Evaluación de la Caminabilidad en Áreas Metropolitanas Mexicanas Mediante Datos de Código Abierto
Este
proyecto busca analizar qué tan caminables son las ciudades mexicanas, es
decir, qué tan fácil, seguro y agradable es moverse a pie en distintos entornos
urbanos. Usando herramientas digitales y datos abiertos, crearemos mapas que
muestren qué tan accesibles son las escuelas, parques, tiendas, transporte
público y otros servicios esenciales desde cualquier punto de la ciudad.
Durante el
semestre, los estudiantes participantes se integrarán a una de las etapas clave
del proyecto: el procesamiento y análisis de datos espaciales para algunas de
las 62 áreas metropolitanas de México. Se utilizarán plataformas y tecnologías
como OpenStreetMap, QGIS, Python, datos satelitales y herramientas de
visualización en línea. No es necesario dominar estos programas desde el
inicio: ofrecemos capacitación básica y acompañamiento continuo.
Los
participantes desarrollarán habilidades muy valoradas en el mercado laboral
actual, incluyendo:
- Manejo de datos geoespaciales
(GIS)
- Visualización de mapas y
análisis territorial
- Programación en Python aplicada
a datos urbanos
- Pensamiento crítico sobre
movilidad y calidad de vida urbana
- Trabajo
colaborativo en entornos digitales
Además de
adquirir experiencia técnica, los estudiantes conocerán cómo se construyen
diagnósticos urbanos que pueden influir en políticas públicas, planeación
territorial y diseño de ciudades más equitativas y sostenibles.
El proyecto,
es parte de Walkable Southeast Asia: A Repository of Urban Liveability Features
(https://ddum-sutd.github.io/walkable_southeastasia-main/). Es ideal para
estudiantes de arquitectura, urbanismo, ingeniería, ciencias sociales, ciencia
de datos o áreas afines que estén interesados en ciudades, movilidad,
sostenibilidad o tecnología aplicada al desarrollo urbano. Hay flexibilidad
para adaptar las tareas a distintos niveles de experiencia, y se entregará
constancia de participación. Los mejores trabajos pueden integrarse en
publicaciones o presentaciones académicas.
1. Extraer y limpiar datos de redes
peatonales y amenidades urbanas:
Utilizar bases de datos abiertas como OpenStreetMap para identificar calles peatonales, parques, escuelas, tiendas y otros puntos de interés. Aprender a filtrar, depurar y organizar esta información para su análisis geoespacial.
Utilizar bases de datos abiertas como OpenStreetMap para identificar calles peatonales, parques, escuelas, tiendas y otros puntos de interés. Aprender a filtrar, depurar y organizar esta información para su análisis geoespacial.
2. Generar mapas isócronos (zonas
accesibles caminando en 5, 10 y 15 minutos):
Aplicar herramientas como QGIS, Python o servicios en la nube para construir mapas que muestran hasta dónde se puede llegar caminando desde distintos puntos dentro de la ciudad. Estos mapas se generan siguiendo la red real de calles y senderos.
Aplicar herramientas como QGIS, Python o servicios en la nube para construir mapas que muestran hasta dónde se puede llegar caminando desde distintos puntos dentro de la ciudad. Estos mapas se generan siguiendo la red real de calles y senderos.
3. Calcular indicadores de
caminabilidad en una malla de alta resolución:
Dividir el área metropolitana en una cuadrícula de 100x100 metros y, para cada celda, calcular indicadores como densidad poblacional, cantidad de amenidades accesibles, porcentaje de áreas verdes, entre otros.
Dividir el área metropolitana en una cuadrícula de 100x100 metros y, para cada celda, calcular indicadores como densidad poblacional, cantidad de amenidades accesibles, porcentaje de áreas verdes, entre otros.
4. Presentar resultados de forma clara
y visual:
Aprender a visualizar los datos mediante mapas temáticos, tablas y gráficos comprensibles para tomadores de decisiones. Se fomenta el uso de buenas prácticas de comunicación visual para transmitir hallazgos de manera efectiva.
Aprender a visualizar los datos mediante mapas temáticos, tablas y gráficos comprensibles para tomadores de decisiones. Se fomenta el uso de buenas prácticas de comunicación visual para transmitir hallazgos de manera efectiva.
6
francisco_benita@tec.mx
Ciencia de datos
Arquitectura
Python
Ciudades
Transporte
