El valor de las conexiones: la ciencia de la complejidad para estudiar ciudades.

¿Por qué ciertas ciudades son el escenario principal de creatividad y productividad económica? Según Jane Jacobs (1961), en su libro Muerte y vida de las grandes ciudades, la ciudad es un problema de complejidad organizada, presenta situaciones en las que media docena o varias docenas de variables varían simultáneamente y de forma sutilmente interconectada. Para estudiar las ciudades debemos verlas no solo como lugares en el espacio, sino como sistema de flujos (Batty, 2013), y para entender los flujos debemos entender las redes – la relación entre los objetos. Una red, en su forma más simple, puede ser representada como  un conjunto de puntos (nodos) conectados por líneas (vínculos) (fig. 1). Muchos de los sistemas físicos, biológicos, y sociales pueden ser entendidos  como redes.


fig. 1

Para explicar mejor la importancia de las redes vamos a ver dos ejemplos pequeños. El grafito y el diamante están compuestos únicamente de carbono; lo que diferencia a estos dos materiales es la forma en la que  los átomos de carbono están organizados y enlazados entre sí en el espacio. Esta diferencia en la organización espacial de la red que conforma el grafito y el diamante genera la diferencia que tienen en valor y propiedades. En otro ejemplo, una Chevrolet Captiva del 2015 cuesta aproximadamente 40,000$ dólares en Cuenca, lo que implica un costo de 21$/Kg. El carro es costoso, sin embargo, este carro cómo chatarra no se vendería por nada. El valor de un bien sofisticado, sea una computadora, un carro o una casa, no está dado por los materiales de los que está hecho, sino por las redes que conectan las distintas partes, y en las redes que previamente permitieron que estas partes se unan. El valor se encuentra en los vínculos más que en los nodos (Hidalgo, 2010). Estas redes generan propiedades emergentes de todo tipo. Entonces, si queremos entender cuál es el valor de un sistema y cómo emerge, necesitamos formas de cuantificar la estructura de  las redes. La ciudad no es una excepción, y las ciencias de la complejidad han generado aportes grandes para poder entender estos sistemas (Batty, 2005).

Ya que la ciudad también puede ser vista como un sistema complejo, crear estructuras (económicas, sociales) bien interconectadas podría generar mejores ciudades. Según (Jacobs, 1961) la proximidad y sobretodo las redes de proximidad (complejidad organizada) es la que permite que las personas intercambien bienes, ya sean económicos, sociales o simples ideas y creatividad. Ella decía que la ciudad no es un problema convencional de orden visual ni jerárquico, sino un problema complejo de factores que interactúan para crear un todo interrelacionado. En este sentido, estas interacciones y las estructuras que se forman a partir de ellas son clave para entender la ciudad. Es interesante ver cómo en los últimos años el urbanismo se ha dedicado a desagregar estas estructuras complejas antes que apoyarlas.

Para ilustrar de forma más intuitiva la importancia de estudiar las redes, y de generar redes de proximidad que promuevan el intercambio dentro de la ciudad usaré el caso de Cuenca. El centro histórico de Cuenca (fig. 2), presenta este tipo de redes complejas de conexiones (espacio público y privado, conexiones de movimiento, conexiones visuales, entre otras). Estas conexiones pueden ser moduladas por los usuarios de los espacios (mediante los balcones o diferentes espacios públicos, privados y colectivos). Estás redes están enraizadas en los patrones de conectividad del ámbito público – calles, plazas, y parques – y el privado – casas, departamentos. Los usuarios tienen distintos grados de control sobre estas conexiones, lo que permite que los barrios puedan cambiar su patrón de conectividad desde “abajo hacia arriba”, es decir tienen la capacidad de ‘auto-organizarse’. Esta capacidad de las redes de auto-organización es de extrema importancia (Newman, 2010), pues genera mayor productividad y aumenta los intercambios de bienes e ideas.


fig. 2

En Cuenca podemos ver también el ejemplo de redes de proximidad con escasas conexiones y estructuras rígidas, que han anulado la interacción entre personas y el uso del espacio público (fig. 3). Usaré el caso de la Av. Ordoñez Lazo, en el cual los edificios en altura, el ancho de la avenida, el flujo de automóviles, y la escasez de espacios públicos de calidad han anulado la conexión de los usuarios con el espacio físico de la ciudad. Los usuarios tienen pocas formas de controlar su grado de conectividad, de auto-organizarse: pueden estar únicamente en la privacidad de sus departamentos o en un espacio público reducido. Las oportunidades de relacionarse con otros habitantes de su mismo barrio es baja, reducida a encuentros cortos en los ascensores y vestíbulos de sus edificios y en el espacio de la vereda. Este tipo de redes de conexión, aunque no llegan a ser casos extremos comparados con otras ciudades del mundo,  fragmentan la ciudad.

