Por Juan Germán Gayoso Arnillas.

Tags: GIS, Python, Urban_Design, Lima_Metro, Urbanismo, Arquitectura_y_urbanismo.

Resumen

El presente artículo busca entender la ciudad de Lima y sus principales distritos, para lo cual analiza los mapas de sus calles y los transforma en variables que puedan dar una explicación numérica y visual de cómo están dispuestas las calles dentro del terreno, de ésta forma entenderemos como proyectar una mejor ciudad.

Mediante el uso de elementos gráficos que muestran la dirección y cantidad de calles en la orientación NSEO hasta la determinación de indicadores de cuan conectada está la ciudad se describen los distritos para entenderlos.

Lima se desarrolla en un espacio geográfico y climático que permite mejorar nuestro actual problema de tráfico. En el 2018 solo un 17.3%[1] tiene automóvil, pero este colapsa a la ciudad ya casi en todos los momentos del día y de la semana.

La importancia de este estudio radica en el entendimiento de nuestra ciudad y con ello el reto de planificar para el futuro aquellos cambios que se deben tenerse para una mejor calidad de vida en cada uno de los distritos.

Pese a que las grillas ortogonales son eficientes para la orientación de las personas al ser líneas paralelas, carece de una componente lúdica que genere un recorrido interesante, asimismo no toma la topografía en su trazo por lo que los desniveles en las calles deben adecuarse.

Introducción

El sentido de este documento no es hacer una investigación sobre la historia y razones que llevaron al diseño de las calles en los distintos distritos, dentro de ese espectro existen estudios tanto de la época precolombina, virreinato y época republicana que pueden tomarse para entender las caudas que dieron forma a nuestras ciudades en el Perú.

Lo que busca el presente trabajo es entender con índices, elementos visuales e información cuantitativa cómo están distribuidas las calles de los principales distritos de Lima Metropolitana y deja el camino para estudios posteriores en las principales ciudades del Perú.

Base de información

Este trabajo toma la base de distintos post de programación en Python y el análisis de las ciudades que pueden tomarse en internet. Para el desarrollar el modelo que analiza las calles se utilizó un complemento de Python, llamado OSMNX, que permite leer información de OpenStreetMaps y estudiar la información de las calles[2].

Python es un lenguaje de programación que tiene un desarrollo extenso de herramientas y complementos que permiten análisis complejos en el campo del GIS, inteligencia artificial, Big data, entre otros. Simplemente se debe entender la lógica del programa e instalar un software IDE para programar.

La información resultante es mostrada tanto en elementos visuales que veremos más adelante cómo en variables cuantitativa que explican numéricamente la complejidad de cada grilla de calles en los distritos.

Explicación de las variables

En el estudio realizado se utilizarán los siguientes elementos de descripción de las calles en cada distrito.

Se empleará como principal elemento de análisis una rosa náutica en la que las calles se muestran a manera de vectores con una dirección y magnitud.

Para poder comprender que es un vector definámoslo como una fuerza con una dirección y magnitud dada.

La dirección del vector está definida por la orientación de la calle con respecto al norte y por el sentido de la calle en sí.

La magnitud del vector estará definida por la cantidad de calles que se tienen en ese mismo rumbo.

Por lo tanto, al ver uno de estos diagramas podremos entender la disposición de las calles basados en el diagrama de distribución de los vectores en la rosa náutica.

Como ejemplo tenemos estas dos ciudades en el mundo, Santiago de Chile y Bogotá.

En estos dos diagramas podemos visualizar las ciudades basados en la agrupación de los vectores de dirección de sus calles.

En el caso de Santiago de Chile tenemos una grilla muy uniforme, que respeta la distribución de damero[3], mientras que en el diagrama de Bogotá podemos apreciar una distribución más extendida en todos los rumbos.

Comparativamente no se puede generar una postura de valor en beneficio de una u otra, simplemente una tiene un patrón en sus calles mucho más homogéneo y ha transformado el terreno natural en calles que siguen casi a la perfección una alineación NSEO, mientras que el patrón de distribución de las calles de Bogotá muestra una diseño más orgánico y adaptado a la topografía del terreno donde se ubica la ciudad.

Debido a que solo este diagrama no te permite entender cómo están las calles distribuidas, es decir, que no te permite entender si el diseño de la ciudad tiene una buena conectividad de sus espacios o por el contrario tiene en su diseño calles truncas o cul de sacs[4] es necesario hacer el cálculo de información cuantitativa.

El complemente OSMNX de Python tiene la capacidad de determinar estadísticas de las calles que analiza y dentro de ellas vamos a utilizar los parámetros siguientes:

streets_per_node_proportion = dict, same as previous, but as a proportion of the total, rather than counts.

Este parámetro mide la proporción de intersecciones con calles adyacentes, para cada tipo de intersección, es decir:

1: Intersección de una sola calle (calle trunca).
2: Intersección de dos calles.
3: Intersección de tres calles, intersección tipo T.
4: Intersección de cuatro calles, intersección tipo cruz.
5 o más: Intersecciones con mayor cantidad de calles que confluyen.

Se debe entender como calle que llega a la intersección como el segmento de calle que nace o llega a dicho nodo, pudiendo ser la misma calle en la práctica, pero son segmentos independientes que llegan y nacen del nodo.

