En Colombia, con la ayuda de mapeo aéreo y terrestre, detectan edificios que pueden ser vulnerables a desastres...

Utilizando inteligencia artificial para analizar imágenes digitales recolectadas a través de mapeo terrestre y aéreo, el Distrito Capital de Bogotá, Colombia, está trabajando para identificar hogares y vecindarios que necesitan ser mejorados. El objetivo es que las familias vivan en hogares con mejores condiciones, más ecológicos y más seguros antes de que el próximo desastre ocurra. 

Este esfuerzo, apoyado por el Programa Global para Viviendas Resilientes (GPRH) del Banco Mundial, utiliza un sistema de mapeo móvil montado en un vehículo Trimble MX7 para capturar imágenes a nivel de la calle en los vecindarios y las combina con imágenes aéreas recolectadas por drones. (Los datos personales no se recopilan y el desenfoque automático de la cara está activado para proteger la privacidad). 

Los datos recolectados se limpian, organizan y analizan, sin recopilar los datos personales y protegiendo la privacidad, después Bogotá utiliza algoritmos de aprendizaje automatizados para identificar edificios y áreas urbanas que podrían ser mejoradas y obtener una inspección por parte de un ingeniero.

Como señala Nadya Rangel, Secretaria de Hábitat de Bogotá: “Esta tecnología ayudará a la ciudad a planificar e implementar futuras inversiones en vivienda y mejoras urbanas en las zonas más vulnerables”.
 

.

Las imágenes de Bogotá capturadas por mapeo móvil, se procesan en Trimble Business Center para identificar estructuras y sus características , como el material, la condición y el tamaño de la fachada. Fuente: Banco Mundial.

Haciendo visible lo invisible

La tecnología está haciendo que las áreas vulnerables sean más visibles para los tomadores de decisiones que determinan la inversión pública y privada en vivienda e infraestructura urbana. “Así como la tecnología puede ayudar a detectar el cáncer y brindar un tratamiento que no creíamos posible, los gobiernos pueden utilizar la tecnología para clasificar los hogares y vecindarios que podrían beneficiarse de las intervenciones de mejora inmediata”, dijo Luis Triveño, especialista senior en desarrollo urbano y líder de GPRH.

.

El equipo de recolección de datos incluye un conductor, un pasajero controlando el Trimble MX7 y alguien en la oficina trabajando con el software. Fuente: Banco Mundial.

Terremoto en México se concentra en edificios débiles

La idea de tomar imágenes de vecindarios para ubicar hogares que son más vulnerables a los terremotos fue provocada por el problema de los edificios de pisos blandos, dijo Sarah Elizabeth Antos, científica de datos y co-directora de GPRH.

Un "piso blando" es una estructura en la que uno o más pisos tienen ventanas, puertas anchas y/o grandes espacios comerciales sin obstrucciones u otras aberturas donde normalmente se requeriría un muro de corte para la estabilidad contra terremotos. La historia nos ha demostrado que las estructuras de pisos blandos son propensas a colapsar durante los terremotos y que el reacondicionamiento sísmico es rentable. (Referencia: FEMA (2012) FEMA p. 807: FEMA (2012) FEMA p. 807: Seismic Evaluation and Retrofit of Multi-Unit Wood-Frame Buildings with Weak First Stories, Federal Emergency Management Agency (FEMA), Washington, D.C., United States.)

El riesgo de los edificios de pisos blandos se hizo evidente en México el 19 de septiembre de 2017, cuando un terremoto de magnitud 7.1 provocó el colapso de más de 40 edificios, incluida la escuela Enrique Rébsamen, donde murieron 19 niños y siete adultos.

“Desde las imágenes de Street View era muy evidente que este edificio era de piso blando. Viendo las imágenes y hablando con los ingenieros, estaba claro que era una estructura sísmicamente vulnerable ”, dijo Antos.

El equipo de GPRH del Banco Mundial comenzó a preguntarse: ¿Podrían usar el aprendizaje automatizado (algoritmos informáticos que aprenden y se adaptan) para imitar el ojo de un experto? ¿Podrían detectar no solo edificios escolares, sino también los hogares que podrían ser vulnerables a la actividad sísmica para que se pudieran enviar ingenieros a realizar evaluaciones adicionales y los gobiernos puedan ayudar a reacondicionarlos?

.

El proyecto alinea los datos del mapeo móvil con imágenes aéreas de alta resolución (drones) para generar un modelo 3D más preciso de los vecindarios. Fuente: Banco Mundial.

Los datos del vecindario de Bogotá informan la inversión

En la tercera fase de recolección de datos, el proyecto de Bogotá se enfoca en hasta 12 áreas vulnerables de la ciudad que comprenden aproximadamente 20 kilómetros cuadrados.

