Uso de la IA en la actualización del estado de edificaciones aisladas incluidas en el Nomenclátor Geográfico de Andalucía

Abstract

El Nomenclátor Geográfico de Andalucía (NGA) es una base de datos toponímica que recoge más de 245.000 entidades geográficas del territorio andaluz. En los últimos años, un estudio ha evidenciado que muchas edificaciones rurales aisladas han experimentado un deterioro progresivo en su uso, siendo abandonadas, demolidas o sustituidas por otras con denominaciones distintas, sin que estos cambios se reflejen de forma ágil y precisa en el campo relativo al estatus del inmueble en el registro. En un contexto de creciente integración entre inteligencia artificial (IA) y Sistemas de Información Geográfica (SIG), este estudio propone una metodología innovadora para optimizar los procesos de actualización del NGA mediante automatización inteligente. La investigación se ha desarrollado en dos fases: una prueba piloto sobre una muestra de 285 edificaciones rurales registradas en el NGA, y una validación sobre una muestra independiente de 959 entidades. Como datos de entrada se han empleado ortofotografías aéreas del Plan Nacional de Ortofotografía Aérea (PNOA) y la información alfanumérica del propio NGA. La metodología se ha implementado en entornos SIG mediante automatización de tareas en Python asistida por IA. Se han aplicado tres enfoques diferenciados, dos basados en IA, y otro convencional: i) análisis de imágenes mediante modelos de lenguaje de gran tamaño (LLMs); ii) detección de huellas de edificación mediante modelos de aprendizaje profundo preentrenados; y iii) geoprocesamiento SIG sobre información catastral. Los resultados, evaluados según la tasa de acierto y la desviación estándar por categorías, muestran un rendimiento significativamente superior de los métodos basados en IA frente a las técnicas tradicionales. El análisis multicriterio y la validación sobre una muestra independiente confirman la eficacia de la combinación de enfoques, con tasas de acierto por categoría superiores al 93,2%, una desviación estándar del 2,7% y una tasa global de acierto del 97,8%. Estos resultados refuerzan el potencial de la IA para desarrollar soluciones más escalables y transferibles a otros contextos del NGA.