Una de las integraciones más potentes del Model Context Protocol (MCP) es su conexión con Google Earth Engine (GEE). Gracias a esta combinación, un modelo de inteligencia artificial ejecutado localmente con Ollama puede interactuar con la plataforma de análisis geoespacial de Google y automatizar tareas que normalmente requerirían escribir código manualmente.

En este escenario, el modelo de IA comprende las instrucciones del usuario en lenguaje natural y, mediante un servidor MCP, se comunica con la API oficial de Google Earth Engine para ejecutar procesos sobre imágenes satelitales, modelos digitales de elevación y cientos de conjuntos de datos geoespaciales disponibles en la plataforma.

¿Qué ventajas ofrece esta integración?

  • Automatiza procesos geoespaciales complejos.
  • Permite trabajar con imágenes Sentinel, Landsat, MODIS, ASTER y muchos otros productos.
  • Reduce el tiempo necesario para desarrollar scripts.
  • Facilita la interacción mediante lenguaje natural.
  • Combina el procesamiento local de Ollama con la capacidad de cómputo en la nube de Google Earth Engine.

Arquitectura del sistema

Usuario
    │
    ▼
Ollama (Modelo IA)
    │
    ▼
Cliente MCP
    │
    ▼
Servidor MCP
    │
    ▼
Google Earth Engine
    │
    ▼
Procesamiento Geoespacial
    │
    ▼
Resultados

Instalación de Google Earth Engine

Después de crear y activar el entorno de Python, instala la API oficial:

pip install earthengine-api

Para visualizar mapas de manera sencilla también es recomendable instalar Geemap:

pip install geemap

Autenticación

Antes de utilizar Google Earth Engine por primera vez debes autenticar tu cuenta de Google:

earthengine authenticate

El navegador solicitará autorización para acceder a tu cuenta. Una vez completado el proceso, el entorno quedará listo para utilizar la API.

Inicializar Google Earth Engine

import ee

ee.Initialize(project="TU_PROYECTO")

print("Google Earth Engine conectado correctamente")

Ejemplo de consulta mediante MCP

Usuario:

"Analiza la cobertura vegetal de mi cuenca utilizando Sentinel-2 durante los últimos cinco años, calcula el NDVI promedio y exporta los resultados a Google Drive."

El agente basado en MCP interpreta la solicitud, genera el código necesario, consulta Google Earth Engine, ejecuta el análisis y devuelve mapas, estadísticas y archivos listos para su uso.

Aplicaciones

🌱 Agricultura

Monitoreo de cultivos, índices de vegetación, humedad y productividad.

💧 Hidrología

Delimitación de cuencas, drenajes, pendientes y análisis hidrológico.

⛏ Exploración minera

Índices de alteración hidrotermal, análisis estructural y generación de mapas de prospectividad.

🌎 Medio ambiente

Deforestación, cambios de cobertura, incendios forestales y monitoreo ambiental.

Conclusión

La integración entre MCP, Ollama y Google Earth Engine representa un nuevo paradigma para el análisis geoespacial. Mientras Ollama ejecuta el modelo de inteligencia artificial de forma local, MCP actúa como intermediario entre el modelo y las herramientas externas, y Google Earth Engine aporta la capacidad de procesar petabytes de información satelital en la nube. Esta arquitectura permite desarrollar asistentes inteligentes capaces de automatizar flujos de trabajo completos, generar análisis reproducibles y acelerar la toma de decisiones en áreas como hidrología, agricultura, exploración minera, planificación territorial y monitoreo ambiental.

Etiquetas: MCP, Ollama, Google Earth Engine, GeoAI, Inteligencia Artificial, SIG, QGIS, Python, Automatización, Teledetección, Análisis Espacial.