Urban Land Cover and Territorial Expansion in the AMGR: Multitemporal Analysis Using Random Forest and SVM
Main Article Content
Abstract
The generation of geographic data on urban land cover is essential for territorial planning and management. In this context, the objective of this study was to compare urban land cover in Área Metropolitana del Gran Resistencia (AMGR), including its zone of influence and the localities within it, between 1991 and 2022. This was achieved by generating maps of built and unbuilt areas using machine learning classification algorithms (Random Forest - RF and Support Vector Machine - SVM). The results show acceptable overall accuracy for both classifications, with the SVM classification showing superior results. On the one hand, built-up areas increased by over 200%; on the other, spatial distribution of this expansion occurred both around pre-existing built-up areas (1991) and within their interiors, contributing to urban sprawl in some sectors and urban consolidation in others. Additionally, new discontinuous built-up areas were identified in intermediate zones of the localities comprising the study area.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This magazine is available in open access under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (http://creativecommons.org/licenses/by-nc-sa/4.0/).
References
Abdi, A. (2019). Rendimiento de la clasificación de la cobertura y el uso del suelo de algoritmos de aprendizaje automático en un paisaje boreal utilizando datos de Sentinel-2. GISciencia y teledetección, 57(1), 1–20. https://www.tandfonline.com/doi/full/10.1080/15481603.2019.1650447
Bellet, C. y Llop, J. (2004). Miradas a otros espacios urbanos: las ciudades intermedias. Geo Crítica Scripta Nova, 8(165). https://www.ub.edu/geocrit/sn/sn-165.htm
Beron de la Puente, F., Montico, A., Revollo, N., Gil, V. y Zapperi, P. (12 al 16 de agosto de 2024). Clasificación de uso y cobertura del suelo basada en modelos de Aprendizaje de Máquina Supervisados [Comunicación]. Memorias de las 53 JAIIO – CAI. Bahía Blanca, Argentina.
Biau, G. (2012). Analysis of a Random Forests Model. Journal of Machine Learning Research, 13, 1063-1095
Breiman, L. (2001). Random Forest. Machine Learning, 45, 5–32. DOI: https://doi.org/10.1023/A:1010933404324
CAF Banco de Desarrollo de América Latina (2017). Crecimiento urbano y acceso a oportunidades: un desafío para América Latina. Reporte de Economía y Desarrollo (RED 2017). https://www.caf.com/
Campo León, E. (s.f). Introducción a las máquinas de vector soporte (SVM) en aprendizaje supervisado. [Trabajo de Fin de Grado en Matemáticas]. Facultad de Ciencias. Universidad de Zaragoza. https://zaguan.unizar.es/record/59156/files/TAZ-TFG-2016-2057.pdf
Chucos Baquerizo, N. y Vega Ventocilla, E. (2022). Evaluación de algoritmos de machine learning en la clasificación de imágenes satelitales multiespectrales, caso: Amazonia Peruana. Ciencia Latina Revista Científica Multidisciplinar, 6(1). https://doi.org/10.37811/cl_rcm.v6i1.1843 DOI: https://doi.org/10.37811/cl_rcm.v6i1.1843
Clark Labs. (2020). Manual de TerrSet 2020: Monitoreo y modelado geoespacial. Clark University.
Dabija, A., Kluczek, M., Zagajewski, B., Raczko, E., Kycko, M., Al-Sulttani, A. H., Tardà, A., Pineda, L. y Corbera, J. (2021). Comparison of Support Vector Machines and Random Forests for Corine Land Cover Mapping. Remote Sens, 13, 777. https://doi.org/10.3390/rs13040777 DOI: https://doi.org/10.3390/rs13040777
Davis, D. (6 de agosto de 2020). Random Forest Classifier Tutorial: How to Use Tree-Based Algorithms for Machine Learning. https://www.freecodecamp.org/news/how-to-use-the-tree-based-algorithm-for-machine-learning/
Di Gregorio, A. y Jansen, L. J. M. (2005). Land Cover Classification System (LCCS): Classification Concepts and User Manual (8va. Ed.). Food and Agriculture Organization of the United Nations.
