Integración de imágenes del paisaje urbano, aprendizaje automático y sintaxis espacial para mejorar la transitabilidad: Un estudio de caso del distrito de Seongbuk, Seúl

Con el rápido avance de la urbanización, las calles han pasado de ser meros corredores de transporte a espacios cruciales para la vida cotidiana y la interacción social. Aunque en investigaciones anteriores se ha examinado el impacto de las características físicas de las calles en la transitabilidad, siguen faltando evaluaciones cuantitativas a gran escala.

Este estudio evalúa sistemáticamente la transitabilidad de las calles del distrito de Seongbuk (Seúl) mediante la integración de imágenes del paisaje urbano, el aprendizaje automático y la sintaxis espacial. Se extrajeron las características físicas de las calles y se analizaron junto con la sintaxis espacial para evaluar la accesibilidad de las calles, lo que condujo a un análisis combinado de la transitabilidad y la accesibilidad.

Los resultados revelan que las regiones central y occidental del distrito de Seongbuk superan a las orientales en el rendimiento general de las calles. Además, el estudio identifica cuatro tipos distintos de calles según su distribución espacial: alta accesibilidad-puntuación global alta, alta accesibilidad-puntuación global baja, baja accesibilidad-puntuación global alta y baja accesibilidad-puntuación global baja.

Los resultados no sólo proporcionan una base científica para el desarrollo de calles en el distrito de Seongbuk, sino que también ofrecen valiosas ideas para evaluar y mejorar la accesibilidad a pie en ciudades de todo el mundo.

Título Original:

"Integrating Streetscape Images, Machine Learning, and Space Syntax to Enhance Walkability: A Case Study of Seongbuk District, Seoul"

Autor/es: