Envía por correo este artículo 
Anlisis de firmas espectrales para la gestin del territorio y control de la expansin urbana
Analysis of spectral signatures for territorial management and control of urban expansion
Anlise de assinaturas espectrais para gesto territorial e controle da expanso urbana
Correspondencia: mrosas@uce.edu.ec
Ciencias Tcnicas y Aplicadas
Artculo de Investigacin
* Recibido: 10 de enero de 2024 *Aceptado: 09 de febrero de 2024 * Publicado: 21 de marzo de 2024
I. Universidad Central del Ecuador, Ecuador.
II. Universidad Central del Ecuador, Ecuador.
III. Universidad Central del Ecuador, Ecuador.
Resumen
El anlisis de firmas espectrales permite la identificacin de diferentes objetos presentes en imgenes digitales, los cuales poseen caractersticas particulares que contienen informacin sobre la materia con la que interactan, de manera similar a una huella digital. Esto posibilita la cuantificacin de la evolucin de la expansin urbana y la gestin territorial, aspectos fundamentales para optimizar los patrones de uso del suelo y fomentar el desarrollo urbano sostenible. En consecuencia, la investigacin puede proporcionar conjuntos de datos valiosos y referencias para la toma de decisiones, con el fin de ajustar y optimizar los patrones de desarrollo urbano y disear estrategias para el desarrollo urbano sostenible.
Para demostrar la eficacia de las firmas espectrales en este contexto, se aplic una metodologa de anlisis espectral a imgenes satelitales Landsat del valle de los Chillos en el cantn Quito, que ofrecen una amplia cobertura territorial y temporal, asegurando la posibilidad de replicacin. En primer lugar, se llev a cabo una calibracin radiomtrica; luego se realiz una clasificacin no supervisada utilizando el algoritmo Maximum Likelihood. Posteriormente, se procedi a la reconstruccin utilizando firmas reales de cada categora, mediante una mezcla espectral de firmas tericas. Se obtuvieron las firmas de cada clase, a partir de las cuales se pueden realizar diversos estudios urbanos.
Palabras claves: firmas espectrales; gestin territorial; expansin urbana; clasificacin.
Abstract
The analysis of spectral signatures allows the identification of different objects present in digital images, which have particular characteristics that contain information about the matter with which they interact, in a similar way to a fingerprint. This makes it possible to quantify the evolution of urban expansion and territorial management, fundamental aspects to optimize land use patterns and promote sustainable urban development. Consequently, research can provide valuable data sets and references for decision-making, in order to adjust and optimize urban development patterns and design strategies for sustainable urban development.
To demonstrate the effectiveness of spectral signatures in this context, a spectral analysis methodology was applied to Landsat satellite images of the Chillos Valley in the Quito canton, which offer extensive territorial and temporal coverage, ensuring the possibility of replication. First, a radiometric calibration was carried out; then unsupervised classification was performed using the Maximum Likelihood algorithm. Subsequently, the reconstruction was carried out using real signatures from each category, through a spectral mixture of theoretical signatures. The signatures of each class were obtained, from which various urban studies can be carried out.
Keywords: spectral signatures; territorial management; Urban sprawl; classification.
Resumo
A anlise de assinaturas espectrais permite a identificao de diferentes objetos presentes em imagens digitais, que possuem caractersticas particulares que contm informaes sobre a matria com a qual interagem, de forma semelhante a uma impresso digital. Isto permite quantificar a evoluo da expanso urbana e da gesto territorial, aspectos fundamentais para otimizar os padres de uso do solo e promover o desenvolvimento urbano sustentvel. Consequentemente, a investigao pode fornecer conjuntos de dados e referncias valiosos para a tomada de decises, a fim de ajustar e optimizar os padres de desenvolvimento urbano e conceber estratgias para o desenvolvimento urbano sustentvel.
