Monitoreo y fiscalización de residuos sólidos en Quesada, San Carlos; empleando machine learning para la detección de huellas constructivas

RESUMEN

El distrito de Quesada, en San Carlos, Alajuela, Costa Rica, enfrenta retos críticos en la gestión de residuos sólidos y la fiscalización tributaria debido a la carencia de información precisa y actualizada. Este estudio presenta un enfoque innovador que combina inteligencia geoespacial y técnicas avanzadas de machine learning para transformar estos procesos.

Dada la desactualización del censo de residuos sólidos y la falta de datos sobre huellas constructivas, se llevó a cabo un levantamiento fotogramétrico  mediante drones  de  alta  precisión,  generando modelos 3D y ortofotos detalladas. Esta información permite actualizar el censo a través de la identificación automatizada de construcciones y la clasificación de los usos del suelo, mejorando la fiscalización y optimizando la recaudación tributaria.

Se evaluó el potencial del machine learning para automatizar la detección de cambios en las huellas constructivas y patrones de generación de residuos, habilitando una gestión proactiva y dinámica. Los algoritmos empleados no solo identifican cambios en la infraestructura urbana, sino que también predicen patrones de generación de residuos, ofreciendo una herramienta poderosa para la toma de decisiones.

Los resultados esperados incluyen una gestión de residuos más eficiente, una mayor recaudación de tributos y un control efectivo del crecimiento urbano, promoviendo un desarrollo más sostenible en Quesada.

Este enfoque puede servir como modelo replicable para otras regiones que enfrenten desafíos similares, aprovechando las últimas tecnologías en inteligencia geoespacial y machine learning para mejorar la planificación y gestión urbana.

Palabras  Clave:  Catastro,  Drones, Fiscalización,  Gestión  de  residuos, Inteligencia geoespacial, Machine learning, Ordenamiento territorial, Política pública, Sostenibilidad.

 

INTRODUCCIÓN

La gestión urbana y ambiental en los territorios modernos se enfrenta a una serie de retos complejos que requieren soluciones innovadoras, especialmente en regiones en desarrollo. El distrito de Quesada, en San Carlos, Alajuela, Costa Rica, ejemplifica estos desafíos con problemas persistentes en la gestión de residuos sólidos y la fiscalización tributaria, agravados por la carencia de información actualizada y confiable sobre su infraestructura y uso del suelo. En un contexto donde los métodos tradicionales de censado y supervisión resultan ineficaces, se hace necesario un enfoque más avanzado y dinámico para abordar estas problemáticas.

Este artículo propone una solución que combina la inteligencia geoespacial y el machine learning como herramientas clave para transformar la forma en que se gestiona el territorio. A través del uso de drones de alta precisión, se han llevado a cabo levantamientos fotogramétricos detallados, generando  modelos  tridimensionales  y ortofotos que ofrecen una visión integral del entorno urbano y sus cambios. Esta tecnología no solo permite identificar y actualizar datos de construcciones y usos de suelo, sino que también proporciona una base sólida para la fiscalización y optimización de la recaudación tributaria. La integración de datos geoespaciales con algoritmos de machine learning permite la automatización de la detección de cambios en las huellas constructivas y los patrones de generación de residuos, habilitando un enfoque proactivo y basado en evidencia.

La inteligencia geoespacial, entendida como la capacidad de analizar y visualizar datos espaciales complejos para la toma de decisiones, desempeña un rol central en este proyecto. A través de su aplicación, se pueden modelar escenarios futuros, detectar patrones ocultos y optimizar procesos de gestión de manera nunca antes vista. Por ejemplo, la identificación automatizada de nuevas construcciones o modificaciones no registradas permite una fiscalización más precisa y efectiva, mientras que la detección de patrones de generación de residuos facilita la planificación de rutas y recursos para su manejo. Todo ello contribuye a una visión holística del territorio, donde cada dato espacial se convierte en una herramienta estratégica para la gobernanza.

Este enfoque no solo busca mejorar la eficiencia operativa, sino también sentar las bases para un desarrollo más sostenible en Quesada, mediante la implementación de políticas públicas fundamentadas en datos geoespaciales de alta precisión. Se espera que los resultados obtenidos puedan servir como modelo replicable para otras regiones que enfrentan problemas similares, demostrando cómo la integración de tecnologías emergentes puede redefinir la gestión territorial y la planificación urbana en el siglo XXI. La combinación de inteligencia geoespacial y machine learning representa un cambio de paradigma en la forma en que entendemos y manejamos nuestras ciudades, abriendo un camino hacia un futuro más inteligente, sostenible y equitativo. 

