciudad podría estar
completamente sumergida para el año 2050.
La situación de hundimiento de Yakarta, la sobrepoblación y la esperanza
de generar una mejor distribución de la riqueza, hicieron que las autoridades
tomaran la decisión drástica de comenzar la construcción de una nueva capital
para Indonesia. Esta nueva capital es Nusantara, emplazada a más de 1.000
kilómetros de Yakarta, en la provincia de Kalimantan Oriental, isla de Borneo.
El costo de construcción se estima en $35 mil millones y no estará terminada
hasta 2045.
Pero la construcción de Nusantara presenta desafíos naturales y auto im-
puestos (Kurniawan et al., 2024). Entre los problemas naturales están las pen-
dientes pronunciadas que complican la planificación urbana tradicional, re-
quiriendo que las soluciones implementadas eviten la erosión y garanticen la
accesibilidad. Además, el cambio climático exige diseños resistentes a inunda-
ciones, sequías y aumento de temperaturas. Entre los desafíos autoimpuestos
está la necesidad de que Nusantara integre tres conceptos urbanos clave: ciu-
dad bosque (espacios verdes y conectividad ecológica), ciudad esponja (ges-
tión sostenible del agua) y ciudad inteligente (tecnología digital para optimizar
infraestructura y servicios). Por último, el objetivo final es crear una “ciudad de
10 minutos”, donde los residentes tengan acceso a todos los servicios esen-
ciales en un radio de 10 minutos caminando o usando transporte público (Kur-
niawan et al., 2024).
En este contexto, la IA se utilizó en tres fases del proceso de diseño, comple-
mentando la creatividad humana: fase de planificación y brainstorming, fase de
simulación de diseño en 3D y fase de visualización realista. Para a planificación
y brainstorming, se usaron las herramientas ChatGPT 3.5 y Bard AI. El objetivo
era explorar soluciones creativas y sustentables para los desafíos identificados.
A partir de los seis desafíos urbanos identificados, los planificadores platearon
temas y se le pidió a la IA que generara alternativas creativas que integraran los
temas. Por ejemplo, un tema fue “Sepaku EconnectiCity: Celebrating Lively &
Vibrant Mixed-use Development Through Embracing the Nature” (Trad.: Sepaku
EconnectiCity: celebrando un desarrollo de uso mixto vivo y vibrante a través
del abrazo a la naturaleza). A ChatGPT se ingresó el prompt “Dame alternativas

– 706 –
 Inteligencia artificial generativa en el diseño y planificación territorial

para la visión ‘Sepaku EconnectiCity: Celebrating Lively & Vibrant Mixed-use

Development Through Embracing the Nature’”. ChatGPT generó diez respues-
tas que luego los planificadores discutieron. Seleccionaron una de ellas, con-
siderando maximizar su viabilidad, sustentabilidad, armonía con la naturaleza,
dinamismo urbano e innovación (Kurniawan et al., 2024).
En la fase de simulación de diseño en 3D se utilizó la herramienta Autodesk
Forma, que es una herramienta basada en IA en la nube. El objetivo era explorar
alternativas de diseño que integraran los aspectos claves de distribución de
edificios, vegetación e infraestructura vial, adaptadas al contexto geográfico y
climático de la zona (Kurniawan et al., 2024). Autodesk Forma analizó los da-
tos ingresados para generar automáticamente cinco configuraciones urbanas
de distribución de edificios, vegetación e infraestructura vial. Por ejemplo, una
configuración podría priorizar edificios de baja altura en zonas inclinadas para
evitar erosión, mientras otro proponía canales de drenaje integrados a la vege-
tación. Los diseñadores evaluaron las cinco configuraciones generadas por la
IA, combinándolos en un diseño final integrado, que equilibrara funcionalidad,
estética y sustentabilidad (Kurniawan et al., 2024).
En la tercera fase, se utilizó la herramienta ReRender AI para generar ren-
derizados hiperrealistas de los diseños urbanos simulados en Autodesk For-
ma. Este proceso tuvo como objetivo crear imágenes visuales que reflejaran en
alta fidelidad las condiciones reales del entorno proyectado, permitiendo a los
diseñadores y planificadores evaluar el impacto visual y funcional de sus pro-
puestas antes de su implementación física (Kurniawan et al., 2024). ReRender
AI recibe como entrada los resultados de la simulación 3D hecha con Autodesk
Forma. La herramienta es capaz de crear una representación gráfica realista de
la simulación, aplicando técnicas avanzadas de iluminación, texturas y som-
breado para imitar condiciones ambientales reales, tales como luz solar, som-
bras o reflejos en superficies. Por ejemplo, ReRender AI generó imágenes que
mostraban cómo se integrarían los peatones, vehículos y espacios verdes en el
diseño (Kurniawan et al., 2024).
La aplicación de IA en el diseño de Nusantara revela que la colaboración
entre estas herramientas y la creatividad humana puede optimizar procesos
urbanísticos, generando soluciones innovadoras, sustentables y socialmente
adaptadas a la cultura local. Como lección queda que la IA agiliza el análisis, las
simulaciones y las visualizaciones del proceso de diseño y planificación, pero