Para demonstrar a eficcia das assinaturas espectrais neste contexto, foi aplicada uma metodologia de anlise espectral s imagens do satlite Landsat do Vale de Chillos, no canto de Quito, que oferecem ampla cobertura territorial e temporal, garantindo a possibilidade de replicao. Primeiramente foi realizada uma calibrao radiomtrica; em seguida, a classificao no supervisionada foi realizada usando o algoritmo de Mxima Verossimilhana. Posteriormente, a reconstruo foi realizada utilizando assinaturas reais de cada categoria, atravs de uma mistura espectral de assinaturas tericas. Foram obtidas as assinaturas de cada turma, a partir das quais podero ser realizados diversos estudos urbanos.
Palavras-chave: assinaturas espectrais; gesto territorial; Expanso urbana; classificao.
Introduccin
La urbanizacin es un proceso espaciotemporal fsico y socioeconmico que transforma el paisaje rural en forma urbana e implica la conversin de cubiertas superficiales naturales y seminaturales en superficies impermeables. Se manifiesta en la expansin del rea construida en trminos de viviendas, industrias o infraestructura dentro o en conexin directa con un rea urbana (Kantakumar, Kumar, & Schneider, 2016).
Hoy en da, las zonas urbanas ocupan slo el cinco por ciento de la superficie terrestre, pero albergan a casi la mitad de la poblacin mundial, que consume el setenta y cinco por ciento de los recursos naturales del mundo y genera una proporcin equivalente de contaminacin y residuos(UN-Habitat, 2022).
El crecimiento urbano acelerado, descontrolado e ilegal es una de las principales problemticas ambientales y sociales del siglo XXI, y plantean una serie de dificultades a menos que se maneje adecuadamente; que van desde la fragmentacin del hbitat natural hasta la presin sobre los recursos naturales y la calidad de vida de los habitantes. Es por ello, que, en la era moderna, la gestin eficiente del territorio y el control de la expansin urbana se han convertido en desafos cruciales para las autoridades gubernamentales, urbanistas, ecologistas y cientficos ambientales; teniendo en cuenta como foco que las polticas deben estar enfocadas a la prevencin de la urbanizacin insostenible en lugar de intentar frenarla o revertirla.
La urbanizacin ha sido una tendencia fundamental en los ltimos dos siglos y ha sido una fuerza importante en la configuracin del patrn de desarrollo del mundo moderno (Peverga, Terseer, Kwanga, & Terngu, 2021). Entre 1980 y 2023, la proporcin de la poblacin mundial que vive en ciudades aument del 33% al 56%, y se espera que la poblacin urbana mundial aumente a ms del doble para 2050, en que alrededor de siete de cada diez personas vivirn en ciudades(UN-Habitat, 2022).
Por otro lado, en 2023, el 64.8% de la poblacin de Ecuador vive en zonas urbanas. Este es el valor ms alto de los ltimos 60 aos, ya que en 1960 solo el 33.88% de la poblacin viva en zonas urbanas(INEC, 2024). La urbanizacin en Ecuador se debe a la incorporacin del pas a un sistema de comercio internacional basado en productos primarios como el cacao, el banano y el petrleo. Este proceso se ha caracterizado por migraciones campo-ciudad y sierra-costa.
Las herramientas para medir, monitorear y comprender el proceso de expansin urbana son clave para los planificadores urbanos. A menudo no se dispone de informacin precisa sobre el estado de la urbanizacin, la tasa de expansin urbana y los patrones y el alcance de la expansin urbana en forma oportuna. Los mtodos tradicionales para obtener informacin urbana utilizan estadsticas sociales y econmicas de unidades administrativas (Abdullahi, Barde, & Iliyas, 2021).
Sin embargo, no hay suficiente informacin espacial en las estadsticas socioeconmicas para analizar con precisin la expansin urbana. Adems, dado que los datos de teledeteccin de resolucin media y alta tienen una cobertura geogrfica restringida, existe un alto costo de adquisicin de imgenes y se requiere una gran cantidad de tiempo y mano de obra para el procesamiento previo y la interpretacin, lo que significa que dichos datos no son adecuados para invertir la informacin de la expansin urbana y construir modelos de evolucin espacio-temporal de aglomeraciones urbanas a gran escala (Bhatta, 2010).
