Calidad de datos geográficos: definir antes de evaluar
Resumen
La calidad de un producto de datos geográficos se define desde la especificación técnica y se comprueba en la evaluación. Este artículo explica la relación entre estas dos etapas, con base en ISO 19131:2022 e ISO 19157-1:2023, y precisa el aporte de los controles automáticos y la inteligencia artificial. El análisis parte de dos hechos documentados: el error en la delimitación fronteriza de Google Maps, al que algunos reportes iniciales atribuyeron el incidente de Isla Calero en 2010, y el diagnóstico sobre la desactualización de la información catastral en Colombia en 2019. Ambos muestran que un dato puede ser inadecuado para un uso específico debido a su vigencia, cobertura o fuente de referencia, aun cuando su estructura sea correcta. Después se describen los componentes de la especificación técnica, los elementos de calidad que deben evaluarse y la comparación de los resultados con los niveles de conformidad establecidos. Se concluye que la automatización y la inteligencia artificial fortalecen la comprobación de la calidad cuando los criterios técnicos se definen antes de producir la información, pero no sustituyen la validación humana.
Palabras clave: calidad de datos, especificación técnica, evaluación, conformidad, inteligencia artificial
Introducción
El 1 de noviembre de 2010, Costa Rica denunció el ingreso de tropas nicaragüenses a una zona fronteriza conocida como Isla Calero. En pocos días, la controversia creció: el Gobierno costarricense solicitó el retiro del personal, acudió a la Organización de los Estados Americanos (OEA) y, el 18 del mismo mes, presentó el caso ante la Corte Internacional de Justicia (CIJ). En este contexto, Google Maps quedó en el centro de la discusión, pues algunos reportes indicaron que la plataforma ubicaba el área en Nicaragua y que habría sido consultada durante la operación. Esta versión no pudo confirmarse, ya que Edén Pastora, señalado como responsable del operativo, negó haber utilizado ese recurso (Charette, 2010).
La historia tomó otro giro cuando Google revisó el trazado publicado y reconoció que la frontera contenía un error. Después de consultar al Departamento de Estado de los Estados Unidos, la empresa corrigió la delimitación y advirtió que sus mapas no debían emplearse para decidir acciones militares entre países (Charette, 2010).
En términos de calidad de datos geográficos, el caso muestra que el uso previsto del producto debe fijarse antes de su elaboración. Un mapa de consulta general guía desplazamientos, pero no es apto para determinar un límite internacional; esta tarea exige cartografía oficial, tratados y documentos con autoridad jurídica. Para corroborar la exactitud posicional, la especificación técnica debe incluir la fuente de referencia, la medida, el método y el nivel de conformidad. Luego, la evaluación ejecuta la prueba y determina si el valor obtenido cumple la condición fijada. Sin estos componentes, el dato puede emplearse en decisiones para las cuales no fue creado.
En Colombia, la información catastral había perdido vigencia en gran parte del país y aún faltaban registros de algunas zonas. El Documento CONPES 3958 de 2019 describió el estado del catastro con corte al 1 de enero del mismo año, con el 66,00 % del territorio desactualizado, el 28,32 % carecía de formación catastral y apenas el 5,68 % estaba actualizado. En los municipios, habían transcurrido, en promedio, 12,2 años desde la última actualización, frente al periodo previsto de cinco años (DNP, 2019).
En las zonas desactualizadas existían registros catastrales, pero ya no describían las condiciones físicas, jurídicas o económicas del territorio. En los sectores no formados, el proceso inicial para incorporar los predios al inventario seguía pendiente en 60 municipios y 20 áreas no municipalizadas. La primera situación es un problema de calidad temporal porque la información perdió vigencia; la segunda afecta la totalidad debido a la ausencia de datos en una parte del país.
Esta situación tenía implicaciones nacionales: sin un catastro completo y actualizado, el Estado no contaba con una base confiable para identificar los predios y conocer su extensión, uso, valor o situación jurídica. Esta carencia dificultaba el ordenamiento territorial, la administración de tierras y la formalización de la propiedad, mantenía avalúos alejados de las condiciones reales y afectaba el cálculo del impuesto predial municipal (DNP, 2019).
Los dos casos muestran que una geometría correcta no garantiza que el producto sea adecuado. La evaluación debe revisar la exactitud posicional, la consistencia lógica, la calidad temporal y la totalidad según el uso previsto y los requisitos establecidos en la especificación técnica.
