Arturo

un algoritmo
entrenado por ciudadanos
para diseñar
ciudades más habitables

¡Participa! Los resultados

un experimento de
con
para #Imperidble_03

¿Que és?

Necesitamos tu participación para entrenar a un algoritmo que nos ayude a diseñar ciudades más habitables.

El urbanismo es la ciencia de hacer ciudades. Para ello, esta disciplina se nutre de múltiples datos de los entornos urbanos, que le permiten establecer en sus diseños criterios objetivos, mensurables y comparables.

El urbanismo no tan sólo tiene como retos plantear una movilidad ágil, proyectar un tejido residencial accesible, disponer de suelos para las actividades económicas o resolver eficientemente el impacto energético y medioambiental de todo ello, sino que además busca hacerlo de forma que las ciudades sean los lugares más habitables del planeta.

Sin embargo, no sabemos cómo medir la habitabilidad de la ciudad ya que ésta depende de muchos parámetros subjetivos. A pesar del gran número de sofisticados sensores existentes desplegados en nuestro entorno, aún somos incapaces de medir la habitabilidad y solamente preguntando a los ciudadanos podremos comprender en qué consiste.

La opinión de un único ciudadano puede parecer arbitraria, pero si juntamos la opinión de miles de ellos podremos construir una idea precisa de qué es la habitabilidad. Y con toda esta información podremos entrenar un algoritmo que clasifique los distintos parámetros urbanísticos y sus combinaciones en función de la habitabilidad que generan.
Arturo es el nombre de un algoritmo de aprendizaje automatizado diseñado para determinar cuáles son las condiciones urbanísticas que hacen que nuestras ciudades sean más habitables y así poder ayudar a técnicos y administraciones.

Ayúdanos a entrenar a Arturo respondiendo un cuestionario (¡tantas veces como quieras!) en el que deberás escoger la imagen que mejor se ajusta para ti a la de un entorno habitable.

Con tus datos, y los de todos los participantes, vamos a generar una base de datos abierta que nos permita convertir la percepción subjetiva de los ciudadanos en conocimiento reutilizable por las herramientas de computación.

¿Participas?

¿Cómo participar?


ciudadanos
ya han participado


valoraciones
han sido realizadas

Si también quieres ayudarnos a entrenar a Arturo
accede al siguiente link

¡Participa!

Los resultados

¿Dónde Madrid es más habitable?

Arturo ha ordenado las fotografías según las preferencias de los ciudadano donde cada calle ha obtenido una posición en un ránking. Este mapa nos explica qué calles y qué barrios de Madrid son los mejor valorados y, por tanto, más habitables.

¿Cómo son las calles más habitables?

Las calles mejor valoradas por los ciudadanos se han comparado mediante un gráfico con el resto para saber cómo son y qué características las hacen más habitables.

¿Qué caracteriza la habitabilidad?

Hemos obtenido la relevancia que cada parámetro urbano tiene en el árbol de decisión de Arturo. ¿Qué es más importante la densidad urbana o la cantidad de espacio público?

¿Donde Madrid es más habitable?

consulta por barrios
Este mapa nos enseña qué calles y barrios de Madrid son más habitables según los resultados del experimento/la opinión de los ciudadanos.

¿Cómo son las calles más habitables?

Este gráfico nos explica qué características tienen las calles mejor valoradas por los ciudadanos en relación al resto.

¿Qué parámetros definen la habitabilidad?

Si quieres saber qué parámetros caracterizan la habitabilidad, consulta este gráfico que los ordena según su importancia

.

El experimento

Arturo es el nombre de un algoritmo entrenado por ciudadanos y diseñado para determinar qué variables urbanísticas son aquellas que hace que nuestras ciudades sean más habitables. El algoritmo toma el nombre de Arturo Soria queriendo así recordar uno de los mayores urbanistas de nuestro país, que con el proyecto de la ciudad lineal quiso poner en el centro de la práctica del urbanismo el bienestar de sus habitantes.

El urbanismo tiene múltiples retos a resolver para que las ciudades sean unos entornos en los que desarrollar de forma óptima la vida humana: la movilidad, la gestión de los suelos, la ordenación de las actividades económicas, la disposición de las proporciones correctas de vivienda, la relación con los servicios y equipamientos, entre otros.

Además, la resolución de estos retos debe ser inclusiva, sin excluir a ninguno de los habitantes. Debe ser también justa, es decir, ofreciendo oportunidades a todos por igual y haciendo que aquellas personas con mayor desventaja social encuentren también en la ciudad un lugar donde crecer. La ciudad no puede ser un obstáculo. Debe también ser sostenible con el medio ambiente para garantizar la propia existencia a lo largo del tiempo y también la del resto de territorios que no son ciudad. La ciudad aspira a ser el lugar más habitable de la tierra, aquel que ofrece y garantiza las mejores condiciones para desarrollar una vida plena. En definitiva las ciudades quieren ser lugares habitables.

