En la última década, se ha visto el boom de las herramientas de Machine Learning (ML), donde se utilizan modelos matemáticos para inferir reglas o relaciones entre los datos para encontrar soluciones genéricas a un problema. Y por supuesto, ha encontrado su espacio en la valuación de propiedades.

En Guatemala, como en muchos otros países, el proceso de valuar una propiedad empieza con la solicitud del cliente, para luego continuar con la investigación de un valuador registrado y equipo de colaboradores. Esta investigación se enfoca en la búsqueda de información oficial de los registros de la propiedad, la visita o inspección, el análisis de propiedad para calcular el valor final y la producción de un reporte que se le entregará al propietario o cliente final.

Dentro de estos procesos existen, los Modelos de Valuación Automatizada (AVM, por sus siglas en inglés), los cuales se basan en técnicas matemáticas para estimar valores de propiedades. Una de las herramientas más utilizadas para este fin es el Análisis de Regresión Múltiple (MRA, por sus siglas en inglés), donde se consideran las características cuantitativas que tienen algún impacto en el valor de una propiedad, y su ventaja o aceptación reside en que es fácil de implementar. Es importante mencionar que en Guatemala el uso de estas herramientas no es permitido para reportes oficiales, pero ciertamente pueden servir como guía o ayuda al valuador o propietario.

Entre los diversos modelos de ML, podemos encontrar a las Redes Neuronales Artificiales (ANN por sus siglas en inglés), cuyo objetivo es replicar la manera en que los humanos aprenden. Una de sus ventajas es que pueden encontrar relaciones no lineales; entre sus desventajas está su complejidad, conceptual y técnica. Otro de los modelos que podemos mencionar es el de Árbol de Decisiones (Decision Trees), que utiliza un enfoque que identifica y clasifica datos en distintas condiciones.

En INTUS combinamos herramientas y conocimiento para aprovechar la experiencia de nuestro equipo de valuadores para definir regiones o sectores de la ciudad cuyo comportamiento o características son similares. Otras investigaciones han demostrado que esto mejora la precisión de la estimación de valores.

Además, contando con una extensa base de datos, aplicamos un novedoso modelo de ML que ha ido ganando espacios por su precisión, flexibilidad en el manejo de datos, eficiencia computacional y relativa sencillez de implementación. Actualmente, se tienen versiones del modelo disponibles al público para obtener un rango del valor de su propiedad, sea para Vivienda, Terreno, o Apartamento, para algunas zonas de la Ciudad de Guatemala.

De esta manera, INTUS se convierte en pionero en la utilización de herramientas de machine learning para estimar valores de propiedades, ofreciendo rangos de valor, y además aprovechando la experiencia y el conocimiento de su equipo de valuadores profesionales y de la extensa base de datos con la que cuenta. Aquí puede cotizar el avalúo de su propiedad para contar con un valor oficial.

Por: Michael Morales, Big Data, INTUS.

Veamos las imágenes 1a y 1b. Ambas corresponden a la misma región con aproximadamente once años de diferencia, donde el área estimada es de 77,000 m²; imágenes extraídas de Google Earth. Es de nuestro interés saber cuánto corresponde a áreas verdes, y determinar sus diferencias.

Una manera bastante intuitiva es tratar de determinar cuánta área es verde. Existen distintas maneras, enfoques o herramientas computacionales para analizar este tipo de imágenes. Independientemente de qué método se escoja, hay que especificar o “enseñarle” a la computadora a relacionar los tonos de verde o gris, que representen vegetación o construcción, respectivamente.

Recordemos que cada píxel de la imagen tiene asociado un color RGB, una combinación de Rojo-Verde-Azul (que es la suma de colores lumínicos primarios)

En la imagen 3, vemos un perfil de los colores de la imagen 1a. Para esta imagen se hacen agrupaciones de tonalidades (RGB); Sí, la barra izquierda es verde oscuro.

Al comparar los perfiles, vemos que hay una diferencia en algunos colores. Si especificamos que ciertos tonos de verde corresponden a “área verde”, ciertos grises a “asfalto”, y otros a tonos de construcción, en una primera aproximación podemos determinar:

Obteniendo el perfil de la manera que se realizó anteriormente, se tendría el siguiente resultado:

Recordemos que rojo es POT G5, y naranja G4; el celeste indica área especial.

Esto quiere decir, que si nuestra zona es de 1,000,000 m², entonces hay alrededor de  687,000 m² de G4 y si se utiliza un estimado en el tamaño del lote promedio de 600 m² para esta zona, entonces tenemos alrededor de 1,145 lotes G4. Claro, para una estimación un poco más precisa, se necesita combinar lo que se sabe: que se refiere a estimar porcentaje de área verde/construcción, menos ajuste por asfalto y el porcentaje de POT correspondiente.

En conclusión, a partir del análisis de imágenes satelitales, utilizando desde herramientas básicas hasta inteligencia artificial, contando con una buena base teórica previa, se pueden hacer estimaciones y deducciones interesantes para responder preguntas como: ¿Cuánto espacio representan las áreas verdes? ¿Se está reforestando o deforestando? ¿Cuánto de construcciones tenemos? ¿Cuántas construcciones están en un determinado POT? 

Con principios similares se determina el crecimiento urbano de una región y se detectan casos de deforestación ilegal, algo muy importante en estos tiempos de explotación de áreas protegidas y su impacto, no solo en el calentamiento global, sino en la fauna y flora de regiones como la nuestra.

Por: Michael Morales, Big Data, INTUS

 

Lectura de interés:

Weller, Hannah. Acerca del paquete “colordistance” de R para análisis de imágenes.

Memariam, M., y Vergara-Alert, C. Urban Density and Firms’ Stock Returns. Memarian define  el Potential density increase (PDI) para clasificar regiones disponibles y desarrolladas.

Ferreira, André. Detecting deforestation from satellite images.

FOTO: @snowing

Por: Michael Morales, Big Data, INTUS