En este sentido, Zheng, He, Zhou, & Wang (2022), realizaron un anlisis cuantitativo de los patrones de cambio urbano en diferentes regiones de China mediante datos de teledeteccin multitemporal del cambio de uso del suelo, utilizando ndices como la tasa de expansin urbana y la intensidad de la expansin. Por otro lado, Sun, y otros, (2020) extrajeron mapas regionales de alta calidad de edificios urbanos a lo largo del tiempo y el espacio mediante imgenes Landsat. De igual forma, Viana, Oliveira, Oliveira, & Rocha (2019), extrajeron caractersticas multitemporales del suelo urbano y las utilizaron para determinar para realizar una gestin territorial.
En este contexto, el anlisis de firmas espectrales emerge como una herramienta tecnolgica poderosa y verstil para comprender y abordar estos desafos de manera efectiva, con un gran potencial para la gestin del territorio y control de la expansin urbana. Las firmas espectrales, que representan la respuesta espectral nica de los objetos y superficies terrestres a diferentes longitudes de onda de la luz, proporcionan informacin detallada sobre la composicin y las caractersticas de la superficie terrestre.
Las firmas espectrales son la expresin nica de la reflectancia o emisin de energa electromagntica por un material o superficie a lo largo del espectro electromagntico. Representan propiedades fsicas, qumicas y biolgicas, a travs de su interaccin con la radiacin emite determinadas longitudes de onda del espectro electromagntico, los elementos que en ella se encuentran presentan un comportamiento diferente, el cual es captado por sensores. A esta caracterstica particular de cada elemento, se le conoce como firma espectral. Esta "huella digital" espectral es la base para procesos de identificacin, caracterizacin de diferentes materiales, como vegetacin, suelo, agua, y estructuras urbanas, con gran precisin (Saleem & Mahmood, 2023).
Dentro del anlisis, un mtodo que implementan los investigadores para realizar la clasificacin de espectros es utilizando el sentido de la vista, mediante su visin y experiencia pueden determinar los tipos de espectros que aparecen en una imagen. La ventaja de este mtodo es la exactitud con la que se realiza la clasificacin y la desventaja es que toma bastante tiempo realizarlo(Dadhich & Hanaoka, 2011). Es por ello, que otro mtodo para el anlisis de firmas espectrales, es realizarlo de forma automtica con tcnicas de machine learning; utilizando caractersticas propias de la imagen. La ventaja de este mtodo es que se realiza de manera automtica y el tiempo invertido es mnimo. Una desventaja, es que depende del aprendizaje adquirido para realizar una clasificacin exacta. Esto quiere decir que, al ser un mtodo automtico, se requieren de suficientes datos para realizar un buen entrenamiento. No obstante, las tcnicas de aprendizaje automtico reportan resultados con altos ndices de clasificacin, como los mtodos perceptrn multicapa (MPL), vecino ms cercano (K-NN), mquina de soporte vectorial (SVL) y redes neuronales (RN)(Abdelkader El Garouani a, 2017).
Este artculo tiene como objetivo explorar el potencial del anlisis de firmas espectrales como una herramienta fundamental para abordar los desafos asociados con la gestin del territorio y la expansin urbana, y para avanzar hacia un desarrollo urbano ms sostenible y equitativo. Se examinar cmo estas tcnicas pueden utilizarse para la deteccin y monitorizacin de cambios en el uso del suelo, la evaluacin de la calidad ambiental, la planificacin urbana sostenible y la toma de decisiones basada en evidencia.
Metodologa
A continuacin, se describe la metodologa seguida en la realizacin del anlisis de firmas espectrales para la zona del valle de los Chillos en el cantn Quito; en el contexto de la gestin del territorio y el control de la expansin urbana, permitiendo obtener informacin detallada sobre la dinmica del paisaje y facilitando la toma de decisiones informadas para una planificacin urbana ms sostenible y eficiente.
Adquisicin y seleccin de la informacin
Se recopilaron datos espaciales y espectrales de la zona de estudio, seleccionando cuatro imgenes LANDSAT en diferentes periodos de tiempo a lo largo del tiempo priorizando aquellas que tenan una menor cantidad de nubes y afectaciones varias; las mismas que fueron sometidas a correccin. Todas las imgenes fueron obtenidas directamente desde el Geoportal del Servicio Geolgico de los Estados Unidos y fueron georreferenciadas en el sistema de coordenadas local para Quito SIRES-DMQ (Transversal de Mercator para Quito).
