Lineamientos metodológicos para la detección, análisis y proyección de
las coberturas vegetales mediante el uso de sensores remotos y sistemas
de información geográfica.
Jerson Andrés Achicanoy Chicaiza
Universidad Nacional de Colombia
Facultad de Ingeniería, Departamento de Ingeniería Química y Ambiental
Bogotá, Colombia
2017
Lineamientos metodológicos para la detección, análisis y proyección de
las coberturas vegetales mediante el uso de sensores remotos y sistemas
de información geográfica.
Jerson Andrés Achicanoy Chicaiza
Trabajo final presentado como requisito parcial para optar al título de:
Magíster en Ingeniería - Ingeniería Ambiental
Director:
M.Sc., Jorge Enrique Sánchez Segura
Codirector:
Dra., María del Rosario Rojas Robles
Universidad Nacional de Colombia
Facultad de Ingeniería, Departamento de Ingeniería Química y Ambiental
Bogotá, Colombia
2017
A Dios por permitir que las metas que me he
propuesto se conviertan en éxitos, a mis
padres por el apoyo incondicional y a la
Universidad Nacional por convertirse en mi
pilar de educación y formación.
"Salvaguardar el medio ambiente... Es un
principio rector de todo nuestro trabajo en el
apoyo del desarrollo sostenible; es un
componente esencial en la erradicación de la
pobreza y uno de los cimientos de la paz".
Kofi Annan.
Agradecimientos
A aquellas personas e instituciones que han contribuido con la meta de mi maestría, el
profesor Jorge Enrique Sánchez y la profesora María del Rosario Rojas Robles del
Instituto de Estudios Ambientales que quienes a lo largo de este trabajo se convirtieron
en los aliados que toda persona desea, atentos y justos en este camino, al Jardín
Botánico de Bogotá y a su programa de estímulos a la investigación “Thomas Van Der
Hammen” por brindarme la oportunidad de iniciar mi investigación, a la “Oficina de las
Naciones Unidas contra la Droga y el Delito” UNODC por apoyarme con el préstamo de
sus instalaciones y el tiempo necesario para el desarrollo y culminación de este trabajo.
Resumen y Abstract IX
Resumen
La expansión urbana genera impactos ambientales que degradan los ecosistemas
naturales, cambiando su estructura y función. Se desarrollaron lineamientos
metodológicos mediante el uso de herramientas geográficas y teledetección, para la
detección de cambios, el modelamiento y proyección de la expansión urbana y el cambio
de cubiertas vegetales. Haciendo uso de imágenes satelitales y fotografías aéreas se
realizó una clasificación orientada a objetos de coberturas en cuatro períodos de tiempo
1985, 1995, 2005, 2015 en la localidad de Suba, Bogotá, Colombia. Se analizó la
dinámica urbana utilizando métricas de paisaje y el índice de entropía de Shannon. Los
resultados muestran que las áreas urbanas aumentaron en un 432% y la cobertura de
árboles y arbustos disminuyó en un 56% entre 1985 y 2015, el valor de entropía
resultante fue de 0.92 para 2015 lo que demuestra una tendencia a la expansión urbana
intensiva. El modelo de cambio de cobertura de la tierra usando las cadenas de Markov
se utilizó para realizar proyecciones del cambio de cobertura a 2020, el modelo fue
validado con éxito usando las variaciones de Kappa, los cambios proyectados evidencian
una clara tendencia de disminución constante de coberturas vegetales, el incremento y
densificación de las áreas urbanas.
Palabras clave: Expansión urbana; CA-Markov; clasificación de imágenes orientada a
objetos; modelo de cambio de coberturas, métricas de paisaje.
X Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Abstract
Urban sprawl generates environmental impacts that degrade natural ecosystems,
changing their structure and function. Methodological guidelines were developed using
geographic tools and remote sensing, for the detection of changes, modeling and
projection of urban expansion and the change of vegetation cover. Using satellite images
and aerial photographs, an object-oriented classification of coverages was performed in
four periods 1985, 1995, 2005, 2015 in Suba, Bogotá, Colombia. Urban dynamics were
analyzed using landscape metrics and the Shannon entropy index. The results show that
urban areas increased by 432% and tree and shrub cover decreased by 56% between
1985 and 2015, the resulting entropy value was 0.92 by 2015 demonstrating a trend
towards intensive urban expansion. The land cover change model using Markov chains
was used to make projections of the land cover change to 2020, the model was
successfully validated using Kappa variations, projected changes evidence a trend
towards urban sprawl, threatening areas of forest cover, shrubs and pasture areas used
for agriculture.
