Seminario Camila Lira "Construcción y análisis de una base de datos masivos y desagregados de una ciudad"

Expone: Camila Lira R., Ingeniera Civil y Magíster en Ciencias de la Ingeniería, Mención Transporte de la Universidad de Chile. Analista de transporte, Empresa de Ferrocarriles del Estado (EFE).

• Fecha: Viernes 11 de julio 2025
• Hora: 13:30 hrs
• Modalidad: Híbrida
• Lugar: Sala Multiuso del Edificio Civil

Inscríbete aquí

Resumen:

El rápido crecimiento urbano y la complejidad de las dinámicas de los sistemas urbanos resaltan la importancia de comprender cómo las personas eligen sus localizaciones y actividades dentro de las ciudades. Este entendimiento es crucial para mejorar la calidad de vida urbana y desarrollar una planificación de la ciudad informada y eficiente, lo cual se puede abordar con modelos de uso del suelo. Sin embargo, las ventajas de estos enfrentan desafíos significativos debido al alto costo y complejidad de la recolección de datos que se usan para estimar y aplicar los modelos. En ciudades como Santiago, a pesar de la creciente disponibilidad de datos y recursos computacionales, no existe una base de datos integrada que permita caracterizar y estimar modelos con precisión sobre el comportamiento de los agentes urbanos. Esta tesis aborda este desafío presentando un procedimiento para construir y analizar una base de datos desagregada de uso de suelo, utilizando datos pasivos disponibles y actualizados periódicamente. Mediante la integración de múltiples fuentes y la utilización de datos censales, se busca mejorar la capacidad de predicción y reducir costos del uso de los modelos urbanos. La tesis se enfoca en avanzar en la integración de datos de los agentes residenciales, evaluando comparativamente métodos de imputación de variables y de desagregación espacial a nivel de manzana de los agentes en la ciudad. Los resultados revelan que el diseño del proceso de integración de datos es eficiente y se logra un enriquecimiento significativo en el Censo 2017 con la imputación de ingresos residenciales de la ciudad utilizando un método de Machine Learning.

Además, se logra una mayor desagregación espacial de la localización de los agentes a nivel de manzana censal ajustada a los datos disponibles, mediante métodos de optimización con variables enteras y restricciones lineales de igualdad. Estos avances no solo mejoran la precisión y aplicabilidad de las bases de datos requeridas para las predicciones urbanas, sino que también establecen una base empírica rica y actualizable a muy bajo costo para futuras investigaciones y aplicaciones en planificación urbana. La metodología desarrollada podría extenderse a otras ciudades que cuenten con bases de datos similares, como lo son todas las ciudades de Chile que cuentan con una encuesta tipo Casen, contribuyendo al entendimiento y modelación del Uso de Suelo urbano.