Metodología de recopilación de datos abiertos para comprender el espacio público en los barrios periféricos

UDLA

Equipo: Diana Mosquera, Francisco Gallegos, Ana Medina

URBANISMSPATIAL DATA SCIENCEOPEN DATA

Esta investigación presenta un marco metodológico para recopilar y analizar datos geoespaciales en barrios periféricos donde las fuentes tradicionales de datos abiertos son limitadas o desactualizadas. Enfocándose en dos barrios de bajos ingresos en Quito, Ecuador —La Bota y Toctiuco—, el estudio desarrolla técnicas para evaluar espacios públicos, áreas verdes urbanas y servicios de apoyo que contribuyen a entornos urbanos saludables. La metodología combina múltiples fuentes de datos para superar las limitaciones de acceso restringido en asentamientos informales. Utilizando Google Places API, Microsoft Planetary Computer, OpenStreetMap e indexación hexagonal H3, se crearon conjuntos de datos espaciales integrales que revelan la distribución de servicios, redes viales y densidad de edificaciones. Este enfoque integrado permite un análisis estandarizado entre diferentes áreas urbanas, haciéndolo aplicable a contextos similares en otras ciudades. El análisis reveló que ambos barrios sufren una accesibilidad limitada a servicios esenciales, con muchos residentes obligados a viajar fuera de sus comunidades para necesidades diarias. El estudio identificó patrones centralizados de distribución de servicios que contribuyen a la exclusión y segregación dentro de estas comunidades. El análisis de redes demostró además que, aunque pueden existir numerosos servicios en la zona, su distribución espacial a menudo se extiende más allá de los límites del barrio, destacando los desafíos de accesibilidad para los residentes.

Nuestro trabajo fue más allá de la recolección de datos e incluyó el compromiso directo con los residentes, observando sus movimientos diarios y escuchando sus experiencias en visitas de campo. Descubrimos que los espacios públicos y servicios esenciales a menudo se concentran de formas que generan inequidad, requiriendo intervenciones específicas. Esta metodología ofrece herramientas prácticas para los tomadores de decisiones para identificar dónde y cómo crear comunidades más saludables y conectadas que reduzcan las divisiones existentes en lugar de reforzarlas.
‍
Al visualizar estas relaciones espaciales mediante métodos de superposición y análisis de redes, la investigación proporciona ideas valiosas para urbanistas. Los hallazgos enfatizan la necesidad de intervenciones que prioricen infraestructura urbana inclusiva para mejorar la calidad de vida de los residentes. La metodología también sienta las bases para futuras aplicaciones de aprendizaje automático (machine learning) que podrían profundizar la comprensión de la dinámica urbana en comunidades desatendidas de la periferia.