 

1. MARCO CONCEPTUAL 

La inteligencia geoespacial dentro de todo su campo de aplicación, en este contexto particular, se refiere a la capacidad de capturar, analizar y utilizar datos espaciales para la toma de decisiones informadas sobre el territorio. Utiliza tecnologías avanzadas para integrar información geográfica con análisis de datos, permitiendo una comprensión más profunda del entorno y facilitando la planificación y gestión efectivas. En este contexto, la inteligencia geoespacial no solo se limita a la representación visual de datos en mapas, sino que también involucra la capacidad de modelar escenarios futuros, identificar patrones ocultos y realizar análisis predictivos. 

Aspectos clave: 

Modelado 3D y Ortorectificación: La generación de modelos tridimensionales y ortofotos a partir de datos obtenidos por drones proporciona una representación detallada y precisa del territorio, esencial para la actualización de censos y la planificación urbana. 

Análisis Espacial Avanzado: La integración de datos geoespaciales permite realizar análisis espaciales complejos, como la identificación de cambios en el uso del suelo y la detección de nuevas construcciones, lo que facilita una fiscalización más efectiva. 

El machine learning, o aprendizaje automático, es una subdisciplina de la inteligencia artificial que se centra en desarrollar algoritmos capaces de aprender de los datos y hacer predicciones o tomar decisiones sin intervención humana explícita. En la gestión territorial, el machine learning se aplica para automatizar la detección de patrones, realizar clasificaciones y prever tendencias basadas en grandes volúmenes de datos. 

Aspectos clave: 

Detección Automatizada de Cambios: Algoritmos de machine learning permiten identificar automáticamente cambios en las huellas constructivas y patrones de generación de residuos, basándose en datos históricos y en tiempo real. 

Predicción y Modelado: La capacidad predictiva de los modelos de machine learning ayuda a anticipar futuros patrones de crecimiento urbano y generación de residuos, permitiendo una planificación y gestión proactiva. 

La combinación de inteligencia geoespacial y machine learning ofrece un enfoque integral para la gestión urbana. La integración de datos geoespaciales con algoritmos de aprendizaje automático permite una visión más precisa y dinámica del entorno, mejorando la capacidad para realizar análisis complejos y tomar decisiones basadas en evidencia. 

Beneficios Innovadores: 

Optimización de Recursos: Permite una asignación más eficiente de recursos para la gestión de residuos y la fiscalización tributaria, al identificar áreas de alto impacto y necesidades específicas. 

Políticas Públicas Basadas en Datos: Facilita la formulación de políticas públicas informadas por datos precisos y actualizados, promoviendo una gestión más efectiva y sostenible del territorio. 

Sostenibilidad y Eficiencia: Contribuye a un desarrollo urbano más sostenible al proporcionar herramientas para una planificación y gestión más precisa, reduciendo el impacto ambiental y mejorando la calidad de vida en las comunidades. 

 

1. TECNOLOGIAS UTILIZADAS 

 Dron DJI Mavic 3E RTK 

Descripción: El DJI Mavic 3E RTK es un dron de última generación equipado con tecnología de posicionamiento en tiempo real (RTK), que ofrece alta precisión en la captura de imágenes aéreas. Esta tecnología es crucial para obtener datos geoespaciales detallados y precisos. 

Especificaciones: Incluye 5 baterías para asegurar una autonomía prolongada durante los vuelos fotogramétricos, maximizando la cobertura del área de estudio. 

Antena de Medición Continua GNSS 

Descripción: Utilizada para la corrección de las imágenes capturadas por el dron, esta antena asegura una precisión submétrica en la georreferenciación de los datos, alineando las imágenes con los datos geodésicos del Instituto Geográfico Nacional. 

Función: Mejora la exactitud espacial de los modelos y ortofotos generadas. 

Equipo de Computo 

Laptop Alienware X17 R1 

Descripción: Esta laptop de alto rendimiento está equipada con un procesador Intel Core i7 de 11ª generación, 32 GB de RAM y una tarjeta gráfica NVIDIA GeForce RTX 3080, lo que permite procesar grandes volúmenes de datos fotogramétricos y realizar análisis complejos de manera eficiente. 

