Estimating the Impact of COVID-19 on Travel Demand in Houston Area Using Deep Learning and Satellite Imagery

A continuación presento un resumen técnico detallado del artículo "Estimación del impacto de COVID-19 en la demanda de viajes en el área de Houston utilizando aprendizaje profundo e imágenes satelitales", traducido y estructurado en español.

1. Planteamiento del Problema

La pandemia de COVID-19 generó interrupciones significativas en los sistemas de transporte y en la toma de decisiones sobre infraestructura, afectando la actividad económica y la movilidad en múltiples dimensiones. Tradicionalmente, la monitorización de la demanda de viajes y la actividad económica se ha realizado mediante encuestas, sensores terrestres o datos de teléfonos móviles, los cuales pueden tener limitaciones de cobertura, costo o privacidad.

El problema central abordado en este estudio es la necesidad de desarrollar un método automático, eficiente y de bajo costo para cuantificar el impacto de la pandemia en la actividad económica y la demanda de viajes en áreas metropolitanas específicas (en este caso, Houston, Texas), utilizando fuentes de datos alternativas y tecnologías emergentes como la teledetección satelital y la visión por computadora.

2. Metodología

El estudio propone un enfoque basado en el análisis de imágenes satelitales de alta resolución combinado con algoritmos de aprendizaje profundo (Deep Learning). La metodología se divide en las siguientes etapas:

• Adquisición de Datos:

  • Se utilizaron imágenes satelitales de alta resolución (aproximadamente 30 cm de resolución de muestra en el suelo - GSD) obtenidas de Google Earth Engine y Google Earth Pro.
  • Se seleccionaron 8 ubicaciones específicas en Houston que representan diversos sectores económicos: centros comunitarios, estacionamientos universitarios, plazas comerciales, supermercados y zonas de restaurantes (ej. Chinatown, Katy Mills, University of Houston).
  • Se recopilaron un total de 127 imágenes de estos sitios, cubriendo periodos antes y durante la pandemia (comparando 2019 y 2020).

• Modelo de Detección de Objetos:

  • Se desarrolló un modelo de conteo de vehículos utilizando el pipeline Detectron2 de Facebook AI Research.
  • Como arquitectura de red neuronal, se empleó Faster R-CNN (Region-based Convolutional Neural Network), conocida por su alta precisión en detección de objetos.
  • Entrenamiento: El modelo se entrenó utilizando el conjunto de datos COWC (Cars Overhead with Context), que contiene aproximadamente 33,000 coches anotados de diversas ubicaciones globales (Canadá, Nueva Zelanda, Alemania, EE. UU.).
  • Se dividió el conjunto de datos COWC en 70% para entrenamiento y 30% para prueba. El modelo se entrenó durante 9,000 épocas, logrando una precisión promedio del 90%.

• Procesamiento de Imágenes:

  • Las imágenes satelitales de Houston se recortaron en "teselas" (tiles) de 256x256 píxeles.
  • Estas teselas se procesaron a través del pipeline Detectron2.
  • Para evitar el doble conteo de vehículos en teselas adyacentes, se implementó un algoritmo para descartar cajas delimitadoras (bounding boxes) superpuestas al recombinar las teselas.

3. Contribuciones Clave

• Aplicación de IA en Teledetección para Gestión de Infraestructura: Demuestra la viabilidad de usar algoritmos avanzados de visión por computadora (Detectron2/Faster R-CNN) no solo para la detección de daños en infraestructuras, sino para la estimación de la demanda de transporte y actividad económica en tiempo casi real.
• Metodología de Conteo Automatizado: Presenta un flujo de trabajo reproducible para cuantificar vehículos en estacionamientos específicos a partir de imágenes satelitales, superando las limitaciones de los métodos manuales.
• Análisis Sectorial Específico: Permite desagregar el impacto de la pandemia por tipo de uso de suelo (universitario, comercial, residencial, gastronómico), ofreciendo insights más granulares que los datos agregados de tráfico.
• Validación de Datos Satelitales como Indicador Económico: Confirma que las imágenes satelitales pueden servir como un proxy fiable y complementario para evaluar la salud económica de una región.

4. Resultados

• Reducción en la Demanda de Viajes: El análisis comparativo entre 2019 (pre-pandemia) y 2020 (durante la pandemia) reveló que el número de vehículos detectados en las ubicaciones seleccionadas disminuyó en un promedio del 30%.
• Variabilidad por Ubicación: Aunque el promedio fue del 30%, la reducción varió según el tipo de ubicación, reflejando las diferentes restricciones y comportamientos de los usuarios en centros universitarios, centros comerciales y áreas residenciales.
• Precisión del Modelo: El modelo de detección logró una precisión promedio del 90% en la identificación y conteo de vehículos, validando la eficacia de la arquitectura Faster R-CNN entrenada con datos de contexto diverso (COWC) aplicada a imágenes de Houston.
• Visualización: Las imágenes procesadas mostraron visualmente la diferencia en la ocupación de los estacionamientos, corroborando los datos cuantitativos.

5. Significado e Implicaciones

• Herramienta para la Toma de Decisiones: Los resultados sugieren que las agencias de transporte y los responsables políticos pueden utilizar estas técnicas para obtener información fiable y precisa sobre la recuperación económica y los patrones de movilidad sin depender exclusivamente de encuestas costosas o datos de sensores físicos.
• Complementariedad: El estudio enfatiza que los indicadores derivados de imágenes pueden complementar los marcos de evaluación de infraestructura y socioeconómicos tradicionales.
• Limitaciones y Futuro:
  • Se reconoce una limitación en la disponibilidad de imágenes (Google Earth Pro ofrece pocas imágenes al año), lo que introduce incertidumbre en los conteos puntuales. Se sugiere el uso de datos de proveedores comerciales para aumentar la frecuencia temporal.
  • Se propone integrar otras fuentes de datos (encuestas, empleo, precios) para mejorar la estimación del impacto económico.
• Impacto a Largo Plazo: La disponibilidad creciente de satélites de radar y el avance en el procesamiento de señales digitales, combinados con el Deep Learning, abren la puerta a la monitorización de infraestructuras a largo plazo y a la evaluación de desastres a escala de red.

En conclusión, el paper valida que la combinación de imágenes satelitales de alta resolución y algoritmos de aprendizaje profundo es una metodología robusta, escalable y económica para monitorear la actividad de transporte y económica, proporcionando datos críticos para la gestión de crisis como la pandemia de COVID-19.