Keywords: Urban sprawl; CA-Markov; object-oriented image classification; land cover
change modeling, landscape metrics.
Contenido XI
Contenido
Pág.
Resumen ......................................................................................................................... IX
Lista de figuras ............................................................................................................. XIII
Lista de tablas ............................................................................................................. XIV
Lista de abreviaturas .................................................................................................... XV
Introducción .................................................................................................................... 1
1. Preliminares .............................................................................................................. 4 1.1 Problemática identificada ................................................................................. 4 1.2 Lugar seleccionado para el desarrollo del proyecto (descripción general) ....... 4 1.3 Justificación ..................................................................................................... 5 1.4 Objetivos.......................................................................................................... 6
1.4.1 Objetivo general .................................................................................... 6 1.4.2 Objetivos específicos ............................................................................ 6
2. Marco referencial ...................................................................................................... 7 2.1 Expansión urbana ............................................................................................ 7 2.2 El manejo del territorito urbano. ....................................................................... 8 2.3 Cobertura de la tierra. ...................................................................................... 9 2.4 La identificación de la cobertura de la tierra como base para la construcción de los lineamientos metodológicos. .......................................................................... 10 2.5 Herramientas para la identificación y el análisis de la cobertura de la tierra ... 11
2.5.1 Teledetección y sensores remotos ...................................................... 11 Sensores remotos activos y pasivos ................................................... 11 2.5.2 Pre-procesamiento de imágenes de satélite o fotografías aéreas. ...... 12 Corrección geométrica ........................................................................ 12 Realce o mejora de imágenes: ............................................................ 12 2.5.3 Sistemas de información geográfica .................................................... 14
2.6 Clasificación de la cobertura de la tierra y evaluación de correspondencia. ... 15 2.6.1 Interpretación visual de imágenes ....................................................... 15 2.6.2 Clasificación digital de imágenes ........................................................ 15 Clasificación basada en objetos .......................................................... 16 2.6.3 Evaluación de correspondencia de la clasificación .............................. 17
2.7 Modelación y proyección de escenarios ........................................................ 17 Cadenas de Markov ............................................................................ 18 Autómatas celulares ............................................................................ 18
XII Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica
3. Metodología .............................................................................................................21
3.1 Zona de estudio ..............................................................................................21 3.2 Materiales .......................................................................................................23 3.3 Manejo y preparación de la información proveniente de SR ...........................25
3.3.1 Pre-procesamiento de imágenes .........................................................25 Corrección geométrica .........................................................................25 Realce o mejora de imágenes: ............................................................26
3.4 Clases de coberturas......................................................................................27 3.5 Clasificación de coberturas y evaluación de la exactitud ................................28
3.5.1 Clasificación orientada a objetos de imagen ........................................28 3.5.2 Evaluación de correspondencia ...........................................................30
3.6 Análisis del cambio de cobertura de la LSB. ...................................................31 3.6.1 Medición de las coberturas de la tierra ................................................31 3.6.2 Medición de la expansión urbana usando el índice de entropía de Shannon32
3.7 Proyección de la cobertura de la tierra usando CA-Markov ............................32 3.7.1 Validación del modelo de proyección ...................................................34
3.8 Creación de base de datos .............................................................................34
4. Resultados y discusión ..........................................................................................36 4.1 Clasificación de la cubierta terrestre y evaluación de la exactitud ..................36 4.2 Medición de la cobertura de la tierra y aplicación de la entropía de Shannon .41
4.2.1 Análisis de las métricas de cobertura de la tierra .................................41 4.2.2 Medición de la dispersión urbana.........................................................43
4.3 Validación del modelo para la proyección de las coberturas de la tierra. ........44 4.4 Proyección de las coberturas de la tierra a 2020 ............................................46 4.5 Lineamientos metodológicos para la detección, análisis y proyección de las coberturas vegetales mediante el uso de sensores remotos y sistemas de información geográfica. .............................................................................................48