– 707 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

es fundamental no excluir la decisión humana. La IA requiere supervisión hu-

mana para contextualizar resultados y garantizar decisiones acordes con las
expectativas sociales. Esta mixtura entre IA y decisiones humanas puede ser
considerada como un modelo replicable para otros proyectos urbanos.

[Link]. Planificación urbana participativa mediante IAG y prompt-a-thon

Históricamente, la planificación urbana ha sido un procedimiento considera-

do muy técnico, en el que participan expertos en planificación y diseño, ya que
se trata de un proceso complejo que requiere la integración de múltiples pers-
pectivas y conocimientos técnicos, incluso, artísticos. Sin embargo, es sabido
que involucrar a las comunidades en el diseño y planificación de los espacios
públicos conlleva beneficios, como incremento de la aceptación de los pla-
nes propuestos, aparición de perspectivas únicas e ideas valiosas (difíciles de
prever por los expertos) y fomento y apropiación de la solución, así como de la
identidad comunitaria (Von Brackel-Schmidt et al., 2024).
Pero lograr involucrar a la ciudadanía en los procesos de planificación y di-
seño de espacios públicos no es sencillo. A lo menos, tres dificultades surgen
cuando se desea realizar un proceso de planificación y diseño participativo
(Von Brackel-Schmidt et al., 2024). Primero, la participación de diversos acto-
res interesados puede aumentar los costos laborales y financieros, además de
alargar los procesos de implementación. Segundo, las disparidades en habi-
lidades entre los participantes limitan la posibilidad de que ellos equitativa-
mente puedan hacer el mismo nivel de contribuciones de ideas. Tercero, la
falta de herramientas visuales efectivas dificulta la imaginación y el debate de
escenarios urbanos futuros entre los actores. Entonces, aunque la participación
ciudadana en los procesos de diseño y planificación de espacios públicos es
deseada, las metodologías tradicionales de participación tienden a excluir a
personas sin formación técnica, generando sesgos en la evaluación de ideas y
obstaculizando la creación de un diálogo inclusivo sobre el diseño de ciudades
(Von Brackel-Schmidt et al., 2024).
Para abordar estos tres problemas del involucramiento de los ciudadanos,
se implementó una solución basada en la IAG, específicamente ChatGPT y
DALL-E 2, junto a un evento colaborativo denominado prompt-a-thon. El desa-

– 708 –
 Inteligencia artificial generativa en el diseño y planificación territorial

