Cobertura urbana y expansión territorial en el AMGR: análisis multitemporal con Random Forest y SVM
##plugins.themes.bootstrap3.article.main##
Resumo
La generación de información geográfica de coberturas urbanas es fundamental para la planificación y gestión del territorio. Es este contexto, el objetivo de este trabajo fue comparar la cobertura urbana del Área Metropolitana del Gran Resistencia (AMGR), considerando su área de influencia y las localidades incluidas en ella, de los años 1991 y 2022, mediante la generación de mapas de áreas edificadas y no edificadas utilizando clasificaciones con algoritmos de aprendizaje automático (Random Forest - RF y Support Vector Machine - SVM). Los resultados muestran fiabilidades globales aceptables para ambas clasificaciones, siendo superior la clasificación generada con SVM. Por un lado, se observó un incremento superior al 200% en la superficie edificada; por otro, la distribución espacial de la superficie edificada ocurrió en torno a las superficies edificadas existentes en 1991, así como en espacios interiores a las mismas, aportando a la expansión de la ciudad por un lado, y a la consolidación de esta por otro. Además, se identificaron nuevos espacios edificados de manera discontinua en sectores intermedios de las localidades que conforman el área de estudio.
Downloads
##plugins.themes.bootstrap3.article.details##
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
Obra disponible bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es).
Referências
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/