El método genera un inventario de los vecindarios o capas con el Sistema de Información Geográfica (GIS) que muestran al gobierno los que podrían necesitar intervención o mejoras. “Con esta tecnología, los gobiernos pueden acelerar el proceso de captura de datos de las unidades de vivienda en sus distritos para que puedan enfocarse más en optimizar el uso de los recursos de ingeniería y abordar las necesidades de las familias vulnerables”, dijo Antos. 

¿Qué sigue?

Si bien el mapeo móvil y la tecnología GIS a menudo se implementan para crear bases de datos de exposición o en respuesta a terremotos, inundaciones u otros desastres naturales, también son herramientas poderosas para planificar inversiones para mitigar el riesgo antes de que ocurra un desastre.

“Este tipo de trabajo también crea y preserva la memoria de cómo se veía un lugar antes de que ocurriera un desastre”, dijo Triveño. Incluso cuando un desastre natural destruye un área, es útil tener un registro visual. "Es por eso que ponemos a disposición esas imágenes, para que la gente pueda ver lo que se conserva y se comparte".
 

.

El Banco Mundial aplica sus algoritmos directamente a las imágenes obtenidas con el MX7 y los modelos de aprendizaje automatizados ayudan a identificar las características de los edificios. Fuente: Banco Mundial

Preparando los datos para trabajar de manera más inteligente

Además de donar equipos y software para el proyecto, Trimble brindó capacitación en post procesamiento al equipo del Banco Mundial y funcionarios de la Secretaría del Hábitat de Bogotá. Debido a la pandemia, la capacitación se realizó virtualmente y fue dirigida por un empleado de Trimble en Alemania que hablaba español.

En el terreno en Bogotá, el equipo de recopilación de datos ha incluido un conductor, un pasajero que controla el Trimble MX7 y alguien en la oficina que trabaja con el software, que incluye Trimble MX, Applanix POSPac Mobile Mapping Suite y Trimble Business Center. La privacidad es una consideración importante en el proceso de recopilación de datos, por lo que no se recopilan datos personales y los rostros se ven borrosos. Una vez recopilados, los datos se procesan para mejorar su posición geográfica y después, las imágenes recopiladas del MX7 se utilizan para crear imágenes panorámicas. Finalmente, el equipo coloca esas imágenes en Mapillary, una herramienta de mapeo colaborativo de código abierto, para que el gobierno y la comunidad OpenStreetMap puedan verlas.

El Banco Mundial aplica sus algoritmos directamente a las imágenes capturadas con el MX7 y el proceso automatizado de aprendizaje ayuda a etiquetar e identificar estructuras y características que sirven para determinar si se trata de un edificio bueno o malo. Además, el gobierno, con la capacitación proporcionada por el Banco Mundial, está proporcionando mapas aéreos del área para hacer clic en las azoteas que muestran las imágenes de Street View.

Los algoritmos del Banco Mundial extraen datos y categorizan automáticamente características de estructuras, como:

  • El estado del edificio, desde nuevo hasta ruinoso
  • Material utilizado en la construcción
  • Época del edificio;
  • Características arquitectónicas como ventanas, puertas y garajes, que son un indicador clave de si un edificio es una estructura de pisos blandos
  • Altitud para determinar si se ha elevado un edificio, lo que indicaría un área propensa a inundaciones.

El Banco Mundial utilizó una técnica de segmentación profunda de aprendizaje basada en imágenes Mask R-CNN para detectar instancias de construcción a partir de imágenes y clasificar las instancias detectadas con respecto a características interesadas, como ocupación, material y condición.

La técnica de segmentación de instancias consiste en categorizar y agrupar píxeles de una imagen en clases predefinidas. El método Mask R-CNN se basa esencialmente en la técnica de red neuronal convolutional, que ha logrado importantes éxitos en la visión por computadora y el análisis de imágenes en los últimos años.

El equipo también señaló que la herramienta principal utilizada es Detectron2, que se basa y funciona con el marco de aprendizaje profundo de PyTorch.
 

.

A pesar de las difíciles condiciones que presentaba el terreno, el mapeo móvil permite al equipo capturar imágenes continuamente y luego mejorar su precisión geoposicional en la oficina durante el post procesamiento. Fuente: Banco Mundial.

Efectos dominó del proyecto Bogotá

El Banco Mundial siempre está probando nuevas tecnologías de mapeo móvil y SIG, las cuales continúan haciéndose más accesibles, con costos decrecientes y facilidad de uso con mejores cámaras y software.

“Hemos logrado llevarlo a un costo por unidad que es muy bajo, manteniendo estos algoritmos de código abiertos y tratando de maximizar el alcance de estas herramientas”, dijo Triveño. "Creo que en ese sentido, es muy peculiar".

“Mirando el panorama general, la solución a las viviendas vulnerables debe basarse en la tecnología, liderado por políticas y aumentando la participación del sector privado ”, dijo Triveño.

Este es contenido generado por Trimble y, como tal, no debe considerarse como un respaldo del Grupo del Banco Mundial.