API de geolocalización de fotos: qué puede y qué no puede decirte

El nombre genera confusión antes de escribir una sola línea de código. La Geolocation API del navegador indica dónde está un dispositivo ahora mismo, y solo después de que el usuario dé permiso. Una API de geolocalización de fotos responde a otra pregunta sobre otra entrada: ¿dónde se tomó esta imagen? La imagen puede tener diez años y venir de cualquier parte de la Tierra.

Otras tres tecnologías vecinas también se describen como «localizar una foto»: leer los metadatos GPS, la búsqueda inversa de imágenes y la detección de lugares emblemáticos. Devuelven cosas distintas y fallan de formas distintas, así que conviene saber qué pregunta hace de verdad tu producto antes de elegir una.

Muchos sistemas de investigación lo tratan como un problema de clasificación. PlaNet, un modelo de 2016 de investigadores de Google, dividió la superficie de la Tierra en miles de celdas y entrenó una red con millones de fotos con geoetiqueta para predecir a qué celda pertenece una imagen. El resultado es una probabilidad repartida por todo el globo. La foto de un tranvía de Lisboa concentra esa probabilidad en un solo lugar; la foto de un pinar la reparte, muy diluida, por varios continentes. Una puntuación de confianza es, en la práctica, un resumen de ese reparto.

El detalle que más importa para el diseño del producto es que no hace falta que nada exista en línea. La API funciona con una foto que nunca se ha publicado y puede devolver una respuesta incluso cuando las pruebas son débiles, por lo que la puntuación importa tanto como el lugar. Cómo lee un modelo una escena se explica aparte; esta guía trata de qué haces con el resultado.

La precisión también es desigual por diseño. PlaNet asignaba celdas más pequeñas a las zonas muy fotografiadas que a las poco fotografiadas, así que podía alcanzar precisión de calle en algunas zonas urbanas mientras que las regiones rurales caían en celdas mucho mayores. Espera que la mayoría de los modelos sean más precisos donde sus fotos de entrenamiento eran abundantes.

El GPS EXIF es una medición, no una estimación

Cuando un teléfono registra la ubicación, las coordenadas van a un bloque GPS específico de los datos EXIF, bajo etiquetas como GPSLatitude y GPSLongitude. GPS.gov sitúa la precisión típica de un smartphone en 4,9 m a cielo abierto. Ningún método visual se le acerca, así que un flujo sólido lee primero los metadatos y solo infiere cuando faltan. En las imágenes que han pasado por una red social suelen faltar, porque la recodificación al subir las elimina.

La búsqueda inversa de imágenes es una consulta

La detección web de Google Cloud Vision muestra cómo es esta categoría. Devuelve campos como fullMatchingImages, partialMatchingImages y pagesWithMatchingImages. Cuando existe una coincidencia, la página donde está suele nombrar el lugar sin rodeos, lo que supera a cualquier estimación. Cuando la foto es privada u original, no hay nada con qué compararla. La comparativa de buscadores cubre las versiones para el público general de la misma idea.

La detección de lugares emblemáticos reconoce sitios famosos

La detección de lugares emblemáticos de Cloud Vision «detecta estructuras populares, naturales y artificiales, dentro de una imagen». Cada resultado incluye una description con el nombre del lugar emblemático, un score, un boundingPoly que marca dónde está en el encuadre y una lista locations de coordenadas. El propio ejemplo de Google devuelve la catedral de San Basilio con una puntuación de 0,78.

Dos detalles sorprenden a los equipos. Una calle corriente no devuelve ningún lugar emblemático, así que la cobertura es estrecha. Y las coordenadas pueden describir el lugar emblemático y no la cámara: la referencia de Google señala que una ubicación puede describir la escena de la imagen mientras que otra describe dónde se tomó la foto. Quien fotografía la Torre Eiffel desde el otro lado del Sena puede estar a varios cientos de metros de las coordenadas de la propia torre.

La geolocalización de fotos estima una región para cualquier escena exterior

La inferencia visual es la única de las cuatro que tiene algo que decir sobre una calle anodina que nunca ha estado en línea. El coste es la precisión. La respuesta es una ciudad o región con una puntuación de confianza, nunca un punto medido, y un encuadre sin pruebas geográficas recibe una respuesta débil o ninguna.

El error de diseño que hay que evitar es fundir las coordenadas estimadas y el GPS EXIF en un único campo de ubicación. El código posterior, y las personas que leen su resultado, tratan entonces una conjetura a nivel de ciudad con la seguridad de una posición por satélite. Mantén separadas las ubicaciones medidas y las inferidas hasta la interfaz, y etiquétalas de forma distinta al mostrarlas.

Las coordenadas estimadas piden el mismo cuidado. Un punto devuelto para Oporto representa una zona de muchos kilómetros cuadrados. Si lo dibujas como un marcador con zoom de calle, los usuarios leerán una precisión que nunca existió.

Esa lista se corresponde directamente con la tabla de arriba. No contiene ninguna dirección postal, porque las pruebas visuales no pueden sostener una, y presenta la lectura de los metadatos junto a la estimación visual, no en lugar de ella.

No se han anunciado los endpoints, los precios, los límites de uso ni una fecha de lanzamiento, y nada de esta página debe leerse como una promesa sobre ellos. Si estás planeando una integración, solicita acceso anticipado desde la página de contacto y describe tu caso de uso.