Como medida de este parámetro se puede entender cuan interconectada es la trama de calles, es decir, la cantidad de interconexiones o caminos que puedes tomar para llegar a un punto determinado de la ciudad.

street_length_avg = mean edge length in the undirected

Es la longitud promedio de las calles entre nodos o intersecciones, con este valor se tiene un promedio de la dimensión de las manzanas que conforman el distrito.

street_density_km = street_length_total divided by area in square kilometers

Es la longitud total de las calles entre el área del distrito.Te da una idea de la cantidad de vías que se tienen en el área del distrito.

Detalle de los distritos

Información general de los distritos

Se han analizado los siguientes distritos de Lima y para cada uno de ellos se han extraído los valores de área y población adicionales a los definidos en el apartado anterior.

Orientación de las calles por distritos.

Las rosas náuticas con los vectores de dirección de las calles que conforman los distritos son las siguientes:

La grilla de los distritos en su mayoría es tipo damero, es decir, con una malla ortogonal, salvo en distritos como Barranco, Breña y San Juan de Miraflores existe un patrón más variable de las calles.

La rotación que tienen con respecto al norte tiene dos grandes variantes, la primera con una rotación positiva de 23 grados y la segunda con una negativa de 23 grados.

La rotación de 23 grados con respecto al norte guarda relación con la necesidad de maximizar el tiempo de luz solar durante el invierno, por lo cual, si montamos la inclinación de 23 grados positivos o negativos en la gráfica de amanecer y atardecer durante el solsticio de invierno, dado el 20 de junio, que es cuando se tiene la inclinación máxima. De esta manera las fachadas frontales y posteriores tienen un mayor tiempo durante el año de incidencia del sol[5].

En la parte gráfica que se muestra al final del presente análisis se pueden ver las grillas de cada distrito junto con la rosa náutica de vectores de manera de tener una referencia de la conformación de las calles.

Proporción de calles por cada intersección.

La proporción de las calles que nacen de una intersección es importante para determinar si existen calles truncas que impiden un tránsito continuo ya sea de los vehículos o de los peatones.

Mientras más incidencia se tenga en intersecciones con 1 sola calle por nodo, mayor incidencia de este tipo de distribución y con ello un problema de conectividad del distrito.

Dentro de los distritos que tienen una incidencia de calles truncas se encuentran los de La Molina, Independencia, San Juan de Lurigancho y Villa María del Triunfo.

Mientras que en los 3 últimos obedece a la necesidad de expansión en laderas y quebradas, el primero tiene un origen también en la manera cómo se configuraron sus calles, asemejando a suburbios con calles truncas con lotes de casas.

Cuando se analizan las intersecciones de 3 calles, las cuales por su diseño generan nodo mucho más seguro, dado que por su diseño los vehículos deben reducir su velocidad al aproximarse, se tiene que los distritos con mejor proporción de dichas intersecciones son Los Olivos, San Juan de Miraflores, San Miguel y Santiago de Surco.

Longitud media de las calles

La longitud media entre intersecciones de las calles también es un indicador de cuan caminables son estas para poder llegar de un punto al otro.

Manzanas largas impiden al peatón ir de un punto a otro, al tener que recorrer distancias considerables en un solo sentido.

Calles cortas, por el contrario, permiten una ruta eficiente ya sea a pie, bicicleta o con vehículos motorizados.

Densidad de las calles por distritos.

Si utilizamos la información cuantitativa de densidad de las calles y lo comparamos con la densidad poblacional proyectada para el 2020 para cada distrito tenemos lo siguiente:

De esta tabla podemos apreciar que no hay una correlación positiva entre los distritos con mayor densidad y aquellos que tienen mayor densidad de calles en toda su área.

Los cinco primeros distritos en densidad no corresponden a los cinco primeros en densidad de calles, por el contrario, descienden a partir del puesto 4 en densidad de calles.

Conclusiones

El planeamiento vial de la ciudad de Lima es homogéneo en la mayoría de los distritos, obedece una disposición tradicional ortogonal y en algunos casos, más por la necesidad de acomodar la grilla tradicional en la topografía ha seguido un desarrollo orgánico.

Los distritos con mayor densidad requieren soluciones mayores de conectividad para el peatón, mediante la creación de pasajes y calles que permitan ser eficientes en el transporte de un punto dado de la ciudad a otro, de esta manera se aprovecha la ventaja de vivir en una ciudad medianamente plana y sin extremos de temperatura muy grandes.

Para evitar caer en evaluaciones subjetivas al momento de tomar decisiones referentes a la ciudad es necesario informar de manera objetiva que características tienen nuestros distritos de Lima Metropolitana, de esta manera los planes urbanos tendrán una meta coherente y se descartará el proceso político de modificación de la ciudad que no nos permite integrarnos.

Internet es una plataforma abierta para la toma de datos y el análisis de la información, con herramientas de acceso abierto es posible tener estudios de los datos e información para poder entender el espacio que nos rodea.

[1] http://www.limacomovamos.org/wp-content/uploads/2019/11/Informe-2018_web.pdf

[2] https://geoffboeing.com/2018/07/city-street-orientations-world/

[3] https://en.wikipedia.org/wiki/Grid_plan

[4] https://transportgeography.org/?page_id=4725

[5] https://apuntesdearquitecturadigital.blogspot.com/2013/06/el-diseno-urbano-inca-y-el-solsticio-de.html