 


fig. 3
La ciudad está compuesta por redes, sobrepuestas, conectadas y en constante evolución, que se conforman por distintos nodos y eventos a diferentes escalas físicas y temporales. Sin embargo, la configuración de esas redes y su manera de enlazarse, tiene la capacidad de producir espacios muy diversos; unos que tienen alta productividad económica, sustentabilidad y buenas condiciones de cohesión social; y otros  donde las conexiones son pocas, segregadas espacial y socialmente, y con bajos índices de sustentabilidad. En el primer caso podemos hablar de ciudad, en el segundo de urbanización.  Esto es evidente no solo al momento de caminar y experimentar la ciudad, sino en muchas obras literarias y cinematográficas (les recomiendo ver el intro de Manhattan de Woody Allan). Las ciencias de la complejidad se diferencian mucho del resto de las disciplinas, ya que su meta es desarrollar un entendimiento no a través de métodos reduccionistas de análisis, en los que los sistemas naturales se reducen a sus componentes y son analizados de manera independiente, sino estudiar cómo interactúan los componentes de un sistema, generando propiedades y comportamientos emergentes (Hidalgo, 2008).

Autor: Mateo Neira

Bibliografía

Batty, M. (2005). Cities and complexity: Understanding cities through cellular automata, agent-based models, and fractals. Cambridge, MA: The MIT Press.

Batty, M. (2013). The new science of cities. London, England: The MIT Press.

Hidalgo, C. (2008). Thinking outside the cube. Physics World, 34-37.

Hidalgo, C. (2010). The value in the links: Networks and the evolution of organizations.

Jacobs, J. (1961). The death and life of great American cities. New York: Random House.

Newman, M. (2010). Networks: An introduction. New York: Oxford University Press.

 

Taller de Mapeo Colaborativo en Euro-ELECS 2015 (Portugal)

Augusta Hermida y Daniel Orellana estuvieron en Euro-ELECS 2015, dictando conferencias, ponencias y talleres como parte del trabajo en la Red URBENERE. A continuación se puede ver la presentación del taller de Mapeo Colaborativo con Software Libre.

En el taller, los participantes utilizaron ODK para recolectar información sobre la percepción del espacio público. Con la información recogida hemos elaborado un mapa de percepción utilizando métodos de interpolación.

Mapa Colaborativo

 

Asamblea General del Departamento de Espacio y Población

El Departamento Interdisciplinario de Espacio y Población, de la Universidad de Cuenca está conformado por los grupos Participación Social y Organizacional (ACORDES), Población y Desarrollo Local Sustentable  (PYDLOS) y Ciudades Sustentables (LLACTALAB), tiene como misión generar y difundir conocimiento científico sobre las interacciones entre la población y su entorno social, territorial y construido, desde una perspectiva sistémica e interdisciplinaria, para aportar a la construcción de una sociedad más equitativa y sustentable.

http://www.ucuenca.edu.ec/recursos-y-servicios/prensa/2079-asamblea-del-departamento-de-espacio-y-poblaciónhttp://www.ucuenca.edu.ec/recursos-y-servicios/prensa/2079-asamblea-del-departamento-de-espacio-y-población

IMG_2012

BACS ensamble!

BACS ensamble! Es un espacio de diseño colaborativo en donde oficinas de arquitectura pondrán a prueba la propuesta de normativa para la creación de Barrios Compactos Sustentables (BACS) desarrollada en el marco de los proyectos de investigación del Llactalab.

