12.1 Proporción media de la superficie edificada de las ciudades que se dedica a espacios verdes o azules para uso público de todos.

import datetime
now = datetime.datetime.now()
print(f"Última actualización de este notebook: {now}")

Última actualización de este notebook: 2026-03-13 12:36:23.800538

El Indicador de Cabecera 12.1 tiene como objetivo evaluar la integración de la naturaleza en los entornos urbanos. Mide la disponibilidad y el acceso a espacios verdes (parques, plazas, jardines) y azules (cuerpos de agua urbanos, bordes costeros, humedales) destinados al uso público libre dentro de la matriz de las ciudades. El monitoreo de este indicador es fundamental para la Meta 12 del Marco Mundial de Biodiversidad, ya que estos espacios proveen servicios ecosistémicos críticos para el bienestar humano, la salud física y mental, la resiliencia climática urbana y la conservación de la biodiversidad local. Los metadatos oficiales del indicador se encuentran disponibles aquí.

Metodología de Cálculo¶

Para el actual ciclo de reporte, el cálculo se centró exclusivamente en la componente de “espacios verdes” debido a la disponibilidad de datos estructurados. El geoprocesamiento se realizó extrayendo los datos desde los servidores cartográficos oficiales. El algoritmo aplicó los siguientes filtros metodológicos: Filtro de Uso: Se aislaron únicamente los polígonos cuyo atributo de uso de suelo estaba catalogado estrictamente como de uso “PÚBLICO”. Clasificación Tipológica: Se agruparon las áreas según su tipología urbana oficial, diferenciando entre “PLAZA” y “PARQUE”. Agregación Espacial: Se sumó la superficie total (en metros cuadrados) de estos polígonos, agrupándolos mediante el Código Único Territorial (CUT) a nivel de comuna, obteniendo así el área total disponible de áreas verdes públicas por municipio evaluado.

# --- 0) Setup ---
import sys
import json
import requests
import pandas as pd
from pprint import pprint

print("Python:", sys.version)
print("Executable:", sys.executable)
print("pandas:", pd.__version__)
print("requests:", requests.__version__)

Python: 3.12.3 (main, Jan 22 2026, 20:57:42) [GCC 13.3.0]
Executable: /home/ricardo/Documents/IEB/BIODATA/vinculaciones/PNUD/7NR_ejecucion/18.2 Harmful_Incentives/.venv/bin/python
pandas: 3.0.0
requests: 2.32.5

Capa 1: Observación y recolección¶

Fuentes de datos utilizadas¶

Los datos espaciales y tabulares fueron obtenidos del Catastro de Áreas Verdes MINVU-INE (2023). Esta base de datos es el instrumento oficial administrado conjuntamente por el Ministerio de Vivienda y Urbanismo y el Instituto Nacional de Estadísticas. La extracción automatizada se realizó directamente desde el servicio de entidades (FeatureServer) alojado en la Infraestructura de Datos Espaciales (IDE) del MINVU (disponible en: https://ide.minvu.cl/datasets/MINVU::areas-verdes-minvu-ine/about).

layer_url = "https://geoide.minvu.cl/server/rest/services/Catastros/%C3%81reas_Verdes_MINVU_INE_2023/FeatureServer/0"
query_url = layer_url + "/query"

# Helper robusto: devuelve DataFrame y muestra errores ArcGIS si existen
def arcgis_query(params, timeout=90):
    params = {**params, "f": "json"}
    r = requests.get(query_url, params=params, timeout=timeout).json()
    if "error" in r:
        print("ArcGIS error:")
        pprint(r["error"])
        return pd.DataFrame(), r
    feats = r.get("features", [])
    df = pd.DataFrame([f.get("attributes", {}) for f in feats])
    return df, r

def arcgis_meta(timeout=60):
    r = requests.get(layer_url, params={"f": "pjson"}, timeout=timeout).json()
    return r

meta = arcgis_meta()
print("Layer name:", meta.get("name"))
print("Geometry type:", meta.get("geometryType"))
print("ObjectID field:", meta.get("objectIdField"))

Layer name: Areas_Verdes_MINVU_INE_2023
Geometry type: esriGeometryPolygon
ObjectID field: OBJECTID_1

fields = meta.get("fields", [])
field_names = [f["name"] for f in fields]
print("N° campos:", len(field_names))
print("Primeros 40 campos:", field_names[:40])