Función: Se utiliza para el procesamiento de imágenes y el análisis geoespacial. 

Software de Análisis Geoespacial 

1. METODOLOGÍA 

La metodología de este estudio combina técnicas avanzadas de inteligencia geoespacial y machine learning para abordar los desafíos en la gestión de residuos sólidos y fiscalización tributaria. A continuación, se detalla el enfoque innovador empleado: 

Planificación y Ejecución del Vuelo Fotogramétrico 

Área de Estudio: La investigación se centra en una capa envolvente de 16.788 kilómetros cuadrados en el distrito de Quesada, subdividida en 5 sectores de 3.36 km² para una cobertura exhaustiva. 

Configuración del Vuelo: Utilizando el dron DJI Mavic 3E RTK, se realizaron 15 vuelos a una altura de 251 metros, con una resolución espacial de 6.61 cm/pix y precisión de imagen de 12.56 cm. Estos vuelos generaron un volumen significativo de imágenes aéreas de alta calidad. 

Procesamiento y Corrección de Datos 

Corrección GNSS: Las imágenes obtenidas fueron corregidas con la antena GNSS para mejorar la precisión de la georreferenciación y garantizar la integración exacta de los datos espaciales. 

Generación de Modelos 3D: Utilizando Agisoft Metashape, se crearon modelos tridimensionales detallados y ortofotos a partir de las imágenes capturadas. Estos modelos proporcionan una representación precisa del área de estudio. 

Aplicación de Inteligencia Geoespacial 

Análisis Espacial Avanzado: Se emplearon sistemas SIG (QGIS) para analizar los modelos 3D y las ortofotos. Este análisis incluye la identificación y clasificación de usos del suelo y construcciones, facilitando una actualización precisa del censo de residuos sólidos. 

Detección de Cambios: La inteligencia geoespacial permite monitorear y visualizar cambios en la infraestructura y el uso del suelo, proporcionando una base sólida para la actualización de datos y la toma de decisiones estratégicas. 

Integración de Machine Learning 

Automatización de la Detección: Se implementaron algoritmos de machine learning para automatizar la identificación de huellas constructivas y patrones de generación de residuos. Estos algoritmos procesan grandes volúmenes de datos para detectar cambios en la infraestructura y prever tendencias en la generación de residuos. 

Modelos Predictivos: Los modelos de machine learning fueron entrenados con datos históricos y actuales para predecir patrones futuros de crecimiento urbano y generación de residuos. Esta capacidad predictiva permite una gestión proactiva y una planificación más eficaz. 

Optimización de la Fiscalización y Recaudación 

Análisis Predictivo: Utilizando los datos generados y las predicciones de machine learning, se optimiza la fiscalización y recaudación tributaria al identificar áreas de alta actividad y necesidades específicas en la gestión de residuos. 

Mejora de Políticas Públicas: Los resultados obtenidos proporcionan información valiosa para la formulación de políticas públicas basadas en datos, mejorando la eficiencia en la gestión de residuos y la fiscalización tributaria. 

Implementación y Validación 

Validación de Resultados: Los datos procesados y las predicciones se validan con datos de campo y observaciones directas para asegurar la precisión y la aplicabilidad de los modelos desarrollados. 

Adaptación y Ajustes: Se realizan ajustes en los modelos y algoritmos en función de los resultados obtenidos durante la validación, garantizando la adaptabilidad y mejora continua del sistema. 

Este enfoque metodológico innovador combina las capacidades avanzadas de la inteligencia geoespacial con el poder predictivo del machine learning, ofreciendo una solución integral y eficaz para los desafíos en la gestión de residuos sólidos y fiscalización tributaria. La integración de estas tecnologías no solo mejora la precisión y eficiencia de los procesos, sino que también establece un modelo replicable para otras regiones con desafíos similares. 

1. INNOVACIÓN EN EL ANALISIS DE DATOS. 

El enfoque vanguardista en el análisis de datos, marcando un hito en la gestión territorial y la planificación urbana. La implementación algoritmos de machine learning de última generación, como redes neuronales convolucionales (CNN) para automatizar la identificación de construcciones a partir de las ortofotos generadas. Esta automatización no solo acelera el proceso de actualización del censo de residuos sólidos, sino que también minimiza la posibilidad de errores humanos, asegurando una mayor precisión y confiabilidad en los datos. 

