Mapeo a gran escala y de alta resolución de comunidades vulnerables a través de imágenes satelitales y censos de población utilizando el aprendizaje profundo

Descripción del servicio

Uno de los desafíos en la lucha contra la pobreza es la localización y evaluación precisas de la expansión de las comunidades vulnerables. La caracterización de la vulnerabilidad se logra tradicionalmente mediante ejercicios de censos a nivel nacional, un proceso laborioso que requiere visitas de campo por parte de personal capacitado. Lamentablemente, la mayoría de los censos a nivel nacional se llevan a cabo solo de forma esporádica, lo que dificulta el seguimiento del efecto a corto plazo de las políticas para reducir la pobreza. En esta aplicación definimos la vulnerabilidad siguiendo los criterios de ONU-Hábitat. Para su desarrollo evaluamos diferentes arquitecturas de aprendizaje automático de CNN y establecimos un mapeo entre imágenes de satélite y datos de encuestas. A partir de la información correspondiente a los 2,178,508 bloques residenciales registrados en el censo mexicano de 2010 y las imágenes multiespectrales Landsat-7, se exploraron múltiples arquitecturas de aprendizaje profundo. El mejor rendimiento se obtiene con EfficientNet-B3 logrando un área bajo las curvas ROC y Precision-Recall de 0.9421 y 0.9457, respectivamente. Nuestro trabajo permite la utilización de información disponible públicamente, en forma de datos del censo e imágenes de satélite, junto con las arquitecturas estándar de CNN. Nuestro propósito es emplear esta herramienta en la caracterización de la vulnerabilidad en todo el país a nivel de bloque residencial.