GEMINI AI GENERATIVA con NANO BANANA: ¡La gran tormenta en Benidorm!

La IA generativa aplicada a mapas está transformando profundamente la forma en que entendemos, producimos y comunicamos la información geográfica. A diferencia de los enfoques clásicos, que se basan en reglas fijas o en clasificación supervisada, la IA generativa es capaz de crear nuevas representaciones espaciales a partir de patrones aprendidos en grandes volúmenes de datos geoespaciales.

En el ámbito cartográfico, estos modelos permiten generar mapas sintéticos, completar zonas con datos faltantes, aumentar la resolución espacial (super-resolución) o simular escenarios futuros, como la expansión urbana o el impacto del cambio climático. Modelos como GANs, diffusion models o transformers espaciales ya se están utilizando para generar imágenes satelitales realistas, mapas de uso del suelo plausibles o distribuciones probabilísticas de fenómenos territoriales.

Uno de los grandes valores de la IA generativa en mapas es su capacidad para integrar múltiples fuentes (satélite, censos, movilidad, clima) y producir salidas coherentes desde el punto de vista espacial. Esto resulta especialmente útil en regiones con escasez de datos, donde los mapas generados pueden servir como apoyo a la planificación o a la toma de decisiones.

Sin embargo, su uso plantea retos importantes: interpretabilidad, validación y sesgo espacial. Un mapa generado no es necesariamente un mapa verdadero, sino una hipótesis basada en datos previos. Por ello, la IA generativa debe entenderse como una herramienta de apoyo al análisis territorial, no como un sustituto del conocimiento geográfico ni del criterio experto.

En este contexto, el papel del geógrafo y del analista geoespacial es clave: evaluar, contextualizar y validar los mapas generados por IA para que su uso sea responsable y científicamente sólido.

Segun la página mappinggis, la IA generativa está cambiando las reglas del juego. Antes, las visualizaciones en la planificación urbana y paisajística se asociaban estrechamente con licencias costosas y largos tiempos de procesamiento. Hoy en día, una fotografía aérea y un buen prompt son suficientes para obtener un fascinante «mapa» generado automáticamente por IA.

Este enfoque muestra un potencial significativo para la visualización cartográfica automatizada. Si bien aún no está listo para producción, los resultados demuestran que la IA puede comprender y traducir imágenes aéreas a estilos de mapas reconocibles con una precisión razonable… y sin duda ofrece un anticipo de lo que nos espera en los próximos meses (¡no años!).

David Oesch

Ejemplo 1 en Benidorm, España.

Figura 2 – Captura de Google Earth en Benidorm, España

Figura 3 – Misma imagen pasada por el filtro de Gemini

Ejemplo 2 en Benidorm, España.

Figura 4 – Captura de Google Earth en Benidorm, España

Figura 5 – Misma imagen pasada por el filtro de Gemini

Ejemplo 3 en Benidorm, España.

Figura 6 – Captura de Google Earth en Benidorm, España

Figura 7 – Misma imagen pasada por el filtro de Gemini

Figura 8 – Ahora añadimos contexto: lluvia, emergencias, embotellamiento, etc

Este es el complejo promt que he usado, el propietario es David Oesch (citado en fuentes más abajo):