La integración de estas tecnologías avanzadas de análisis de datos representa un cambio de paradigma en la forma en que se aborda la gestión territorial. Al automatizar procesos clave y proporcionar información detallada y precisa sobre el territorio, se sientan las bases para una toma de decisiones más informada, eficiente y sostenible. 

El uso de machine learning permite no solo identificar construcciones existentes, sino también detectar cambios en las huellas constructivas a lo largo del tiempo, lo que facilita la identificación de nuevas edificaciones o modificaciones no registradas. Esta capacidad de monitoreo continuo brinda una herramienta poderosa para la fiscalización tributaria y el control del crecimiento urbano. 

La innovación en el  uso de la IA no solo beneficia a la gestión de residuos y la fiscalización tributaria en la Municipalidad de San Carlos, sino que también tiene el potencial de ser replicada en otros contextos, mejorando la planificación y gestión urbana en otros municipios del país. La combinación de inteligencia geoespacial y machine learning ofrece una visión holística y dinámica del territorio, permitiendo una toma de decisiones basada en evidencia y promoviendo un desarrollo más sostenible y equitativo.  

1. BENEFICIOS. 

La implementación de este enfoque innovador en la gestión territorial y la planificación urbana ofrece una serie de beneficios significativos para la Municipalidad de San Carlos: 

1. Mejora en la eficiencia de la gestión de residuos sólidos: La identificación precisa de las huellas constructivas y la clasificación de los usos del suelo permiten una mejor planificación de las rutas de recolección y una asignación más eficiente de los recursos, lo que se traduce en una reducción de costos y un servicio más efectivo para la comunidad. 

1. Optimización de la fiscalización tributaria y aumento en la recaudación: La detección automatizada de cambios en las construcciones y la actualización constante del censo de residuos sólidos facilitan la identificación de propiedades no registradas o con datos desactualizados, lo que permite una fiscalización más precisa y un aumento en la recaudación de impuestos municipales. 

1. Toma de decisiones basada en datos en tiempo real: El monitoreo continuo de los cambios en la infraestructura urbana y los patrones de generación de residuos proporciona información actualizada y confiable para la toma de decisiones estratégicas, permitiendo una gestión proactiva y adaptativa a las necesidades cambiantes de la comunidad. 

1. Promoción del desarrollo sostenible: La planificación urbana basada en datos precisos y el control efectivo del crecimiento urbano contribuyen a un desarrollo más sostenible, minimizando el impacto ambiental y mejorando la calidad de vida de los habitantes de Quesada. 

1. Modelo replicable para otras regiones: El enfoque metodológico desarrollado en esta investigación puede servir como modelo para otras municipalidades y regiones que enfrentan desafíos similares en la gestión de residuos y la fiscalización tributaria, promoviendo la adopción de tecnologías innovadoras para mejorar la eficiencia y la sostenibilidad en la gestión territorial. 

 

1. IMPACTO EN LA POLITICA PUBLICA. 

El compromiso del alcalde Ing. Juan Diego González Picado y la colaboración interdepartamental entre Hacienda, Tecnologías de la Información, Administración Tributaria, Catastro y Censos, y Servicios Públicos, sienta las bases para una transformación significativa en la política pública de la Municipalidad de San Carlos. Los datos precisos y actualizados sobre huellas constructivas, usos del suelo y patrones de generación de residuos, obtenidos mediante el uso de tecnologías innovadoras, permitirán: 

• Formulación de políticas de gestión de residuos más eficientes y sostenibles: El análisis detallado de los patrones de generación de residuos permitirá diseñar rutas de recolección optimizadas, implementar programas de reciclaje diferenciados por zonas y promover prácticas de reducción y reutilización de residuos, fomentando una cultura de sostenibilidad en la comunidad. 

• Fortalecimiento de la fiscalización tributaria y mejora en la recaudación: La identificación precisa de construcciones y la detección de cambios en las mismas proporcionarán información crucial para la actualización catastral y la detección de evasión fiscal, garantizando una mayor equidad en el sistema tributario y un aumento en los ingresos municipales. 

• Planificación urbana basada en evidencia: La capacidad de monitorear el crecimiento urbano y prever patrones futuros permitirá una planificación territorial más efectiva, anticipando las necesidades de infraestructura y servicios, y promoviendo un desarrollo urbano ordenado y sostenible. 

