evidoria

← Volver al listado

Buena práctica Importada

Un Mapeo Nacional con IA de Más de 43.000 Edificios Refuerza la Planificación de Resiliencia ante Desastres en San Vicente y las Granadinas

San Vicente y las Granadinas · Kingstown · Ver el perfil de San Vicente y las Granadinas · Ver el perfil de Kingstown

Evidencia: Observacional / pre-post Top 6% 87/100 · Pregunte a Evidence Copilot sobre esta práctica

Investigadores del Banco Mundial usaron aprendizaje profundo (ConvNeXt) sobre imágenes satelitales para clasificar tejados de los 43.061 edificios del país, con F1 de hasta 0,88, dando a los planificadores datos para mitigar riesgos de ciclones e inundaciones.

43,061 buildings
Edificios clasificados a nivel nacional (2025)
0.878 F1 score
Puntuación F1, clasificación de la pendiente del tejado (mejor modelo) (2025)
0.835 F1 score
Puntuación F1, clasificación del material del tejado (mejor modelo) (2025)
Un Mapeo Nacional con IA de Más de 43.000 Edificios Refuerza la Planificación de Resiliencia ante Desastres en San Vicente y las Granadinas

Detalles

Promotor
World Bank Group – Global Facility for Disaster Reduction and Recovery (GFDRR), Digital Earth Partnership, with the Government of Saint Vincent and the Grenadines
Período
2017–2025
Palabras clave
disaster risk management, geospatial AI, housing, digital public infrastructure

Contexto

Los pequeños Estados insulares como San Vicente y las Granadinas se enfrentan a riesgos recurrentes de ciclones, inundaciones y deslizamientos de tierra, pero los datos nacionales detallados sobre el parque de edificios —material, pendiente y estado de los tejados— resultan costosos de recopilar y quedan rápidamente desactualizados tras cada tormenta.

Objetivos

En el marco de la Digital Earth Partnership del GFDRR del Banco Mundial para el Caribe, los investigadores se propusieron clasificar a escala nacional la pendiente y el material de los tejados mediante imágenes satelitales y aprendizaje profundo (deep learning), con el fin de proporcionar a los planificadores datos para focalizar el riesgo de ciclones e inundaciones.

Actividades

Los investigadores compararon modelos de base geoespaciales (Scale-MAE, GASSL con clasificadores de regresión logística/SVM/MLP) con clasificadores de aprendizaje profundo ajustados (ConvNeXt, variantes de Vision Transformer), aplicados a imágenes satelitales de Maxar cotejadas con el conjunto de datos Building Footprints de Microsoft, entrenando con 3243 edificios etiquetados en San Vicente y las Granadinas y comprobando si agregar edificios etiquetados de Santa Lucía y Dominica mejoraba la precisión local.

Resultados

El modelo ConvNeXt-large ajustado, entrenado con el conjunto de datos regional agregado, alcanzó una puntuación F1 de 0,878 en la clasificación de la pendiente de los tejados, y un modelo entrenado localmente alcanzó una puntuación F1 de 0,835 en la clasificación del material de los tejados; los modelos de aprendizaje profundo superaron a los modelos de base preentrenados. El modelo ganador se aplicó a escala nacional, generando mapas clasificados de las huellas de los edificios para las 43 061 estructuras del país.

Conclusiones

Publicado en septiembre de 2025 como resultado de investigación técnica; ninguna fuente pública confirma todavía que las clasificaciones se hayan adoptado formalmente en un código de construcción gubernamental, un régimen de seguros o un proceso de decisión de planificación.

Implementación

Coste indicativo
Medio (50 000–500 000 €)
Tiempo hasta resultados
Largo (> 3 años)

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Adjuntos

Prácticas similares que pueden serle útiles