Presentamos el Open Urban Planning Toolbox: una caja de herramientas digitales para la planificación urbana
Estas herramientas de código abierto utilizan el aprendizaje automático y los datos de colaboración masiva para avanzar el desarrollo urbano en América Latina y el Caribe.
“No tenemos datos sobre eso.” Solemos escuchar esta frase en los proyectos de desarrollo urbano que trabajamos con ciudades y países de América Latina y el Caribe. La falta de datos presenta un reto cuando consideramos que la población de la región ya es 80% urbana. Teniendo en cuenta la revolución digital, las ciudades de América Latina y el Caribe deberían estar preparadas para generar, analizar y difundir datos urbanos. Sin embargo, muchas veces nuestros socios no tienen las herramientas necesarias para hacer su trabajo diario más eficiente. Tareas como prestar servicios urbanos a áreas informales, identificar y asignar las tierras más adecuadas para el desarrollo al tiempo que protegen las áreas en riesgo, y trabajar con familias individuales para evaluar y mejorar las condiciones de vivienda, entre otras pueden resultar onerosas en tiempo y recursos. Gran parte de la tecnología existente para apoyar este trabajo es demasiado costosa, difícil de utilizar o no está diseñada para las condiciones específicas del contexto local.
Herramientas de código abierto para la planificación urbana en América Latina y el Caribe
Para atender esta realidad, la División de Vivienda y Desarrollo Urbano del BID ha desarrollado el Open Urban Planning Toolbox, una caja de herramientas que ofrece un conjunto de implementaciones de código abierto para respaldar cada paso del proceso de la planificación urbana, desde el diseño temprano hasta la ejecución y evaluación de proyectos. Los métodos y las funciones de las herramientas son mixtos; algunas utilizan técnicas como el aprendizaje automático y los datos generados por crowdsourcing. Finalmente, considerando la importancia de la “verificación en campo” (ground-truthing) de los datos y la comprensión de los desafíos urbanos a nivel de vecindario y hogar, también hemos adaptado un sistema digital de recolección de datos en el terreno para garantizar información más rápida y espacialmente precisa.
Todas las herramientas incluidas en la caja hasta la fecha se enlistan a continuación. Cuando una nueva herramienta se agregue, la lista se actualizará aquí. Los enlaces te llevan a las secciones que describen cada herramienta en más detalle:
- Detector de inmuebles
- Predicción de crecimiento urbano
- Extracción de datos OSM
- OpenMapKit
- Estimación del déficit de vivienda – ¡NUEVA!
Estas herramientas se desarrollaron aprovechando la experiencia académica y del sector privado en el contexto de proyectos específicos financiados por el BID en Guyana: el programa de Vivienda adecuada y accesibilidad urbana (GY-L1031) y también Vivienda sostenible para el territorio interior (GY-L1028). Ambos incluyeron capacitación y pruebas entre los funcionarios públicos y las comunidades beneficiarias. Al compartir las herramientas a través de la iniciativa de Código para el Desarrollo del BID, invitamos a nuestros colegas planificadores y tecnólogos a utilizarlas y mejorarlas.
1. Identificar estructuras existentes con el modelo Detector de Inmuebles
Los planificadores urbanos muchas veces carecen de mapas digitales actualizados de inmuebles y estructuras urbanas existentes. El Detector de Inmuebles genera un mapa básico de edificios de manera automática usando imágenes satelitales. Usa segmentación semántica, que es el proceso de asignar cada píxel de una imagen a una categoría: en este caso, las categorías son ‘edificación’ o ‘no edificación’. Esto permite que los planificadores generen archivos digitales detallados de áreas remotas o difíciles de acceder, como el interior de Guyana, donde nuestros socios están actualmente planeando intervenciones de vivienda.
Más allá de generar un mapa de las estructuras existentes, las agencias de vivienda y planeación urbana pueden usar los resultados del modelo para estimar la población, densidad de barrios, acceso a recursos, etc., y como datos base para extrapolar estadísticos a nivel de hogar. Además, estas estimaciones pueden ser útiles para tareas de planificación urbana como la identificación y planeación de zonas informales/no planificadas, la información de intervenciones planeadas y el diseño y desarrollo de servicios urbanos.
