Ocupació territorial
Amb el desenvolupament d’una eina de predictiva basada en models computacionals i captació massiva de dades el repte 1 del projecte PIKSEL ajudarà a la presa de decisions sobre l’ordenació del territori i el planejament urbanístic.
Validar i qüestionar 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 farà la caracterització i posterior modelització dels polígons industrials, les urbanitzacions i l’habitatge en els barris urbans. El model serà capaç d’identificar els factors clau o drivers que influeixen, entre altres aspectes, el nivell de vida o el nivell d’ocupació d’una zona en estudi, identificant així aquelles mesures que poden donar resposta a les necessitats d’una zona determinada i ajudar a les administracions públiques a respondre de forma efectiva aquestes necessitats.
Objectius
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.
La caracterització d’aquestes zones donarà lloc a un únic mapa multidimensional on les dades s’agreguen en forma de capes i es relacionen entre elles per identificar els factors clau o drivers que generen diferents dinàmiques 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 les administracions públiques per respondre a les necessitats d’una determinada zona i adequar 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 s’ha de 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 s’obtindrà una taula d’indicadors que el model computacional utilitzarà per a fer les prediccions sobre el territori.
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.
Les capes d’agregació són els grups de dades o informació (capes) 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 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 seus usuaris.
A més, aquest mapa permetrà establir relacions entre les diferents capes, identificant els factors clau o drivers que les afecten. Per exemple, si un polígon determinat té una alta ocupació i activitat econòmica, però un altre es manté desocupat tenint característiques molt semblants, podran identificar-se factors clau o drivers que motiven aquesta manca d’ocupació i que podien haver passat desapercebudes, com ara una falta de transport públic, nivell socioeconòmic de les ciutats del voltant, manca d’altres serveis, etc. Amb aquesta informació podran establir-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 és 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
El model computacional
Your Content Goes Here [...]
Kick off del projecte PIKSEL
Your Content Goes Here [...]
«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.»
Repte 2
Predir l’evolució dels sediments al litoral per efecte del canvi climàtic i l’explotació del territori
Repte 3
Predir els nivells d’ozó troposfèric utilitzant models computacionals d’anàlisi de dades basats en machine learning.
Repte 4
Mesurar la qualitat de l’aire posant el focus en el contaminant NO2, gas que s’emet en certs processos de combustió.
Repte 5
Visitar els espais naturals protegits pot comportar la pèrdua de biodiversitat en diferents graus d’afectació.
Participa
PIKSEL és un projecte multidisciplinar on ciutadania, administracions, comunitat científica i empreses s’uneixen per construir un futur a Catalunya.