3. Geosemántica#
La geosemántica estudia cómo el significado (semántica) se representa y se procesa en relación con el espacio geográfico.
3.1. Los tres niveles de la geosemántica#
La geosemántica contemporánea puede dividirse, de manera general, en tres niveles complementarios:
3.2. Tres niveles complementarios de geosemántica#
Nivel |
Descripción |
Ejemplos típicos |
|---|---|---|
Formal u ontológico |
Significado definido explícitamente mediante vocabularios controlados, ontologías y modelos conceptuales normalizados. Permite inferencia lógica, validación y alineación semántica. |
ISO 19150 (Geographic information — Ontology), INSPIRE ontologies, Catálogo de Objetos Geográficos de IDERA, SKOS/OWL, bases de grafo (GraphDB, RDF triplestores). |
Estadístico o latente |
Significado aprendido de datos numéricos/imaginería vía ML/auto-supervisión (sin reglas semánticas explícitas). Produce representaciones latentes que capturan similitudes y patrones. |
Embeddings satelitales (p. ej., AlphaEarth/SE-V1), embeddings espacio-temporales, PCA/autoencoders; búsqueda por similitud, clustering, detección de cambios. |
Lingüístico o textual |
Significado derivado de textos (descripciones, metadatos, documentos) mediante técnicas de PLN; no hay ontologías formales, pero sí entidades y relaciones extraídas del lenguaje. |
Reconocimiento de topónimos y entidades, linking con gazetteers, análisis de metadatos, topic modeling en corpus de planes y normas. |
Los embeddings satelitales pertenecen claramente al segundo nivel, el de la semántica estadística o latente, donde el significado no está definido de forma explícita, sino que emerge de los patrones de correlación y coocurrencia observados en los datos.
3.3. La semántica estadística como fundamento#
El concepto de semántica estadística se origina en la lingüística computacional a mediados del siglo XX.
Autores como Zellig Harris (1954) y J. R. Firth (1957) formularon la hipótesis de distribución:
“El significado de una palabra puede inferirse de los contextos en los que aparece.”
En el dominio geoespacial, esta idea se traduce en una analogía poderosa:
El significado de un píxel o región puede inferirse del contexto espectral, temporal y espacial que lo rodea.
Los modelos modernos de embeddings —como Google Satellite Embedding V1 [Brown et al., 2025], AlphaHertz o OneVision— aprenden precisamente ese contexto.
Cada vector no representa ya un valor físico, sino una posición semántica en un espacio n-dimensional que captura similitudes de paisaje, uso, textura y dinámica ambiental.
La noción de semántica estadística tiene su origen en la lingüística computacional,
particularmente en los trabajos pioneros de [Harris, 1954] y [Firth, 1957].
En el campo geoespacial, esta idea ha sido retomada recientemente por [Goodchild, 2021]
para conceptualizar una “geografía semántica” de la Tierra.
Los modelos de representación latente basados en observación satelital,
como [Google Research, 2024], materializan esa visión en la práctica contemporánea.
En la comunidad latinoamericana, enfoques emergentes como [Reynoso, 2025]
proponen una integración conceptual entre geoAI y aprendizaje automático, lo cual se puede ver fortalecido empleando modelos fundacionales en Observación
de la tierra (FM4EO).
3.4. Hacia una geosemántica estadística#
Podemos hablar entonces de un nuevo subcampo: la geosemántica estadística, también denominada semántica latente geoespacial.
En este marco:
Los embeddings son las unidades básicas de significado.
Las relaciones de similitud coseno sustituyen las jerarquías ontológicas.
Las operaciones algebraicas (distancias, agrupamientos, proyecciones) permiten razonar cuantitativamente sobre el significado del territorio.
Desde esta perspectiva, un píxel deja de ser una muestra de reflectancia: se convierte en un vector de sentido geográfico.
El análisis del territorio pasa de lo físico a lo semántico.
3.5. Comparación epistemológica#
Enfoque |
Naturaleza del significado |
Mecanismo de inferencia |
|---|---|---|
Geosemántica clásica |
Definido explícitamente por expertos o estándares (ontologías, taxonomías). |
Declarativo (conceptos definidos manualmente). |
Geosemántica estadística |
Aprendido implícitamente a partir de correlaciones en datos geoespaciales. |
Inductivo (patrones descubiertos por aprendizaje automático). |
Ambos enfoques son complementarios:
La geosemántica formal proporciona interpretabilidad y trazabilidad.
La geosemántica estadística aporta capacidad de descubrimiento y generalización.
3.6. Los embeddings como fenómeno geosemántico#
En este marco, los embeddings pueden considerarse estructuras semánticas aprendidas, ya que transforman las observaciones geoespaciales en vectores de alta dimensionalidad que preservan relaciones de similitud semántica entre regiones del territorio.
Por ejemplo, dos píxeles correspondientes a lagunas diferentes, pero con firmas espectrales y contextos similares, ocuparán posiciones cercanas en el espacio vectorial.
Del mismo modo, zonas urbanas o agrícolas formarán clústeres en ese mismo espacio semántico.
Los embeddings satelitales constituyen una nueva frontera en la representación digital del territorio.
En lugar de describir el espacio mediante variables físicas aisladas —como reflectancia, temperatura o índices espectrales—, los embeddings lo hacen a través de vectores de significado latente aprendidos por modelos de deep learning sobre grandes volúmenes de datos satelitales.
Estos vectores condensan relaciones espectrales, espaciales y temporales complejas, y por ello pueden interpretarse como una manifestación de la geosemántica: una forma de codificar el significado geográfico directamente en el espacio matemático.
3.6.1. Implicaciones científicas y aplicadas#
Los embeddings permiten crear espacios semánticos del planeta, donde cada vector describe el “contexto” de un punto de la superficie terrestre.
En este sentido, constituyen una infraestructura cognitiva que:
Facilita búsquedas semánticas (“lugares similares a estos humedales”).
Permite detectar cambios contextuales (“esta región ha derivado hacia la semántica de cultivos”).
Mejora la interoperabilidad entre datos físicos y conceptuales.
Integra la visión por computadora con la ontología geográfica.
Estas capacidades abren el camino hacia una GeoIA semántica, capaz de interpretar, clasificar y predecir fenómenos territoriales desde un marco conceptual y no meramente espectral.
3.6.2. Conclusión#
En conclusión, los embeddings constituyen una expresión avanzada del campo de la geosemántica, específicamente dentro de la semántica estadística geoespacial.
A través de ellos, el territorio adquiere una representación vectorial en la que el significado se aprende de los datos y se mide como proximidad matemática.
Este paradigma redefine la forma de hacer cartografía y análisis espacial:
ya no se trata solo de ver el territorio, sino de comprender su significado latente en el espacio vectorial del conocimiento geográfico.