El modelo, que usa técnicas de aprendizaje automático para la categorización básica, fue entrenado con imágenes de Paramaribo (Surinam), Georgetown (Guyana), y la Ciudad de Belice (Belice), de los cuales todos tienen clima/vegetación, estilos de arquitectura, y patrones de crecimiento urbano parecidos. Para resultados óptimos, el modelo debe ser entrenado para una ciudad nueva con nueva topografía y patrones de dispersión urbana.
Insumos: imágenes satelitales
Metodología: segmentación semántica con Raster Vision
Lenguaje: python
Productos: perímetros de edificios digitalizados
2. Proyectar crecimiento con el modelo de Predicción de Crecimiento Urbano
Mientras los modelos que predicen el crecimiento urbano no son nuevos, históricamente han requerido significativos recursos en términos de tiempo, conocimiento, y poder de computo. Este modelo automatiza ese proceso, permitiendo que los planificadores urbanos extrapolen de manera espacial el crecimiento de su ciudad bajo diferentes escenarios (ej., población futura, diferentes rangos de tiempo, sensibilidad a áreas restringidas, nivel de aleatoriedad, etc.), con base en el crecimiento del pasado y el uso de suelo actual.
Como insumos, el modelo usa imágenes monocromáticas de un tamaño y límite estandarizado preparadas a partir de imágenes satelitales de un área urbana. Estas imágenes pueden ser también representaciones en formato raster de mapas físicos, mapas de densidad, o mapas que denotan límites administrativos o sociales, dependiendo de las condiciones del área urbana y la discreción del modelador. Rasgos de atracción incluirán, por ejemplo, proximidad a las estaciones de tránsito, y se les asignará un peso positivo; rasgos restrictores incluirán condiciones como riesgo de inundación o tierras de conservación, y se les asignará un peso negativo.
Usando estos insumos, un modelo regularizado de regresión logística espacial predice el crecimiento urbano a nivel de píxel dentro de los límites determinados, y produce un archivo binario raster que muestra el crecimiento proyectado.
Insumos: imágenes procesadas de rasgo único
Metodología: regresión logística espacial regularizada con lasso
Lenguaje: python
Productos: archivo binario de predicciones
3. Generar mapas a nivel del barrio con la herramienta de Extracción de Datos OSM
Incluso en áreas urbanas relativamente bien establecidas, el desarrollo puede realizarse de manera informal o sin registros completos. Por suerte, la plataforma OpenStreetMap (OSM) emplea el crowd-sourcing (la generación de datos por colaboración masiva) para generar datos detallados a nivel de edificaciones. Sin embargo, no es siempre fácil bajar estos datos. Previamente, un API llamado Overpass ha proveído acceso a estos datos, pero su uso requiere conocimiento de su propio lenguaje de consultas, lo cual puede ser un obstáculo considerable para planificadores urbanos que no tienen entrenamiento en programación.
Nuestra herramienta de Extracción de Datos OSM elimina la necesidad de escribir código y ofrece una interfaz más intuitiva y amigable al usuario para extraer los archivos de forma relevantes y así llenar vacíos de información. Con esta herramienta, un usuario puede seleccionar un área específica; bajar mapas detallados de calles, edificios, y otros atributos en esa área; y actualizar o agregar información a los datos internos en sus SIGs (Sistemas de Información Geográfica). Los archivos obtenidos a través de la Extracción de Datos OSM pueden ser integrados (selectivamente fusionados) con registros existentes usando el editor JOSM (Java OpenStreetMap).
Insumos: datos de GIS disponibles (si no hay, aún funciona sin datos de base)
Lenguaje: JavaScript
Productos: shapefiles o datos de forma (carreteras, edificios, vías navegables, etc.)
4. Potenciar la recolección de datos en campo con OpenMapKit
Los registros en papel son aún bastante comunes en la recolección de datos en campo para muchas agencias de vivienda, donde la infraestructura requerida para crear, implementar, y mantener datos de encuestas puede representar barreras de pago o requerir alto conocimiento técnico. OpenMapKit (OMK) soluciona una de las necesidades más inmediatas para estas agencias – recolectar y gestionar datos desde el campo, incorporando georreferenciación automática en el proceso de recolección.
