Ocupació territorial
El repte 1 el lideren Gerard Mor, enginyer de recerca al CIMNE (Centre Internacional de Mètodes Numèrics a l’Enginyeria) i Júlia Trias, cap de servei de l’Observatori del Territori de la Generalitat de Catalunya. Aquest repte de PIKSEL desenvolupa una eina predictiva basada en models computacionals i en captació massiva de dades que ajudarà a la presa de decisions sobre l’ordenació del territori i el planejament urbanístic.
L’eina servirà per validar i posar en perspectiva el nivell d’implementació de les estratègies de planificació o de les polítiques públiques, amb coneixement en temps real de les disfuncions del territori.
El repte durà a terme la caracterització i la posterior modelització dels polígons industrials, les urbanitzacions i l’habitatge en els barris urbans. El model serà capaç d’identificar els factors clau (drivers) que influeixen, entre altres aspectes, en el nivell de vida o el nivell d’ocupació d’una zona en estudi, caracteritzant així les mesures que poden donar resposta a les necessitats d’una zona determinada, i per tant ajudant les administracions públiques a respondre de manera efectiva a aquestes necessitats.
Objectius
Urbanitzacions – Determinar-hi la primera i la segona residència i els nivells de serveis urbans, tenint en compte la consolidació i la tendència futura, així com el seu valor econòmic relatiu.
Polígons industrials – Determinar-hi el parc edificat en actiu, és a dir, habitat i funcional, així com el seu grau de consolidació i d’activitat empresarial, i també el valor econòmic que genera
Habitatge en barris urbans – Estudiar les problemàtiques associades al dret d’accés a l’habitatge, la qualitat constructiva del parc d’edificis, i també el context del seu entorn en termes de serveis, zones verdes i transport.
La caracterització d’aquestes zones donarà lloc a un únic mapa multidimensional on les dades s’agregaran en forma de capes i es relacionaran entre elles per identificar els factors clau (drivers) que influeixen en diferents factors, com ara el preu de l’habitatge, el nivell de vida, etc.
Aquests drivers, que no s’havien observat fins ara, aportaran informació rellevant als usuaris, i també a les administracions perquè responguin a les necessitats d’una determinada zona i adeqüin les mesures públiques per a la seva millora.
El mapa serà una font d’informació fidedigna de la situació actual dels espais urbans a Catalunya.
Metodologia
Per tal de desenvolupar el model computacional predictiu cal subministrar al projecte tota la infraestructura d’informació necessària per caracteritzar les zones en estudi. La informació serà real o estimada, segons la disponibilitat de les fonts, i se n’obtindrà una taula d’indicadors que el model computacional utilitzarà per dur a terme les prediccions sobre el territori.
Parc edificat i característiques urbanístiques – Les dades provenen de diverses fonts oficials com ara 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, el preu de l’habitatge, etc.
Activitat econòmica – A partir de fonts com ara 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. 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, l’Àrea Metropolitana de Barcelona i Google Maps. Juntes, permeten conèixer el destí més habitual d’una zona determinada (matriu d’origen) i l’estat del trànsit entre els orígens, el volum de mobilitat, etc.
Serveis propers i entorn – A partir de fonts com ara Google Maps i la Generalitat de Catalunya s’obtenen dades dels serveis essencials més propers de la zona en estudi (ajuntament, supermercats, farmàcies, CAP, hospitals, etc.), dels allotjaments turístics i del risc de fenòmens disruptius.
Demografia i aspectes socioeconòmics – S’empren fonts de l’Institut Nacional d’Estadística i de la Generalitat de Catalunya per determinar la renda mitjana per capita, la diferència entre rendes altes i baixes, el nombre de persones per habitatge, el rang d’edat, etc.
Les capes d’agregació són els grups de dades o informació que s’agreguen a un mateix territori i se superposen dins el mapa sobre un mateix píxel de territori. Per exemple, sobre un mapa d’una urbanització d’interès pot agregar-se una capa que defineixi el perímetre d’aquesta urbanització i una altra capa que n’indiqui el preu dels habitatges, el codi postal o el terme municipal. D’aquesta manera, les capes s’agreguen per formar un mapa multidimensional que reuneix tota la informació d’interès per als usuaris.
A més, aquest mapa permetrà establir relacions entre les diferents capes, identificant els factors clau (drivers) que les afecten. Per exemple, si un polígon determinat té una alta ocupació i activitat econòmica, però un altre es manté desocupat tot i tenir característiques molt semblants, podran identificar-se factors clau (drivers) que motiven aquesta manca d’ocupació i que poden haver passat desapercebuts, com ara un dèficit de transport públic, el nivell socioeconòmic de les ciutats del voltant, la manca d’altres serveis, etc.
Amb aquesta informació podran implantar-se millores mitjançant polítiques públiques que responguin a les necessitats d’aquella zona en estudi de manera objectiva i especialitzada.
El nostre equip
L’equip de PIKSEL es conforma pel binomi entre el CIMNE i la Generalitat de Catalunya.
Júlia Trias
Cap del Servei de l’Observatori del Territori
Generalitat de Catalunya
Coordinadora del repte 1
Donem la benvinguda a PIKSEL!
Donem la benvinguda a PIKSEL! Com ja us vam anunciar, aquest divendres 8 de juliol de 2022 hem celebrat la Jornada oberta de treball com a tancament [...]
Jornada de tancament de πPLATES (fase pilot) i inici de PIKSEL
Jornada de tancament de πPLATES (fase pilot) i inici de PIKSEL El proper divendres 8 de juliol de 2022 tindrà lloc una Jornada oberta de treball com [...]
Entrevista a Gerard Mor, líder del repte 1
Entrevista amb Gerard Mor, líder del repte 1 Gerard Mor és científic de dades al BEE Group de CIMNE, un grup dedicat a bioclimatisme i eficiència energètica. A més a més, coordina l’equip [...]
«PIKSEL és una plataforma basada en dades per tal de caracteritzar, predir i simular un ampli ventall de problemàtiques relacionades amb el territori, amb l’objectiu principal d’optimitzar els sistemes de decisió governamental. El seu objectiu secundari és donar servei a les empreses o els diferents stakeholders o grups d’interès.»