Bajo estas condiciones, se seleccionaron los sensores LANDSAT 5 TM para la imagen del ao 2000, LANDSAT 7 ETM+ (2005), LANDSAT 7 ETM+ (2015) y LANDSAT 8 OLI/TIRS (2023); todas con una resolucin espacial de 30x30m.
Preprocesamiento de imgenes
Las imgenes captadas por satlites pueden presentar diversas interferencias, originadas por errores en los sensores, distorsiones debido a movimientos en los mecanismos de captura, as como interferencias atmosfricas. Estas irregularidades fueron corregidas mediante los siguientes procedimientos.
1) Correccin geomtrica
Las imgenes satelitales empleadas en el proyecto fueron procesadas a un nivel de tratamiento L1T, lo que significa que son productos que han sido ortorrectificados. Esto implica que se les han aplicado correcciones geomtricas sistemticas mediante puntos de control terrestre (GCP) y modelos de elevacin digital (DEM), logrando as imgenes registradas en una proyeccin cartogrfica referenciada al sistema WGS84. Adems, se ha corregido la distorsin topogrfica causada por el relieve y el desplazamiento del terreno.
2) Calibracin radiomtrica
Las imgenes adquiridas fueron sometidas a una correccin radiomtrica para considerar las variaciones en la iluminacin y la sensibilidad del sensor. La radiancia capturada por el sensor a bordo del satlite se presenta en valores en formato de nivel digital (ND), los cuales deben ser convertidos en unidades de energa reflejada, tambin conocida como calibracin radiomtrica.
La correccin radiomtrica se aplic tanto a las bandas multiespectrales como a la banda pancromtica de cada imagen satelital, con el propsito de facilitar la posterior fusin de imgenes. Este procedimiento se llev a cabo utilizando la herramienta de Calibracin Radiomtrica dentro del software ENVI 5.6, donde se realiz un recorte espacial a la imagen (Subconjunto espacial).
La fusin de imgenes se efectu mediante el mtodo de Gram-Schmidt para mejorar la resolucin espacial de los datos multiespectrales utilizando datos pancromticos de alta resolucin.
3) Correccin atmosfrica
El siguiente paso implica la correccin atmosfrica de las imgenes satelitales con el fin de eliminar los efectos atmosfricos y de iluminacin que podran afectar la calidad de las firmas espectrales. Para ello, se emplearon tcnicas de correccin radiomtrica y atmosfrica.
Se utiliz el mtodo QUAC (Correccin Atmosfrica Rpida por sus siglas en ingls), el cual determina parmetros de compensacin atmosfrica directamente de la informacin de cada escena, asumiendo una ecuacin lineal de transporte de radiacin. Este proceso se llev a cabo mediante el mdulo QUAC dentro del software ENVI 5.6, donde se seleccion el tipo de sensor Landsat TM/ETM/OLI para las imgenes.
Anlisis de firmas espectrales
1) Extraccin de firmas espectrales
Una vez que se realizaron las correcciones pertinentes a las imgenes satelitales, se llev a cabo la extraccin de informacin de cada una de ellas. Para este propsito, se emplearon diversas metodologas para la identificacin de la cobertura urbana. Se utilizaron combinaciones especficas de bandas con el objetivo de detectar las reas de expansin urbana a travs de la reflectancia emitida. En particular, se emple la combinacin de las bandas SWIR 2, SWIR 1 y RED para generar un falso color que facilitara la identificacin de dichas reas.
2) Clasificacin de firmas espectrales
El procedimiento de clasificacin, tambin conocido como fase de asignacin, se realiz utilizando los niveles digitales asociados a cada pxel en todas las bandas seleccionadas para el proceso. Esto resulta en una nueva imagen en la que los valores digitales determinan la clase a la que pertenece cada pxel.