• Toma de decisiones informada y transparente: La disponibilidad de datos precisos y actualizados fomentará una gestión municipal más transparente y basada en evidencia, facilitando la participación ciudadana en la toma de decisiones y fortaleciendo la confianza en la administración pública. 

 

1. CONCLUSIONES. 

Este estudio ha demostrado el potencial transformador de la integración de la inteligencia geoespacial y el machine learning en la gestión territorial y la planificación urbana. Mediante el uso de drones de alta precisión y algoritmos avanzados de análisis de datos, se ha logrado una mejora significativa en la precisión y eficiencia de procesos clave como la actualización del censo de residuos sólidos y la fiscalización tributaria en el distrito de Quesada. 

La capacidad de identificar y clasificar automáticamente construcciones y usos del suelo, así como de monitorear cambios en la infraestructura urbana y prever patrones de generación de residuos, brinda a la Municipalidad de San Carlos herramientas poderosas para una toma de decisiones más informada, proactiva y sostenible. 

Los beneficios de este enfoque innovador son múltiples: una gestión de residuos más eficiente, una mayor recaudación tributaria, un control efectivo del crecimiento urbano y la promoción de un desarrollo más sostenible. Además, la colaboración interdepartamental y el apoyo de las autoridades locales han sido fundamentales para el éxito de esta investigación, demostrando el valor del trabajo en equipo y la adopción de tecnologías emergentes en la administración pública. 

Este estudio no solo ofrece soluciones concretas a los desafíos actuales en Quesada, sino que también sienta las bases para un modelo replicable en otras regiones, impulsando la transformación digital de la gestión territorial y la planificación urbana en beneficio de las comunidades y el medio ambiente. La combinación de inteligencia geoespacial y machine learning se posiciona como una herramienta clave para construir ciudades más inteligentes, sostenibles y equitativas en el siglo XXI. 

Queda abierta la puerta a futuras investigaciones que exploren aún más el potencial de estas tecnologías, así como a la implementación de políticas públicas basadas en datos que permitan aprovechar al máximo los beneficios de este enfoque innovador. La gestión territorial del futuro se vislumbra como un campo dinámico y en constante evolución, donde la integración de tecnologías de vanguardia y la colaboración interdisciplinaria serán fundamentales para alcanzar un desarrollo urbano sostenible y resiliente. 

1. RECOMENDACIONES. 

Con base en los hallazgos y resultados de esta investigación, se proponen las siguientes recomendaciones para fortalecer la gestión territorial y la planificación urbana en Quesada y otras regiones: 

1. Inversión continua en tecnologías emergentes: Es fundamental que las municipalidades y entidades gubernamentales continúen invirtiendo en tecnologías como drones, sensores remotos y software de análisis geoespacial y machine learning. Estas herramientas permiten obtener datos precisos y actualizados sobre el territorio, facilitando la toma de decisiones informadas y la implementación de políticas públicas efectivas. 

1. Fortalecimiento de la capacidad técnica y humana: Es necesario capacitar al personal municipal en el uso de estas tecnologías y en el análisis de datos geoespaciales. La formación continua y la actualización de conocimientos son esenciales para aprovechar al máximo el potencial de estas herramientas y garantizar su aplicación efectiva en la gestión territorial. 

1. Fomento de la colaboración interinstitucional: La integración de datos y conocimientos provenientes de diferentes áreas de la administración pública es crucial para una gestión territorial eficiente y sostenible. Se recomienda establecer mecanismos de colaboración y coordinación entre los distintos departamentos municipales, así como con otras entidades gubernamentales y actores clave del territorio. 

1. Desarrollo de marcos normativos y regulatorios: Es importante contar con un marco normativo y regulatorio claro y actualizado 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 equitativo a la información. 

1. Promoción de la participación ciudadana: 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 implementar mecanismos que permitan a la comunidad acceder y utilizar los datos geoespaciales generados, promoviendo así una gestión territorial más inclusiva y democrática. 

1. Investigación y desarrollo continuos: Es importante seguir investigando y desarrollando nuevas aplicaciones de la inteligencia geoespacial y el machine learning en la gestión territorial, explorando su potencial para abordar otros desafíos urbanos como la movilidad, la seguridad 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 alcanzar un desarrollo urbano resiliente y adaptado a los desafíos del siglo XXI. 