			
[COMPLETE FRESH START]
You are generating a completely new cartographic map. This is NOT an edit or modification of a previous image. 
Disregard all conversation history and prior image states.
OBJECTIVE: Transform the provided satellite image into a precise Swiss national topographic map
TRANSFORMATION REQUIREMENT: Complete replacement of all satellite imagery with vector-style cartographic symbolism. Maintain scale, proportions, and preserve the layout and spatial relationships from the source satellite image.
OUTPUT GUARANTEE: The result must contain ZERO visible satellite photograph elements
PHASE 1 - IMAGE ANALYSIS:
Identify all geographic features in the satellite image (buildings, roads, water, vegetation, terrain)
PHASE 2 - CARTOGRAPHIC TRANSFORMATION:
Replace every satellite image element with exact Swiss topographic symbology
PHASE 3 - VERIFICATION:
Confirm the output is a pure cartographic map with no satellite imagery, no photographic texture, no aerial photography
RENDERING SPECIFICATIONS:
- Orthographic projection (flat, top-down view)
- Exact RGB color values as specified
- Maintain scale
- Professional, clean cartographic presentation suitable for official swisstopo standards
## Background
- Base color: rgb(253, 253, 254) (off-white)
- Apply subtle gray hillshading for terrain relief
## Buildings and Structures
- Standard buildings: Fill with rgb(170, 172, 174) (medium gray)
- Building outlines: Dark gray rgb(154, 156, 158) with line width 0.5-2pt
- Roofs and cooling towers: Lighter fill rgb(196, 198, 200) with outline rgb(180, 182, 184)
- Construction platforms: Light gray rgb(222, 220, 220)
- Solar panels: Pale yellow rgb(245, 246, 189) with brownish outline rgb(152, 142, 132)
- Render as solid filled polygons with clean, precise edges
## Roads and Transportation Networks
**IMPORTANT: All roads rendered as clean, continuous centerlines without surface vehicles. Apply vehicle occlusion removal to show underlying road surface only.
**Unified Road Classification (Simplified Homogeneous System):**
- **Major roads** (motorways, highways, trunk roads, routes):
  - Fill: rgb(248, 207, 117) (golden yellow/beige) - unified color for all major routes
  - Casing: rgb(70, 55, 30) (dark brown)
  - Width: 3-11pt fill with 4-14pt casing (scale by importance, not by type)
  - Apply consistent styling across all motorway and trunk classifications
- **Secondary roads** (all secondary and tertiary routes):
  - Fill: rgb(250, 243, 158) (pale yellow) - single unified color
  - Casing: rgb(65, 65, 25) (olive brown)
  - Width: 2-9pt fill with 3.5-11pt casing
  - Homogeneous representation regardless of route number
- **Minor roads and local streets** (service roads, residential, tracks):
  - Fill: rgb(255, 255, 255) (white) - unified appearance
  - Casing: rgb(60, 60, 60) (dark gray)
  - Width: 1.5-8pt fill with 2.5-10pt casing
  - Consistent styling for all local access roads
- **Footpaths and trails:**
  - Color: rgb(60, 60, 60) (dark gray)
  - Style: Dashed line pattern with 16-40pt dashes, 2-4pt gaps
  - Width: 0.75-2pt
- **Mountain trails:**
  - Color: rgb(20, 20, 20) (nearly black)
  - Style: Dashed line
  - Width: 2-3.5pt
- **Railways and transit:**
  - Color: rgb(203, 77, 77) (red-brown)
  - Width: 0.75-2pt solid lines
- **Ferries:**
  - Color: rgb(77, 164, 218) (blue)
  - Style: Dashed lines (6-18pt dashes, 2-4pt gaps)
  - Width: 0.4-2.5pt
**Road Surface Rendering:**
- Remove all vehicles, cars, trucks, and moving objects from road surfaces using inpainting techniques
- Reconstruct underlying pavement/surface texture where vehicles were present
- Maintain road boundary precision and lane marking continuity
- Show only static road infrastructure (pavement, markings, surfaces)
## Water Bodies and Features
- Remove all boats, ships in harbour or anchoring and moving objects from water surfaces using inpainting techniques
- Lakes and oceans:
  - Fill: rgb(210, 238, 255) (light sky blue)
- Rivers and streams:
  - Fill: rgb(181, 225, 253) (slightly darker blue)
- Waterways (rivers, canals):
  - Line color: rgb(77, 164, 218) (medium blue)
  - Width: 0.25-10pt depending on water body size
- Intermittent streams:
  - Line color: rgb(0, 0, 0) (black)
  - Opacity: 0.4 (40%)
  - Style: Dashed pattern (0.75-4pt dashes with gaps)
- Water boundaries/shorelines:
