• Identificación de puntos urbanos donde se ubican tiraderos clandestinos mediante inspección visual a través de Google Streets y técnicas de muestreo.

• Predicción de zonas de alto riesgo basado en un modelo predictivo supervisado, a partir de puntos de control obtenidos de un muestreo aleatorio de tiraderos clandestinos.

• Perfilamiento y comparación de las zonas urbanas de estudio con la taxonomía de resiudos sólidos.

• Creación de indicadores basados en las características del entorno urbano (infraestructura, población, actividad económica, nivel de marginación, nivel socioeconómico, calidad de vida, entre otros.)

1. Selección de ruta personalizada para delimitar la presencia de tiraderos intraurbanos.

2. Procesamiento de imágenes mediante RCNN y comparación con las BD de distintas ciudades.

3. Detección de basureros y extracción de datos.

4. Mapeo y localización de la presencia de basureros.

5. Acceso a los mapas y a la información en tiempo real desde un servidor en la nube.

• Para la construcción de los modelos predictivos supervisados, se requieren observaciones de “control”, en este caso la ubicación de basureros clandestinos. Esta búsqueda mediante muestreo actualmente se lleva a cabo con inspección visual en Google Street, lo cual la hace una tarea muy demandante de recursos (tiempo, personal). Para mayor eficacia de este proceso, se propone la aplicación de tecnologías para la detección automática de basura a través del procesamiento de imágenes con algoritmos de Inteligencia Artificial.

• Si bien los modelos han demostrado un excelente poder predictivo para las ciudades de estudio, cabe señalar que es deseable la calibración de modelos lo suficientemente robustos y característicos de un conjunto de ciudades, evitando con ello el “sobreajuste”

• Para la óptima explotación de los datos y en sintonía con la estrategia planteada en este subproyecto, deberán construirse aún decenas de modelos que permitan ir generando una base de datos a nivel municipal, tal que, permita la generación de distintos perfiles de ciudades, por ejemplo:

• • “En las grandes urbes, los factores que están relacionados con la presencia de basureros clandestinos son los de alta afluencia de personas”

  • “En las ciudades pequeñas, la infraestructura urbana está más relacionada con la presencia de basureros clandestinos”

  • “En las ciudades con alta actividad turística, es más probable encontrar basureros clandestinos en las periferias y no necesariamente en el centro de la ciudad”

Nuestro equipo internacional de mentores y vinculaciones fue escencial para mirar la viabilidad del proyecto, sus áreas de oportunidad y para cuantificar el alcance del mismo.

Natura Alert: Anto Subash quién es desarrollador de diversos proyectos ambientales, de ciencia ciudadana e investigación en IIASA es creador de la aplicación móvil Natura Alert. Natura Alert es una aplicación de ciencia ciudadana que permite a voluntarios de cualquier parte del mundo, registrar las amenazas que afectan a la biodiversidad, en su mayoría, para la población de aves. La vinculación con Natura Alert es importante porque ofrece un panorama de ciencia ciudadana como el que se plantea realizar para el proyecto de SciuDataZen.

Alexander Riedel: La participación y asesoría de Alexander, quien actuó cómo asesor para el sistema de visión por computadora, es de suma importancia, ya que al compartir los recursos que te se tenían de un inicio para la detección de objetos, se logró tener sesiones con el equipo y asesorar sobre las versiones y documentación de los diferentes modelos de detección de objetos: Mask R-CNN y Mobilinet SSD. El cual sirve como una red de detección de casilla múltiple de un único disparo destinado a realizar la detección de objetos de una manera más breve y rápida.

http://tacodataset.org/: Pedro Proença y Pedro Simões son fundadores y creadores del proyecto tacodataset.org. Taco es un proyecto de código abierto que contiene un conjunto de más de 1500 imágenes abiertas y más de 4700 etiquetados de desechos en diversos entornos. Desde arena, pavimentación, vegetación, agua, entre otros. Estas imágenes se etiquetan y segmentan manualmente de acuerdo con una taxonomía jerárquica para entrenar y evaluar algoritmos de detección de objetos con el formato COCO JSON.