fío era lograr tener una visión común del futuro de la ciudad de Hamburgo en
el año 2040 (Von Brackel-Schmidt et al., 2024).
El uso de IAG permitiría abordar dos de las tres barreras a la participación
ciudadana en el diseño y planificación urbana. Por una parte, IAG contribuye
a nivelar diversos conjuntos de habilidades de los participantes. Por otra, la
tecnología demostró ser efectiva para superar las barreras de visualización, fa-
cilitando así discusiones más atractivas y fructíferas sobre escenarios urbanos
futuros.
La tercera barrera, vinculada a los costos y tiempo extra que puede implicar
un diseño y planificación participativo, se abordó mediante la organización de
un prompt-a-thon (PaT). Un PaT es un símil a los hackathon, que son eventos o
actividades en los que las personas se reúnen para escribir un programa com-
putacional para un fin preestablecido (Eliot, 2025). Un PaT es esencialmente la
misma idea, aunque, en lugar de escribir programas se hace uso de prompts
(instrucciones para la IA) mientras se utiliza aplicaciones de IA generativa. En un
PaT no es necesario saber programar. Se trata de encontrar la mejor manera de
componer las instrucciones.
En el caso de estudio, la PaT contó con la participación de 64 personas con
diversos antecedentes profesionales (Von Brackel-Schmidt et al., 2024). A los
grupos de participantes se les pidió imaginar y representar visualmente el fu-
turo de Hamburgo para el año 2040. Se les pidió que las imágenes las crearan
con DALL-E 2, aunque también se permitió el uso de Midjourney y Stable Diffu-
sion. Los participantes fueron guiados en cómo usar ChatGPT para refinar ideas
sobre escenarios futuros y generar prompts detallados para las aplicaciones de
generación de imágenes. Esto se denominó “encadenamiento de GenAI”, don-
de se utilizan dos aplicaciones de IAG diferentes en un procedimiento en cas-
cada. Se usa ChatGPT para crear un “prompt adecuado” que luego se ingresa
en DALL-E 2 para la generación de imágenes (Von Brackel-Schmidt et al., 2024).
Los resultados del estudio mostraron que la IAG contribuyó claramente a
nivelar las habilidades entre los participantes, permitiendo que personas sin
experiencia previa en diseño o planificación urbana aportaran ideas de mane-
ra efectiva. La capacidad de los modelos para generar visualizaciones rápida-
mente facilitó discusiones más dinámicas y concretas sobre escenarios futuros,
como espacios verdes sustentables y arquitecturas innovadoras. El PaT realzó
el potencial de la IAG para facilitar los procesos de participación pública.

– 709 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

19.4. Conclusiones

Este capítulo exploró el papel transformador de la IAG en el diseño y planifi-

cación territorial, destacando sus beneficios, desafíos y aplicaciones prácticas a
través de un análisis de 37 estudios encontrados en bases de datos científicas
y profesionales. Además, se resume dos casos emblemáticos de uso de IAG
en el diseño y planificación territorial: la planificación de la nueva capital de
Indonesia, Nusantara, y el uso de IAG junto a sesiones de prompt-a-thon para
fomentar la participación ciudadana en Hamburgo.
Tres principales resultados pueden ser resumidos a continuación. La IAG
permite automatizar tareas repetitivas, generar visualizaciones rápidas de es-
cenarios urbanos y facilitar la participación pública mediante herramientas
como ChatGPT y DALL-E. Como mostró el caso de Nusantara, la colaboración
entre IAG y diseñadores humanos permitió integrar soluciones sustentables en
un contexto geográfico complejo. Segundo, la IAG ha demostrado ser muy útil
en problemas como la planificación de redes viales para conducción autóno-
ma, la gestión de flujos urbanos en ciudades inteligentes y la evaluación del
confort térmico en espacios comerciales. Por último, el uso de IAG en el diseño
y planificación territorial no está exento de riesgos, lo que plantea importantes
desafíos a los planificadores, tales como sesgos derivados de sus datos de
entrenamiento, riesgos de “alucinaciones” y dificultades para contextualizar so-
luciones en entornos locales.
Como conclusión, se puede afirmar que la IAG agiliza los procesos de plani-
ficación y diseño territorial, sin embargo, la supervisión humana es indispensa-
ble para validar resultados, garantizar la equidad y contextualizar las decisiones
de la planificación o diseño. Otra conclusión de este trabajo es que para mitigar
sesgos y garantizar la transparencia en los procesos de planificación y diseño
territorial, es fundamental desarrollar modelos específicos entrenados en da-
tos locales y establecer protocolos de validación participativa. Las IAG pueden
democratizar la planificación y diseño territorial, nivelando habilidades entre
participantes y facilitando la generación de ideas inclusivas, como lo demostró
el caso del prompt-a-thon en Hamburgo. Los planificadores deben incorporar
IAG manteniendo siempre una mentalidad crítica y no confiando ciegamente
en las salidas que arrojan los modelos cuando son usados.

