Detección de áreas verdes en la Ciudad de Buenos Aires — Semana del Gobierno Abierto
En el marco del evento por la Semana del Gobierno Abierto organizado por el Gobierno de la Ciudad de Buenos Aires, ofrecimos un workshop presencial donde abordamos la detección de áreas verdes en ciudades a través del uso de imágenes satelitales, machine learning y datos abiertos con nuestras herramientas Satproc y Unetseg. En esta nota, te contamos más sobre la problemática y nuestro proyecto de detección aplicado a la Ciudad de Buenos Aires.
Imágenes geoespaciales, machine learning y datos abiertos
La tecnología nos da cada vez más herramientas para poder monitorear aspectos claves de las ciudades y así impulsar políticas públicas de calidad y servicios eficientes. Con la disminución en los costos, hoy en día es posible acceder a imágenes geoespaciales de gran calidad y realizar análisis sobre ellas con distintas técnicas de inteligencia artificial.
Afortunadamente, el número de estudios que utilizan imágenes satelitales como fuente de información no para de crecer. Asimismo, la aplicación de herramientas de machine learning y deep learning se amplía y también su uso por parte de distintos sectores, entre ellos, la administración pública. La posibilidad de realizar análisis complejos de grandes superficies de forma escalable, rápida y a bajo costo es particularmente atractiva para el sector.
Por otra parte, hay una tendencia global en el impulso de la apertura de datos por parte de los gobiernos. Esta información no sólo es un insumo esencial para el crecimiento y la mejora de desarrollos privados y el aumento de la transparencia en gobierno, sino que es un gran fomento a la innovación y a la participación de nuevos actores.
Tecnología y políticas públicas: cómo mejorar el acceso a las áreas verdes en ciudades
Como mencionamos anteriormente, la disminución en los costos permitió un mayor acceso a la tecnología tanto para el sector privado como para el público. Su creciente uso está permitiendo a los gobiernos realizar análisis más precisos y detallados para así ser más eficientes en la asignación de recursos y generar políticas públicas de mejor calidad.
Una de las principales problemáticas que enfrenta el sector es la necesidad de relevar información de grandes superficies. Esto no sólo conlleva un complejo y costoso despliegue de recursos sino que también se presta a posibles errores humanos de medición.
Medir y monitorear, por ejemplo, la cantidad de áreas verdes en una ciudad puede ser mucho más eficiente utilizando imágenes satelitales. Pero… ¿Cuál es la importancia de los espacios verdes? ¿por qué es importante mapearlos?
La falta de espacios verdes en las urbes ha sido señalada, en los últimos años, como una cuestión esencial a mejorar para la lucha contra el cambio climático. Dentro de las funciones de las áreas verdes, se destacan su rol en la disminución de probabilidad de inundaciones, en evitar las altas temperaturas, y mejorar la calidad del aire.
Saber dónde se encuentran, entender cómo se distribuyen, qué uso tienen y qué distancia tiene que recorrer una persona de acuerdo a dónde vive para acceder a uno -por citar solo algunos ejemplos- es el puntapié inicial para poder abordar la problemática.
Mapear áreas verdes en cuatro pasos:
El mapeo de grandes superficies, en este caso de espacios verdes, consta de cuatro grandes etapas: el pre-procesamiento, el entrenamiento del modelo, la predicción y el post-procesamiento. A continuación te contamos de qué consta cada paso y al final te dejamos un link al código para que puedas correrlo tú mismo.
1- En el pre-procesamiento, generamos el dataset que utilizará el modelo para entrenar, con imágenes y máscaras donde sabemos que sí hay áreas verdes y así delimitar la región de interés.
Esta etapa es la que mayor tiempo insume. Para hacerlo más ágil, creamos el paquete Satproc, una herramienta desarrollada como librería de Python que procesa de forma escalable una gran cantidad de imágenes, ayudándonos a crear los datasets apropiados para los modelos de segmentación. Su función en este caso es identificar a qué clase pertenece cada imagen: parque o vegetación.
2- En el entrenamiento, el modelo aprende a reconocer los patrones que definen al objeto de interés. Para ello utilizamos un modelo de machine learning basado en U-net, una arquitectura de red neuronal convolucional utilizada para la clasificación y segmentación semántica de objetos. Para este paso utilizaremos Unetseg y dividiremos el dataset en tres: una parte para el entrenamiento, otra para validación y otra para testing.
3- Al pasar a la etapa de predicción, el modelo ya entrenado procesa nuevas imágenes en busca de los patrones que definen al objeto de interés. Por cada imagen, devuelve otra imagen donde cada píxel representa la probabilidad de haber detectado el objeto de interés.
4- Finalmente, en el post-procesamiento se aplica un umbral en la probabilidad de la predicción obtenida con el fin de quedarnos sólo con aquellos píxeles con altas probabilidades de acierto.
Si quieres profundizar en el mapeo de áreas verdes te invitamos a acceder al Google Colab. En la próxima publicación te contaremos en detalle cómo correr el código y nos detendremos en cuestiones más técnicas.
Si tienes dudas o interés en aplicar el código en tu proyecto u organización, no dudes en escribirnos a contact@dymaxionlabs.com o contactarnos a través de nuestras redes sociales.