# Campos de superficie / área
area_candidates = [c for c in field_names if any(k in c.upper() for k in ["SUP", "AREA", "M2"])]
print("\nCandidatos de superficie/area:", area_candidates)

# Campos de fecha/año (creación real, edición, etc.)
date_candidates = [c for c in field_names if any(k in c.upper() for k in ["ANIO", "AÑO", "YEAR", "FECHA", "DATE", "CREAT", "EDIT", "INAG", "APERT", "CONSTR"])]
print("Candidatos de fecha/año:", date_candidates)

N° campos: 20
Primeros 40 campos: ['OBJECTID_1', 'OBJECTID', 'CUT', 'REGION', 'PROVINCIA', 'COMUNA', 'AREA_C', 'COD_URBANO', 'TIPO_EP', 'NOMBRE_EP', 'OBSERVACIO', 'SUP_TOTAL_', 'SUP_VEGETA', 'GRUPO_URB', 'USO', 'TIPO_TAMAN', 'ID_AV', 'ADM', 'Shape__Area', 'Shape__Length']

Candidatos de superficie/area: ['AREA_C', 'SUP_TOTAL_', 'SUP_VEGETA', 'Shape__Area']
Candidatos de fecha/año: []

df_sample, raw = arcgis_query({
    "where": "1=1",
    "outFields": "AREA_C,TIPO_EP,USO",
    "returnGeometry": "false",
    "resultRecordCount": 5000
})

print("Registros muestreados:", len(df_sample))
display(df_sample.head())

for col in ["AREA_C", "TIPO_EP", "USO"]:
    if col in df_sample.columns:
        print("\nValores únicos (top 20) para", col)
        print(df_sample[col].fillna("<NA>").astype(str).str.strip().value_counts().head(20))

Registros muestreados: 2000


Valores únicos (top 20) para AREA_C
AREA_C
URBANO    1998
MIXTO        2
Name: count, dtype: int64

Valores únicos (top 20) para TIPO_EP
TIPO_EP
PLAZA     1879
PARQUE     121
Name: count, dtype: int64

Valores únicos (top 20) para USO
USO
PÚBLICO    2000
Name: count, dtype: int64

AREA_FIELD = "SUP_TOTAL_"
assert AREA_FIELD in field_names, f"No existe el campo {AREA_FIELD}. Revisa area_candidates arriba."
print("Campo de superficie usado:", AREA_FIELD)

Capa 2: Análisis y síntesis¶

Usamos outStatistics para sumar SUP_TOTAL_ por CUT y COMUNA, filtrando por tipo y uso público.

def superficie_por_comuna(tipo_ep, uso="PÚBLICO", area_field=AREA_FIELD):
    where = f"TIPO_EP = '{tipo_ep}' AND USO = '{uso}'"
    df, raw = arcgis_query({
        "where": where,
        "groupByFieldsForStatistics": "CUT,COMUNA",
        "outStatistics": f'[{{"statisticType":"sum","onStatisticField":"{area_field}","outStatisticFieldName":"SUP_M2"}}]',
        "outFields": "CUT,COMUNA",
        "returnGeometry": "false"
    })
    return df

plazas = superficie_por_comuna("PLAZA")
parques = superficie_por_comuna("PARQUE")

print("Comunas con plazas:", len(plazas))
print("Comunas con parques:", len(parques))
display(plazas.head())
display(parques.head())

Comunas con plazas: 87
Comunas con parques: 115

Capa 3: Repporte Digital¶

Resultados¶

De acuerdo con el procesamiento automatizado del catastro 2023, se logró estimar y consolidar la superficie total de plazas y parques para 118 comunas del país:

Cobertura de Plazas: Se identificaron plazas de uso público en 87 comunas. La superficie agregada de esta tipología a nivel nacional alcanza los 30.753.822 m² (aproximadamente 3.075 hectáreas).
Cobertura de Parques: Se contabilizaron parques de uso público en 115 comunas. La superficie nacional agregada para esta tipología asciende a 44.114.928 m² (aproximadamente 4.411 hectáreas). Para el reporte oficial ante el CBD, los resultados nacionales se presentaron como la superficie promedio de cada tipo (plazas y parques) disponible a través de las comunas evaluadas en Chile.

