¿Qué pueden decirnos las imágenes satelitales sobre las ciudades secundarias? (Parte 2/2)

|

Disponible en:

 
English version

En el blog anterior, discutimos cómo las técnicas de teledetección se pueden utilizar para mapear e informar las políticas públicas en ciudades secundarias, con una aplicación práctica en 10 ciudades de América Central. En esta publicación, profundizamos en los consejos y consideraciones para lograr replicar estos datos y métodos 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 100x100 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.

 

Autores

Nancy Lozano Gracia

Economista senior en la práctica de Desarrollo Urbano, Rural, Social y Resiliencia

Ana I. Aguilera

Especialista en Desarrollo Social

Ing. Martinez
30 de Noviembre de 2017

Para Sara Elizabeth Antos.
Quisiera utilizar el programa en mi ciudad. Intento abrir el vinculo de la pagina mappy y no esta disponible.
Habra alguna manera diferente de accesar
Gracias.

Mario Reyes
20 de Noviembre de 2018

En la versión en inglés de este artículo el enlace es diferente y está disponible: https://github.com/jgrss/spfeas. El enlace del artículo en inglés es el siguiente: https://blogs.worldbank.org/sustainablecities/what-can-satellite-imager…