Mapeando el ingreso del Área Metropolitana de Buenos Aires en alta resolución: Un enfoque basado en redes neuronales aplicadas a imágenes satelitales

Abstract

El acceso a datos socioeconómicos desagregados y actualizados es fundamental para la formulación y evaluación de políticas públicas. En este estudio se explora el potencial de las imágenes satelitales de alta resolución en conjunto a técnicas de aprendizaje automático para construir mapas de ingreso con alto grado de desagregación geográfica. Utilizando una red neuronal convolucional (CNN) entrenada con imágenes satelitales del Área Metropolitana de Buenos Aires (Argentina) y datos censales de 2010, se generan estimaciones del ingreso per cápita a nivel de grilla de 50x50 metros para los años 2013, 2018 y 2022, superando la resolución y frecuencia de los datos censales disponibles. El modelo, basado en EfficientnetV2, alcanza un alto nivel de precisión en la predicción del ingreso de los hogares (R2 del 0.878), superando la capacidad predictiva y mejorando la resolución espacial de otras alternativas utilizadas en la literatura. Este enfoque ofrece nuevas oportunidades para la generación de datos altamente desagregados, facilitando la evaluación de políticas públicas a escala local, generando insumos para una mejor focalización de programas sociales, y reduciendo la brecha de datos en áreas donde estos no se recolectan.