Si bien el urbanismo es reconocido como la ciencia de hacer ciudades, en muchos casos sus metodologías producen aproximaciones al fenómeno mediante metodologías no replicables, no comparables y sobretodo no mensurables. Esto conlleva un lento aprendizaje entre las distintas experiencias urbanas del mundo y la imposibilidad de comprender como una ciudad puede aprender de otra.

El experimento que hemos realizado quiere hacer medible la habitabilidad de la ciudad. Como ya se ha enunciado anteriormente, se trata de un concepto del cual dependen muchos otros pero que resume con gran precisión el objetivo último del urbanismo. Queremos comprender si es posible hacer objetiva la idea de habitabilidad. Si es posible cuantificarla y medirla. Y además comprender qué parámetros urbanísticos son los más influyentes en esta cuantificación.

En lugar de tratar de construir una única descripción posible de cómo es una ciudad habitable, queremos construir una descripción colectiva mediante la participación del mayor número de ciudadanos. Probablemente cada uno de nosotros difiera de las opiniones de los demás, ya que es posible que aquello que agrada a unos no agrade del mismo modo al resto. Sin embargo, si somos capaces de recoger un gran número de opiniones, a pesar de las diferencias entre ellas, podremos encontrar una idea general. Sobre un gran volumen de respuestas podremos extraer aquellas características comunes a todas ellas.

Para ello, el proyecto pide a los ciudadanos que evalúen una serie de pares de fotografías de distintas calles de la ciudad. Mediante las valoraciones obtenidas se obtiene un listado con las calles mejor y peor valoradas. Una vez se ha ordenado este conjunto de imágenes (que en total representa el 10% de las calles de Madrid), podemos analizar cuáles son las características comunes entre aquellas que comparten votaciones similares. Cada fotografía ha sido caracterizada previamente, asociándole hasta 50 parámetros urbanísticos como por ejemplo la densidad construida, los usos del suelo, la geometría de los edificios, su antigüedad, su calidad constructiva y otros valores más complejos como las mixturas existente entre los valores mencionados. También conocemos el ancho de las calles, su jerarquía dentro de la trama urbana, cuáles son las actividades económicas en planta baja y la demografía del lugar.

Mediante un algoritmo de aprendizaje automatizado (Gradient Boost) podemos buscar estos patrones mencionados y realizar dos pasos más muy importantes. Por un lado, clasificar el resto de calles de la ciudad que no fueron valoradas y por lo tanto extender este criterio al resto de la ciudad. Por el otro, determinar qué características de las empleadas para definir la información urbanística que se halla tras cada imagen son más importantes a la hora de clasificar estas fotografías. Y con ello, poder valorar, por ejemplo, si a la hora de definir la habitabilidad urbana tiene mayor relevancia la mixtura de usos o la calidad de la edificación, si disponer de tejidos monofuncionales residenciales es más atractivo para los ciudadanos, si preferimos las calles anchas o las calles estrechas, si la altura de los edificios es relevante, etc…

Este experimento se apoya sobre dos experiencias anteriores realizadas hace varios años. La primera, llamado StreetScore, dirigido por Cesar Hidalgo y la segunda titulado Urbanopticon, dirigido por Daniele Quercia. Ambas evalúan mediante la participación ciudadana fotografías del entorno urbano con el objetivo de descubrir los patrones que se hallan detrás de estas valoraciones. Mediante técnicas de análisis de imágen extraen información de las fotografías (color, etc...) y determinan qué características visuales de la imagen condicionan aspectos urbanos de difícil cuantificación como la reconocibilidad del entorno urbano o la seguridad percibida.

El experimento desarrollado en esta ocasión proporciona, por primera vez, una interpretación de los resultados a partir de los valores urbanísticos que se encuentran asociados a cada imagen- asumiendo que la experiencia visual del espacio es la consecuencia de los parámetros que definen cada tejido urbano. De este modo obtenemos una valoración de cuáles son los aspectos más importantes en el planeamiento urbano, pudiendo así incidir con los resultados sobre las herramientas actuales de planeamiento.

La información capturada mediante la participación de los ciudadanos, el modelo de datos empleado sobre el que se entrena el algoritmo y los resultados finales son abiertos. Se pueden descargar libremente para que cualquiera pueda utilizarlos y asía ensanchar el conocimiento de las ciudades gracias a la información aportada por ciudadanos.

¿Cuáles son los indicadores utilizados?

Descarga los datos

Este experimento construye un conocimiento cualitativo del entorno urbano gracias a la participación de los ciudadanos. Y es por ello que el resultado también es abierto y reutilizable por ciudadanos, científicos, diseñadores, políticos... Para que entre todos podamos mejorar nuestras ciudades.

Descárgate los datos resultantes del entrenamiento así como el modelo de calles de Madrid con los parámetros urbanísticos asociados.


Última actualización:

dataset de entrenamiento

modelo de viario