El kit consiste en un aparato móvil Android y tres componentes de software: el Servidor OMK (donde los datos de encuesta se alojan y se gestionan), la Aplicación OMK Survey (que permite la creación y edición de encuestas digitales) y la aplicación OpenDataKit (ODK) Collection (la interfaz a través de la cual los usuarios recolectan datos de encuestas en campo).
Las encuestas se crean en la oficina con una simple interfaz de “arrastrar y soltar” (incluyendo instrucciones de llenado y lógica para brincar preguntas dependiendo de las respuestas), y se bajan al aparato Android del enumerador. Una vez en campo, la encuesta puede aprovechar de todas las funcionalidades y sensores del aparato para capturar información en: texto, números, fotografías, vídeos, anotaciones, firmas, etc.; para los datos geoespaciales, el software se conecta directamente al GPS del celular o permite la colocación manual de puntos y polígonos en un mapa.
Insumos: dispositivo Android, encuesta diseñada
Lenguaje: Java
Productos: conjunto de respuestas georreferenciadas de la encuesta
5. Estimación del déficit de vivienda
A nivel nacional, los gobiernos pueden carecer de información detallada y reciente sobre las necesidades de vivienda. La comprensión incompleta o desactualizada puede dar lugar a políticas bien intencionadas pero derrochadoras que no abordan los problemas más apremiantes. Un ejemplo clásico de este problema es ‘construir viviendas en el desierto’, en el que un gobierno gasta millones para construir más casas lejos de los empleos y servicios, cuando de hecho los problemas de los residentes se habrían abordado mejor, y a un costo menor de si hubieran recibido subsidios para hacer mejoras en los hogares más centrales donde ya están viviendo.
El Estimador del déficit de vivienda utiliza primero una metodología basada en un ejercicio parecido realizado por el Departamento Administrativo Nacional de Estadística de Colombia (DANE) para estandarizar numéricamente el déficit de vivienda cuantitativo y cualitativo nacional por la división administrativa más pequeña disponible.
En Guyana, como en muchos otros países de América Latina y el Caribe, las necesidades de vivienda cualitativas (materiales de baja durabilidad, falta de acceso a servicios, etc.) son mucho más apremiantes que las necesidades cuantitativas (la disponibilidad de cualquier tipo de vivienda). Un análisis de asociación muestra qué contribuyentes al déficit cualitativo se asocian comúnmente entre sí.
Finalmente, utilizando una metodología popularizada por el Banco Mundial, el Estimador del Déficit de vivienda utiliza la luminosidad nocturna (“las luces de noche”) como un proxy de la infraestructura urbana para estimar las necesidades de vivienda cualitativas en años en que no hay datos censales disponibles.
Insumos: datos del censo, imágenes satelitales nocturnas
Método: indexación, análisis de asociación, regresión simple
Lenguaje: R
Productos: estimaciones granulares de la necesidad de vivienda cualitativa
¿Qué sigue para el Open Urban Planning Toolbox?
La planificación urbana basada en datos también exige un modelado y comprensión adecuada de los sistemas urbanos dinámicos. Próximos proyectos de desarrollo urbano en el BID incorporarán al Toolbox herramientas para soportar este tipo de análisis contextual, como el mapeo colaborativo de movilidad para generar archivos en la Especificación General de Transmisión de datos de Tránsito (GTFS), un formato que permite el uso abierto y colaborativo de datos del transporte urbano.
El software de código abierto es fortalecido por la comunidad que contribuye a él. Invitamos a los usuarios a aplicar las herramientas en sus propias ciudades, compartir ideas para mejorar y ayudar a identificar áreas de necesidad que podrían abordarse con nuevas herramientas de código abierto.
A medida que continuamos agregando a nuestra caja de herramientas, siempre seguiremos los valores clave de: un compromiso compartido con los datos abiertos y la tecnología de código abierto; acceso mejorado a técnicas de vanguardia, como la inteligencia artificial, a través de la colaboración activa con socios globales; y un enfoque en el uso participativo y democrático de la tecnología digital.
Nos encantaría conocer las aplicaciones exitosas a través de los comentarios abajo. O también, les invitamos a explorar nuevas oportunidades de colaboración escribiendo a pzambrano@iadb.org.
Nota: Este artículo ha sido actualizado para reflejar la incorporación de nuevas herramientas a la caja. La versión original se publicó el 15 de mayo del 2019.
Fuente: https://blogs.iadb.org/
No Comments