
Durante la mayor parte de su historia, los SIG respondieron a preguntas sobre un estado del mundo que ya se había registrado: un levantamiento, un censo, una imagen adquirida el mes pasado. Los SIG en tiempo real responden a preguntas sobre lo que está ocurriendo ahora. El cambio no es solo técnico: modifica para qué sirve un mapa, cómo se almacenan los datos y qué significa que un resultado sea correcto.
¿Qué son los SIG en tiempo real?
Un SIG en tiempo real ingiere, procesa y muestra datos de ubicación de forma continua a medida que llegan los eventos, en lugar de hacerlo en lotes programados. Un vehículo comunica su posición cada pocos segundos, un sensor de nivel de agua envía una lectura cada minuto, el transpondedor de una aeronave emite de forma continua, y el mapa refleja el último valor sin que nadie tenga que abrir un archivo.
La definición práctica tiene que ver con la latencia en relación con la decisión. Despachar una ambulancia requiere posiciones de hace segundos; la vigilancia de las aguas subterráneas puede considerarse en tiempo real con actualizaciones cada hora. Diseñar para una latencia menor de la que exige la decisión añade coste sin añadir valor.
SIG por lotes frente a SIG en tiempo real
Característica | SIG tradicional | SIG en tiempo real |
Ciclo de actualización | Programado: de horas a años | Continuo: de segundos a minutos |
Pregunta central | Qué hay | Qué está ocurriendo ahora |
Unidad de datos | Conjunto de datos o capa | Evento u observación |
Arquitectura | Archivos y bases de datos | Intermediarios de mensajes y procesadores de flujos |
Análisis | Se ejecuta bajo demanda | Se ejecuta de forma continua con cada evento |
Actualización del cliente | Actualización o recarga de la capa | Envío push por WebSocket o MQTT |
Almacenamiento | Conjuntos de datos completos | Estado reciente, agregados, archivo |
Volumen típico | Menos archivos, más grandes | Muchos mensajes pequeños |
Fallo típico | Datos desactualizados | Lagunas, latencia, eventos duplicados o tardíos |
Productos típicos | Mapas e informes | Paneles, alertas, geocercas |
Valor en el tiempo | Estable durante años | A menudo pierde valor en minutos |
De dónde proceden los datos en vivo
El seguimiento de flotas y activos es la mayor fuente: receptores GNSS en vehículos, maquinaria y dispositivos de campo que informan de su posición, velocidad y estado. Los operadores de transporte público publican el mismo tipo de datos mediante GTFS-Realtime, que transmite posiciones de vehículos, actualizaciones de viajes y avisos de servicio en un formato que la mayoría de los planificadores de rutas ya utilizan.
Las redes de sensores cubren el medio ambiente y las infraestructuras: nivel del agua, calidad del aire, humedad del suelo, aforos de tráfico, monitorización estructural, contadores y puntos SCADA de las empresas de servicios. La aviación y el transporte marítimo aportan ADS-B y AIS, dos de las pocas fuentes globales en vivo de acceso abierto, y los informes colaborativos, la telemetría de vehículos conectados y la programación de satélites de revisita rápida completan el resto.
Cómo llegan los datos al mapa
La capa de transporte es lo que distingue un sistema en tiempo real de una actualización rápida. MQTT domina en el lado de los dispositivos porque es lo bastante ligero para hardware limitado y sigue un modelo de publicación y suscripción, de modo que un cliente recibe solo los temas que ha solicitado. Kafka gestiona la parte central de gran volumen de la cadena, manteniendo un registro ordenado y reproducible de eventos para que un consumidor que se queda atrás pueda ponerse al día en lugar de perder datos.
Hacia el navegador, los WebSockets y los server-sent events envían las actualizaciones al cliente, lo que evita el patrón de sondeo en el que un mapa solicita la misma capa cada pocos segundos y recibe datos casi sin cambios. El sondeo sigue teniendo su lugar en las fuentes de baja frecuencia, donde una solicitud por minuto es más sencilla que mantener una conexión persistente.
Procesamiento del flujo
En un sistema de streaming, el análisis se ejecuta sobre cada evento y no sobre una tabla. Las operaciones habituales son el filtrado, que descarta los eventos irrelevantes antes de que lleguen al almacenamiento; las geocercas, que comprueban si un objeto en movimiento ha entrado en un área, ha salido de ella o permanece dentro; y la agregación por ventanas, que calcula recuentos y promedios sobre un intervalo móvil, como los últimos cinco minutos.
El procesamiento basado en trayectorias es lo que lo diferencia del análisis espacial corriente. Los eventos pertenecen a una trayectoria identificada por el ID de un vehículo o de un sensor, y los valores derivados, como la velocidad, el rumbo, la distancia desde la última parada o el intervalo sin incidencias, dependen del evento anterior de esa trayectoria. Por eso las plataformas de streaming exigen un identificador de trayectoria para la mayoría de sus herramientas, y por eso los eventos que llegan desordenados requieren un tratamiento explícito.
Almacenar lo que fluye
Los sistemas en tiempo real suelen mantener tres capas de datos con distintas duraciones. El estado actual contiene un registro por cada objeto seguido y es lo que muestran la mayoría de los mapas; una ventana de historial reciente de horas o días permite la reproducción y el análisis a corto plazo; y un archivo conserva datos submuestreados o agregados para el estudio a largo plazo.
La retención debe diseñarse antes de activar la fuente de datos. Mil vehículos que informan cada cinco segundos generan unos diecisiete millones de registros al día, y guardar cada punto a resolución completa durante años rara vez responde a una pregunta que un resumen no pueda responder. Lo habitual es aligerar el archivo por tiempo o distancia y conservar el detalle completo solo para los incidentes y los periodos que se investigan.
