ENVIADO POR SARAH ELIZABETH ANTOS EL MAR, 11/21/2017

COAUTORES: NANCY LOZANO GRACIAANA I. AGUILERA

En los últimos años, el interés hacia las imágenes satelitales se ha vuelto cada vez más fuerte. Herramientas como Google Earth, drones y microsatélites han acaparado los titulares y reducido los precios. Los planificadores urbanos recurren cada vez más a datos obtenidos por teledetección para comprender mejor sus ciudades.

Pero el hecho de que ahora tengamos acceso a una gran cantidad de imágenes de alta resolución de una ciudad no significa que de repente tengamos idea de cómo esta funciona.

La pregunta sigue siendo: ¿Cómo podemos transformar eficientemente la data disponible en productos valiosos que ayuden a los planificadores urbanos?

Hace algunos años, en un esfuerzo por mapear barrios marginales, el Banco Mundial adoptó un algoritmo para crear capas de clasificación de la cobertura de suelo en grandes ciudades africanas utilizando imágenes de muy alta resolución (50 cm). Con los resultados y las lecciones aprendidas de esta iniciativa, el equipo vio la oportunidad de aplicar estos métodos en ciudades secundarias de América Latina y el Caribe, donde los desafíos de disponibilidad de datos eran profundos y las presiones de urbanización grandes. Varios países latinoamericanos, incluidos Argentina, Bolivia, Costa Rica, El Salvador, Guatemala, Honduras, Nicaragua y Panamá, se enfrentaban con preguntas sobre la estructura interna de las ciudades secundarias y no tenían los datos disponibles para responderlas.

La poca disponibilidad de tiempo y un presupuesto limitado impulsaron al equipo a evaluar la posibilidad de utilizar imágenes de menor resolución en comparación con las que se habían utilizado para las grandes ciudades africanas. Por lo tanto, el equipo se embarcó en un proyecto para comprender mejor el diseño espacial de las ciudades secundarias, comprando imágenes de 1,5 metros SPOT6/7 y utilizando un enfoque de clasificación semi-automatizado para determinar qué tipos de cobertura del suelo podrían detectarse con éxito.

Originalmente desarrollado por Graesser et al 2012, este enfoque utiliza un algoritmo (fuente abierta) para destacar los elementos espectrales y de textura de una imagen, logrando así identificar cosas como parques industriales, tejados pequeños, vegetación, suelo vacío, etc.

¿Cómo se ven los mapas? La figura a continuación muestra los resultados de una clasificación en Chinandega, Nicaragua. El lado izquierdo presenta la imagen en bruto y en el lado derecho se encuentra el resultado del mapa de cobertura del suelo (es decir, la capa clasificada). La tierra resaltada en violeta muestra los edificios comerciales e industriales. Los barrios compuestos por casas más pequeñas, y posiblemente de menor calidad, se muestran en rojo, mientras que los barrios con casas un poco más grandes y más organizadas han sido marcados en amarillo. Por último, la vegetación se marcó en verde; el suelo vacío en beige; y los caminos en gris.

¿Quieres explorar nuestros mapas? Descarga nuestros datos aquí. Haz clic aquí para obtener un mapa interactivo de la cubierta terrestre de La Ceiba.

 

¿Cómo se utilizan estos datos para informar las políticas públicas? 
 Nivel regional
Varias agencias gubernamentales a nivel nacional y local están utilizando estas imágenes y los resultados producidos a partir de este análisis para diversos fines. El Viceministerio de Vivienda y Desarrollo Urbano de Guatemala está utilizando los datos para fortalecer el Sistema Nacional de Información sobre la Vivienda; mientras que en El Salvador, la Secretaría Técnica de la Presidencia (SETAPLAN) y Ministerio de Gobernación y Desarrollo Territorial (MIGOBDT), están trabajando en esfuerzo similar. También en Guatemala, el Instituto Nacional de Estadística está buscando actualizar su cartografía para el próximo Censo Nacional de Vivienda y Población.
 
Nivel local 
A nivel local, la ciudad de Chimaltenango, Guatemala, solicitó acceso a los datos para ayudar a informar y actualizar su registro local de asentamientos, con el objetivo de asignar los recursos disponibles de manera más efectiva. En El Salvador, la ciudad de Santa Ana enfatizó el valor de usar estos datos para actualizar periódicamente el registro de su ciudad para mejorar la recaudación de ingresos y el manejo de la urbanización. En San Pedro Sula, ciudad industrial de Honduras, el gobierno compartió su entusiasmo por utilizar esta información y tecnología para planificar inversiones y tomar decisiones mejor informadas que tendrán un impacto durante los próximos 30 años, como parte del plan de desarrollo de la ciudad.
 
Un ejercicio similar se llevó a cabo en la ciudad de Trinidad, Bolivia y cinco ciudades principales en Argentina. En el caso de Argentina, el Banco Mundial capacitó a expertos en Sistemas de Información Geográfica (SIG) en la Secretaría de Vivienda y Hábitat para crear sus propios mapas utilizando sus propias imágenes. Después de un taller de solo 3 días, los participantes pudieron generar una capa de cobertura que identificó los vecindarios con viviendas de menor calidad. Estas capas ahora están disponibles en la plataforma nacional de datos abiertos de Argentina.
 