5. Conclusiones y recomendaciones ........................................................................52 5.1 Conclusiones ..................................................................................................52 5.2 Recomendaciones ..........................................................................................53
A. Anexo: Mapa clasificación de coberturas 1985 ....................................................56
B. Anexo: Mapa clasificación de coberturas 1995 ....................................................57
C. Anexo: Mapa clasificación de coberturas 2005 ....................................................58
D. Anexo: Mapa clasificación de coberturas 2015 ....................................................59
E. Anexo: Mapa de tendencia de expansión urbana .................................................60
F. Anexo: Mapa de cambios de coberturas entre los periodos 1985 a 2015 ...........61
G. Anexo: Mapa de proyección de coberturas 2020 .................................................62
Bibliografía .....................................................................................................................64
Contenido XIII
Lista de figuras
Pág. Figura 2-1: Histograma y valores digitales ..................................................................... 13
Figura 2-2: Filtros de paso bajo: a) Media, b) Mediana, c) Moda, d) Gamma ................ 14
Figura 2-3: Filtros de paso alto: a) Edge sharpening, b) Sobel, c) Gausiano, d)
Laplaciano ...................................................................................................................... 14
Figura 3-1: Localización de la LSB ................................................................................ 22
Figura 3-2: Georreferenciación ...................................................................................... 26
Figura 3-3: Filtro de media: a)1985, b)1995, c) 2005, d) 2015 ....................................... 27
Figura 3-4: Segmentación de sección de fotografía aérea de la LSB.2015 .................... 29
Figura 3-5: Funciones de análisis de los objetos para la clasificación de las coberturas.30
Figura 4-1: Cambios en la cobertura de la tierra en 1985,1995, 2005 y 2015 en la LSB. 37
Figura 4-2: Dinámica de cambio de coberturas de la tierra en la LSB ........................... 42
Figura 4-3: Medición de la expansión urbana de la localidad de Suba en Bogotá. ........ 43
Figura 4-4: Clasificación y simulación de coberturas para el año 2015 ......................... 45
Figura 4-5: Proyección de coberturas para 2020 en la LSB. .......................................... 46
Figura 4-6: Cambios entre las coberturas 2015 al modelo proyectado a 2020 en la LSB.
....................................................................................................................................... 47
Figura 4-7: Diagrama de flujo de la metodología generada. .......................................... 48
XIV Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica
Lista de tablas
Pág.
Tabla 3-1: Material de oficina ......................................................................................... 23
Tabla 3-2: Material cartográfico ...................................................................................... 24
Tabla 3-3: Características de las imágenes utilizadas .................................................... 24
Tabla 3-4: Clases de coberturas de la tierra usadas en el estudio .................................. 27
Tabla 3-5: Desarrollo de criterios de enfoque booleano. ................................................. 33
Tabla 4-1: Matriz de error (%): clasificación de imagen de 1985. .................................... 38
Tabla 4-2: Matriz de error (%): clasificación de imagen de 1995. .................................... 38
Tabla 4-3: Matriz de error (%): clasificación de imagen de 2005. .................................... 39
Tabla 4-4: Matriz de error (%): clasificación de imagen de 2015. .................................... 40
Contenido XV
Lista de abreviaturas
Abreviaturas Abreviatura Término
habs Habitantes has Hectáreas km Kilómetros AC Autómatas celulares SIG Sistemas de información geográfica SR Sensores remotos OBCD Object-Based Change Detection
DANE Departamento Administrativo Nacional de Estadística
IGAC Instituto Geográfico Agustín Codazzi
IDECA Infraestructura de datos espaciales para el distrito capital
IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales
UNODC Oficina de las Naciones Unidas contra la Droga y el Delito
Introducción
Debido al crecimiento poblacional, el fenómeno de expansión urbanística se ha
incrementado en una relación directamente proporcional, caracterizado por tener un
impacto ambiental considerable sobre los ecosistemas que rodean los asentamientos,
más aún, cuando la tendencia a la expansión es hacia lo rural o la periferia urbana.
La conversión de extensiones que previamente eran bosques, sabanas, suelos de uso
rural o agrícola hacia las urbes, dejan en evidencia el gran cambio de las coberturas y los
numerosos efectos sobre los sistemas ecológicos naturales y su estructura.
En los últimos años diferentes ciudades alrededor del mundo han desarrollado
estrategias para la gestión de coberturas vegetales; casos como Seattle en el estado de
Washington (Kazmierczak & Carter, 2010) y Baltimore del estado de Maryland en
Estados Unidos (Irani & Galvin, 2003), Barcelona en España (Chaparro & Terradas,
2009) y Berlín en Alemania (Okujeni, 2014) son solo algunos de muchos casos en los
que sus administraciones y planes de desarrollo destacan la importancia de las
coberturas vegetales urbanas como aquellas que desempeñan un papel importante tanto
en la salud, en el marco social y la sostenibilidad económica de una ciudad, para lo cual
han implementado el monitoreo y la gestión de las mismas haciendo uso de tecnologías
que incluyen los sensores remotos “SR” (imágenes de satélites y fotografías aéreas) y
sistemas de información geográfica “SIG” para su desarrollo, trabajo centralizado en la
medición de los cambios como base fundamental para la gestión de las mismas.
