Inteligencia artificial para la construcci¨®n de ciudades inclusivas

Las ciudades son construcciones humanas contradictorias: aunque ofrecen oportunidades, tambi¨¦n albergan profundas miserias. Estas desigualdades se localizan en zonas f¨ªsicas espec¨ªficas, com¨²nmente conocidas como slums (asentamientos humanos informales). Con cerca de una cuarta parte de la poblaci¨®n urbana mundial viviendo en ellos, actuar para que millones de personas dejen de vivir en condiciones de alta vulnerabilidad es una cuesti¨®n de justicia social global. As¨ª, para anticipar las crisis y dise?ar respuestas centradas en los ciudadanos es esencial generar datos fiables y de cobertura global.

A la hora de identificar la pobreza en las ciudades, a menudo se recurre a indicadores socioecon¨®micos como los ingresos, la alfabetizaci¨®n o las condiciones de la vivienda, pero se pasan por alto las caracter¨ªsticas f¨ªsicas del lugar. Las diferencias dentro de la urbe deben tenerse en cuenta porque conducen a una mayor vulnerabilidad y riesgo de exclusi¨®n, exponiendo a los habitantes a otras facetas de la pobreza que no solo abarcan la dimensi¨®n monetaria. Por ejemplo, una zona propensa a inundaciones o a incendios hace que sus habitantes est¨¦n m¨¢s expuestos a los riesgos sanitarios y esto se deriva, adem¨¢s, en una mayor fragilidad econ¨®mica.

Actualmente, m¨¢s del sesenta por ciento de la poblaci¨®n africana vive en barrios pobres y se estima que se triplique en menos de treinta a?os

Identificar los patrones espaciales que caracterizan la pobreza urbana es esencial para guiar la elaboraci¨®n de estrategias orientadas a la lucha por ciudades m¨¢s inclusivas. Primero, puede ayudar a las pol¨ªticas locales, para detectar las ¨¢reas m¨¢s cr¨ªticas y encaminar programas de regeneraci¨®n urbana. Y segundo, a las globales, para generar datos abiertos de calidad y actualizados que midan, a trav¨¦s de indicadores, los Objetivos de Desarrollo Sostenible (ODS) de las Naciones Unidas. Los datos contribuir¨ªan a poner en marcha planes de acci¨®n integrados para el avance equitativo global y poner fin a la pobreza (ODS 1 y ODS 11).

Sin embargo, a¨²n faltan datos detallados y desglosados a escala intraurbana. Esto impide medir y caracterizar las diferencias f¨ªsicas que ayudan a comprender las diferencias espaciales y temporales de las condiciones de vida en las ciudades. Los censos y las encuestas suelen proporcionar datos urbanos de los hogares, como las caracter¨ªsticas de la vivienda y el estatus socioecon¨®mico de los habitantes, pero su escasa periodicidad y sus lagunas de cobertura siguen siendo inconsistentes cuando se trata de los slums. Esto los convierten en herramientas ineficaces para abordar la pobreza de ra¨ªz.

La Ciencia de Observaci¨®n de la Tierra proporciona recursos de datos geolocalizados, tambi¨¦n llamados geodatos, como la teledetecci¨®n (por ejemplo, las im¨¢genes de sat¨¦lite), con una total cobertura para caracterizar la pobreza y llenar las lagunas de datos tanto a nivel local como a escala global. La inteligencia artificial, a trav¨¦s de las t¨¦cnicas de aprendizaje autom¨¢tico, permite analizar las im¨¢genes de sat¨¦lite de forma sistem¨¢tica y crear procesos eficientes y transferibles para capturar las caracter¨ªsticas del entorno f¨ªsico.

El n¨²mero de estudios de pobreza basados en la teledetecci¨®n ha aumentado en la ¨²ltima d¨¦cada, destacando la capacidad de localizar barrios pobres con mayor rentabilidad, cobertura, detalle y frecuencia que los m¨¦todos tradicionales como los censos o encuestas. La mayor¨ªa de los estudios se centran en cartografiar la extensi¨®n y su ubicaci¨®n, trazando los l¨ªmites de estos y oponi¨¦ndolos al resto de la ciudad. Sin embargo, la pobreza urbana no es un mero fen¨®meno binario, es decir, slum frente a no slum; existen niveles de pobreza entre los barrios bajos y otras ¨¢reas planificadas de la ciudad, as¨ª como dentro de cada uno de estos. Por ejemplo, hay diferencias en el tipo de construcci¨®n, en la proximidad a zonas de riesgo como vertederos o r¨ªos inundables, en la accesibilidad a los servicios urbanos como colegios u hospitales.

La pobreza urbana no es un mero fen¨®meno binario; existen niveles de pobreza entre los barrios bajos y otras ¨¢reas planificadas de la ciudad, as¨ª como dentro de cada uno de estos

A trav¨¦s de im¨¢genes satelitales de alta resoluci¨®n y t¨¦cnicas de aprendizaje autom¨¢tico, ha quedado en evidencia que existen grandes diferencias intra-f¨ªsicas en los barrios con mayores ¨ªndices de pobreza. Por ejemplo, un modelo de inteligencia artificial ha conseguido extraer de las im¨¢genes de sat¨¦lite de diversos slums en ciudades africanas el contorno de varios elementos urbanos como edificios, ¨¢rboles, superficie del suelo, r¨ªos, basureros y coches. Tambi¨¦n se han aplicado m¨¦tricas morfol¨®gicas y se ha detectado una gran diversidad en su constituci¨®n f¨ªsica, caracterizada por el tama?o de los edificios, el tipo de anchuras de las calles, la irregularidad interna distintiva de cada estructura y los patrones de orientaci¨®n que conforman su conjunto. Si este trabajo lo hicieran diferentes personas, supondr¨ªa cientos de horas y multitud de errores, mientras que el algoritmo lo hace con mucha precisi¨®n en cuesti¨®n de segundos.

En ?frica subsahariana esta l¨ªnea de investigaci¨®n que combina la inteligencia artificial y las im¨¢genes satelitales va a ser muy prometedora, ya que la poblaci¨®n y los niveles de urbanizaci¨®n est¨¢n creciendo en estos territorios ¨Cy se espera que lo sigan haciendo¨C a niveles incontrolables. Actualmente, m¨¢s del 70% de la poblaci¨®n africana vive en slums y se estima que se triplique en menos de 30 a?os, llegando el continente a albergar a m¨¢s de dos billones de ciudadanos en condiciones de vulnerabilidad. Es hora de buscar m¨¦todos creativos y eficaces para revertir la situaci¨®n.

Puedes seguir a PLANETA FUTURO en Twitter, Facebook e Instagram, y suscribirte aqu¨ª a nuestra ¡®newsletter¡¯.