Los BACS son barrios compactos sustentables fruto de intervenciones en el suelo vacante de las zonas consolidadas de las ciudades intermedias de América Latina, sin altas inversiones económicas ni sociales. Estas intervenciones son flexibles y aplicables en diferentes escenarios y morfologías. A través de los BACS se logra:

  • mejorar la accesibilidad al transporte
  • mejorar las condiciones del espacio público y colectivo
  • aumentar la complejidad
  • promover la diversidad urbana
  • restablecer la biodiversidad urbana
  • generar conexiones verdes entre distintas células urbanas de diferentes escalas
  • intensificar el uso del suelo privado asegurando la habitabilidad y funcionalidad tanto en las viviendas como en el espacio compartido
  • Discutir la viabilidad de establecer modelos normativos

La fecha de entrega de los diseños será el 3 de julio de 2015.

Las oficinas participantes en BACS ensamble son: Surreal estudio (Carlos y Pedro Espinoza), TriArq (Sebastián Mora y Pablo Cisneros), Daniel Idrovo, Pablo Ochoa, Diego Proaño, DuranHermida (Javier Durán), Alexis Schulman, SZ arquitectos (Sergio Zalamea y Ananda Domínguez), Ma. Isabel Carrasco, Christian Calle.

MODEN_MD_INVITACION ENSAMBLE WEB_V1

Publicación: La densidad urbana como variable de análisis de la ciudad. El caso de Cuenca-Ecuador

M. Augusta Hermida, Carla Hermida, Natasha Cabrera, Christian Calle

Resumen

El debate teórico sobre la ciudad dispersa versus la ciudad compacta, en el mundo y particularmente en América Latina, ponen en la palestra los aspectos clave a tener en cuenta para proponer un nuevo modelo de ciudad en donde la calidad de vida de las presentes y futuras generaciones sea el punto focal de reflexión. A través del estudio del estado del arte sobre el tema se concluye que el regreso a la ciudad compacta es la alternativa para un posible desarrollo sustentable en las ciudades intermedias de América Latina. En el caso de Cuenca se concentra el estudio en las densidades de la ciudad desde los años 50 hasta nuestros días. Sorprende comprobar que Cuenca fue una ciudad compacta con alta calidad de vida pero que, paulatinamente, se está expandiendo innecesariamente con todos los problemas que esto implica.

Publicado en la Revista EURE, VOL. 41, N. 124, 2015.

http://www.eure.cl/index.php/eure/article/view/752

Indexada a:

  • Web of Science
  • SCOPUS
  • SciElo
  • REDALYC
  • Elsevier Geo Abstracts

Nota de Investigación: Componentes principales, relaciones con sentido.

La búsqueda de relaciones entre variables es un proceso muy utilizado en la investigación. Ocurre luego de la descripción general de indicadores y ayuda como un paso previo a la búsqueda de causalidad entre variables.

A veces este paso suele realizarse de forma mecánica, encontrando correlación entre variables sin una conexión aparente. Es ahí donde interviene el investigador, quien con su conocimiento del fenómeno puede discriminar aquellas relaciones útiles de las que no tienen sentido.

En el Proyecto de Modelos de Densificación Sustentable dividimos nuestra zona de estudio en una cuadrícula compuesta por 85 celdas de 200m x 200m, y levantamos en cada una de ellas información de 19 indicadores que miden compacidad, diversidad de uso, verde urbano e integración socio-espacial. En el equipo nos preguntamos: ¿qué herramienta nos puede ayudar a dar sentido a las relaciones existentes? Aparte de nuestro conocimiento del fenómeno investigado, necesitábamos una técnica que nos ayude a explorar relaciones multivariadas en distintos niveles.

Nos decidimos a usar componentes principales, una técnica estadística cuyo propósito principal es la reducción de variables a través de la conformación de componentes que vinculan todas las variables con un peso específico. Por medio de estos coeficientes, caracterizamos los componentes, sacando a la luz las relaciones que tienen algunas variables entre sí.

Por ejemplo, el primer componente que obtuvimos nos ayudó a vincular ocho de las diecinueve variables iniciales con distintos valores:

Valor muy alto: Compacidad absoluta.

Valor alto:Complejidad urbana, Actividades comerciales cotidianas, Continuidad espacial y funcional de la calle corredor.

Valor bajo: Índice de verde, Volumen de verde en el espacio público.

Valor muy bajo: Área de predios vacíos. Permeabilidad de suelo público

Este componente nos muestra lugares densos en edificación, con actividades comerciales y productivas, facilidades para el peatón y baja cantidad de verde urbano, todas ellas características de lugares con vocación comercial.