El objetivo del artículo es explicar cómo la especificación técnica define los criterios y los niveles de conformidad antes de producir el dato; la evaluación aplica las medidas y compara los resultados; los controles automáticos y la inteligencia artificial apoyan la revisión, pero la decisión final requiere validación humana.
La Especificación Técnica (ET) convierte el uso en requisitos
De acuerdo con ISO 19131:2022, la especificación técnica describe el producto antes de elaborarlo e incluye su identificación, propósito, alcance, contenido, estructura, sistema de referencia, captura, mantenimiento, representación, entrega y metadatos. A partir de las necesidades del usuario, fija las condiciones de calidad e indica qué se revisará, cómo se medirá y cuál será el valor aceptable.
La secuencia inicia con la especificación técnica, donde se documentan las características y los requisitos de calidad antes de elaborar el producto. Con base en estas condiciones se produce el dato geográfico y, después, la evaluación aplica las medidas y los métodos previstos, compara los valores obtenidos con los niveles aceptables y determina su conformidad. Posteriormente, los metadatos describen el conjunto generado al registrar la entidad responsable, las fechas (creación, publicación y actualización), la extensión geográfica, el sistema de referencia, las fuentes, las restricciones y las formas de acceso, y pueden incorporar los resultados de las pruebas para que el usuario determine si la información es adecuada para su aplicación.
Figura 1. Secuencia para producir, evaluar y documentar un producto de datos geográficos.
Cada requisito de calidad registrado en la especificación técnica responde a estas preguntas: ¿qué parte del producto se revisará?, ¿qué aspecto se comprobará?, ¿con qué indicador y unidad se expresará el valor obtenido?, ¿cómo se ejecutará el control? y ¿qué umbral deberá cumplirse para declarar la conformidad?
El alcance delimita qué parte del producto será examinada: conjunto completo, una zona, un objeto, un atributo o un periodo. El elemento identifica la característica a comprobar, como totalidad, consistencia lógica, exactitud posicional, exactitud temática o calidad temporal. La medida establece la forma de cuantificar el resultado y en qué unidad; una omisión, por ejemplo, puede reportarse como cantidad o porcentaje, mientras una diferencia de posición se expresa en metros.
El método describe cómo se realizará el control e indica la fuente de referencia, el tipo de revisión, ya sea total o por muestreo, y las operaciones para obtener el valor. El nivel de conformidad fija el umbral con el que se compara el resultado para determinar si el producto cumple o requiere corrección.
Figura 2. Requisitos de calidad que se deben documentar en la especificación técnica.
Nota. Elaboración propia a partir de ISO 19131:2022 e ISO 19157-1:2023.
Un mapa de cambios en las coberturas de la tierra elaborado para estimar la pérdida forestal en un municipio muestra cómo se aplican estos requisitos. El alcance se limita a la zona rural y al periodo comprendido entre una fecha inicial y otra final. El elemento evaluado es la exactitud temática, porque la prueba verifica si cada polígono fue asignado a la categoría correcta, como bosque estable, pérdida forestal, recuperación de cobertura u otra transformación. La medida expresa el porcentaje de geometrías de la muestra clasificadas correctamente. El método contrasta las categorías registradas con información de referencia obtenida al interpretar imágenes de mayor resolución de ambos momentos. Para este ejemplo, se fija un nivel de conformidad mínimo del 90 %. Si la evaluación alcanza un 87 %, la información no cumple y debe corregirse.
Un sector que conservó la cobertura boscosa, pero fue clasificado como pérdida, aumenta de manera incorrecta la superficie deforestada. En el caso contrario, si el bosque fue removido y el polígono aparece como estable, el cálculo subestima la disminución real.
La evaluación de calidad verifica el cumplimiento de la ET
Una vez producido el dato geográfico, la evaluación de calidad aplica los requisitos previstos en la ET para determinar su conformidad. ISO 19157-1:2023 organiza este análisis en cinco elementos, cada uno enfocado en una propiedad diferente; por tanto, el cumplimiento de una característica no compensa las fallas encontradas en otra.
- Totalidad: revisa si el universo definido está representado sin ausencias ni inclusiones indebidas; un objeto, atributo o relación faltante genera una omisión, mientras la presencia de un registro ajeno al conjunto produce una comisión.
