Browsing by Author "Lucchini Wortzman, Francesca"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Learning to cluster urban areas: two competitive approaches and an empirical validation
    (2022) Vera Villa, Camila; Lucchini Wortzman, Francesca; Bro, Naim; Mendoza Rocha, Marcelo; Löbel Díaz, Hans-Albert; Gutiérrez, Felipe; Dimter, Jan; Cuchacovic, Gabriel; Reyes, Axel; Valdivieso López, Hernán Felipe; Alvarado Monardez, Nicolás; Toro, Sergio
    Urban clustering detects geographical units that are internally homogeneous and distinct from their surroundings. It has applications in urban planning, but few studies compare the effectiveness of different methods. We study two techniques that represent two families of urban clustering algorithms: Gaussian Mixture Models (GMMs), which operate on spatially distributed data, and Deep Modularity Networks (DMONs), which work on attributed graphs of proximal nodes. To explore the strengths and limitations of these techniques, we studied their parametric sensitivity under different conditions, considering the spatial resolution, granularity of representation, and the number of descriptive attributes, among other relevant factors. To validate the methods, we asked residents of Santiago, Chile, to respond to a survey comparing city clustering solutions produced using the different methods. Our study shows that DMON is slightly preferred over GMM and that social features seem to be the most important ones to cluster urban areas.
  • Thumbnail Image
    Item
    Representación de grafos para la cuantificación de la percepción urbana espacial
    (2022) Lucchini Wortzman, Francesca; Löbel Díaz, Hans Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    El estudio de la percepción urbana es la apreciación cualitativa que tienen las personas de paisajes urbanos. Esta área responde a preguntas como ”¿qué tan bello parece este lugar?” o ”¿cual lugar parece más seguro?”. Capturar esta información es relevante para planes de desarrollo de la ciudad, y políticas urbanas y su asignación de recursos. Sin embargo, adquirir y cuantificar datos de percepción urbana es un desafío dado el tamaño de los paisajes urbanos y el cambio constante de las ciudades. Entre las disciplinas de percepción urbana, la percepción urbana visual es la más investigada dado que las personas experimentan los espacios urbanos principalmente a través de percepción visual, lo que afecta su interacción con la ciudad. Capturar la percepción urbana visual es esencial para descubrir y comprender las acciones de las personas y las inequidades sociales presentes en la ciudad. Durante la ultima década, la disponibilidad de sets de datos masivos de esta índole ha ido en aumento, permitiendo el uso de estrategias de redes neuronales para predicción de percepción urbana visual. Las investigaciones con modelos de aprendizaje profundo han obtenido resultados exitosos y trabajos más recientes consideraron añadir componentes visuales para incorporar explicabilidad. Hasta el momento, el enfoque de las investigaciones ha sido trabajar con datos visuales, mientras que no hay trabajos que incluyan estructuras de datos que representen mejor una ciudad. Los grafos son una de las mejores estructuras de datos para codificar la información rica y compleja que ofrece una ciudad. En este trabajo el enfoque es descubrir el efecto que tienen las estructuras de grafo en la tarea de prediccion de percepción urbana. Los experimentos realizados muestran el nivel de información que entrega cada tipo de dato y el desempeño resultante de combinar ambas fuentes.
  • Thumbnail Image
    Item
    SpatialCluster: A Python library for urban clustering
    (Elsevier B.V., 2024) Reyes A.; Mendoza Rocha, Marcelo Gabriel; Vera, Camila; Lucchini Wortzman, Francesca; Dimter J.; Gutierrez F.; Bro N.; Lobel Díaz, Hans Albert; Reyes A.
    This paper introduces SpatialCluster, a Python library developed for clustering urban areas using geolocated data. The library integrates a range of methods for urban clustering, including Deep Modularity Networks, Gaussian Mixtures, K-Nearest Neighbours, Self Organized Maps, and Information-Theoretic Clustering, providing a comprehensive framework. These methods are evaluated using indices such as the Adjusted Rand Index and Adjusted Mutual Information, and the library includes features for detailed map visualization. SpatialCluster's online documentation offers examples, making the library accessible to researchers and urban planners. The library aims to facilitate urban data analysis and contribute to the field of urban studies.