Para la clasificacin, se emple la metodologa de clasificacin supervisada utilizando el algoritmo de agrupacin de mxima probabilidad. Este mtodo es ampliamente utilizado en percepcin remota debido a su precisin y eficiencia. Es especialmente adecuado cuando los datos presentan una distribucin normal, ya que se ajusta rigurosamente a la disposicin original de los datos. Cada pxel se asigna a una clase en funcin de la media y la varianza de las firmas espectrales, lo que facilita la interpretacin de los resultados.
Las imgenes fueron clasificadas de forma individual, siguiendo un proceso compuesto por dos etapas: en la primera, se seleccionaron reas de entrenamiento dentro de la imagen, las cuales se utilizaron para definir las clases de cobertura. Luego, en la segunda etapa, se calcul la probabilidad de que cada pxel pertenezca a cada una de las categoras, basndose en su respuesta espectral. De esta manera, se determin la clase a la que ms probablemente pertenece cada pxel.
Seleccin de reas de entrenamiento
La eleccin de reas de entrenamiento tiene como objetivo recopilar un conjunto de datos estadsticos que describan el patrn de respuesta espectral para cada categora o tipo de cobertura presente en la imagen. Por lo tanto, es crucial que las regiones de inters (ROI) seleccionadas sean representativas y abarquen toda la extensin de las clases.
Para determinar el tamao mnimo de la muestra en pxeles, se aplic el criterio que establece que el tamao del ROI debe ser mayor que el nmero de bandas + 1, garantizando as su representatividad estadstica. Se opt por seleccionar aproximadamente 10 muestras por cada clase, y se utiliz la combinacin en falso color de las imgenes satelitales para la seleccin de reas de entrenamiento.
Este proceso se llev a cabo utilizando la herramienta ROI Tools disponible en el software ENVI 5.6, la cual permite controlar la calidad de las zonas de entrenamiento mediante opciones como la separabilidad espectral, los planos adimensionales, entre otros.
Figura 1. Muestra de seleccin de ROIs para cada cobertura
Anlisis de separabilidad
Una vez que se adquirieron las regiones de inters, se llev a cabo un anlisis de separabilidad espectral entre las muestras con el fin de verificar estadsticamente su diferencia. A travs de la herramienta ROI Tools se gener un informe que presenta el promedio de separabilidad obtenido mediante los mtodos de divergencia transformada y Jeffries-Matusita, los cuales calculan la distancia normalizada entre las dos categoras.
Los resultados del proceso proporcionaron valores que indican la separabilidad de cada par de clases, los cuales estn en un rango de 0 a 2. Valores superiores a 1.9 indican una buena separabilidad, mientras que valores inferiores sugieren una baja separabilidad, lo que requiere una revisin de las muestras para su reubicacin o eliminacin.
Clasificacin supervisada
Una vez que se evalu la separabilidad espectral de las regiones de inters, se procedi con la clasificacin supervisada. Este proceso se llev a cabo utilizando el software ENVI y su herramienta automatizada para clasificacin de imgenes, Classification Workflow. En primer lugar, se introdujo la imagen junto con las regiones de inters previamente definidas. Luego, se seleccion el algoritmo Maximum Likelihood, definiendo el factor de escala como 1, dado que los valores de reflectancia estn normalizados en un rango de 0 a 1.
Por ltimo, esta herramienta permiti mejorar la clasificacin mediante un proceso de suavizado para eliminar el ruido de moteado. Para ello, se utiliz un tamao de kernel de 3 (3x3 pxeles), donde el pxel central de la matriz cuadrada se reemplaz con el valor de clase ms frecuente dentro de la matriz, es decir, se asign a la clase predominante en los pxeles vecinos.
Figura 2. Clasificacin supervisada
3) Validacin del modelo de clasificacin
La validacin, tambin conocida como post-clasificacin, permite evaluar la confiabilidad de la clasificacin realizada y la precisin de los datos obtenidos. En este contexto, una vez aplicado el modelo de clasificacin, se valid el modelo de extraccin de cobertura urbana utilizando el ndice de kappa. Este ndice calcula la discrepancia entre la precisin lograda y la probabilidad de una clasificacin correcta, generando matrices de confusin para cada imagen.