- Consistencia lógica: examina si los datos respetan las reglas del modelo de aplicación, entre ellas la estructura de las clases, los atributos obligatorios, los valores admitidos en cada dominio, el formato de almacenamiento y las relaciones topológicas.
- Exactitud posicional: mide la diferencia entre la ubicación registrada y la fuente de referencia seleccionada; un objeto puede estar clasificado correctamente y, aun así, presentar un desplazamiento superior a la tolerancia definida.
- Calidad temporal: verifica si las fechas registradas reflejan el momento del hecho representado, la captura o la actualización, según el atributo evaluado; revisa el orden cronológico de los eventos y confirma que el dato conserve vigencia en la fecha de corte.
- Exactitud temática: evalúa si las clasificaciones y los atributos describen correctamente los objetos geográficos; en los datos cualitativos revisa categorías o etiquetas, mientras en las variables cuantitativas contrasta las cifras registradas con los valores de referencia.
La conformidad se decide al comparar el resultado obtenido en cada control con el nivel aceptable definido en la ET. Si el valor satisface esa condición, el producto cumple el requisito revisado; de lo contrario, debe corregirse y someterse nuevamente a verificación. Como un mismo dato puede aprobar la consistencia lógica y presentar fallas de totalidad, exactitud posicional, calidad temporal o exactitud temática, el reporte de evaluación de calidad debe identificar el criterio analizado, registrar el resultado y el umbral aplicable, e indicar si fue cumplido.
Automatización con un propósito definido
Una parte de la evaluación de la calidad de un producto de datos geográficos puede ejecutarse automáticamente cuando la ET describe el control como una regla precisa. En una base catastral, por ejemplo, la especificación puede exigir que cada predio tenga un identificador único, que el código de uso pertenezca al catálogo autorizado, que la geometría sea válida y que los polígonos no se superpongan; un validador revisa todo el conjunto, localiza campos vacíos, valores duplicados, códigos incorrectos o conflictos espaciales, calcula la medida definida y reporta si cumple el nivel de conformidad.
La Inteligencia Artificial (IA) puede incorporarse a la evaluación de calidad cuando el volumen de información dificulta una inspección manual completa o cuando el control no puede describirse en su totalidad con reglas fijas. Se utiliza para analizar imágenes, nubes de puntos, series temporales, atributos e historiales de edición; también puede comparar fuentes, localizar cambios, distinguir objetos, revisar clasificaciones y detectar valores o geometrías atípicas.
Para identificar posibles errores, algunos modelos de IA aprenden con ejemplos revisados previamente y después buscan situaciones similares en el producto evaluado; otros examinan el conjunto y señalan registros que se apartan de los patrones habituales, aunque no hayan recibido una clasificación previa. El sistema puede entonces asignar una categoría, calcular una probabilidad, identificar una diferencia o generar una alerta para verificación. Ninguna de estas marcas confirma por sí sola una falla ni declara la conformidad.
En una capa de construcciones, por ejemplo, un modelo puede analizar imágenes satelitales y marcar los lugares donde identifica un edificio que no está representado por un polígono. Pisl et al. (2021) utilizaron redes neuronales previamente entrenadas y ajustadas al área de estudio para buscar edificaciones ausentes en OpenStreetMap. El control revisa la totalidad porque busca objetos que deberían formar parte del producto y no están incluidos.
La inteligencia artificial también puede intervenir en la revisión de la exactitud temática y la calidad temporal. Jilani et al. (2014) analizaron las características geométricas y topológicas de la red vial de OpenStreetMap para señalar tramos cuya clase podía ser incorrecta. Dahle et al. (2021) compararon imágenes aéreas y nubes de puntos de dos fechas para calcular la probabilidad de cambio de cada polígono y localizar información cartográfica posiblemente desactualizada.
En el ámbito catastral, Chen et al. (2026) documentan aplicaciones de aprendizaje profundo para extraer límites físicos visibles en imágenes y detectar cambios en los predios. Estas detecciones pueden apoyar la revisión y actualización de los datos, aunque una línea identificada en una imagen no define por sí misma un límite jurídico.
Una ruta clara para aplicar el control de calidad
La relación entre especificación, evaluación de calidad y automatización puede organizarse en cuatro pasos:
- Definir el uso: determinar la decisión que apoyará el producto, sus usuarios, el alcance geográfico, exactitud posicional y vigencia.