– 710 –
 Inteligencia artificial generativa en el diseño y planificación territorial

Se espera que este estudio sirva a investigadores, profesionales y a gesto-

res de política pública. A lo primeros, este trabajo sirve como base para cono-
cer tendencias en la integración de IAG en la planificación territorial, identificar
brechas metodológicas y desarrollar modelos adaptados a contextos locales.
Para los profesionales, casos como el de Nusantara y Hamburgo pueden ser-
vir como ideas que ayuden a realizar procesos de planificación o diseño de
soluciones sustentables con participación democrática de los ciudadanos. A
los gestores de políticas públicas, este estudio los llama a pensar en marcos
regulatorios que promuevan el uso responsable de la IAG, garantizando la pri-
vacidad de datos y la transparencia algorítmica de los ciudadanos.
En síntesis, este capítulo subraya que la IAG apalanca procesos de planifica-
ción y diseño territorial inclusivos, eficientes y sustentables.

– 711 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

19.5. Referencias

Al Naqbi, H., Bahroun, Z., & Ahmed, V. (2024). “Enhancing Work Productivity
through Generative Artificial Intelligence: A Comprehensive Literature Re-
view”. Sustainability, 16(3), 1166. [Link]
Belaroussi, R. (2025). “Subjective Assessment of a Built Environment by ChatGPT,
Gemini and Grok: Comparison with Architecture, Engineering and Construc-
tion Expert Perception”. Big Data and Cognitive Computing, 9(4), 100. https://
[Link]/10.3390/bdcc9040100
Cavaglià, M. (2024). “AI-Driven Visual Preference Biases: Exploring Future Cha-
llenges in Urban Planning and Building Design”. En K. Takenouchi (Ed.),
ICGG 2024—Proceedings of the 21st International Conference on Geometry
and Graphics (Vol. 217, pp. 69-80). Springer Nature Switzerland. [Link]
org/10.1007/978-3-031-71008-7_8
Eliot, L. (2025). “Prompt-A-Thon Hackathons Still Going Strong As A Crucial
Means Of Spurring Prompt Engineering Skills”. Forbes. [Link]
com/sites/lanceeliot/2025/02/10/prompt-a-thon-hackathons-still-going-
strong-as-a-crucial-means-of-spurring-prompt-engineering-skills/
Fu, X., Sanchez, T. W., Li, C., & Reu Junqueira, J. (2024). “Deciphering Public Voices
in the Digital Era: Benchmarking ChatGPT for Analyzing Citizen Feedback in
Hamilton”, New Zealand. Journal of the American Planning Association, 90(4),
728-741. [Link]
Fu, Y. (2025). “Towards AI Urban Planner in the Age of GenAI, LLMs, and Agentic
AI” (No. arXiv:2507.14730). arXiv. [Link]
Gozalo-Brizuela, R., & Merchan, E. E. G. (2024). “A Survey of Generative AI Applica-
tions”. Journal of Computer Science, 20(8), 801-818. [Link]
jcssp.2024.801.818
Gupta, R., Nair, K., Mishra, M., Ibrahim, B., & Bhardwaj, S. (2024). “Adoption and
impacts of generative artificial intelligence: Theoretical underpinnings and
research agenda”. International Journal of Information Management Data In-
sights, 4(1), 100232. [Link]
He, M., Liang, Y., Wang, S., Zheng, Y., Wang, Q., Zhuang, D., Tian, L., & Zhao, J.
(2025). “Generative AI for Urban Design: A Stepwise Approach Integrating

– 712 –
 Inteligencia artificial generativa en el diseño y planificación territorial

Human Expertise with Multimodal Diffusion Models” (No. arXiv:2505.24260).