Para llevar a cabo la validacin, se utiliz la cobertura oficial del municipio para distinguir el rea urbana, generando 6000 puntos de control. Se obtuvo un ndice de kappa de 0.9148, lo que indica una alta concordancia con la cobertura del GAD.
Figura 3. Puntos de control para el ndice kappa
Anlisis de los resultados
Evolucin de la Urbanizacin
La Figura 4 muestra los resultados del anlisis de los patrones espaciales utilizando el anlisis de firmas espectrales de la cobertura urbana de las imgenes satelitales en la administracin zonal. Se presenta la evolucin de la urbanizacin durante diferentes perodos de tiempo: 2000, 2005, 2015 y 2023. Se observa una expansin del 361.31% para el ao 2005 en comparacin con el ao 2000, un aumento del 168.43% para el ao 2015 con respecto al ao 2005, y un incremento del 159.35% para el ao 2023 en comparacin con el ao 2015. Aunque se nota una reduccin en el porcentaje de crecimiento, se evidencia un crecimiento continuo y rpido.
Figura 4. Evolucin de urbanizacin por aos
Evolucin de la urbanizacin por parroquias
De igual manera, se procedi a segmentar la informacin, y se presentan los resultados de la evolucin de la urbanizacin por cada una de las parroquias que conforman la zona de estudio, como se detalla a continuacin:
En la Parroquia de Conocoto, se observa un mayor incremento durante el perodo entre 2000 y 2005, seguido de un crecimiento continuo y acelerado en aos posteriores.
En la Parroquia de Amaguaa, se registra un mayor crecimiento entre 2005 y 2015, seguido tambin de un crecimiento constante y acelerado.
La Parroquia de Guangopolo exhibe un crecimiento limitado entre 2000 y 2015; no obstante, desde ese ao hasta 2023, muestra un aumento significativo y rpido.
En cuanto a la Parroquia de La Merced, se nota un crecimiento mnimo entre 2000 y 2015, con un rea urbana casi inexistente, pero a partir de entonces y hasta 2023, experimenta un crecimiento sumamente acelerado.
La Parroquia de Alangas presenta su mayor crecimiento entre 2000 y 2005, seguido de una ligera disminucin entre 2005 y 2015; no obstante, desde entonces hasta 2023, el crecimiento vuelve a ser considerable.
Por ltimo, la Parroquia de Pintag, siendo la ms grande de la administracin zonal, registra un crecimiento bajo entre 2000 y 2015, pero experimenta un aumento considerable en el ltimo perodo.
Por otra parte, se encontr que la parroquia de Conocoto ha experimentado la mayor expansin en trminos de kilmetros cuadrados (km2), representando un 48.21% de las reas urbanas de toda la administracin zonal para el ao 2023. Le siguen las parroquias de Amaguaa con el 17.32%, Alangas con el 15.96% y Pintag con el 8.03%. En contraste, las parroquias de La Merced y Guangopolo han acumulado la menor rea urbana hasta el ao 2023, con solo el 6.63% y 3.85%, respectivamente.
Al analizar las tasas de urbanizacin de cada una de las parroquias, se observa que, a pesar de la gran expansin en kilmetros cuadrados (km2), la parroquia de Pintag tiene la tasa ms baja, casi completamente plana, alcanzando un mximo de solo el 1.28%. Por otro lado, las parroquias de Guangopolo y La Merced han experimentado un aumento significativo en la tasa durante el perodo entre 2015 y 2023. Amaguaa muestra un aumento considerable en la tasa a partir de 2005, mientras que Alangas exhibe una tasa de urbanizacin casi constante. En el caso de Conocoto, se observa una tasa mayor durante el perodo de 2000 a 2005, y contina creciendo de manera exponencial en adelante.
