Ocupació territorial (Patrons d’ocupació) – Litoral Català

Aquest producte consisteix en una eina predictiva i de caracterització territorial basada en models computacionals i captació massiva de dades per a la presa de decisions sobre l’ordenació del territori i el planejament urbanístic. Aquesta eina posa un èmfasi especial en la caracterització de les persones o entitats que ocupen el territori i com es relacionen amb el territori.  En aquest cas els resultats estàn centrats sobre els PAEs, barris urbans i urbanitzacions de totes les unitats de paisatge del litoral català.

• • Urbanitzacions – Determinar la primera i la segona residència, els nivells de serveis urbans tenint en compte la consolidació i la tendència futura, així com el valor econòmic relatiu.
  • Polígons industrials – Determinar el parc edificat en actiu, és a dir, habitat i funcional, el seu grau de consolidació i d’activitat empresarial, així com el valor econòmic que genera.
  • Habitatge en barris urbans – Problemàtiques associades al dret d’accés a l’habitatge, qualitat constructiva del parc d’edificis, així com context del seu entorn en termes de serveis, zones verdes i transport.

Metodologia

1. Obtenció de les fonts de dades i càlcul d’indicadors

• • Parc edificat i característiques urbanístiques – Les dades provenen de diverses fonts oficials com són: La Seu Electrònica del Cadastre, l’Institut Cartogràfic i Geològic de Catalunya i la Generalitat de Catalunya. Es reunirà informació sobre el nombre d’edificacions i la superfície que ocupen, les zones comunitàries, preu de l’habitatge, etc.
  • Activitat econòmica – Fonts de Sabi (informació econòmica d’empreses), Google Maps i la Generalitat de Catalunya. Es reuneix informació sobre el nombre de treballadors estimat en un Polígon d’Activitat Econòmica (PAE) i les empreses d’interès, entre d’altres.
  • Consum energètic – Les fonts utilitzades són Datadis, l’Agència Catalana de l’Aigua i dades obertes de la Generalitat de Catalunya, i es reuneixen dades del perfil de consum d’aigua, gas i electricitat, patrons d’activitat diària o anual, etc.
  • Mobilitat – S’usen les fonts, entre d’altres, de l’Institut Nacional d’Estadística, la Generalitat de Catalunya, Àrea Metropolitana de Barcelona i la plataforma de Google Maps. Permeten conèixer el destí més habitual d’una zona determinada (matriu d’origen) i l’estat del trànsit entre els orígens, volum de mobilitat, etc.
  • Serveis propers i entorn – Fonts de Google Maps i la Generalitat de Catalunya que aporten dades dels serveis essencials més propers de la zona en estudi (ajuntament, supermercat, farmàcia, CAP, hospital…), allotjaments turístics i el risc de fenòmens disruptius.
  • Demografia i aspectes socioeconòmics – Fonts de l’Institut Nacional d’Estadística i de la Generalitat de Catalunya per determinar la renda mitjana per càpita, diferència entre rendes altes i baixes, nombre de persones per habitatge, rang d’edat, etc.

2. Agrupació del territorial

• • En base als indicadors de cada cas d’ús i tècniques de clustering, agrupar les urbanitzacions, PAEs i barris urbans en grups de similars.
  • S’utilitza una tècnica de dos passos:

1. 1. 1. Self-Organizing Maps per obtenir un mapa de similars.
      2. Aplicant K-Means sobre el mapa i optimitzant utilitzant gap statistic per determinar nombre òptim de grups.

• • Un cop determinats els grups, es computen els estadístics dels indicadors per cada grup obtingut.

3. Modelització del territori

L’objectiu principal es detectar les variables que provoquin canvi en les agrupacions detectades, i que puguin ser influenciades pels òrgans de govern.

Primer, per predir el grup al que s’ubicaria una zona segons un determinat canvi de les seves característiques, i posteriorment, predir variables independents (ja sigui l’estimador mitjana o la seva distribució) respecte variables dependents determinades.

S’utilitzen xarxes neuronals Multi Layer Perceptron amb un o multiples nodes de sortida depenent del problema a solucionar.

Contacte

Gerard Mor (gmor@cimne.upc.edu)

Jose Manuel Broto (jmbroto@cimne.upc.edu)

Júlia Trias (julia.trias@gencat.cat)

Antoni Prats (antoni.prats@gencat.cat)