Introducción

La proliferación de la contaminación visual se ha convertido en una preocupación creciente en muchas áreas urbanas en todo el mundo (Mateo et al. 2017). A medida que las ciudades crecen y se desarrollan, la presencia abrumadora de anuncios publicitarios, cables eléctricos y acumulación de residuos sólidos en las calles ha alterado significativamente el entorno construido y ha generado efectos adversos tanto en el paisaje urbano como en la salud de sus habitantes (Ye et al. 2024).

La contaminación visual no solo afecta la apariencia estética de la ciudad, sino que también tiene consecuencias en la salud física y emocional de las personas que viven en ella (Ordóñez-Iriarte 2020). Estudios previos han demostrado que la exposición prolongada a entornos visuales desordenados puede provocar estrés, ansiedad y fatiga visual en los individuos, lo que a su vez puede tener un impacto negativo en su bienestar general (Quintero y Jiménez 2017).

A pesar de la creciente conciencia sobre los efectos adversos de la contaminación visual, la detección y clasificación de estos contaminantes aún se realiza de manera manual y subjetiva en la mayoría de los casos (Tobías et al.1998).

La falta de métodos estandarizados y automatizados para evaluar la contaminación visual dificulta la implementación de medidas efectivas de control y mitigación en la región de Puno (Choque 2023; Murillo 2018). En este contexto, surge la necesidad de desarrollar nuevas herramientas y enfoques que permitan una clasificación automatizada de la contaminación visual, aprovechando los avances en tecnologías de visión artificial y aprendizaje profundo (Ye et al. 2024a).

La región de Puno, en Perú, no es una excepción a esta tendencia global (Lam 2020), ya que, El entorno urbano se ha visto afectado por una mezcla desordenada de elementos visuales no deseados (Murillo 2018), donde tanto la ciudad y alrededores enfrentan desafíos únicos en términos de gestión urbana y medioambiental (Frederickson et al. 2024), lo que ha alterado la estética de la ciudad y ha generado molestias en la población local (Carrasco-Jocope et al. 2023). La presencia de vallas publicitarias, letreros luminosos y cables eléctricos que se entrelazan en los postes de luz son elementos comunes que han proliferado en las calles de la ciudad, afectando la calidad visual del entorno urbano y provocando reacciones negativas en los residentes (Vargas 2005).

Según estudios previos, estos contaminantes visuales tienen efectos adversos en el bienestar humano y el paisaje urbano (Murillo 2018). Sin embargo, la detección y clasificación de la contaminación visual aún no se ha abordado de manera automatizada en esta región (Choque 2023). Al comprender mejor la magnitud y la naturaleza de la contaminación visual en la región de Puno, será posible implementar estrategias más efectivas para controlar y mitigar este problema, mejorando así la calidad de vida de sus habitantes y preservando la belleza natural de su entorno urbano (Lahura et al. 2021).

El presente estudio tiene como objetivo principal investigar la detección automatizada de la contaminación visual en la región de Puno, utilizando técnicas avanzadas de visión artificial y aprendizaje profundo (Madlenak et al. 2023; Unuvar et al. 2021). Además, se pretende examinar la percepción social frente a la contaminación visual, con el fin de proporcionar una base científica para la implementación de medidas de control y mitigación en la región (AlElaiwi et al. 2023; Carrasco-Jocope et al. 2023).

Métodos

Ámbito de Estudio

El estudio se llevó a cabo en el distrito de Juliaca, provincia de san romano, departamento de Puno, ubicada en el altiplano peruano, Según sus coordenadas, está ubicada a 15° 29’ 24’’ de Latitud Sur y a 70° 08’ 00’’ de Longitud Oeste. El distrito de Juliaca, también conocido como Hullaqa en quechua y aimara, es la capital de la provincia de San Román, situada en la región de Puno, al sureste de Perú. Juliaca se encuentra en la meseta del Collao, al noroeste del Lago Titicaca. Es el centro económico más importante de la región de Puno y una de las principales zonas comerciales de Perú. Está cerca de la laguna de Chacas del Lago Titicaca, del río Maravillas y de las ruinas conocidas como las Chullpas de Sillustani.