La administración de la ciudad de Bogotá en su camino a fortalecer los programas de
arborización, el reverdecimiento de la ciudad, mediante la ampliación de la cobertura
vegetal urbana, con el propósito de mejorar la calidad de vida de los habitantes, ha
establecido el plan de ordenamiento territorial mediante la entrada en vigencia del
decreto 364 de 26 de agosto de 2013 que incluye la gestión del riesgo y cambio
climático, el plan regional integral de cambio climático y el plan de gestión ambiental del
2 Introducción
distrito capital (Alcaldía mayor de Bogotá, 2013), documentos que contemplan la
necesidad de aumentar las coberturas vegetales de la zona urbana de Bogotá para
mitigar y prevenir posibles riesgos tanto en infraestructura como en salud humana.
Las estrategias de ordenamiento actualmente no contemplan en su metodología,
lineamientos que permitan analizar e integrar cambios estructurales de las ciudades, su
expansión y los cambios en las coberturas vegetales a través del tiempo mediante el uso
de modelos espaciales y de proyección de coberturas de acuerdo a las necesidades de
adaptación que presente la ciudad, esto se evidencia en que las decisiones de
ordenamiento y planeación se ajustan al gobierno de turno.
Para el desarrollo de estrategias que aporten al seguimiento del estado de cambio de las
coberturas vegetales en Bogotá y del territorio, es necesario construir los lineamientos
base que relacione los cambios, las necesidades de manejo, su actual y posible
distribución en zonas urbanas, mediante el uso de SR, SIG y modelos de proyección que
incluyan en su desarrollo, la información generada por las diferentes instituciones y entes
de control, que en conjunto se convierta en una herramienta que ofrezca la posibilidad de
generar información robusta, precisa, que sea reproducible, evaluada y que fortalezca el
modelamiento y la gestión de las coberturas vegetales de la ciudad.
Para llevar a cabo este trabajo se seleccionó la localidad de Suba de la ciudad de Bogotá
como unidad representativa y de ejecución de los lineamientos metodológicos, debido a
que, como el resto de localidades, ha estado enmarcada por cambios estructurales y
poblacionales. Se evaluó la localidad en cuatro periodos de tiempo, en este proceso se
realizó interpretación de coberturas, se generaron mapas que representan los cambios
multitemporales mediante la interpretación de imágenes satelitales y fotografías aéreas,
las cuales proporcionan una fuente de información valiosa y de detalle en el tiempo del
área de estudio (Araya & Cabral, 2010), para conocer el estado anterior y actual de la
cobertura de la tierra.
Para la clasificación de las coberturas se realizaron correcciones geográficas a las
imágenes de satélite y fotografías aéreas, lo cual involucra incluir parámetros a la
imagen, con el fin de que sean compatibles con la cartografía oficial de Colombia y
comparables en el tiempo; se definieron siete grupos de coberturas (clases) de manera
Introducción 3
general basadas en la metodología CORINE Land Cover adaptada para Colombia
(IDEAM, 2010).
La clasificación de las coberturas de la localidad de suba se realizó mediante
clasificación orientada a objetos de las imágenes provenientes de SR, procedimiento que
agrupa las características de la imagen en polígonos que recogen características
similares de los valores digitales de las imágenes, de esta manera se asigna a un grupo
de objetos, una de las siete categorías que describen la cubierta del territorio de estudio.
Se realizó la identificación y medición de los cambios de la cobertura de la localidad de
Suba mediante la construcción de mapas, análisis espaciales mediante el uso de
software especializado en SIG, análisis estadístico basado en los cambios detectados;
además se llevó a cabo el modelamiento y proyección de escenarios para la gestión de
coberturas vegetales mediante análisis multicriterio (autómatas celulares “AC”), que
incluye la información generada y algoritmos que permiten desarrollar aproximaciones
geográficas de las coberturas de la tierra.