# El merge debe hacerse por **CUT** (clave oficial). Normalizamos nombres y consolidamos una sola columna COMUNA.
def normaliza_texto(s: pd.Series) -> pd.Series:
    return (s.astype(str)
              .str.strip()
              .str.upper())

for df in [plazas, parques]:
    df["CUT"] = pd.to_numeric(df["CUT"], errors="coerce").astype("Int64")
    df["COMUNA"] = normaliza_texto(df["COMUNA"])

# Renombrar métricas
plazas = plazas.rename(columns={"SUP_M2": "SUP_PLAZAS_M2"})
parques = parques.rename(columns={"SUP_M2": "SUP_PARQUES_M2"})

# Merge por CUT (evita duplicaciones por diferencias en COMUNA)
out = plazas.merge(parques, on="CUT", how="outer", suffixes=("_plazas", "_parques"))

# Consolidar nombre de comuna (si viene de ambos lados)
if "COMUNA_plazas" in out.columns and "COMUNA_parques" in out.columns:
    out["COMUNA"] = out["COMUNA_plazas"].combine_first(out["COMUNA_parques"])
    out = out.drop(columns=["COMUNA_plazas", "COMUNA_parques"])

# Orden y tipos
out = out[["CUT", "COMUNA", "SUP_PLAZAS_M2", "SUP_PARQUES_M2"]].sort_values("CUT")

display(out.head(20))

# Checks
print("\nChecks:")
print("Filas (comunas):", len(out))
print("N CUT duplicados:", out["CUT"].duplicated().sum())
print("Total m² plazas:", out["SUP_PLAZAS_M2"].fillna(0).sum())
print("Total m² parques:", out["SUP_PARQUES_M2"].fillna(0).sum())


Checks:
Filas (comunas): 118
N CUT duplicados: 1
Total m² plazas: 30753822.58842784
Total m² parques: 44114928.708357446

out.to_csv("superficie_plazas_parques_por_comuna.csv", index=False)
print("Guardado:", "superficie_plazas_parques_por_comuna.csv")

Cálculo de promedio de áreas verdes por comuna¶

# Promedio solo donde hay dato (no fuerza 0)
prom_plazas_con_dato = out["SUP_PLAZAS_M2"].mean(skipna=True)
prom_parques_con_dato = out["SUP_PARQUES_M2"].mean(skipna=True)

print("Promedio plazas (m²/comuna, con dato):", prom_plazas_con_dato)
print("Promedio parques (m²/comuna, con dato):", prom_parques_con_dato)

Promedio plazas (m²/comuna, con dato): 349475.25668668
Promedio parques (m²/comuna, con dato): 383608.0757248474

Observaciones¶

Este dataset no incluye un atributo del tipo ANIO_CREACION/FECHA_INAUG por parque/plaza. Si necesitas año de creación real, suele requerir fuentes administrativas (municipales/programas) o inferencia por comparación de catastros históricos.

Brechas¶

A pesar de contar con el catastro MINVU-INE, el cálculo exacto del Indicador 12.1 enfrenta limitaciones estructurales frente al estándar del CBD:

Ausencia del denominador (Superficie Edificada): El indicador global exige reportar una “proporción” (%). Actualmente, el país reportó las superficies absolutas de áreas verdes (numerador), pero existe una brecha metodológica para cruzar estos datos de manera estandarizada con los polígonos exactos de la “superficie edificada urbana consolidada” (denominador) a nivel nacional.
Omisión de los Espacios Azules: El catastro utilizado se enfoca exclusivamente en plazas y parques tradicionales. En Chile, aún no existe un catastro urbano unificado que cuantifique sistemáticamente la superficie de “espacios azules” de uso público (p. ej., riberas de ríos urbanos habilitadas, lagos o humedales urbanos).
Vacíos de información comunal y temporal: El procesamiento arrojó datos consolidados para 118 comunas, lo que indica que una parte importante de los municipios del país no cuenta con catastros de áreas verdes estandarizados o actualizados en la plataforma MINVU. Además, la base de datos carece de la variable “año de creación”, lo que imposibilita construir una serie de tiempo para evaluar si las ciudades están aumentando o perdiendo sus áreas verdes a lo largo de las décadas.
El indicador establece que el cálculo debe ser implementado sobre ciudades, pero no define un criterio para distinguirlo de zonas habitadas que no son consideradas ciudades. Es necesario implementar un filtro para identificar realmente ciudades.