Hasta entonces, la web es la vista previa más cercana del resultado con fotos reales. El análisis web viene con GeoSpy Premium, una suscripción de 7,99 dólares estadounidenses a la semana o 29,99 dólares estadounidenses al año que se renueva hasta que la canceles, y las fotos subidas no se almacenan.

• Comprobación de anuncios en marketplaces. Un alquiler vacacional anunciado en Barcelona cuyas fotos apuntan con fuerza a otro país merece una segunda mirada. Envía la discrepancia a un revisor en lugar de rechazar el anuncio de forma automática, y recuerda que las fotos de interiores, que son buena parte de cualquier anuncio, dan poco que leer a un modelo.
• Verificación en redacciones. Una imagen viral que dice mostrar una ciudad puede contrastarse con las pruebas del encuadre antes de que nadie la publique. La geolocalización solo responde «dónde», así que combínala con la búsqueda de copias anteriores, como se explica en cómo verificar una foto.
• Apps de viajes y de fotos. Las copias escaneadas y las imágenes exportadas suelen no llevar GPS. Una estimación puede sugerir la ubicación de un álbum o agrupar fotos en un viaje, siempre que la interfaz la presente como una sugerencia que el usuario confirma.
• Revisión de siniestros de seguros. Cuando un siniestro sitúa los daños en una localidad y las fotos apuntan claramente a otra parte, un perito tiene motivos para hacer preguntas. La estimación por sí sola no es motivo para denegar nada.
• Investigación. Cartografiar la distribución geográfica de un gran archivo de imágenes, o auditar un conjunto de entrenamiento en busca de sesgos regionales, requiere etiquetas gruesas a gran escala, que es justo lo que este método produce bien.

El patrón en los cinco casos es el mismo: la estimación señala, y una persona decide. Un producto que deja que una conjetura a nivel de ciudad desencadene un resultado automático hereda todos los errores del modelo, a escala. Un flujo de trabajo OSINT estructurado muestra dónde encaja una estimación entre el resto de comprobaciones.

Algunos de estos límites tienen que ver con las pruebas, no con el modelo. El artículo de PlaNet empieza señalando que es trivial construir situaciones en las que no se puede inferir ninguna ubicación. Una pared blanca, el baño de un hotel o un plato de comida no llevan geografía, y ningún aumento del tamaño del modelo lo cambia.

Los resultados de la investigación sirven como contraste con la realidad. Con 2,3 millones de fotos de Flickr, PlaNet ubicó el 10,1% a menos de 25 km, la distancia que su prueba de referencia considera nivel de ciudad. PIGEON, presentado en CVPR 2024 y entrenado con imágenes de Street View de GeoGuessr, ubicó más del 40% de sus intentos a menos de 25 km. Parte de esa diferencia se debe a métodos más nuevos, y parte a las fotos. Los fotogramas de Street View están llenos de marcas viales y carteles, mientras que una colección general de fotos contiene muchos fotogramas sin nada geográfico.

La geolocalización tampoco puede dar fe de una imagen. Una escena callejera generada por IA recibe igualmente una estimación del lugar al que más se parece. La API responde a «a qué lugar se parece esto», no a «es esto real».

1. Step 1Crea un conjunto de prueba con tráfico realLas imágenes de demostración se eligen para lucirse. Reúne unos cientos de fotos que se parezcan a las que enviarán tus usuarios, con ubicaciones reales conocidas, y mantén el conjunto fijo para comparar proveedores y versiones de forma justa. Las anécdotas también engañan: un prompt viral de 1100 palabras para ChatGPT impresionó a muchos de los que lo probaron, y sin embargo con un conjunto fijo de 200 fotos no funcionó mejor que uno corto.
2. Step 2Elimina el GPS antes de medirSi la API también lee metadatos, una foto de prueba con geoetiqueta mide al lector de metadatos y no al modelo. Elimina los datos EXIF de las copias de prueba o registrarás una puntuación perfecta que se esfuma en producción.
3. Step 3Puntúa con distancias fijasLas pruebas de referencia de la investigación cuentan un intento como correcto a menos de 1 km (calle), 25 km (ciudad), 200 km (región), 750 km (país) o 2500 km (continente). Una afirmación de precisión sin distancia asociada no se puede comparar con nada.
4. Step 4Mezcla ciudades y campoLa precisión tiende a seguir la densidad de las fotos de entrenamiento, así que un modelo preciso en las capitales puede ser impreciso en tierras de cultivo. Prueba ambos casos si tus usuarios envían ambos.
5. Step 5Incluye fotos sin nada que leerLos interiores, los primeros planos y los cielos despejados deberían volver con confianza baja. Una herramienta que nombra una ciudad con confianza alta a partir de una habitación de hotel hará lo mismo con tus usuarios.
6. Step 6Comprueba que la puntuación esté calibradaAgrupa los resultados por confianza y mide con qué frecuencia acertó cada grupo. Si las respuestas con puntuación superior a 0,8 no son claramente más precisas que las cercanas a 0,4, la puntuación no sirve para fijar umbrales.
7. Step 7Lee las condiciones sobre datosAverigua si las imágenes se almacenan, durante cuánto tiempo y si se usan para entrenar. Las fotos pueden considerarse datos personales, sobre todo cuando salen personas.