La capacidad de los AC para representar sistemas complejos con comportamiento
espacio-temporal, a partir de un conjunto de reglas, lo hace adecuado para modelar
ambientes urbanos; por lo tanto, las actividades de planificación también pueden
beneficiarse del uso de AC, porque permite comprender el fenómeno de pérdida de
cobertura vegetal y explorar escenarios utilizando proyecciones. (Alkheder, S & Shan,
2005)
Con la realización de este trabajo se pretende generar lineamientos metodológicos de
análisis espacial, a manera de guía, aplicable al planeamiento territorial y al diseño de
estrategias para la gestión urbana, que van desde la selección de imágenes,
interpretación, generación de mapas, análisis de datos y modelos de proyección, lo que
permite examinar el cambio que ha tenido cierto territorio a través del tiempo y proyectar
espacios para el crecimiento urbano y la implementación de coberturas vegetales, en
equilibrio con las necesidades de la sociedad.
1. Preliminares
1.1 Problemática identificada
La problemática principal que da origen a este proyecto, surge de las preguntas ¿cómo
se está realizando la planificación territorial de las ciudades?, ¿se está haciendo uso de
herramientas tecnológicas actuales?, ¿qué lineamientos o qué variables se contemplan
para su planteamiento y desarrollo? Una de esas variables a tener en cuenta son las
coberturas vegetales; coberturas que si bien se incluyen en diagnósticos e inventarios no
se toman actualmente como base para un análisis espacial que se incluya en la gestión
ambiental de coberturas vegetales en Bogotá.
Si bien existen los planes de gestión ambiental local y del distrito, estos varían de
acuerdo a las políticas de turno en el territorio, estos se trabajan como diagnósticos que
carecen de lineamientos que evalúen las coberturas vegetales y su dinámica a través del
tiempo, los cambios debidos a la ampliación urbanística de la ciudad, que han presionado
la ocupación de nuevos terrenos, convirtiéndose directa e indirectamente en una
amenaza para la degradación de los sistemas ecológicos originales; además, estos
evidencian su debilidad en la aplicación de tecnologías geográficas y de percepción
remota. Por este motivo es necesario establecer una estrategia que vaya más allá de
esta pauta, lo cual se pretende hacer con la construcción de lineamientos metodológicos
a manera de guía, que sean aplicables y reproducibles, haciendo uso de una unidad
representativa como la localidad de Suba.
1.2 Lugar seleccionado para el desarrollo del proyecto (descripción general)
Se seleccionó de manera general la ciudad de Bogotá, al ser una ciudad que se
caracteriza por el rápido crecimiento poblacional y de expansión urbana, en la cual, se
Capítulo 1 5
evidencian cambios considerables en la estructura urbanística y paisajística en cortos y
medianos periodos de tiempo, que permiten la construcción de los lineamientos
deseados para la detección, análisis y proyección de coberturas vegetales. De manera
puntual se seleccionó la localidad de Suba “LSB” como zona experimental, porque reúne
características generales para el estudio, como: la extensión (es la cuarta más grande de
Bogotá) y cambios marcados por el crecimiento urbanístico. Lo anterior permite en
medida que la LSB pueda ser representativa para el desarrollo del trabajo1.
1.3 Justificación
Los planes de ordenamiento territorial existentes y los planes de gestión ambiental
exponen debilidades funcionales en el momento del análisis y gestión de coberturas
vegetales. Es evidente que en la ciudad de Bogotá y en sus localidades, la distribución
de edificaciones está determinada por núcleos de población y desarrollo, en cambio las
coberturas vegetales se distribuyen solo en algunos lugares, aislando a otros y
negándoles su beneficio.
En este contexto y considerando que cada ciudad y localidad exponen transformaciones
particulares asociadas al crecimiento urbano, es importante recalcar la importancia de la
planificación y manejo de las coberturas vegetales, las cuales deben considerarse
importantes dentro de los gobiernos locales y sus planes de ordenamiento.
Para ello y en medida se debe aprovechar el desarrollo tecnológico para la construcción
de instrumentos para la gestión del territorio de manera integral, otorgando información
confiable que facilite la planificación territorial. Por lo anterior, nace la necesidad de la
construcción de lineamientos metodológicos para la detección, análisis y la proyección de
las coberturas vegetales mediante el uso de sensores remotos y sistemas de información
geográfica, que bien puede configurar, en un valioso instrumento para el desarrollo
económico, social y ambiental del territorio urbano.
1 La LSB se describe de manera más detallada en la metodología.
6 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
1.4 Objetivos
1.4.1 Objetivo general
Construir lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de información
geográfica en la localidad de Suba, Bogotá.