Gil Leiva, I., Díaz Ortuño, P. y Rodríguez Muñoz, J. (10 al 11 de Julio de 2019). Técnicas y usos en la clasificación automática de imágenes [Comunicación]. 14º Congreso ISKO España (4º ISKO España-Portugal) (Barcelona). DOI: https://doi.org/10.31229/osf.io/d6ax4
Jehad, A., Rehanullah, K., Nasir, A. y Imran, M. (2012). Random Forest and Decision Trees. IJCSI International Journakl of Computer Science Issues, 9(5-3), 272-278.
Lanfranchi, G., Duarte, J. I. y Granero Realini, G. (2018). La expansión de los Grandes Aglomerados Urbanos argentinos. CIPPEC (Documento de Políticas Públicas/Recomendación N°197).
Lanfranchi, G. (29 de Mayo de 2019). Hay que volver a hacer ciudad como nuestros abuelos, con más equidad y mejor desarrollo social. (A. Torres, Entrevistador) https://www.lanacion.com.ar/buenos-aires/nombre-apellidoelis-am-siquat-amsedfg-commy-ullaorpero-enis-enisi-orperae-strud-eu-feuguercin-utat-velit-venim-9700gabriel-lanfranchicolumna-ipis-dolore-moluptatx-it-nulputet-vel-et-re-jhasgd-4600-nid2251780/
Linares, S., Iturrioz, I. y Di Nucci, J (2022). La Expansión Urbana de la ciudad de Tandil 1991-2020 mediante el uso de Landscape Expansión Index (LEI). Pleamar Revista del Departamento de Geografía, 2(2).
Marlenko, N. (2011). Aplicaciones en el uso de la tierra. En S. M. Navone (Coord.), Sensores Remotos apicados al estudio de los Recursos Naturales (pp.119-143). Editorial Facultad de Agronomía.
Meyer, W. B. y Turner, B. (1994). Changes in land use and land cover: a global perspective. In Changes in land use and land cover: a global perspective. Cambridge University Press.
Ministerio de Planificación Federal, Inversión Pública y Servicios (2011). Plan Estratégico Territorial Avance II: Argentina Urbana. Ministerio de Planificación Federal, Inversión Pública y Servicios.
Nery de Figueiredo, T., Sadler, R., Solis-Aulestia, M., White, B., Polyakov, M. y Chalak Haghighi, M. (2016). Comparing supervised algorithms in Land Use and Land Cover classification of a Landsat time-series. In J. Wu, & Y. Jin (Eds.), International Geoscience and Remote Sensing Symposium (IGARSS). IEEE, Instituto de Ingenieros Eléctricos y Electrónicos. https://ieeexplore.ieee.org/document/7730346 DOI: https://doi.org/10.1109/IGARSS.2016.7730346
Parr, D (2024). Machine Learning Classification in QGIS.https://daveparr.com/2024/03/01/machine-learning-classification-in-qgis/
Scornik, M. y Godoy, S. (2008). Amenazas y Vulnerabilidad. Lineamientos para el ordenamiento territorial de Barranqueras. En N. Bono, O. Bragos y C. Scornik (Eds.), Riberas bajo amenaza. Desafíos de la gestión territorial en localidades metropolitanas (pp. 11-25). UNR Editora.
Yuan, Q., Shen, H., Li, T., Li, Z., Li, S., Jiang, Y., Xu, H., Tan, W., Yang, Q., Wang, J., Gao, J. y Zhang, L. (2020). Deep learning in environmental remote sensing: Achievements and challenges. Remote Sensing of Environment, 241, 111716. https://doi.org/10.1016/j.rse.2020.111716 DOI: https://doi.org/10.1016/j.rse.2020.111716
Zalazar, M. (2024, 29 de agosto). Expansión Urbana: un estudio pone bajo la lupa el crecimiento del Gran Resistencia. UNNE Medios. https://medios.unne.edu.ar/2024/08/29/expansion-urbana-un-estudio-pone-bajo-la-lupa-el-crecimiento-del-gran-resistencia/