arXiv. [Link]
Huang, J., Bibri, S. E., & Keel, P. (2025). “Generative spatial artificial intelligence
for sustainable smart cities: A pioneering large flow model for urban digi-
tal twin”. Environmental Science and Ecotechnology, 24, 100526. [Link]
org/10.1016/[Link].2025.100526
Jiang, F., Ma, J., Webster, C. J., Chiaradia, A. J. F., Zhou, Y., Zhao, Z., & Zhang,
X. (2024). “Generative urban design: A systematic review on problem formu-
lation, design generation, and decision-making”. Progress in Planning, 180,
100795. [Link]
Jiang, H., Li, M., Witte, P., Geertman, S., & Pan, H. (2025). “Urban Chatter: Explo-
ring the potential of ChatGPT-like and generative AI in enhancing planning
support”. Cities, 158, 105701. [Link]
Kalota, F. (2024). “A Primer on Generative Artificial Intelligence”. Education Scien-
ces, 14(2), 172. [Link]
Kavouras, I., Rallis, I., Sardis, E., Doulamis, A., & Doulamis, N. (2025). “Voting-Based
Intervention Planning Using AI-Generated Images”. IEEE Computer Graphics
and Applications, 45(2), 31-46. [Link]
Kurniawan, A., Saragih, V. C., Wiranti, A., Rahmadi, D., & Poerbo, H. W. (2024).
“Revealing the Future of Urban Design: Exploring Human and Artificial In-
telligence Collaboration in Planning and Design for the Sustainable Built
Environment (Case Study: IKN Nusantara)”. IOP Conference Series: Earth
and Environmental Science, 1394(1), 012032. [Link]
1315/1394/1/012032
Lv, Z. (2023). “Generative artificial intelligence in the metaverse era”. Cognitive
Robotics, 3, 208-217. [Link]
Malekzadeh, M., Willberg, E., Torkko, J., & Toivonen, T. (2025). “Urban attractive-
ness according to ChatGPT: Contrasting AI and human insights”. Computers,
Environment and Urban Systems, 117, 102243. [Link]
penvurbsys.2024.102243
McEwan, A., & Skinner, A. (2024). “A capital is born: The impact of Indonesia mo-
ving its capital city”. [Link]
is-born-the-impact-of-indonesia-moving-its-capital-city/#:~:text=The%20

– 713 –
 GEOMÁTICA PARA LA GESTIÓN Y ORDENACIÓN DEL TERRITORIO

idea%20of%20moving%20Indonesia’s,urbanisation%20and%20excessive%20
groundwater%20extraction.
Mondal, S., Das, S., & Vrana, V. G. (2023). “How to Bell the Cat? A Theoretical
Review of Generative Artificial Intelligence towards Digital Disruption in All
Walks of Life”. Technologies, 11(2), 44. [Link]
gies11020044
Quan, S. J. (2022). Urban-GAN: “An artificial intelligence-aided computation sys-
tem for plural urban design”. Environment and Planning B: Urban Analytics and
City Science, 49(9), 2500-2515. [Link]
Scerri, K., & Attard, M. (2025). “Active travel street intervention ideas in Malta:
Evaluating citizen feedback using sentiment analysis”. Journal of Transport
Geography, 126, 104241. [Link]
Sengar, S. S., Hasan, A. B., Kumar, S., & Carroll, F. (2024). “Generative artificial in-
telligence: A systematic review and applications”. Multimedia Tools and Appli-
cations, 84(21), 23661-23700. [Link]
Takale, D. G., Mahalle, P. N., & Sule, B. (2024). Advancements and Applications of
Generative Artificial Intelligence. 10(1).
Taktak, F. (2025). “AI-Enhanced Geomatics Engineering: Innovative Solutions
and Applications Using ChatGPT, an Advanced AI Language Model”. Inter-
national Journal of Engineering and Geosciences, 10(1), 36-45. [Link]
org/10.26833/ijeg.1510209
Toyyibah, W., Chandra, M. F. W., Sishartami, D. R. W., Belinda, B. P., Abidzar, F.,
& Winarso, H. (2024). “Human natural and artificial intelligence collabora-
tion in urban design: A case study of Indonesia’s new capital city”. IOP Con-
ference Series: Earth and Environmental Science, 1394(1), 012030. [Link]
org/10.1088/1755-1315/1394/1/012030
Von Brackel-Schmidt, C., Kučević, E., Leible, S., Simic, D., Gücük, G.-L., & Sch-
midt, F. N. (2024). “Equipping Participation Formats with Generative AI: A Case
Study Predicting the Future of a Metropolitan City in the Year 2040”. En Lec-
ture Notes in Computer Science (pp. 270-285). Springer Nature Switzerland.
[Link]
Wang, D., Lu, C.-T., & Fu, Y. (2023). “Towards Automated Urban Planning: When
Generative and ChatGPT-like AI Meets Urban Planning” (No. arXiv:2304.03892).
arXiv. [Link]

– 714 –
 Inteligencia artificial generativa en el diseño y planificación territorial