1.4.2 Objetivos específicos
Establecer mediante un diagrama de flujo una estructura jerárquica y lógica para los
lineamientos metodológicos para la detección, análisis y proyección de las coberturas
vegetales a manera de guía.
Determinar la evolución de las coberturas vegetales en cuatro periodos de tiempo
1985, 1995, 2005 y 2015, mediante el uso de tecnologías y de herramientas
geográficas disponibles (SR y SIG) y análisis de cambios en la LSB.
Construir un escenario de proyección para la distribución de coberturas a 2020.
2. Marco referencial
La construcción de lineamientos metodológicos para la detección, el análisis y la
proyección de la evolución de las coberturas vegetales mediante el uso de sensores
remotos y sistemas de información geográfica, se basa principalmente, en la
interpretación y detección de cambios en la cobertura de la tierra, haciendo uso de
tecnologías de SR, SIG, en su análisis y en la elaboración de modelos de proyección que
se fundamentan en probabilidades de cambio; sin dejar de lado, la información referente
al crecimiento poblacional urbano que se ha presentado en el territorio, aun así, estos no
deben ser ajenos al marco legal y de gobierno que rigen en determinado territorio, a los
planes de ordenamiento y gestión ambiental. En el ejercicio de la construcción de los
lineamientos metodológicos es necesario hacer algunas precisiones de referencia en
temas relacionados con el desarrollo y el alcance de los objetivos de este trabajo; a
continuación, algunos aspectos identificados como estratégicos.
2.1 Expansión urbana
La expansión urbana es un fenómeno relacionado directamente con el crecimiento
poblacional y la migración de población, de las zonas rurales hacia las ciudades, según
las Naciones Unidas se estima que para el 2030, casi 60% de la población mundial
vivirán en zonas urbanas y que un 95% de la expansión urbana se producirá en los
países en vía de desarrollo como Colombia. (Naciones Unidas, 2017).
Ahora bien, la rápida urbanización en un territorio puede ejercer presión sobre los
recursos naturales disponibles como el abastecimiento de agua dulce, la deforestación, el
manejo de las aguas residuales, los medios de vida y la salud pública.
8 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Desde la década de 1950 la ciudad de Bogotá, ha experimentado un crecimiento
marcado por la aparición de fenómenos sociales y hechos ambientales sumamente
complejos. La conformación de Bogotá como una ciudad importante en el contexto
nacional desde mediados del siglo pasado, se traduce en una mayor demanda de
vivienda, servicios públicos, infraestructura vial, servicios comunitarios, empleo y
asistencia social entre otros.
Según mencionan (Preciado Beltrán , 2009) y (Pérez Preciado, 2003), la expansión
urbana de Bogotá se ha llevado a cabo sin ningún tipo de organización y patrón
planificado, encadenando la ocupación de zonas de alto valor ecológico, desorden
estructural y el aislamiento de algunos sectores poblacionales.
La LSB no ha sido ajena a los cambios generales de la ciudad, su crecimiento
poblacional hace eco de los cambios que le han surgido con el tiempo, mencionando que
para 1973, esta localidad tenia aproximadamente 97.459 habs. y pasó a tener alrededor
de 1.282.978 habs. (DANE, 2017), un crecimiento de alrededor del 1.300% en tan solo
44 años.
Ahora bien, ligado de la expansión urbana, está el cambio del uso del suelo, los recursos
naturales disponibles en determinado tiempo, que, aunque pueden ser renovables, su
tasa de degradación excede su tasa de regeneración, esto significa en pocas palabras
que las coberturas que cambian debido al crecimiento urbano, no se recuperan en el
corto ni mediano plazo afectando a las siguientes generaciones que tendrán que afrontar
su propia realidad (FAO/UNEP, 2000).
2.2 El manejo del territorito urbano.
El manejo territorial urbano en Colombia, está determinado por los planes de
ordenamiento territorial municipal y distrital que se definen como un instrumento para la
administración del desarrollo y la ocupación del espacio físico urbano y de expansión
urbana que deben incluir: las políticas de uso y ocupación, localización de
Capítulo 2 9
infraestructuras, delimitación de suelo urbano y de expansión, estrategias de crecimiento
y reordenamiento de la ciudad (El Congreso de Colombia, 1997).