  - Line color: rgb(77, 164, 218) (blue)
  - Width: 0.1-1.5pt
  - Blur: 0.25pt
## Vegetation and Landcover
- Forests and woodlands:
  - Primary: rgb(62, 168, 0) (vibrant green)
  - Alternative: rgb(62, 153, 10) (darker green)
  - Opacity: 0.1-0.25
- Parks and green spaces:
  - Fill: rgb(211, 235, 199) (pale green)
  - Opacity: 0.25-0.35
- Park boundaries:
  - Line color: rgb(112, 180, 70) (medium green)
  - Width: 1-4pt with 0.4pt blur
- Residential/urban green:
  - Fill: rgb(246, 219, 164) transitioning to rgba(188, 186, 185, 0.4) (beige to gray)
- Sports fields/pitches:
  - Fill: rgb(231, 243, 225) (very pale green)
- Sand/beach areas:
  - Fill: rgb(239, 176, 87) (sandy orange)
- Glaciers and ice:
  - Fill: rgb(205, 232, 244) (ice blue)
  - Opacity: 0.1-0.3
## Terrain and Elevation
- Hillshading (shadows):
  - Gray scale gradient from rgb(173, 188, 199) (darkest) to rgb(251, 252, 252) (lightest)
  - Apply based on luminosity values -15 to 0
  - Opacity: 0.5-1.0
- Sunny slopes:
  - Tint: rgb(255, 235, 5) (yellow)
  - Opacity: 0.04 (very subtle)
- Contour lines:
  - Standard: rgba(180, 110, 13, 0.35) (brown, semi-transparent)
  - Width: 0.75-3pt (major contours thicker)
  - Blur: 0.25-0.4pt
- Scree, barren and rock fields:
  - Apply stippled/textured patterns in gray tones
  - Opacity: 0.25-0.35
## Special Features
- Parking areas:
  - Fill: rgb(255, 255, 255) (white)
  - Outline: rgb(60, 60, 60) (dark gray)
  - **Remove parked vehicles** - show empty parking spaces only
- Dams and weirs:
  - Fill: rgb(196, 198, 200) (light gray)
  - Outline: rgb(154, 156, 158) (medium gray)
- Retaining walls:
  - Line: rgb(132, 132, 132) (medium gray)
  - Width: 0.5-3pt
## Overall Technical Specifications
- Line blur: 0.25-0.4pt for smooth appearance
- Line cap: Round for roads, butt for boundaries
- Line join: Round for curves, miter for sharp angles
- Projection: Top-down orthographic (flat, no perspective)
- Antialiasing: Smooth edges for all features except terrain fills
- Layering order (bottom to top): Background → Hillshading → Water → Landcover → Roads → Buildings → Boundaries 
## Color Accuracy Notes
- Use exact RGB values provided (no approximations)
- Maintain opacity/transparency as specified
- Apply subtle blurring (0.25-0.4pt) to soften hard edges
## Vehicle Removal Specifications
- Detect and mask all vehicles (cars, trucks, buses, motorcycles, trains, boats, ships, airplanes) on roads, traintracks, airports and parking areas
- Apply deep learning-based inpainting to reconstruct road surface beneath vehicles
- Preserve road markings, lane boundaries, and surface texture continuity
- Ensure seamless integration of reconstructed areas with surrounding pavement
- Maintain edge fidelity and structural features of roads during vehicle removal
**Output Requirements:** Vector-style cartographic map with Swiss precision, clean geometry, harmonious homogeneous road classification, vehicle-free representation, proper layering hierarchy, and professional presentation quality suitable for official topographic analysis.

		

Luego, imaginando una situación en la que varios layers fueran necesarios, he tratado de integrar algunas capas como POIs o modelos 3D realistas como helicopteros, tiendas de campaña de emergencias, coches colapsados, etc

Figura 9 – Integración de layers IA generativa. Gemini con Nano Banana

Lo que funciona bien
Precisión geométrica: La IA mantiene una alta precisión posicional, colocando correctamente las características geográficas. Reconocimiento de estilo: Fuerte fidelidad a las convenciones cartográficas (colores, símbolos, capas). Extracción de información: Buena detección de carreteras, árboles y edificios. Viabilidad de automatización: El flujo de trabajo es reproducible y puede procesar múltiples mosaicos sistemáticamente.

Limitaciones actuales
Desafíos de consistencia: Las interpretaciones generadas varían entre los mosaicos, lo que crea discontinuidades visuales. Procesamiento incompleto: no todos los elementos de imágenes aéreas se interpretan de manera consistente: vegetación y cuerpos de agua (pequeños estanques verdosos). Variaciones de estilo: la IA no siempre aplica el mismo estilo cartográfico en toda el área. Objetos transitorios: los automóviles y las características temporales no siempre se eliminan automáticamente.