Descripción de Métodos

Periodo de estudio o frecuencia de muestreo

Este estudio se realizó durante los meses de junio, julio y agosto del 2023, dos veces por semana.

Materiales, insumos e instrumentos

Se diseñó y administró un cuestionario compuesto por ocho preguntas cerradas para investigar los efectos en la salud de la población de la ciudad de Juliaca durante el año 2022, dirigido a los actores sociales claves que cumplan el siguiente criterio: haber transitado por lo menos 5 veces por semana, residentes que vivan por la zona mínimamente 8 años.

En este estudio se consideró un total de 3 tramos, debido a la gran extensión de cuadras que poseen cada tramo, las cuales se muestran en la tabla 1. Además, se consideró un criterio de elección en las cuales exista comercio.

El procedimiento involucró la detección automatizada de la contaminación visual en las fachadas de las casas en un área específica (Ostos 2020). Se inició determinando el punto de muestreo y capturando fotografías digitales de las fachadas, utilizando un celular de 13 Mpx de resolución, manteniendo la cámara a una distancia de 5 a 10 metros. Estas imágenes fueron luego analizadas utilizando un algoritmo de reconocimiento de objetos en Python, con un parámetro de referencia de 0,50 m, para obtener dimensiones, área total de las fachadas y detectar anuncios publicitarios. Se emplearon imágenes etiquetadas para entrenar un clasificador de aprendizaje profundo, y se aplicó un proceso de aumento de imágenes para generar nuevas imágenes con diferentes orientaciones de contaminantes visuales (Sánchez 2019). Este enfoque permitió al modelo de aprendizaje profundo generalizar y lograr una mayor precisión en la detección de contaminantes visuales desde diversas perspectivas (Tabla 1).

Tabla 1

Vías que fueron evaluadas con el número de cuadras

Variables analizadas

La variable independiente fue la detección automatizada. Mientras que las variables dependientes fue la contaminación visual de la población.

Resultados y discusión

Percepción de la contaminación visual de la población

Los resultados de la encuesta revelan que el 70,1 % de los encuestados son hombres y el 29,9 % son mujeres, con la mayoría concentrada en el rango de 18 a 28 años (37,5 %) y con educación superior (57,3 %). Además, el 54,8 % considera que la presencia de anuncios publicitarios es contaminación, aunque solo el 34,9 % conoce los efectos específicos de esta contaminación en la salud. En cuanto a la percepción de la publicidad, el 32,4 % la encuentra agradable, el 27,6 % desagradable y el 40 % es indiferente. Sin embargo, un porcentaje significativo de encuestados reporta efectos negativos en su salud debido a la publicidad, con el 65,1 % experimentando molestias, el mismo porcentaje experimentando dolores de cabeza y el 79,9 % sufriendo fatiga visual. Estos hallazgos sugieren que la publicidad visual puede tener un impacto adverso en la salud y el bienestar de las personas, respaldando investigaciones previas sobre el tema (Hackley 2002; Kibert et al. 2005). Por ejemplo, en un estudio realizado por Cohen y Babey (2012), se encontró que la exposición a la publicidad visual estaba asociada con un aumento en los niveles de estrés y ansiedad en los individuos encuestados. Esta asociación podría explicar en parte los altos porcentajes de molestias reportadas por los encuestados en este estudio. Además, investigaciones sobre el impacto de la publicidad en entornos urbanos, como el trabajo Popkin et al. (2021) sugieren que la saturación de anuncios puede contribuir a la sensación de contaminación visual y afectar negativamente la percepción del entorno por parte de los individuos. Estos hallazgos respaldan la idea de que la presencia excesiva de publicidad puede tener consecuencias negativas para la salud física y mental de las personas, lo que destaca la necesidad de regulaciones más estrictas en cuanto a la cantidad y ubicación de los anuncios publicitarios. Además, otro estudio realizado por Ruhiiga (2013) encontró que la exposición prolongada a la publicidad visual en entornos urbanos estaba asociada con una disminución en la calidad de vida percibida, lo que podría explicar la percepción de molestias y fatiga.

visual reportada por los encuestados en este estudio. Estos hallazgos subrayan la importancia de considerar el impacto psicosocial de la publicidad en la salud y el bienestar de las personas (Ye et al. 2024b), así como la necesidad de políticas y prácticas que promuevan entornos urbanos más saludables y menos invasivos (Tabla 2).