Estos manejos también contemplan los planes de gestión ambiental territorial y local que
están encaminados a articularse y enlazarse a los planes de ordenamiento, buscando
que los territorios sean sostenibles “…se entenderá como aquellos que integran la
dimensión ambiental, combina el desarrollo económico, la elevación de la calidad de vida
y el desarrollo social de su población, sin agotar la base de los recursos naturales
renovables en que se sostiene, ni deteriorar el medio ambiente o el derecho de las
generaciones futuras a utilizarlo para la satisfacción de sus propias necesidades…”
(Ministerio de ambiente, vivienda y desarrollo territorial, 2008).
2.3 Cobertura de la tierra.
La cobertura de la tierra es la cobertura biofísica que se observa sobre la superficie de la
tierra, incluyendo la descripción de la vegetación y elementos antrópicos, sin embargo,
en la práctica, la comunidad científica incluye los afloramientos rocosos, suelos desnudos
y los cuerpos de agua bajo este concepto (Di Gregorio & FAO, 2016).
En términos puntuales para la delimitación de las coberturas de la Tierra, el IDEAM
describe la cobertura como la unidad delimitable que surge a partir de un análisis de
respuestas espectrales determinadas por sus características fisionómicas y ambientales,
diferenciables con respecto a la unidad próxima (IDEAM, 2010).
Para la estandarización de la leyenda de coberturas de la tierra en Colombia se adoptó a
nivel nacional la metodología europea CORINE Land Cover desde el 2004; este proceso
surgió como respuesta a la necesidad que tenía el país de estandarizar las diferentes
metodologías y leyendas de cobertura terrestre, todo con el fin de establecer un sistema
de monitoreo que le permitiera generar información actualizada, confiable y trazable
(IDEAM, 2017).
10 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
2.4 La identificación de la cobertura de la tierra como base para la construcción de los lineamientos metodológicos.
La descripción biofísica de un territorio permite determinar el estado de todas las
coberturas que se encuentran sobre la corteza terrestre; identificarlas mediante el uso de
herramientas tecnológicas como los SR y los SIG permite representar un territorio de
manera muy aproximada a la realidad, este insumo resultante de la interpretación, puede,
resultar muy útil en diferentes ámbitos como la planeación, la investigación y el
monitoreo.
El interés principal por el estudio de las coberturas de la tierra, está dado principalmente
por lo que puede denominarse la expresión espacial de las actividades humanas sobre el
medio ambiente (Aldana Dezzeo & Bosque, 2008) y su causalidad en el deterioro y
perdida de funciones y servicios ambientales de un determinado territorio.
De ahí la importancia de este tipo de estudios, (Hepinstal, Coe, & Alberti, 2009)
(Henriquez, Azocar, & Aguayo, Cambio de uso del suelo y escorrentía superficial:
aplicación de un modelo de simulación espacial en Los Ángeles, VIII Región del Biobío,
Chile, 2006) (Aldana Dezzeo & Bosque, 2008) (Mas & Flamenco Sandoval, 2011) como
una fuente de información necesaria para la planificación de un territorio, debido a la
capacidad que generan de reflejar patrones espaciales y temporales como distribución,
estructura y dirección.
Los cambios cobertura de la tierra asociados a la expansión urbana, tienen diferentes
efectos sobre el medio ambiente de un territorio como: i) la reducción de espacios con
vegetación natural incluyendo terrenos de cultivo, áreas naturales y humedales, ii) la
pérdida de biodiversidad y reducción de hábitats, corredores y parches de vida silvestre,
iii) la transformación del paisaje provocando el aumento de la fragmentación y
disminuyendo la conectividad entre parches de vegetación, iv) cambios en el ciclo
Capítulo 2 11
hidrológico y v) cambios en el clima urbano generando la consolidación de islas de calor
al interior de las urbes (Gurrutxaga San Vicente, 2004).
2.5 Herramientas para la identificación y el análisis de la cobertura de la tierra
2.5.1 Teledetección y sensores remotos
Los sensores remotos consisten en una serie de instrumentos capaces de percibir
información proveniente de diferentes fuentes, para este caso, junto a la percepción de
energía electromagnética o teledetección sirven para la identificación y el análisis de
coberturas. Estas tecnologías, permiten estudiar el comportamiento del medio ambiente
que constantemente se encuentra expuesto a cambios de origen natural o antrópico,
(Chuvieco, 2010).
Se denominan sensores porque son capaces de obtener más información que
dispositivos con los que solo se captura lo que el ojo humano puede percibir, usando
radiaciones de otras partes del espectro electromagnético distintas a la luz visible.
Sensores remotos activos y pasivos: Las imágenes que se utilizan al
estudio de las coberturas de la tierra y el monitoreo del medio ambiente pueden provenir
de diferentes sensores clasificados en dos categorías: las imágenes provenientes de
sensores pasivos y las imágenes provenientes de sensores activos.