Wang, Q., Liang, Y., Zheng, Y., Xu, K., Zhao, J., & Wang, S. (2025). “Generative AI
for Urban Planning: Synthesizing Satellite Imagery via Diffusion Models” (No.
arXiv:2505.08833). arXiv. [Link]
Ye, S., Li, T., Yang, G., Lv, P., Li, H., & Pan, Z. (2024). “Autonomous driving road net-
work generation and evaluation based on generative artificial intelligence”.
En M. Mikusova (Ed.), International Conference on Smart Transportation and
City Engineering (STCE 2023) (p. 124). SPIE. [Link]
Ying, S., Li, Z., & Yu, M. (2025). “Beyond words: Evaluating large language models
in transportation planning”. Geo-Spatial Information Science, 1-23. [Link]
org/10.1080/10095020.2025.2493073
Zhang, D., Xiong, Z., & Zhu, X. (2025). “Evaluation of Thermal Comfort in Urban
Commercial Space with Vision–Language-Model-Based Agent Model”. Land,
14(4), 786. [Link]
Zhang, W., Ma, Y., Zhu, D., Dong, L., & Liu, Y. (2022). MetroGAN: Simulating Urban
Morphology with Generative Adversarial Network. 2482-2492. [Link]
org/10.1145/3534678.3539239

– 715 –
 CARLOS MENA FRAU
Doctor en Cartografía, Teledetección y Sistemas
de Información Geográfica por la Universidad de
Alcalá, España. Carlos Mena Frau es profesor
titular de la Facultad de Economía y Negocios
de la Universidad de Talca, institución en la que
ha desarrollado la mayor parte de su carrera. Ha
realizado estancias académicas en Italia,
Canadá, México, Países Bajos, Alemania, Brasil,
Estados Unidos y Francia. Participa activamente
en comités técnico-científicos nacionales e
internacionales, y sus investigaciones se
centran en la aplicación de técnicas geomáticas
para el monitoreo de recursos naturales, la
planificación territorial y la relación entre salud y
medioambiente. Ha liderado proyectos financia-
dos por diversos fondos concursables. Autor de
varios artículos de revistas indexadas y editor de
libros. Además es miembro principal de la Comi-
sión Nacional de Cartografía del Instituto Pana-
mericano de Geografía e Historia (IPGH).

YONY ORMAZÁBAL ROJAS

Ingeniero Forestal de la Universidad de Talca y
Máster en Geo-Information Science and Earth
Observation por la Faculty of Geo-Information
Science and Earth Observation (ITC), University of
Twente, Países Bajos. Yony Ormazábal Rojas
realizó estancias de investigación en la Universi-
dad de Montana, [Link]., y en la Universidad de
Siena, Italia. Ha participado en proyectos financia-
dos por diversos fondos concursables y sus inves-
tigaciones se enfocan en la gestión de geoinfor-
mación, Sistemas de Información Geográfica (SIG),
percepción remota y GNSS. Ha impartido docen-
cia en pre y posgrado, con énfasis en aplicaciones
geomáticas para la gestión ambiental y territorial.
Además, ha publicado artículos en revistas
indexadas y es editor de libros en geomática y
ciencias ambientales. Actualmente se desempe-
ña como docente de la Facultad de Economía y
Negocios de la Universidad de Talca.
Geomática para la Gestión y Ordenación del Territorio es una obra
integral que ofrece una mirada actualizada y rigurosa sobre el uso
de tecnologías geoespaciales en la comprensión, planificación y
administración del territorio. Con un enfoque formativo y aplicado,
el libro combina los fundamentos técnicos de la Geomática con
experiencias reales desarrolladas en distintos contextos
geográficos y temáticos.

Organizado en dos secciones, la primera aborda los principios

esenciales de los Sistemas de Información Geográfica (SIG), la
teledetección, los sistemas satelitales de navegación, el análisis
espacial, la organización de datos geográficos, la
interoperabilidad tecnológica y la infraestructura de datos
espaciales. La segunda sección presenta diecinueve casos de
aplicación elaborados por investigadoras e investigadores de más
de treinta instituciones académicas y técnicas de América Latina,
Norteamérica y Europa, en áreas como gestión de riesgos,
planificación urbana, agricultura de precisión, energía, salud
territorial e inteligencia artificial.

Este libro está pensado para estudiantes, profesionales e

investigadores que buscan incorporar herramientas geomáticas a
sus ámbitos de estudio o trabajo. Con un enfoque
interdisciplinario y una visión crítica, se presenta como una guía
actual para enfrentar los desafíos territoriales del siglo XXI
mediante el uso estratégico de la información espacial.