- Establecer los requisitos de calidad: documentar el alcance, elementos, medidas, métodos y niveles de conformidad acordes con ese uso.
- Ejecutar y documentar las pruebas: aplicar controles automáticos, muestreos o revisiones especializadas, con registro de fuentes, versiones y resultados.
- Decidir y corregir: comparar los valores obtenidos con los umbrales definidos, informar la conformidad y ajustar el producto cuando corresponda.
La inteligencia artificial puede incorporarse en el tercer paso cuando el volumen, la heterogeneidad o la necesidad de contrastar fuentes excedan el alcance de las reglas convencionales. Su uso exige los mismos criterios de trazabilidad y control aplicados al resto de la evaluación.
Conclusiones
La calidad no se incorpora al final de la producción ni se limita a comprobar una geometría. Se construye desde la especificación técnica, que define el uso previsto, los requisitos, los métodos y los niveles aceptables; la evaluación aplica estos criterios, obtiene valores comparables y sustenta la declaración de conformidad.
Conocerla es necesario para decidir si el producto es adecuado para una aplicación específica y cuáles limitaciones deben considerarse antes de utilizarlo. Los valores obtenidos indican qué requisitos se cumplen, cuáles errores fueron identificados y si superan los límites aceptables; sin esta información, el dato puede emplearse en decisiones para las que no ofrece la confiabilidad requerida.
Los controles automáticos agilizan las verificaciones repetitivas y la inteligencia artificial localiza posibles omisiones, clasificaciones incorrectas o cambios que requieren revisión. Estas herramientas fortalecen el análisis, pero no reemplazan la validación profesional ni corrigen requisitos imprecisos. La automatización no transforma una especificación técnica incompleta en una evaluación confiable; la decisión depende de criterios definidos antes de producir el dato, fuentes documentadas y resultados trazables.
Referencias
Charette, R. N. (2010, 9 de noviembre). Using Google Maps? What you see may or may not exist. IEEE Spectrum. https://spectrum.ieee.org/using-google-maps-what-you-see-may-or-may-not-exist
Chen, J., Nazeer, M., Lee, B. S., & Wong, M. S. (2026). Artificial intelligence in cadastre: A systematic review of methods, applications, and trends. Land, 15(3), 411. https://doi.org/10.3390/land15030411
Dahle, F., Arroyo Ohori, K., Agugiaro, G., & Briels, S. (2021). Automatic change detection of digital maps using aerial images and point clouds. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B2-2021, 457–464. https://doi.org/10.5194/isprs-archives-XLIII-B2-2021-457-2021
Departamento Nacional de Planeación. (2019). Estrategia para la implementación de la política pública de catastro multipropósito (Documento CONPES 3958). https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/3958.pdf
Infraestructura Colombiana de Datos Espaciales. (2022a). Guía de implementación de especificaciones técnicas para productos de datos geográficos (versión 1.1). https://www.icde.gov.co/node/4260
Infraestructura Colombiana de Datos Espaciales. (2022b). Guía de implementación para la evaluación de la calidad de información geográfica (versión 1.1). https://www.icde.gov.co/node/4262
International Court of Justice. (s. f.). Certain activities carried out by Nicaragua in the border area (Costa Rica v. Nicaragua). https://www.icj-cij.org/case/150
International Organization for Standardization. (2022). ISO 19131:2022 Geographic information - Data product specifications. https://www.iso.org/standard/85092.html
International Organization for Standardization. (2023). ISO 19157-1:2023 Geographic information - Data quality-Part 1: General requirements. https://www.iso.org/standard/78900.html
Jacobs, K. T., & Mitchell, S. W. (2020). OpenStreetMap quality assessment using unsupervised machine learning methods. Transactions in GIS, 24(5), 1280–1298. https://doi.org/10.1111/tgis.12680
Jilani, M., Corcoran, P., & Bertolotto, M. (2014). Automated highway tag assessment of OpenStreetMap road networks. En Proceedings of the 22nd ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (pp. 449–452). Association for Computing Machinery. https://doi.org/10.1145/2666310.2666476
Pisl, J., Li, H., Lautenbach, S., Herfort, B., & Zipf, A. (2021). Detecting OpenStreetMap missing buildings by transferring pre-trained deep neural networks. AGILE: GIScience Series, 2, 39. https://doi.org/10.5194/agile-giss-2-39-2021