 

1. BIBLIOGRAFÍA 

Pérez, Luis. Inteligencia Artificial en el campo geoespacial, reflexiones y especulaciones. Revista Geom@il, no. 39, agosto 2024. https://geomailblog.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 Management, 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 

 

1. 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, graduado de la Universidad Nacional de Costa Rica. A lo largo de su carrera, ha ejercido como docente en la Universidad Isaac Newton, donde imparte asignaturas a estudiantes de ingeniería civil.  

En el ámbito laboral, ha trabajado en diversas instituciones, destacándose su labor en la Unidad Técnica de Gestión Vial de la Municipalidad de San Rafael de Heredia y en el Departamento de Catastro y Censos de la Municipalidad de San Carlos, donde actualmente ocupa el cargo de Jefe del Departamento 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 Convolucionales y RPAS para la Detección Automática de Plantas de Piña en Costa Rica: Mejorando la Producción Agrícola». Además, Andrés es Máster en Aplicaciones Operativas de Drones en Ingeniería y actualmente está cursando un máster en BIM (Building Information Modeling) aplicado a la ingeniería civil. 

Es un piloto certificado por la Dirección General de Aviación Civil desde 2021. En 2022, participó como ponente en el XVI Congreso Internacional de Topografía, Catastro, Geodesia y Geomática, presentando su trabajo sobre «Aplicación de Redes Neuronales Convolucionales de Última Generación en la Detección Automática de Plantas de Piña a partir de Imágenes con RPAS». 

Ese mismo año, fue beneficiado con fondos no reembolsables otorgados por el Sistema de Banca para el Desarrollo y la Fundación de la Cordillera Volcánica Central a través del programa Sinergia-Fundecor. Con estos fondos, fundó Agroint S.R.L., una empresa especializada en inteligencia geoespacial aplicada a la agricultura y el medio ambiente, y desarrolló la plataforma geoespacial AgroIDE. 

Andrés también forma parte de la Comisión de Ingeniero Joven del Colegio de Ingenieros Topógrafos de Costa Rica y es coordinador de la Comisión de Inteligencia Geoespacial de la misma institución. 

 

Rigoberto Alejandro Moreno Vázquez es un profesional mexicano destacado en el campo de la ingeniería topográfica y la geomática. Posee una sólida formación académica, siendo: Técnico en Diseño y Construcción, Ingeniero Topógrafo, Maestro en Ingeniería del Agua y la Energía y Doctor en Desarrollo, actualmente cursa la Maestría en Ingeniería Geomática y Geo Información. 

Su área de investigación se centra en los métodos de enseñanza y las aplicaciones de la Geomática. A lo largo de su carrera, ha adquirido una amplia experiencia en este campo, complementada con la realización de varios diplomados y especializaciones en información geoespacial, inteligencia artificial y valuación, tanto en México como en el extranjero. 

 Se enorgullece de ser reconocido a nivel internacional como conferencista en temas de topografía, geodesia y geomática. Ha tenido la oportunidad de impartir seminarios y talleres en diversos países de América Latina y el Caribe, y ha contribuido con diversas publicaciones en su área de especialización. 

Además de su labor académica e investigativa, participa activamente en diferentes grupos, entre los que destacan: FIG, UN-GGIM:ANA, APPAT, GRSS y el IEEE. Recientemente, el IEEE le ha otorgado el grado de Senior, lo cual refleja su destacada trayectoria y aportes en el campo de la Ingeniería. Así como en 2024 fue reconocido como uno de los 50 talentos geoespaciales a nivel mundial por la iniciativa Geospatial World. 

 Con más de 22 años de experiencia profesional, ha trabajado en numerosos proyectos tanto en el sector público como en el privado. Actualmente, ocupa el cargo de Secretario Técnico del Comité de Innovación de la Coordinación de Proyectos de Transmisión y Transformación de la Comisión Federal de Electricidad del Gobierno de México. Además, tiene el privilegio de ser profesor en la carrera de Ingeniería en Topografía y Geomática en la Universidad de Guadalajara. También imparte catedra en la Maestría en Sistemas de Información Geográfica y Teledetección de la Universidad del Pacifico en Paraguay. 

 Es un agente de la Innovación y desarrollo tecnológico, un profesional comprometido con las buenas prácticas y la mejora continua de las técnicas y metodologías de Topografía, Geodesia, Agrimensura y Geomática. Es responsable con la sociedad y el medio ambiente, y está inmerso en la actualización constante e investigación.