Explorando el Potencial del Aprendizaje Automático para la Identificación Automática de Barrios Marginados a partir de Imágenes de Alta Resolución

La identificación de barrios marginales en asentamientos urbanos es un paso crucial en el proceso de formulación de políticas en favor de los pobres. Sin embargo, el uso de métodos convencionales para la detección de barrios marginales, como encuestas de campo, puede ser costoso y llevar mucho tiempo. Este artículo explora la posibilidad de implementar un método estandarizado de bajo costo para la detección de barrios marginales. Utilizamos características espectrales, de textura y estructurales extraídas de imágenes de muy alta resolución espacial como datos de entrada y evaluamos la capacidad de tres algoritmos de aprendizaje automático (Regresión Logística, Máquina de Soporte Vectorial y Bosque Aleatorio) para clasificar áreas urbanas como barrios marginales o no. Usando datos de Buenos Aires (Argentina), Medellín (Colombia) y Recife (Brasil), encontramos que la Máquina de Soporte Vectorial con núcleo de base radial ofrece el mejor rendimiento (con puntuaciones F2 superiores a 0.81). También descubrimos que las singularidades dentro de las ciudades impiden el uso de un modelo de clasificación unificado.