🔗 MCP + Ollama + Google Earth Engine
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
⚙️ Configuración del entorno y ejecución
Secuencia completa para preparar el entorno con conda, instalar dependencias, levantar Ollama y ejecutar el agente MCP:
# 1. Crear entorno conda con Python 3.11 conda create -n tel-env python=3.11 # 2. Activar entorno conda activate tel-env # 3. Actualizar pip python -m pip install --upgrade pip # 4. Instalar API de Earth Engine y visualización pip install earthengine-api pip install geemap # 5. Instalar MCP y cliente Ollama (Python) pip install mcp pip install ollama # 6. Descargar y ejecutar modelo local (ejemplo qwen2.5:7b) ollama run qwen2.5:7b # 7. (Opcional) Probar conexión / ejecutar servidor MCP python main.py # Para salir del entorno cuando termines conda deactivate # o simplemente cerrar terminal salir
ℹ️ Asegúrate de haber ejecutado earthengine authenticate previamente y de inicializar Earth Engine con tu proyecto.
📦 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.
🗣️ Prompts avanzados para análisis geoespacial
Ejemplos reales de instrucciones que el sistema MCP + Ollama + GEE puede procesar automáticamente:
🧭 Análisis geomorfológico de pendientes – Cuenca Aruntaya
Prompt del usuario:
"Por favor, ejecuta un análisis geomorfológico de pendientes para la zona de la Cuenca Aruntaya. Los parámetros geográficos son: latitud -16.5048 y longitud -68.0844. Registra el proyecto bajo el nombre 'analisis_pendientes_aruntaya'. Necesito que el servidor procese el Hillshade y el mapa de pendientes en grados, mostrando en la terminal el valor de la pendiente media calculada."
✅ Resultado esperado: mapa de sombreado (hillshade), pendiente en grados y valor medio impreso en consola.
💧 Monitoreo hídrico con NDWI – Sector Aruntaya 2025
Prompt del usuario:
"Realiza un análisis de índices ráster NDWI para evaluar la presencia de agua e inundaciones históricas en el sector de Aruntaya, usando las coordenadas latitud -16.5048 y longitud -68.0844. Identifica el estudio como 'monitoreo_hidrico_ndwi' para el año 2025. El sistema debe filtrar las nubes, calcular la respuesta espectral y desplegar la máscara de agua activa en el visor interactivo."
✅ Resultado esperado: capa NDWI, máscara de agua y visualización interactiva.
🌊 Delimitación hidrológica de cuenca – Aruntaya DEM
Prompt del usuario:
"Activa la herramienta de análisis hidrológico basado en el DEM para la Cuenca Aruntaya en la ubicación latitud -16.500 y longitud -68.150. Asigna al estudio el nombre 'delimitacion_cuenca_test'. Asegúrate de que el sistema cargue el límite vectorial de la cuenca hidrográfica correspondiente y despliegue la altimetría del terreno en el mapa base."
✅ Resultado esperado: delimitación de cuenca, capa vectorial y mapa de elevación.
🌍 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.