¿Lecciones aprendidas? En nuestra próxima publicación, discutimos algunos consejos y lecciones aprendidas destinadas a profesionales e investigadores sobre cómo considerar el uso de estos datos, y lo que se necesita para probarlos en su ciudad.

¿Podemos utilizar solo satélite? ¿Qué tan precisos son estos resultados?
 
Es una práctica estándar en estudios de clasificación (particularmente académicos) evaluar la precisión de los mapas desde una computadora. Los analistas tradicionalmente eligen una selección aleatoria de puntos e inspeccionan visualmente el resultado con las imágenes en bruto. Sin embargo, estos mapas están diseñados para ser utilizados por gobiernos locales y no para publicarse en revistas académicas.
 
Por lo tanto, es importante entender como estos mapas reflejan la realidad en el campo.
 
Habiendo utilizado el algoritmo para clasificar la cubierta terrestre de 10 ciudades secundarias de América Central, se quería saber si los edificios identificados por el algoritmo eran de hecho “industriales” o “residenciales”. Entonces el equipo se dirigió hacia San Isidro, Costa Rica y Santa Ana, El Salvador para comprobarlo.
 
Cada ciudad se dividió en bloques de 100×100 metros. Enfocándose principalmente en áreas de construcción, aproximadamente 50 bloques fueron seleccionados para validación. La siguiente imagen muestra la ciudad de San Isidro con un búfer de 2 km a la redonda de su distrito central de negocios. Los recuadros negros representan los sitios de validación que visitó el equipo
En cada sitio, el equipo captó varias fotos y registró si la mayoría de la tierra se reflejaba con precisión en el mapa de la cubierta terrestre. Discusiones con funcionarios del gobierno local, taxistas y policías proporcionaron información adicional.

De los sitios visitados en San Isidro, Costa Rica, el 89.5% fueron completamente precisos y el 10.5% fueron inexactos (lo que significa que la mayoría de los píxeles en la celda de 100m fueron clasificados incorrectamente). De los sitios visitados en Santa Ana, San Salvador, el 91.4% fueron completamente precisos, mientras que el 8.6% parecían tener una clasificación errónea.

3 lecciones aprendidas:

· Lección #1: Si bien las imágenes utilizadas en este estudio son ligeramente menos precisas que las imágenes de 0,5m visibles en Google Earth, todavía eran lo suficientemente granulares como para detectar tamaños de edificios y distinguir entre caminos pavimentados y no pavimentados. Esto es particularmente importante dado el ahorro de costos involucrado. Imágenes de muy alta resolución (0,5m) pueden costar más de 15 dólares por kilómetro cuadrado, mientras que las imágenes de 1,5m de resolución utilizadas en este estudio cuestan cerca de 3 dólares por kilómetro cuadrado.

· Lección #2: En las ciudades secundarias de América Latina, donde los grandes barrios marginales no son muy pronunciados, este clasificador funcionó mejor para detectar edificios comerciales o industriales que para distinguir entre viviendas residenciales irregulares y residenciales regulares. Sin embargo, en ciudades más grandes como Nairobi y Dar es Salaam, donde los barrios marginales son más grandes y tienen características físicas distintas, el algoritmo identificó barrios residenciales irregulares de mejor manera.

· Lección #3: Si bien el enfoque de este estudio fue en el entorno urbanizado, el equipo notó que la precisión de la vegetación y el suelo vacío fue muy alta.

¿Quieres probar este algoritmo en tu ciudad? Esto es lo que necesitas:

– Imágenes satelitales de alta resolución (preferiblemente menos de 2 m).

– Una computadora personal o portátil con suficiente poder de computación (al menos 8  GB de RAM)

– Instalar Python 2.7

– Descargar el algoritmo de código abierto en: https://github.com/jgrss/mappy

– Asigne 1-2 semanas de personal por ciudad para el procesamiento y análisis de datos.

– Deje algo de espacio para el trabajo de campo. Siempre es una buena idea validar y rectificar los resultados.

¿Preguntas? Envíe un correo electrónico a Sarah Elizabeth Antos (santos1@worldbank.org), Nancy Lozano Gracia (TTL-nlozano@worldbank.org) o Ana I. Aguilera (aaguileradellano@worldbank.org).

Agradecimientos. Este trabajo fue posible gracias a la generosa contribución del Departamento de Desarrollo Internacional del Reino Unido y la Secretaría de Estado de Asuntos Económicos de Suiza a través del Fondo Fiduciario de Donantes Múltiples para el Desarrollo Urbano Sostenible. Este trabajo se basa en las lecciones aprendidas del Proyecto de Desarrollo Territorial de Ciudades Africanas.

Fuente: https://blogs.worldbank.org/latinamerica/es/qu-pueden-decirnos-las-im-genes-satelitales-sobre-las-ciudades-secundarias-parte-12

 

0 Comentarios

Contesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

*

Contacto

¿Quieres saber más sobre la Comunidad de Suelo Urbano? Escríbenos y nos pondremos en contacto contigo tan pronto sea posible. Gracias.

Enviando

2018 - Hábitat for Hummanity | Unless otherwise stated, all the contents of the Urban Land Community is under licence CC BY-SA 4.0

Inicia Sesión con tu Usuario y Contraseña

o    

¿Olvidó sus datos?

Create Account