Azimuth-48

42 / JUL. 2024 /Asociaciones regionales y Comisiones en acción que promueva el uso responsable y ético de las tecnologías geoespaciales y de machine learning en la gestión territorial, garantizando la protección de la privacidad de los datos y el acceso equitati- vo a la información. 5. Promoción de la participación ciudada- na: La transparencia en la gestión pública y el acceso a la información son fundamentales para fomentar la participación ciudadana en la toma de decisiones. Se recomienda imple- mentar mecanismos que permitan a la comu- nidad acceder y utilizar los datos geoespaciales generados, promoviendo así una gestión terri- torial más inclusiva y democrática. 6. Investigación y desarrollo continuos: Es importante seguir investigando y desarrollando nuevas aplicaciones de la inteligencia geoespa- cial y el machine learning en la gestión territorial, explorando su potencial para abordar otros desafíos urbanos como la movilidad, la seguri- dad ciudadana y la gestión de riesgos. La adopción de estas recomendaciones permitirá a la Municipalidad de San Carlos y a otras regiones aprovechar al máximo el potencial de las tecnologías emergentes para construir un futuro más sostenible, eficiente y equitativo para todos sus habitantes. La gestión territorial basada en datos y la colaboración interdisciplinaria son pilares fundamentales para al- canzar un desarrollo urbano resiliente y adaptado a los desafíos del siglo XXI. X. BIBLIOGRAFÍA Pérez, Luis. Inteligencia Artificial en el campo geoespacial, reflexiones y especulaciones. Revista Geom@il, no. 39, agosto 2024. https://geomail- blog.wordpress.com/2024/08/24/geomil-no-39- agosto-2024/ Pérez, Luis. Sobre el uso de GeoAI_QGIS Plugin. https://github.com/luisCartoGeo/GeoAI_ Plugin?tab=readme-ov-file#citas-y-aportes Casali, Y., Aydin, N. Y., & Comes, T. (2022). Machine learning for spatial analyses in urban areas: A scoping review. Journal of Urban Mana- gement, 11(1), 1-17. https://doi.org/10.1016/j. jum.2022.07.003 Li, Z., Chen, B., Wu, S., Su, M., Chen, J. M., & Xu, B. (2024). Deep learning for urban land use category classification: A review and experimental assessment. Computer, Environment and Urban Systems, 99, 103826. https://doi.org/10.1016/j. compenvurbsys.2024.103826 XI. ANEXOS 1- Guía de Uso MapFlow. https://docs.mapflow.ai/ userguides/get_started.html 2-Repositorio de datos Open Building de Google https://sites.research.google/open-buildings/ SOBRE LOS AUTORES: Andrés Castillo Leitón Andrés Castillo Leitón es ingeniero topógrafo, gra- duado de la Universidad Nacional de Costa Rica. A lo largo de su carrera, ha ejercido como docente en la Universidad Isaac Newton, donde imparte asigna- turas a estudiantes de ingeniería civil. En el ámbito laboral, ha trabajado en diversas insti- tuciones, destacándose su labor en la Unidad Técni- ca de Gestión Vial de la Municipalidad de San Ra- fael de Heredia y en el Departamento de Catastro y Censos de la Municipalidad de San Carlos, donde actualmente ocupa el cargo de Jefe del Departamen- to de Catastro y Censos. En 2021, recibió una beca de la Organización de Estados Americanos (OEA) para cursar un máster en aplicaciones operativas de drones en ingeniería en Structuralia, España. Su proyecto de tesis se titula “Aplicación de las Redes Neuronales Convoluciona- les y RPAS para la Detección Automática de Plantas de Piña en Costa Rica: Mejorando la Producción Agrícola”. Además, Andrés es Máster en Aplicacio- nes Operativas de Drones en Ingeniería y actual- mente está cursando un máster en BIM (Building Information Modeling) aplicado a la ingeniería civil.