Estas herramientas de código abierto utilizan el aprendizaje automático y los datos de colaboración masiva para avanzar el desarrollo urbano en América Latina y el Caribe. “No tenemos datos sobre eso.” Solemos escuchar esta frase en los proyectos de desarrollo urbano que trabajamos con ciudades y países de América Latina y el Caribe. La falta de datos presenta un reto cuando consideramos que la población de la región ya es 80% urbana. Teniendo en cuenta la revolución digital, las ciudades de América Latina y el Caribe deberían estar preparadas para generar, analizar y difundir datos urbanos. Sin embargo, muchas veces nuestros socios no tienen las herramientas necesarias para hacer su trabajo diario más eficiente. Tareas como prestar servicios urbanos a áreas informales, identificar y asignar las tierras más adecuadas para el desarrollo al tiempo que protegen las áreas en riesgo, y trabajar con familias individuales para evaluar y mejorar las condiciones de vivienda, entre otras pueden resultar onerosas en tiempo y recursos. Gran parte de la tecnología existente para apoyar este trabajo es demasiado costosa, difícil de utilizar o no está diseñada para las condiciones específicas del contexto local.
Herramientas de código abierto para la planificación urbana en América Latina y el Caribe
Para atender esta realidad, la División de Vivienda y Desarrollo Urbano del BID ha desarrollado el Open Urban Planning Toolbox, una caja de herramientas que ofrece un conjunto de implementaciones de código abierto para respaldar cada paso del proceso de la planificación urbana, desde el diseño temprano hasta la ejecución y evaluación de proyectos. Los métodos y las funciones de las herramientas son mixtos; algunas utilizan técnicas como el aprendizaje automático y los datos generados por crowdsourcing. Finalmente, considerando la importancia de la “verificación en campo” (ground-truthing) de los datos y la comprensión de los desafíos urbanos a nivel de vecindario y hogar, también hemos adaptado un sistema digital de recolección de datos en el terreno para garantizar información más rápida y espacialmente precisa. Todas las herramientas incluidas en la caja hasta la fecha se enlistan a continuación. Cuando una nueva herramienta se agregue, la lista se actualizará aquí. Los enlaces te llevan a las secciones que describen cada herramienta en más detalle:- Detector de inmuebles
- Predicción de crecimiento urbano
- Extracción de datos OSM
- OpenMapKit
- Estimación del déficit de vivienda
- Evaluación Georreferenciada de Programas (EGP)
- UrbanPy
1. Identificar estructuras existentes con el modelo Detector de Inmuebles
Los planificadores urbanos muchas veces carecen de mapas digitales actualizados de inmuebles y estructuras urbanas existentes. El Detector de Inmuebles genera un mapa básico de edificios de manera automática usando imágenes satelitales. Usa segmentación semántica, que es el proceso de asignar cada píxel de una imagen a una categoría: en este caso, las categorías son ‘edificación’ o ‘no edificación’. Esto permite que los planificadores generen archivos digitales detallados de áreas remotas o difíciles de acceder, como el interior de Guyana, donde nuestros socios están actualmente planeando intervenciones de vivienda.
2. Proyectar crecimiento con el modelo de Predicción de Crecimiento Urbano
Mientras los modelos que predicen el crecimiento urbano no son nuevos, históricamente han requerido significativos recursos en términos de tiempo, conocimiento, y poder de computo. Este modelo automatiza ese proceso, permitiendo que los planificadores urbanos extrapolen de manera espacial el crecimiento de su ciudad bajo diferentes escenarios (ej., población futura, diferentes rangos de tiempo, sensibilidad a áreas restringidas, nivel de aleatoriedad, etc.), con base en el crecimiento del pasado y el uso de suelo actual. Como insumos, el modelo usa imágenes monocromáticas de un tamaño y límite estandarizado preparadas a partir de imágenes satelitales de un área urbana. Estas imágenes pueden ser también representaciones en formato raster de mapas físicos, mapas de densidad, o mapas que denotan límites administrativos o sociales, dependiendo de las condiciones del área urbana y la discreción del modelador. Rasgos de atracción incluirán, por ejemplo, proximidad a las estaciones de tránsito, y se les asignará un peso positivo; rasgos restrictores incluirán condiciones como riesgo de inundación o tierras de conservación, y se les asignará un peso negativo.