Al representar estos valores en el mapa, podemos observar que los valores altos en este componente están vinculados a las grandes vías y a los lugares más comerciales de la zona de estudio.

Mapa Componentes Principales 1
Valores que toman las observaciones en el Componente 1 por cuartiles.

Las técnicas estadísticas, cuando se aplican a observaciones espaciales, nos permiten observar patrones que pudieron pasar desapercibidos. En este caso, el análisis de componentes principales se realizó por medio del programa IBM SPSS Statistics 20, aunque también es posible realizarlo con STATA en sus versiones más recientes. ¡Lo recomendamos!

Una explicación detallada sobre el método de componentes principales se puede encontrar en este documento de la Universitat Oberta de Catalunya.

Autor: Pablo Osorio

Nota de Investigación: Las posibilidades de las redes sociales – el hashtag #llactacamp en Twitter

El análisis de redes sociales fue desarrollado de una forma poco técnica por las preocupaciones estructurales del antropólogo Radcliffe-Brown a inicios del siglo XX. Desde la década de 1930 hasta 1970 un número creciente de antropólogos y sociólogos comenzaron a construir sobre el concepto de “estructura social” de Radcliffe-Brown y a utilizar metáforas encaminadas a comprender las relaciones a través de las cuales se organizan las acciones sociales, la metáfora de “red” social pasó a primer plano. Desde principios de 1970 una gran cantidad de trabajo técnico y aplicaciones especializadas empezaron a aparecer, y a partir de estos trabajos surgieron los conceptos claves de análisis de redes sociales.

Actualmente las redes sociales, plataformas que permiten interacción social virtual, como twitter producen una cantidad enorme de datos, estos datos no se encuentran estructurados, pero contienen una serie de metadatos que posibilitan estudiar las distintas propiedades de las redes y abstraer información de ellas. Durante el evento de Llactacamp2.0, realizado entre el 13 al 15 de marzo del 2015, se incentivó que los asistentes, y cualquier otra persona interesada, que interactúe en twitter utilizando el hashtag #llactacamp. Para recolectar estos datos se utilizó la librería de twitter de Python y se realizó una consulta mediante el API de la plataforma. Realizada esta consulta se pudo ver que hubo 166 usuarios hablando sobre ciudad y 973 tweets en total. Es a través de estos datos que se trata de responder las siguientes preguntas utilizando diversas herramientas de análisis de redes y visualización.

  1. ¿De dónde provienen los tweets con mayor influencia del llactacamp?
  2. ¿Cuál fue el tema más compartido dentro de la red?
  3. ¿Cuáles fueron los principales temas de conversación alrededor de llactacamp?
  4. ¿Cuáles fueron esas redes que se formaron?

 

¿De dónde provienen los tweets con mayor influencia del llactacamp?

Para visualizar la influencia de las distintas ubicaciones de donde se realizaron los tweets, se limpiaron los datos geocodificados mediante Open Refine, Luego se aplicó un algoritmo de centralidad del vector propio con NodeXL para medir la influencia de cada persona dentro de la red. La centralidad del vector propio se calcula evaluando qué tan bien conectado un individuo se encuentra a las partes de la red con mayor conectividad. Los individuos con valores altos de vector propio tienen muchas conexiones, y sus conexiones tienen muchas conexiones y así hasta el final de la red. Una vez calculado la centralidad de vector propio para cada usuario se les agrupo a los usuarios por ciudad y se generó la visualización que se muestra a continuación, el tamaño de los círculos está dado por la centralidad de vector propio multiplicado por la cantidad de tweets y los colores únicamente por la centralidad del vector propio. Esto permite visualizar el alcance que tuvieron los tweets mandados desde distintas ciudades del Ecuador, como se puede visualizar los tweets enviados desde Quito tuvieron el mayor alcance he influencia, seguidos por Cuenca (ciudad donde se realizó el evento).

 

Mapa_tweets

 

 

 

 

 

 

 

 

 

Se puede realizar un procedimiento similar para visualizar las personas más influyentes dentro de la red y la cantidad de tweets que estos enviaron. En este caso no importa la ubicación de los tweets, únicamente la centralidad de vector propio de cada usuario y la cantidad de tweets que estos realizaron. En la imagen que se muestra a continuación el tamaño de los círculos está dado por el número de tweets que envió cada usuario y el color por la centralidad del vector propio. Una de las cosas interesantes que se pueden visualizar es que @FundacionAvina, aunque no envió una gran cantidad de tweets sobre #llactacamp, es uno de los usuario con mayor influencia dentro de la red.