Tabla 2

Resultados de la percepción en la contaminación visual

Detección Automatizada de la contaminación visual

El proceso de entrenamiento de un modelo de aprendizaje profundo implica pasar el conjunto de datos hacia adelante y hacia atrás a través de la red neuronal en múltiples épocas. Cada época representa un ciclo completo en el que todo el conjunto de datos se procesa a través del modelo. Dado que alimentar el conjunto de datos completo de una vez puede ser computacionalmente costoso, se divide en lotes más pequeños que se procesan de manera secuencial. Durante este proceso, se calcula una función de coste global, que es una medida de cuán bien el modelo está realizando en la tarea específica para la que fue entrenado (Ayala y Aparicio 2020; Ordóñez-Iriarte 2020).

Esta función de coste global, también conocida como función de pérdida, proporciona valores que reflejan la discrepancia entre las predicciones del modelo y los valores reales de los datos. El objetivo del entrenamiento es minimizar esta función de coste ajustando los pesos de la red neuronal. La optimización de los pesos implica encontrar la configuración óptima que minimice la pérdida (Mateo et al. 2017; Ye et al. 2024).

Es importante tener en cuenta que la optimización de los pesos es un proceso iterativo y no determinista. Se busca encontrar la permutación de pesos que resulte en la pérdida más baja posible, idealmente un mínimo global. Sin embargo, debido a la complejidad y dimensionalidad del espacio de parámetros, encontrar este mínimo global puede ser un desafío. Por lo tanto, los algoritmos de optimización, como el descenso de gradiente estocástico, se utilizan para buscar iterativamente a través del espacio de parámetros en busca de una solución óptima o cercana a ella.

Figura 1

Matriz de confusión de la clase real y predicha

Esto nos proporciona una representación visual fácil de entender de la matriz de confusión. Las etiquetas en los ejes x e y representan las clases predichas y las clases reales, respectivamente. Los números en las celdas de la matriz indican el número de instancias clasificadas en cada categoría. La intensidad del color refleja la cantidad de instancias, donde tonos más oscuros indican valores más altos. Esto facilita la identificación de patrones en la clasificación del modelo.

Además de minimizar la pérdida, se evalúa la precisión del modelo en un conjunto de datos de validación independiente. La precisión representa el porcentaje de predicciones correctas realizadas por el modelo en este conjunto de datos de validación. Es importante tener en cuenta que la precisión y la pérdida están inversamente correlacionadas: a medida que la pérdida disminuye, la precisión tiende a aumentar y viceversa.

Figura 2

Evolución de la precisión durante el entrenamiento

La Figura 2 representa la evolución de la precisión del modelo durante el entrenamiento en función de las épocas. Se observa una tendencia creciente en la precisión a medida que aumentan las épocas. Esto sugiere que el modelo está mejorando su capacidad para clasificar correctamente los datos a medida que se realiza el entrenamiento.

Conclusiones

Los resultados evidencian la notable presencia y diversidad de la contaminación visual en la región de Puno, con un alto porcentaje de encuestados identificando varias fuentes de contaminación, como publicidad, basura, cableado y paredes de viviendas. Estos hallazgos subrayan la necesidad de implementar estrategias específicas para abordar cada tipo de contaminante visual, así como la urgencia de considerar no solo sus implicaciones estéticas, sino también sus efectos emocionales y psicológicos en la población local, con el objetivo de mejorar la calidad de vida y el entorno urbano en la región.

La matriz de confusión proporciona una visión detallada del rendimiento del modelo de clasificación. Nos permite identificar qué clases están siendo correctamente clasificadas y cuáles están siendo confundidas entre sí. Esto nos ayuda a evaluar la efectividad y la precisión del modelo en la tarea de clasificación de datos.