Clasificación de espacios urbanos a gran escala a partir de un estudio de percepción y datos del INEGI

El trabajo de investigación presentado por el Ing. Daniel Clavijo P. se centra en la automatización de la clasificación de espacios urbanos, utilizando un estudio de percepción y datos sociodemográficos del INEGI. El autor destaca la ausencia de un proceso sistematizado para la toma de decisiones en la planificación urbana, lo que dificulta la gestión eficiente de los recursos y la creación de ciudades más habitables. Se propone un estudio de percepción humana que considera 5 rubros, con el objetivo de obtener una comprensión profunda de cómo los ciudadanos experimentan su entorno urbano. Esta información es crucial para el desarrollo de sistemas de clasificación que permitan identificar las problemáticas específicas de cada área y así poder implementar estrategias de mejora dirigidas a crear una ciudad más segura, funcional y sostenible.

El autor presenta un análisis del estado actual de la investigación en percepción urbana, destacando los diferentes enfoques que han surgido a lo largo del tiempo. Se menciona la influencia de figuras clave como Ildefonso Cerdà, Kevin Lynch, Robert Sommer, Stanley Milgram y James Gibson, quienes contribuyeron a la comprensión de la relación entre el individuo y el entorno construido. Se expone la evolución de los métodos de investigación, desde los mapas mentales y la teoría de costumbres, hasta el uso de herramientas tecnológicas como el Laboratorio Urbano Sensorial y plataformas de crowdsourcing como UrbanGems. Se analiza la importancia de integrar algoritmos de inteligencia artificial y minería de datos para automatizar el análisis de grandes conjuntos de datos de percepción urbana, lo que permitiría obtener información más precisa y relevante para la planificación.

El estudio se basa en una prueba de percepción urbana que consiste en la comparación de pares de imágenes de espacios urbanos, evaluadas por usuarios voluntarios a través de una plataforma web. Se utilizan tres atributos clave: seguridad, nivel socioeconómico y singularidad. Los resultados de esta prueba, combinados con datos sociodemográficos del INEGI, se procesan mediante técnicas de machine learning y redes neuronales, para determinar la clasificación de los espacios urbanos. El autor explora la complejidad del procesamiento de datos, incluyendo la gestión de inconsistencias, la selección y el análisis de los conjuntos de datos. Se destaca la importancia del aprendizaje no supervisado en la identificación de patrones y la construcción de modelos predictivos.

El documento concluye que la clasificación de espacios urbanos es un proceso complejo y multifacético que requiere un enfoque integral. La investigación propone la creación de una metodología robusta para la obtención y procesamiento de datos de percepción, así como la integración de algoritmos de machine learning para la automatización del análisis. Se sugiere la necesidad de aumentar la cantidad de datos recopilados, mejorar la representatividad de la muestra y desarrollar modelos más precisos para la clasificación de los espacios urbanos. Se enfatiza la importancia de trabajar con datos abiertos y en tiempo real para una planificación urbana más efectiva y dinámica.