Utilización de software de Big Data en la arquitectura y la planificación urbano-territorial

Dante Andrés Barbero; Pedro Joaquín Chévez; Carlos Alberto Discoli; Irene Martini

doi:10.30972/crn.29294624

Autores

Dante Andrés Barbero IIPAC, CONICET-UNLP.
Pedro Joaquín Chévez IIPAC, CONICET-UNLP
Carlos Alberto Discoli IIPAC, CONICET-UNLP
Irene Martini IIPAC, CONICET-UNLP

DOI:

https://doi.org/10.30972/crn.29294624

Palavras-chave:

Big Data, minería de datos, arquitectura, planificación urbana

Resumo

Un problema recurrente en arquitectura y planificación urbano-territorial es poder encontrar grupos de elementos con características homogéneas. En arquitectura, las clasificaciones edilicias/constructivas se deducen a partir de un número de parámetros o variables, y si se analiza la estructura urbana es posible identificar áreas homogéneas según el tipo de uso de suelo, cobertura de servicios, entre otros aspectos. Cuando el volumen de datos para procesar es tal que no se pueden analizar mediante métodos convencionales, es necesario recurrir a técnicas de Big Data. En este trabajo se utilizará un framework para Big Data (Apache Spark) para descubrir áreas homogéneas en cuanto a cobertura de servicios urbanos básicos de infraestructura y saneamiento. Identificar tales áreas permitirá localizar lugares con similares prestaciones, inferir nuevas demandas en función de posibles crecimientos urbanos e identificar lugares de la periferia hacia donde puede crecer la ciudad, entre otros posibles usos.

Downloads

Não há dados estatísticos.

Referências

(1) APACHE SOFTWARE FOUNDATION (2019a). Apache Spark. URL: https://spark.apache.org/. Accedido: 30-7-2019.

(2) APACHE SOFTWARE FOUNDATION (2019b). Apache Spark MLlib. URL: https://spark.apache.org/mllib/. Accedido: 30-7-2019.

(3) HERNÁNDEZ ORALLO, José; RAMÍREZ QUINTANA, María. José y FERRI RAMÍREZ, César. (2004). Introducción a la minería de datos. Madrid: Pearson.

(4) INDEC. (2010). Censo nacional de población, hogares y viviendas 2010. Recuperado de: https://www.indec.gob.ar/indec/web/Nivel4-Tema-2-41-135

(5) KOSELEVA, Natalija & ROPAITE, Guoda (2017). Big data in building energy efficiency: understanding of big data and main challenges. Procedia Engineering 172. pp. 544-549.

(6) MAC QUEEN, James B. (1967). Some methods for classification and analysis of multivariate observations. In: Proc. 5th Berkeley Symposium on mathematical statistics and probability. 1: 281-297. University of California Press.

(7) SCHINTLER, Laurie & CHEN, Zhenhua (Eds.). (2018). Big data for regional science. Routledge.

(8) THAKURIAH, Piyushimita; TILAHUN, Nebiyou & ZELLNER, Moira (Eds.). (2017). Seeing cities through Big Data. Research, methods and applications in urban informatics. Springer.

(9) WANG, Stephen Jia & MORIARTY, Patrick (2018). Big Data for urban sustainability: A human-centered perspective. Springer.

(10) WITTEN, Ian H. & FRANK, Eibe (2000). Data Mining: Practical Machine Learning. Tools and techniques with Java implementations. Morgan Kaufmann Publishers.

(11) WU, Xindong; KUMAR, Vipin; ROSS QUINLAN, J.; GHOSH, Joydeep; YANG, Qiang; MOTODA, Hiroshi…. STEINBERG, Dan. (2008). Top-10 algorithms in data mining. Journal Knowledge and information systems. Vol. 14. Issue 1. pp. 1-37. Springer.

(12) ZHOU, Kaile & YANG, Shanlin (2016). Understanding household energy consumption behaviour: The contribution of energy big data analytics. Renewable and Sustainable Energy Reviews. Vol. 56. pp. 810-819.