Mapeo de áreas vulnerables en Montevideo, Uruguay
Durante este año en Dymaxion Labs hemos estado trabajando junto con el Ministerio de Desarrollo Social (MIDES) en el desarrollo de herramientas para el procesamiento masivo de imágenes satelitales. El objetivo fue la producción de un modelo predictivo especializado de vulnerabilidades socioeconómicas, de riesgo social y de exposición a amenazas de origen natural, socio natural y antrópico.
Cabe destacar que en lo referido a vulnerabilidad social, el MIDES cuenta con un instrumento estadístico utilizado para focalizar los programas de transferencias no contributivas en el Uruguay, denominado Índice de Carencias Críticas (ICC). Este fue elaborado en el año 2008, y ha tenido actualizaciones en años siguientes, en el marco de un convenio entre el MIDES y la Universidad de la República.
El plan de trabajo no solo contempló el desarrollo informático sino también el dictado de una capacitación presencial para trasladar conocimientos relativos a algoritmos de aprendizaje automático y desarrollar capacidades para el trabajo con este tipo de herramientas, en lo referido al análisis, selección y uso de algoritmos. Contó con la participación de técnicos de MIDES, Ministerio de Vivienda, Ordenamiento Territorial y Medio Ambiente (MVOTMA), Presidencia, Agencia de Gobierno Electrónico y Sociedad de la Información y del Conocimiento (AGESIC), Sistema Nacional de Emergencias (SINAE) e Infraestructura de Datos Espaciales (IDE).
Con el fin de complementar las herramientas con las que ellos ya contaban, avanzamos en adaptar nuestra herramienta de código abierto AP-Latam para poder compatibilizarla con las múltiples fuentes de datos que nos aportaron, relacionadas con información demográfica y capas de datos geoespaciales relacionadas, como el caso de imágenes satelitales WorldView-2 de la ciudad de Montevideo.
A partir del material y conocimientos compartidos en la capacitación, se avanzó en el desarrollo del modelo predictivo. Este contempla tanto el uso de imágenes satelitales y otros tipos de datos georeferenciados tales como los del portal de datos abiertos de la Intendencia de Montevideo, censales y de OpenStreetMap. La calibración del modelo se realizó de manera tal que permite incorporar nuevas fuentes de información geoespacial, asi como también de otro tipo de imágenes como el caso de relevamientos fotogramétricos o de drone. El algoritmo implementado sigue lineamientos de la metodología Object Based Image Analysis (OBIA), similar al enfoque de este artículo.
A partir de los conocimientos transferidos y de la implementación de la metodología, se puede aplicar el mismo desarrollo a otro tipo de problemáticas, como el caso de detección de agua en áreas inundadas o mapeo de áreas verdes.
En Dymaxion Labs creamos herramientas que permiten vincular los datos de las organizaciones con información proveniente de la observación de la Tierra, con el fin de avanzar en el monitoreo y seguimiento de la dinámica de las ciudades, de manera transparente.