3. Generar mapas a nivel del barrio con la herramienta de Extracción de Datos OSM
Incluso en áreas urbanas relativamente bien establecidas, el desarrollo puede realizarse de manera informal o sin registros completos. Por suerte, la plataforma OpenStreetMap (OSM) emplea el crowd-sourcing (la generación de datos por colaboración masiva) para generar datos detallados a nivel de edificaciones. Sin embargo, no es siempre fácil bajar estos datos. Previamente, un API llamado Overpass ha proveído acceso a estos datos, pero su uso requiere conocimiento de su propio lenguaje de consultas, lo cual puede ser un obstáculo considerable para planificadores urbanos que no tienen entrenamiento en programación.
4. Potenciar la recolección de datos en campo con OpenMapKit
Los registros en papel son aún bastante comunes en la recolección de datos en campo para muchas agencias de vivienda, donde la infraestructura requerida para crear, implementar, y mantener datos de encuestas puede representar barreras de pago o requerir alto conocimiento técnico. OpenMapKit (OMK) soluciona una de las necesidades más inmediatas para estas agencias – recolectar y gestionar datos desde el campo, incorporando georreferenciación automática en el proceso de recolección.
5. Estimación del déficit de vivienda
A nivel nacional, los gobiernos pueden carecer de información detallada y reciente sobre las necesidades de vivienda. La comprensión incompleta o desactualizada puede dar lugar a políticas bien intencionadas pero derrochadoras que no abordan los problemas más apremiantes. Un ejemplo clásico de este problema es ‘construir viviendas en el desierto’, en el que un gobierno gasta millones para construir más casas lejos de los empleos y servicios, cuando de hecho los problemas de los residentes se habrían abordado mejor, y a un costo menor de si hubieran recibido subsidios para hacer mejoras en los hogares más centrales donde ya están viviendo.
6. Mapear y analizar el alcance geográfico de los proyectos con la Evaluación Georreferenciada de Programas (EGP)
El acceso a los recursos en las ciudades puede variar mucho de barrio a barrio, según el nivel socioeconómico de su población. Un programa social exitoso debe abordar esas asimetrías de frente, activamente buscando proveer servicios en áreas de la ciudad que típicamente carecen de recursos. Este paquete R provee análisis y visualización geográficos de los servicios accedidos dentro de una ciudad, así permitiendo la verificación de si un programa llegó a los barrios de más necesidad, el estudio de patrones de uso a lo largo de la ciudad, u otra evaluación del impacto geográfico del programa.
- Georreferenciar direcciones postales
- Obtener mapas base con la grilla urbana de cualquier ciudad
- Estimar una matriz de distancias entre origen y destino
- Realizar métricas de frecuencia, distribución por grupos y distancia recorrida para transacciones/accesos entre beneficiarios/consumidores y puntos de oferta
- Crear visualizaciones que permitan explorar la diferencia entre frecuencia y tipo de consumo por atributos de los beneficiarios
7. UrbanPy

Buenas tardes!
Felicitaciones por este trabajo y por compartirlo. Me encantaría poder aprender mas. Quisiera saber si tienen planificado algún curso en linea para manejo de estas herramientas.
Saludos cordiales!
Muchas gracias por la informacion y por compartirlo. Exacto! Donde podemos tener acceso a esta tecnologia y capacitacion en linea para el uso e implementacion de la herramienta. Saludos
En este link pueden encontrar algunas de estas herramientas y más.
Saludos!!
https://code.iadb.org/es/herramientas#sector_38
En muchas ocasiones pretendemos encontrar una manera ágil, fácil y simple de graficar para mejorar la compresión del contenido objeto de análisis. Muchas información sin el análisis correcto es casi igual que no tener nada o que tener poco.
Muchas gracias por compartir los datos. Serí bueno un capacitación para algunas dudas existentes. Muchas gracias de antemano
Muchas gracias por compartir. Intentaré empezar a utilizarlo. Creo tiene mucho potencial.