Figura 5. Tasas de urbanizacin por parroquias
Patrones espaciales identificados
Tras el anlisis de firmas espectrales de las imgenes satelitales se han identificado una serie de patrones espaciales, que se recogen a continuacin:
Proximidad a los principales ncleos poblacionales. Se observa un crecimiento concntrico en reas cercanas a los principales centros urbanos, especialmente en la zona urbana de la parroquia de Conocoto. Esto evidencia una influencia que se extiende sobre las parroquias contiguas como Amaguaa, Alangas y Guangopolo. La zona urbana de Conocoto concentra la mayora de los servicios y equipamientos de la administracin zonal, como iglesias, escuelas, parques, centros financieros y el mercado ms grande de la administracin, que ofrece una amplia variedad de productos agrcolas y ganaderos para consumo. Adems, cuenta con redes de transporte interno e intercantonal, y est conectada directamente con el centro de Sangolqu, el centro urbano del cantn Rumiahui, y Quito. Estas caractersticas hacen de Conocoto un lugar geogrfico idneo para el desarrollo urbano.
Proximidad a las vas de comunicacin. Otro patrn identificado es que los asentamientos urbanos se han desarrollado en las cercanas de las vas de transporte que conectan las diferentes parroquias. Los asentamientos humanos han seguido la misma distribucin que las vas, siendo escasas las reas donde se ha producido un crecimiento aleatorio o alejado de las principales vas. Se ha observado una expansin urbana considerable en la administracin zonal, destacando la parroquia de Conocoto como la que ha experimentado la mayor expansin.
Topografa. La topografa tambin desempea un papel importante, ya que se ha observado que las personas prefieren establecer sus asentamientos principalmente en reas con pendientes bajas, seguidas en menor medida por reas con pendientes medias, y en muy pocas ocasiones en reas con pendientes altas.
Crecimiento urbano y sostenibilidad
Luego de los anlisis espectrales respectivos se pudo identificar los patrones de crecimiento urbano y sostenibilidad, los cuales se resumen a continuacin:
Expansin urbana en quebradas de proteccin
La figura ilustra la expansin urbana hasta el ao 2023, donde se destacan las reas de quebradas protegidas, espacios que, debido a sus caractersticas, son considerados riesgosos para la construccin. Teniendo en cuenta un rea urbana total de 45.56 km2 para la zona en el ao 2023, solo el 5.02% se ve afectado por zonas de proteccin de quebradas, lo que indica una expansin adecuada.
Figura 6. Urbanizacin para el ao 2023 (rojo) y quebradas de proteccin
Expansin en zonas de conservacin ecolgica
La regin cuenta con numerosas reas de conservacin ecolgica, en parte debido a su proximidad al Pasochoa y al Ilal. En el caso del Ilal, se ha propuesto su recuperacin debido a la erosin excesiva causada por prcticas agrcolas inadecuadas, la pendiente pronunciada, las tcnicas de cultivo errneas y la composicin del suelo. Por otro lado, el Pasochoa ha sido designado como refugio de vida silvestre. Despus de analizar los datos, se determin que el bosque protector se ve afectado en un 12.56%, mientras que la proteccin de humedales se ve afectada en un 0.49%, la conservacin del Pasochoa en un 2.42% y la recuperacin del Ilal en un 5.83%.
Figura 7. Expansin urbana (rojo) en zonas de conservacin ecolgica
Acceso al servicio bsico de agua potable
A continuacin, la figura presenta la red hdrica que se extiende por la zona, as como tambin la cobertura oficial de agua potable del DMQ. Considerando un rea urbana total de 44.05 km2 para el ao 2023, se determin que 27.7 km2 tienen acceso al agua potable segn el anlisis de firmas espectrales, lo que equivale al 62.88% de las reas urbanizadas. Por lo tanto, el 37.12% restante no cuenta con acceso al agua potable y generalmente dependen de tanques de reserva de agua potable, entre otras soluciones.
Figura 8. Acceso al agua potable e hdrica
Variaciones en la cobertura del suelo
Para examinar los cambios en la cobertura del suelo, se ha categorizado el uso del suelo en cuatro grandes grupos: el rea urbana, las zonas con potencial edificable, industrial o rido, las reas de proteccin y conservacin. Despus de analizar los datos, se observa que el crecimiento de la urbanizacin en la zona ha ocurrido principalmente en reas designadas para edificacin, industria o en terrenos ridos o sin cobertura vegetal; reas que, debido a sus condiciones naturales, son adecuadas para la urbanizacin. Sin embargo, tambin se nota una reduccin en las reas de proteccin y conservacin, lo que indica que existen asentamientos que se han establecido en el territorio de manera descontrolada y que estn afectando reas de importancia ecolgica.