Estándares y herramientas
En el ámbito abierto, la OGC SensorThings API es el estándar de referencia para los datos de sensores: un modelo de datos REST con una extensión MQTT para suscripciones, publicado en las versiones 1.0 y 1.1, con la extensión STAplus añadida en 2023 y la versión 2.0 en desarrollo. FROST-Server es la implementación de código abierto más extendida, y una pila abierta típica la combina, o combina Kafka, con PostGIS y un cliente basado en MapLibre o deck.gl.
En el ecosistema de Esri, el panorama cambió en 2026. ArcGIS Velocity, que antes solo estaba disponible como extensión de ArcGIS Online, se lanzó para ArcGIS Enterprise autoalojado en Windows y Linux con ArcGIS Enterprise 12.1. Al mismo tiempo, ArcGIS GeoEvent Server quedó obsoleto: su última versión está prevista con ArcGIS Enterprise 12.3 en 2027 y se eliminará en la versión 12.4, prevista para noviembre de 2027. Las organizaciones que aún utilizan flujos de trabajo de GeoEvent disponen de un margen definido, pero limitado, para migrar.
Visualización de datos en vivo
El primer problema es que la frecuencia de actualización y la frecuencia de fotogramas útil son cosas distintas. Redibujar miles de símbolos en movimiento tan rápido como llegan los mensajes consume recursos sin ayudar a nadie a leer el mapa, por lo que los clientes suelen almacenar las actualizaciones en búfer, redibujar a intervalos fijos e interpolar el movimiento entre informes.
El segundo es que un mapa en vivo tiene que mostrar su propia fiabilidad. El símbolo de un vehículo que informó por última vez hace diez minutos parece idéntico al de uno que informó hace un segundo, a menos que la antigüedad se codifique deliberadamente mediante un desvanecimiento, una etiqueta explícita de antigüedad o su eliminación tras un tiempo de espera. Los operadores confían en un mapa que reconoce cuándo no sabe algo.
El tercero es la densidad. A escala urbana, los puntos individuales se convierten en una masa compacta, por lo que la agrupación, las superficies de calor o la agregación por tramos y zonas suelen comunicar más que las posiciones en bruto, mostrando los objetos individuales al acercar el zoom o al seleccionarlos.
Errores frecuentes
El error más común es transmitir todo a la máxima frecuencia disponible porque el hardware lo permite. La ingesta, el almacenamiento y el volumen de alertas crecen con esa decisión, y reducir el intervalo de notificación a lo que realmente necesita la decisión suele ser el mayor ahorro de costes posible.
El segundo es tratar la última posición recibida como la posición actual. Entre dos informes, el vehículo se ha movido; durante un corte de red, puede haberse desplazado mucho. Cualquier análisis basado en trayectorias en vivo debe llevar la hora de la observación junto con la posición y tratar los datos antiguos como una estimación.
El tercero es el diseño de las alertas. Las geocercas que se disparan en cada cruce de límite generan un ruido que los operadores aprenden rápidamente a ignorar; exigir un tiempo de permanencia, aplicar histéresis alrededor del límite o fijar un intervalo mínimo entre notificaciones convierte un flujo de alarmas en algo sobre lo que una persona puede actuar.
Preguntas frecuentes
¿Un SIG en tiempo real requiere una plataforma especial?
No necesariamente. Las fuentes de bajo volumen pueden gestionarse con una base de datos, una tarea programada y un mapa web. Las plataformas de streaming dedicadas se vuelven necesarias cuando la frecuencia de eventos, el análisis continuo o la entrega garantizada superan lo que puede sostener una arquitectura basada en sondeo.
¿Qué latencia es aceptable?
Depende de la decisión que respalde el mapa. La respuesta a emergencias trabaja en segundos, las operaciones de flota en decenas de segundos y la vigilancia ambiental en minutos u horas. El requisito debe fijarse explícitamente, porque determina toda la arquitectura.
¿Qué ocurre con los eventos que llegan desordenados?
Hay que tratarlos de forma deliberada. Las plataformas de streaming ordenan los eventos por un campo de hora del evento y no por la hora de llegada, y aceptan una ventana de retraso definida; pasada esa ventana, los eventos muy tardíos se descartan o se envían a un proceso de corrección independiente.
¿Se pueden usar datos en tiempo real para informes oficiales?
Normalmente solo después de validarlos. Las fuentes en vivo contienen lagunas, duplicados y errores de sensores, por lo que las cifras para los informes suelen obtenerse de un archivo depurado, mientras que la vista en vivo sirve a las operaciones.
¿Un panel es lo mismo que un SIG en tiempo real?
No. Un panel es una forma de mostrar resultados y puede actualizarse desde una fuente estática. El SIG en tiempo real se refiere a la cadena que hay detrás, en la que los eventos se ingieren y analizan de forma continua a medida que llegan.
Conclusiones clave
Los datos en vivo convierten el mapa de un registro en un instrumento. En lugar de describir un estado que se levantó en su día, muestra una situación que aún está evolucionando, lo que hace que la latencia, las lagunas y la antigüedad de los datos formen parte de la calidad de los datos y no sean meros detalles técnicos. Un mapa en tiempo real solo es tan fiable como su capacidad de mostrar lo que en ese momento no sabe.
Lo que hace que estos sistemas funcionen es la contención en el diseño: intervalos de notificación ajustados a las decisiones, una retención planificada antes de que llegue el primer evento, alertas que se disparan con la suficiente rareza como para leerse y una visualización que agrega en lugar de dibujarlo todo. La tecnología ya es accesible tanto desde el código abierto como desde las soluciones comerciales, y lo más difícil es decidir qué preguntas necesitan realmente una respuesta medida en segundos.



