Big data y urbanismo, ¿Cómo sintetizar información compleja para su aplicación práctica?

Big data y urbanismo, ¿Cómo sintetizar información compleja para su aplicación práctica?

Los macrodatos, también llamados datos masivos, datos a gran escala o simplemente big data (terminología mayormente utilizada en español y en inglés) es un término que hace referencia a los conjuntos de datos que, por su dimensión y complejidad, requieren de aplicaciones informáticas para su procesamiento. En materia de urbanismo, la recopilación y gestión de datos, junto con el desarrollo de nuevas plataformas y conjuntos de herramientas para su interpretación, ha dado inicio a una nueva era en lo que respecta al análisis de la forma urbana, habilitando nuevos recursos para comprender, evaluar, supervisar y gestionar la morfología y la evolución de las ciudades.

A pesar de esto, es bien sabido que, históricamente, los planificadores urbanos han optado por los métodos visuales para representar sus ciudades. Desde los mapas iconográficos de Roma de Giambattista Nolli hasta los diagramas de las calles de Allan Jacobs, la cultura visual ha primado como medio de interpretación y comunicación en lo que respecta a la planificación urbana. La cartografía ha buscado desde tiempos memorables comprimir la complejidad física urbana para sintetizarla en formatos visuales fácilmente comprensibles.

Giovanni Battista Nolli-Nueva Planta de Roma (1748). Image © Giambattista Nolli [Wikimedia] Bajo dominio público

Entonces, ¿De qué manera es posible trasladar hacia el campo visual la información recolectada y relevada para que la misma sea legible para los planificadores y los ciudadanos? ¿Cómo podemos sintetizar y agrupar estos complejos patrones utilizando los modernos flujos de trabajo computacionales?

En su reciente estudio “La información territorial y la lectura de la estructura urbana: el Big Data y la morfología de la ciudad", el urbanista y docente Geoff Boeing reflexiona sobre las exploraciones urbanas basadas en big data y enfatiza sobre como los datos en bruto no poseen una aplicación pragmática, afirmando que es necesario interpretar y comprimir el denso volumen de información para producir gráficos útiles que permitan la lectura sencilla y la difusión pública de los conocimientos del campo urbano.

Situando su trabajo en la relevancia visual de la planificación, en su documento estudia la colaboración entre dos programas para transformar los datos en información fácilmente comprensible. El primero, mundialmente conocido, es OpenStreetMap (OSM) -una comunidad cartográfica mundial y un sistema de información geoespacial en línea-, el cual proporciona una fuente de datos de alta calidad y de libre acceso sobre las redes de calles y otras infraestructuras urbanas en todo el mundo. El segundo es OSMnx -un paquete de Python para analizar los datos-, que permite a los investigadores y profesionales descargar fácilmente los datos de calles, edificios y servicios, transformándolos automáticamente en gráficos para su visualización y estudio. Esto habilita a que la información masiva y la inconmensurable cantidad de datos se materialicen en imágenes y mapas comprensibles.

En un primer ejemplo, Geoff Boeing utiliza el OSMnx para producir diagramas de figura-fondo con calles y huellas de edificios, comparando la estructura urbana de 2 ciudades de EE.UU. (Nueva York y San Francisco), con asentamientos informales del Sur Global (Monrovia y Puerto Príncipe). Los gráficos permiten ver cómo, sencillamente, en los primeros casos las huellas de los edificios se alinean con las calles, dejando libre el centro de cada bloque. Los asentamientos, en cambio, no están estructurados de manera ordenada como las cuadrículas de las calles americanas. Estos datos gráficos, por ejemplo, podrían ayudar a los planificadores y residentes de Monrovia y Puerto Príncipe a estudiar –de manera colaborativa- cómo infiltrar redes de circulación formal en los asentamientos con una mínima perturbación de la trama urbana, los hogares y los medios de vida existentes.

Red de calles de cada ciudad y las huellas de los edificios, comparando las ciudades de EE.UU. a los asentamientos informales en el Sur Global.. Image © Geoff Boeing. Gráficos de "Spatial Information and the Legibility of Urban Form: Big Data in Urban Morphology" Bajo Licencia CC BY 4.0

Como segundo ejemplo, produce una serie de histogramas polares o “rosas de los vientos”, ofreciendo una perspectiva alternativa para visualizar el ordenamiento estructural de la ciudad. Cada histograma polar visualiza las orientaciones (marcación de la brújula) de las calles. Por ejemplo, en el diagrama de Manhattan se evidencia claramente la cuadrícula ortogonal dominante. De esta manera, ofrece códigos sencillos que permiten condensar y comprender una gran cantidad de datos urbanos.

Histogramas polares de las orientaciones de las calles de 100 ciudades del mundo, ordenados alfabéticamente . Image © Geoff Boeing. Gráficos de "Urban Street Network Orientation" Bajo Licencia CC BY 4.0

  • Para conocer más sobre el tema, accede al sitio web de Geoff Boeing o descarga el ensayo completo en el siguiente enlace.

Galería de Imágenes

Ver todoMostrar menos
Sobre este autor/a
Cita: Belén Maiztegui. "Big data y urbanismo, ¿Cómo sintetizar información compleja para su aplicación práctica?" 27 feb 2020. ArchDaily Perú. Accedido el . <https://www.archdaily.pe/pe/933924/big-data-y-urbanismo-como-sintetizar-informacion-compleja-para-su-aplicacion-practica> ISSN 0719-8914

Has seguido tu primera cuenta!

¿Sabías?

¡Ahora recibirás actualizaciones de las cuentas a las que sigas! Sigue a tus autores, oficinas, usuarios favoritos y personaliza tu stream.