Usuarios

 

 

 

 

 

 

 

 

 

 

¿Cuál fue el tema más compartido dentro de la red?

Uno de los metadatos que nos proporciona Twitter es el número de veces que fue retuiteado un tweet específico. Con la aplicación Tableau se generó la visualización que se muestra a continuación, el color y el tamaño de los círculos está dado por el número de retweets de cada tweet. Dentro de los temas que más resaltan, y coinciden con el interés que se mostró durante el evento, es la necesidad de pensar en una ciudad para los niños. El tema que más interés generó fue el convertir a un parqueadero en un parque de bolsillo. A esta actividad se le denominó hackeando la ciudad.

 

tweets

 

 

 

 

 

 

 

 

 

 

 

 

 

 

¿Cuáles eran los principales temas de conversación alrededor de llactacamp?

Para visualizar los principales temas de conversación alrededor de #llactacamp se creó un wordcloud con el paquete “wordcloud” dentro del lenguaje de programación R. El tamaño de las letras corresponde a la frecuencia que aparecen dentro de la totalidad de tweets generados con el hashtag #llactacamp. La visualización solo muestra la frecuencia de palabras individuales, para una mejor aproximación a los distintos temas puede ser interesante generar la frecuencia de pares de palabras con el fin de tener una mejor contextualización.

 

word_cloud

 

 

 

 

 

 

 

 

 

 

¿Cuáles fueron esas redes que se formaron?

Mediante Gephi, se realizó una visualización para poder ver los subgrupos dentro de la red. Para esto se utilizó el algoritmo de clasificación por modularidad. La modularidad es una medida de la estructura de las redes, este algoritmo busca los nodos que están más densamente conectados entre sí comparados al resto de la red (para una explicación más detallada pueden leer el paper llamado “Fast unfolding of communities in large networks”, publicado por el creador del algoritmo). Los colores representan distintos subgrupos, y las líneas las conexiones existentes entre los distintos usuarios. Usando este tipo de análisis se puede observar como, por ejemplo, @FundacionAVINA actúa como conector a un nuevo grupo de personas que no estaban originalmente conectadas a la red, comprendidas por empresas y personas más vinculadas con temas sociales.

red

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

¿Qué pasa cuando aplicamos este tipo de análisis a la ciudad?

Estas formas de analizar redes sociales pueden ser aplicadas a una escala mucha más grande, lo que permite visualizar los distintos grupos o subgrupos dentro de toda una ciudad, y entender como estos interactúa entre sí. Existen investigaciones interesantes que muestran este potencian, por ejemplo:

https://www.youtube.com/watch?v=PhVP1tNeGyY&feature=youtu.be

Autor: Mateo Neira

 

Nota de investigación: Análisis exploratorio de datos de movilidad.

En esta nota de investigación, mostramos cómo hemos creado una serie de funciones de R que nos permiten visualizar datos de movilidad en un cubo espacio-temporal en Google Earth.

SPACE-TIME CUBE

El problema

Representar visualmente los datos de movilidad es todo un reto. Por un lado, estos datos son espacio-temporales, pues representan la posición de un objeto en el espacio y en el tiempo. Por otro lado, suelen ser muchísimos; por ejemplo, en un reciente experimento registramos el movimiento de 20 personas moviéndose en bicicletas por Cuenca utilizando GPS que graban la posición cada 5 segundos, dando como resultado un conjunto de aproximadamente 71 000 observaciones. Finalmente, suelen ser multi-escala, pues tienen a la vez gran detalle y amplia extensión espacio-temporal. En el ejemplo anterior, aunque la posición de cada bicicleta se grabó cada 5 segundos, cada viaje duraba al rededor de una hora y diferentes viajes ocurrieron en diferentes días.

Ya que los datos de movimiento generalmente están almacenados como tuplas con la forma [oid, x, y, t], las propiedades del movimiento deben ser derivadas de forma automática a partir de estos valores de forma automática.

