Browsing by Author "Löbel Díaz, Hans-Albert"

Now showing 1 - 6 of 6
  • Thumbnail Image
    Item
    Cuantificación de la percepción visual de entornos urbanos a través de imágenes satelitales, utilizando aprendizaje contrastivo multimodal
    (2024) Magna Depoortere, Michel Alexander; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    El estudio de la percepción del entorno urbano permite desarrollar modelos computacionales que identifiquen a gran escala los elementos más significativos que influyen en la percepción de las personas sobre el lugar en el que se desenvuelven. Estos resultados son cruciales para el diseño de áreas de tránsito peatonal o vehicular y la asignación eficiente de recursos con el fin de mejorar las ciudades y sus espacios públicos. Diversos estudios han concluido que un diseño apropiado de los espacios públicos promueve, por ejemplo, un mayor uso del transporte público, áreas verdes, actividades deportivas y contribuye a la salud mental de los residentes. Por lo tanto, resulta relevante desarrollar metodologías que apoyen estas decisiones. Una alternativa para superar las limitaciones mencionadas es el empleo de imágenes satelitales. Estas ofrecen datos más actualizados, recientes y económicos en comparación con Google Street View, gracias a la proliferación de satélites y servicios relacionados. No obstante, existe una limitación significativa: la percepción visual humana se experimenta y reporta a nivel terrestre y desde una perspectiva única, lo que dificulta la aplicación directa de imágenes captadas desde ángulos radicalmente diferentes, como es el caso de las imágenes satelitales. En los últimos años, los modelos computacionales han dependido en gran medida de las imágenes de Google Street View para sus análisis. Esta dependencia ofrece la ventaja de un acceso fácil y masivo a los datos. Sin embargo, en ciertas áreas, la actualización de estas imágenes es un proceso lento, principalmente debido al elevado costo que implica un mapeo exhaustivo de la ciudad, tal como se observa en Chile. Esta situación conduce a un sesgo inherente en las imágenes, presente desde el momento de su captura y durante su uso en los análisis. Este estudio introduce una metodología diseñada para evaluar la percepción del entorno urbano en Santiago, minimizando el sesgo temporal. Se propone un enfoque innovador que integra tanto imágenes de Street View como imágenes satelitales para desarrollar un modelo multimodal de aprendizaje contrastivo. Este modelo es capaz de predecir la percepción basándose en una imagen dada. Dicha metodología aborda el problema de la discrepancia temporal entre la captura de las imágenes y el momento del análisis, resultando además en un proceso más eficiente al reducir la necesidad de actualizar constantemente las imágenes de Google Street View, gracias a la utilización de imágenes satelitales que se actualizan en menor tiempo.
  • Thumbnail Image
    Item
    Impacto del largo del ciclo semafórico en la operación de buses de transporte público
    (2023) Moya Aguad, Jaime Francisco; Herrera Maldonado, Juan Carlos; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    El transporte público de buses enfrenta actualmente como principal dificultad la continua disminución en las velocidades de desplazamiento, debido entre otras causas a la congestión vehicular, derivando en tiempos de viaje cada vez mayores para sus usuarios. Por este motivo, la infraestructura especializada para priorizar la circulación de buses se debe complementar con programaciones semafóricas adecuadas, ayudando así a reducir los tiempos de viaje. En base a esto último, el presente trabajo busca determinar cuáles son las programaciones semafóricas más adecuadas para la circulación y operación del transporte público, con foco en el impacto que el largo de ciclo tiene en dicha operación. Para evaluar el desempeño de distintas programaciones semafóricas, incluyendo largo de ciclo, porcentaje de reparto y desfase, se realizaron microsimulaciones utilizando como modelo de seguimiento vehicular el Intelligent Driver Model (IDM). Para la calibración del modelo se grabó mediante dron, en 3 puntos de la ciudad de Santiago, un total de 13.969 trayectorias, de las cuales 6.864 corresponden a automóviles, 584 a buses, 1.777 a otro tipo de vehículos y 4.744 a peatones. Estas trayectorias se procesaron mediante software de análisis de video y algoritmo genético, obteniendo 37 conjuntos de parámetros calibrados, 15 para automóviles y 22 para buses. Posteriormente, utilizando los parámetros calibrados se microsimularon mediante SUMO 6.804 configuraciones, realizando 6 réplicas para cada una, resultando en un total de 40.824 corridas de simulación ejecutadas. A partir de éstas, se determinó que, excepto en aquellas situaciones en las que la parada de buses se transforma en cuello de botella, tanto para las configuraciones que consideran corredor como vía mixta, el ciclo de 40 segundos (el más corto evaluado) es el que minimiza los tiempos de viaje obtenidos.
  • Thumbnail Image
    Item
    Learning to cluster urban areas: two competitive approaches and an empirical validation
    (2022) Vera Villa, Camila; Lucchini Wortzman, Francesca; Bro, Naim; Mendoza Rocha, Marcelo; Löbel Díaz, Hans-Albert; Gutiérrez, Felipe; Dimter, Jan; Cuchacovic, Gabriel; Reyes, Axel; Valdivieso López, Hernán Felipe; Alvarado Monardez, Nicolás; Toro, Sergio
    Urban clustering detects geographical units that are internally homogeneous and distinct from their surroundings. It has applications in urban planning, but few studies compare the effectiveness of different methods. We study two techniques that represent two families of urban clustering algorithms: Gaussian Mixture Models (GMMs), which operate on spatially distributed data, and Deep Modularity Networks (DMONs), which work on attributed graphs of proximal nodes. To explore the strengths and limitations of these techniques, we studied their parametric sensitivity under different conditions, considering the spatial resolution, granularity of representation, and the number of descriptive attributes, among other relevant factors. To validate the methods, we asked residents of Santiago, Chile, to respond to a survey comparing city clustering solutions produced using the different methods. Our study shows that DMON is slightly preferred over GMM and that social features seem to be the most important ones to cluster urban areas.
