Foto: Pedro Basilio (NotiPress)
Más de dos terceras partes de la población mundial vivirá en ciudades en 2050, de acuerdo con la Organización de las Naciones Unidas (ONU). Este crecimiento demográfico provocará que los planificadores de las ciudades encuentren problemas, pero la inteligencia artificial (IA) podría alertar los deterioros de las urbes.
En todo el mundo, la expansión de las urbes avanza rápidamente. Investigadores de las universidades de Notre Dame y Stanford señalan que la calidad del entorno físico urbano será cada vez más crítica para el bienestar humano.
Medir y seguir la calidad de los ambientes urbanos, así como su evolución y disparidades, es difícil debido a la cantidad de datos sobre el terreno necesario para capturar los patrones. Por medio del machine learning, los investigadores desarrollaron un método escalable para medir el deterioro urbano a nivel espacialmente granular.
Estos hallazgos fueron publicados en la revista Nature en la sección de Scientific Reports. El profesor asistente de tecnología, economía y asuntos globales en la escuela Keough de asuntos globales en la Universidad de Notre Dame, Yong Suk Lee, y la investigadora de Stanford, Andrea Vallebueno, fueron los autores principales.
Según Lee, conforme el mundo se urbaniza, los planeadores de las ciudades y los legisladores deben de asegurarse de hacer diseños urbanos que estén orientados en problemas críticos. Usar machine learning permite reconocer los patrones del desarrollo de vecindarios y la inequidad urbana.
Este estudio utilizó un modelo YOLOv5, el cual es un tipo de IA que detecta objetos, para identificar los ocho tipos de objetos que indican la decadencia de las urbes. Se enfocaron en tres ciudades, San Francisco, California; Ciudad de México, México, South Bend, Indiana. Estos fueron seleccionados a base de factores como densidad urbana, etapa de decadencia urbana y la familiaridad de los autores con las ciudades.
Los investigadores encontraron que el modelo podía detectar correctamente los objetos en diferentes ciudades y vecindarios. Además, obtuvo resultados especialmente buenos donde hay poblaciones más densas, como San Francisco.
Sin embargo, el modelo tuvo problemas en el área más suburbana de South Bend. Lo anterior demostró la necesidad de modificar el modelo y los tipos de objetos identificados en poblaciones menos densas.
Lee comentó que el modelo tiene el potencial de dar información valiosa que se puede recoger de manera más eficiente al usar fuentes de datos económicos tradicionales y poco frecuente. Lo anterior, podría ser una herramienta valiosa y oportuna para el gobierno, las organizaciones no gubernamentales y el público.
DESCARGA LA NOTA SÍGUENOS EN GOOGLE NEWS
