Conocer la densidad de una ciudad de un solo vistazo a una ortofoto es el objetivo del modelo predictivo de clasificación de datos urbanos que ha desarrollado el arquitecto y urbanista Alejandro Cantera, sirviéndose de datos abiertos de la Administración Pública y técnicas de aprendizaje profundo (deep learning).
Las ciudades planificadas y construidas de manera extensiva generan mayores impactos ambientales. Se hace un uso menos eficiente del suelo y requieren una mayor cantidad de recursos energéticos y dotacionales. Sin embargo, las que presentan una densidad excesiva provocan un colapso de servicios.
El prototipo de Cantera permite conocer la huella urbana y la densidad residencial, que se obtiene de la división de la cantidad de viviendas existentes entre una unidad de superficie (hectáreas). «Te permite conocer cómo se reparte la población en el territorio y saber qué recursos necesitan», explica a ESMARTCITY su autor, «nos ayuda a comprender mejor el organismo complejo de una ciudad, analizando no solo los aspectos cuantitativos, sino también los cualitativos».
Y eso es lo que ha querido facilitar con su trabajo de investigación. El prototipo que ha creado permite disponer de un modelo predictivo de clasificación de la densidad urbana basado en el análisis de ortofotos de cualquier ciudad del mundo para conocer, de manera rápida, el movimiento de flujos dentro de las ciudades. «El foco principal del proyecto es su aplicación a ciudades en desarrollo para entender bien su crecimiento», explica.
Cómo funciona el modelo de aprendizaje profundo
Se trata de un modelo de aprendizaje supervisado, construido con técnicas de deep learning y entrenado con ortofotos etiquetadas con datos de densidad urbana de toda la ciudad de Madrid. «Funciona como un cerebro que ya ha aprendido, el sistema se entrena con datos e imágenes de una ciudad y puede generar un modelo extrapolable a otras ciudades de similar tamaño», apunta Cantera.
La información de Madrid procede del Catastro, entidad que ofrece «una cantidad de datos enorme que hay que explotar más», señala el autor. Estos datos se etiquetan utilizando un software de sistema de información geográfica (SIG), como QGis o ArcGis, para asociarlos a las ortofotos disponibles a través del Plan Nacional de Ortofotografía Aérea (PNOA) del Instituto Geográfico Nacional (IGN).
Una vez que los datos se han etiquetado, se construyen algunos modelos predictivos utilizando redes neuronales convolucionales (CNN), una técnica que genera una especie de red de neuronas artificiales parecida a la que crea el cerebro humano para facilitar nuestra visión. Estas CNN hacen posible el procesado de imágenes. Tras un proceso de «entrenamiento» de los modelos, se evalúan sus resultados y se comparan para determinar el mejor modelo predictivo para cada rango de datos etiquetados.
El arquitecto y urbanista que ha desarrollado el modelo, explica que una vez seleccionados los mejores modelos predictivos probó su funcionamiento con ortofotos de otras ciudades, para comprobar su capacidad de predicción en diferentes situaciones, «no solo porque las imágenes podrían haberse tomado en un momento temporal diferente y con una luz diferente, sino también porque la morfología urbana de las ciudades podría ser diferente de la ciudad entrenada».
Así, analizó la ciudad de Barcelona y la de Bogotá (Colombia), si bien en esta última, la fuente de imágenes es distinta a la de Barcelona y a la del prototipo, que es Madrid. En estos casos, «aunque los resultados pueden variar» por la diversidad de la fuente, su comparación le permitió ver que el modelo sí es consistente.
Información para la toma de decisiones en el desarrollo de la ciudad sostenible
El prototipo no está terminado y Cantera sigue trabajando para mejorarlo. «El objetivo es mejorar el modelo utilizando fotos satelitales», explica el arquitecto, de esta forma tendríamos la misma fuente de imágenes para ciudades de todo el mundo.
Además de facilitar un análisis rápido de densidades sin necesidad de datos del catastro, este modelo se puede aplicar principalmente a ciudades en desarrollo, ya que, «si quieres entender bien su crecimiento, es buena idea partir de ciudades modelo que tienen muchos datos disponibles, para crear modelos extrapolables a otras ciudades del mundo».
Por otra parte, el modelo permite parametrizar otras características y prototipos urbanos a partir de otras variables, lo que daría un conocimiento más profundo de los rasgos de cada zona de una ciudad. Este conocimiento resultaría clave para la toma de decisiones de las administraciones en su gestión de ciudad. Al final, el objetivo de las ciudades es la densidad urbana óptima, que permite la diversidad en la urbe y en sus márgenes, con unos servicios, redes y espacios públicos adecuados.
Un desarrollo urbano sostenible es prioritario en todas las agendas internacionales y para alcanzarlo, tener un conocimiento profundo de los flujos de densidad, es fundamental. Tal y como Alejandro Cantera explica en su investigación, «la mejora de la compacidad urbana permite la creación de un desarrollo urbano estable y resiliente, capaz de albergar propuestas de mejora de la sostenibilidad a través de la comprensión de la realidad física territorial».