  • Thumbnail Image
    Item
    Measuring heterogeneous perception of urban space with massive data and machine learning: An application to safety
    (2021) Ramírez Sarmiento, Tomás Ignacio; Hurtubia, Ricardo; Löbel Díaz, Hans-Albert; Rossetti, T.; CEDEUS (Chile)
    Urban space safety Machine learning Heterogeneous perception Built environment In the last decade, large street imagery data sets and machine learning developments have allowed increasing scalability of methodologies to understand the effects of landscape attributes on the way they are perceived. However, these new methodologies have not incorporated individual heterogeneity in their analysis, even though differences by gender and other sociodemographic characteristics in the perception of safety and other aspects of landscapes and public spaces have been widely studied in social sciences and urban planning in lower scale studies. In the present study, we combine computational and statistical tools to develop a methodological proposal with high scalability and low implementation cost, which helps to identify and measure heterogeneous perception and its correlation to the presence of elements in the landscape. To achieve this, we implement a survey of perception of public spaces, collecting sociodemographic information of respondents. Then, we fit a discrete choice model to quantify perceptions of these spaces using a parametrization of images that jointly considers semantic segmentation and object detection as input. Our results show heterogeneity in the perception of safety in public spaces according to gender and the observer’s habitual mobility choices. The model is then applied to the city of Santiago, Chile. This produces a map of safety perception for different types of users. The proposed method and the obtained results can be a relevant input for the design of public spaces and decision making in the urban planning process.
  • Thumbnail Image
    Item
    Predicción de localización de puestos de trabajo con redes neuronales sobre imágenes satelitales
    (2024) Pizarro Kumpf, Paulina Andrea; Muñoz Abogabir, Juan Carlos; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    La localización de trabajos dentro de las ciudades es fundamental para planificar adecuadamente los sistemas de transporte. Al ser el propósito laboral el más cuantioso dentro de los motivos de viaje en horas punta, conocer la ubicación y concentración de estos atractores/generadores de viaje permite evaluar el efecto de modificaciones de servicios, infraestructura, políticas de transporte, entre otros. Entre las metodologías tradicionales empleadas para recabar esta información se encuentra la realización de encuestas, las que son costosas de implementar y, por consecuencia, suelen no realizarse frecuentemente por lo que la información se encuentra desactualizada. A modo de enfrentar estas dificultades, en esta investigación se propone el uso de redes neuronales convolucionales (CNN) sobre imágenes satelitales para predecir la localización de trabajos en la ciudad de Santiago. Utilizando una imagen satelital de Santiago, se georreferencia información de empresas y usos de suelo, y se genera un conjunto de datos que se utiliza para entrenar diferentes arquitecturas de redes neuronales convolucionales. Se utiliza transfer learning para hacer más eficiente el entrenamiento y se comparan modelos de una y dos entradas, obteniendo mejores resultados para el segundo. Se proponen y se evalúan tres modelos de clasificación y uno de regresión, obteniendo un balanced accuracy de 27% para el modelo de 10 clases, 52% para el modelo de 4 clases y 85% para el modelo de clasificación binario. Los resultados obtenidos muestran que es posible utilizar CNN sobre imágenes satelitales para interpretar presencia de actividades laborales y por consecuencia localizarlas. Entre las recomendaciones para trabajos futuros, se propone el uso de base de datos con localización laboral más precisa, información de usos de suelo a nivel de predios que permita asignar los trabajos a un área y no a un punto, y probar otras arquitecturas de red, como modelos de clasificación jerárquicos.
  • Thumbnail Image
    Item
    Scale-Invariant Deep Learning Approach for QSM Reconstruction: SI-QSM
    (2022) Larraín De Andraca, José Manuel; Tejos Núñez, Cristián Andrés; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Mapas cuantitativos de susceptibilidad (QSM) es una técnica basada en resonancia magnética que permite cuantificar la susceptibilidad magnética de los tejidos. Esta técnica ha surgido como un biomarcador potencial para varias enfermedades neurológicas. El proceso de reconstrucción QSM implica la resolución de un problema inverso mal comportado. Actualmente las soluciones iterativas resuelven el problema utilizando heurísticas difíciles de implementar y con alto tiempo de cómputo. Métodos aplicando inteligencia artificial han surgido como soluciones alternativas. Pese a su éxito, estos métodos siguen presentando problemas cuando hay un desajuste en la escala espacial entre los conjuntos de datos de entrenamiento y los mapas de susceptibilidad a reconstruir. En este trabajo se propone la alternativa de inteligencia artificial SI-QSM, que incorpora en su algoritmo el estado del arte de entrenamiento y arquitectura. Los datos de entrenamiento se basan en el modelo analítico y la función de perdida equilibrada la norma L1, la norma L2 y una regularización de variación total. La arquitectura está basada en U-net con capas residuales y kernels con diferentes tamaños. SI-QSM fue entrenado a una escala espacial y probado con simulaciones y datos in-vivo de diferentes escalas espaciales. Se comparó las reconstrucciones de SI-QSM con los estados del arte iterativos e inteligencia artificial. Concluyendo que SI-QSM puede inferir QSM precisas a diferentes escalas, sin producir estructuras borrosas, susceptibilidades sesgadas y con un buen control del ruido o artefactos. Además, SI-QSM superó las otras alternativas de inteligencia artificial y produjo reconstrucciones de calidad similar a las obtenidas por las iterativas, pero es sustancialmente más rápido y sin necesidad de utilizar ninguna heurística para ajustar los parámetros.