La idea

Tomando en cuenta estas dificultades, estamos experimentando diferentes formas de visualizar estos datos. Esto nos permitirá: a) tener una perspectiva general de los patrones espacio-temporales y b) detectar algunas características específicas del movimiento, como los lugares donde el movimiento se detiene o las rutas más utilizadas. Necesitamos además que estas visualizaciones se puedan crear de forma automática o semi-automática ya que durante la investigación tendremos conjuntos de datos cada vez más grandes.

Cómo lo solucionamos

Utilizando el lenguaje de programación R, hemos creado dos funciones que toman como entrada un directorio con archivos .gpx y realizan las siguientes transformaciones: 1) sincroniza el tiempo de inicio de cada archivo para que todos los movimientos inicien al mismo tiempo. 2) Transforma el tiempo en la dimensión espacial z, de manera que el transcurso del tiempo quede registrado como “altitud” del movimiento. 3) guarda el resultado en un nuevo archivo .gpx.

El archivo resultante puede visualizarse en Google Earth simplemente abriéndolo o arrastrándolo sobre la interfaz. El resultado es un “cubo espacio-temporal” que permite observar al mismo tiempo las dimensiones espaciales y temporales del movimiento.

El resultado:

El siguiente video realizado por Mateo Neira (@MateoNeira) muestra un ejemplo de la visualización de datos de movilidad. Cada línea representa el movimiento de una bicicleta; el tiempo está representado en la dimensión z (altura), de forma que cada trayectoria inicia en la base y se dirige hacia arriba, con la inclinación representando la velocidad. A mayor velocidad, la inclinación de la línea es menor, pues se recorre mucho espacio en poco tiempo, y las líneas más inclinadas representan menor velocidad (se recorre poco espacio en mucho tiempo). Las secciones verticales representan paradas, pues la bicicleta permanece en el mismo sitio durante un tiempo.

Las funciones de R están disponibles en GitHub. También es posible descargar un ejemplo de datos de movimiento para visualizar en Google Earth.

Siguientes pasos.

Una vez que hemos logrado representar los datos en el cubo espacio-temporal, el siguiente paso es modificar las funciones en R para adicional algunas características en la visualización: por ejemplo, utilizar el color para representar mejor la velocidad, o detectar automáticamente los sitios de encuentro.

Autores:

Daniel Orellana

Mateo Neira

LA CIUDAD ES ESTO. Medición y representación espacial para ciudades compactas y sustentables

Descargar el libro>>

ToolBox Densificación Urbana Sustentable >>

Con este primer libro de la Serie Ciudades Sustentables, queremos inaugurar una línea editorial que nos permitirá compartir las reflexiones que hemos llevado (y seguiremos llevando) adelante en el Grupo Ciudades Sustentables – Llactalab que es parte del Departamento Interdisciplinario de Investigación en Espacio y Población de la Universidad de Cuenca. Consideramos que solo comunicando nuestras dudas, nuestras preguntas, y, por qué no, también nuestras incipientes certezas, lograremos cumplir nuestra meta de incidir en la construcción de una ciudad buena, amigable, humana y sustentable.

El afán que mueve a nuestro libro, LA CIUDAD ES ESTO, es el de recordarnos que el sistema en el que estamos inmersos, el fenómeno del que dependemos vitalmente, el objeto que construimos a diario y que nos construye, es, paradójicamente, el gran desconocido, el que mayor extrañeza nos produce, el que menos se cuestiona en nuestro diario vivir. Nuestra gran afirmación es la necesidad de realizar, más a menudo, la siguiente pregunta… “Habitantes de a pie, ¿qué demonios es la ciudad?“

Por esta razón, LA CIUDAD ES ESTO no es más que un intento de mirar, medir y entender aquel milagro humano, la creación fabulosa, que tiene la forma de una construcción espacial y relacional colectiva, en la que vivimos la gran mayoría de la población humana: la ciudad compleja. Con este, aparentemente sencillo pero profundamente arduo, objetivo, presentamos una experiencia de generación de un sistema de indicadores que midan la sustentabilidad urbana en ciudades ecuatorianas. Pretendemos con él recoger la complejidad de la ciudad y construir un índice que permita medir su sustentabilidad; y, paralelamente, mostrar la dimensión espacial de los resultados para comparar los diversos tejidos urbanos.

Adicionalmente, LlactaLAB ha desarrollado una herramienta de Sistemas de Información Geográfica para la medición y representación espacial de indicadores de sustentabilidad.

BookCover_1