Conclusiones
A travs del anlisis de firmas espectrales en imgenes se identificaron patrones de expansin urbana, cambios en la cobertura terrestre y tendencias a lo largo del tiempo, lo cual demuestra el potencial y la efectividad de este tipo de anlisis para para abordar los desafos asociados con la gestin del territorio y la expansin urbana, y para avanzar hacia un desarrollo urbano ms sostenible y equitativo.
Se desarrolla una metodologa que pasa por las fases de adquisicin, preprocesamiento y anlisis de las firmas espectrales, a travs del estudio de un caso especfico.
Referencias
1. Abdelkader El Garouani a, ⇑. D. (2017). Analysis of urban growth and sprawl from remote sensing data: Case of Fez, Morocco. International Journal of Sustainable Built Environment, 6, 160-169.
2. Abdullahi, M. A., Barde, u., & Iliyas, I. (2021). Assessment of Urban Growth Using Geographic Information System (Gis) and Remote Sensing In Potiskum Town. International Journal of Advances in Engineering and Management (IJAEM), 3(7), 1154-1163.
3. Bhatta, B. (2010). Analysis of Urban Growth and Sprawl from Remote Sensing Data. New York: Springer.
4. Dadhich, P. N., & Hanaoka, S. (2011). Spatio-temporal Urban Growth Modeling of Jaipur, India. Journal of Urban Technology, 18(3), 45-65. doi:https://doi.org/10.1080/10630732.2011.615567
5. INEC. (17 de marzo de 2024). ecuadorencifras. Obtenido de https://www.ecuadorencifras.gob.ec/institucional/ecuador-crecio-en-2-5-millones-de-personas-entre-2010-y-2022/
6. Kantakumar, L. N., Kumar, S., & Schneider, K. (2016). Spatiotemporal urban expansion in Pune metropolis, India using remote sensing. Habitat International, 51, 11-22. doi:https://doi.org/10.1016/j.habitatint.2015.10.007
7. Peverga, D., Terseer, W., Kwanga, G. M., & Terngu, P. (2021). Spatio-Temporal Analysis of Urban Expansion and Land Use, Land Cover Change in Katsina-Ala Town, Benue State-Nigeria. International Journal of Arts Humanities and Social Sciences Studies, 6(7), 93-102.
8. Saleem, A., & Mahmood, S. (2023). Spatio-temporal assessment of urban growth using multi-stage satellite imageries in Faisalabad,Pakistan. Advanced Remote Sensing, 3(1), 10-18.
9. Sun, W., Shan, J., Wang, Z., Wang, L., Lu, D., Jin, Z., & Yu, K. (2020). Geospatial Analysis of Urban Expansion Using Remote Sensing Methods and Data: A Case Study of Yangtze River Delta, China. Hindawi Complexity, 1-12. doi:https://doi.org/10.1155/2020/3239471
10. UN-Habitat. (2022). World Cities Report 2022. Envisaging the Future of Cities. Nairobi, Kenya: United Nations Human Settlements Programme (UN-Habitat).
11. Viana, C. M., Oliveira, S., Oliveira, S. C., & Rocha, J. (2019). 29 - Land Use/Land Cover Change Detection and Urban Sprawl Analysis. Spatial Modeling in GIS and R for Earth and Environmental Sciences, 621-651. doi:https://doi.org/10.1016/B978-0-12-815226-3.00029-6
12. Zheng, Y., He, Y., Zhou, Q., & Wang, H. (2022). Quantitative Evaluation of Urban Expansion using NPP-VIIRS Nighttime Light and Landsat Spectral Data. Sustainable Cities and Society, 76. doi:https://doi.org/10.1016/j.scs.2021.103338
2024 por los autores. Este artculo es de acceso abierto y distribuido segn los trminos y condiciones de la licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/