Los sistemas activos se caracterizan por emitir artificialmente la radiación y capturarla
para generar información, entre los sistemas más reconocidos se encuentran el radar y
el lidar.
Los sistemas pasivos registran de manera diferenciada la energía electromagnética en
diferentes longitudes de onda, como resultado de la interacción de la energía proveniente
del Sol con un elemento en la Tierra (Vargas Cuervo, 2016). Para la ejecución de este
trabajo se utilizaron imágenes de satélite y fotografías aéreas características de este tipo
de sensores.
12 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
2.5.2 Pre-procesamiento de imágenes de satélite o fotografías aéreas.
Se entiende por pre-procesamiento de imágenes de satélite o fotografías aéreas al
procedimiento mediante el cual se busca reproducir una imagen con las características
para el análisis de determinado fenómeno; consiste en el procesamiento inicial de los
datos crudos para corregir las deformaciones radiométricas o geométricas de la imagen y
eliminar distorsiones.
En este pre-procesamiento se incluye la corrección geométrica y la mejora o realce de
las imágenes a trabajar.
Corrección geométrica: La corrección geométrica de la imagen es
imprescindible para realizar estudios multitemporales, un adecuado procedimiento
permite controlar las distorsiones en la imagen de satélite o fotografías aéreas para
garantizar una correcta posición geográfica, medición de áreas y comparabilidad con
otras capas de información.
Para que el ajuste entre imagen y mapa sea correcto, se tendrán en cuenta tres aspectos
en la selección de los puntos de control: i) número, ii) rigor en su localización y iii)
distribución; además, la evaluación de la precisión de la corrección, se realizó mediante
el indicador “error medio cuadrático” (RMS por sus siglas en ingles) que representa el
grado de correspondencia de la transformación entre los puntos de control utilizados.
Realce o mejora de imágenes: Los realces o mejoras de la imagen se
hacen con el fin de mejorar o resaltar cierta información, eliminando ruido o resaltar
geometrías.
Capítulo 2 13
Figura 2-1: Histograma y valores digitales
Fuente: Esta investigación.
Es importante anotar que la forma más elemental de conocer una imagen digital es a
través de su histograma de frecuencias, donde se observa tanto el rango máximo y
mínimo del valor digital para cada pixel y el porcentaje de distribución o cantidad de
pixeles, Figura 2-1; estos conceptos permitirán diseñar un tipo específico de realces.
Existen diferentes tipos de realces o mejoramientos como los realces radiométricos y los
realces geométricos.
Los realces radiométricos se destacan por transformar el histograma para lo cual un
valor de pixel de entrada corresponderá uno de salida, por lo general este tipo de realces
se utiliza para visualización, y pueden ser de modificación lineal, de raíz, adaptativo,
ecualizado o de frecuencia inversa (infrecuencia) (Pérez Gutiérrezz & Muñoz Nieto,
2006).
Los realces geométricos empleados generalmente para suavizar o eliminar ruidos en la
imagen y para detección de bordes, también denominados filtros se caracterizan por
14 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
modificar los valores digitales y realizar cálculos para su desarrollo. Existen diferentes
tipos de filtros los cuales se agrupan en: i) filtros de paso bajo y ii) filtros de paso alto.
Los filtros de paso bajo se caracterizan porque se emplean para la eliminación del ruido y
suavizado de imagen, en esta categoría se encuentran los filtros de media, mediana,
moda y gamma, Figura 2-2. Los filtros de paso alto se emplean en la detección de
bordes; son filtros direccionales, Figura 2-3.
Figura 2-2: Filtros de paso bajo: a) Media, b) Mediana, c) Moda, d) Gamma
Fuente: Esta investigación.
Figura 2-3: Filtros de paso alto: a) Edge sharpening, b) Sobel, c) Gausiano, d) Laplaciano
Fuente: Esta investigación.
2.5.3 Sistemas de información geográfica
Los sistemas de información geográfica o SIG son una herramienta que permite
almacenar, analizar, presentar e interpretar diferentes hechos relativos a la superficie
a b c d
a b c d
Capítulo 2 15
terrestre geográficamente referenciada como información ambiental y socioeconómica de
un territorio en específico; este conjunto de información en conjunto con software y
hardware permiten a los usuarios de esta herramienta, tomar decisiones como por
ejemplo responder preguntas de tipo ¿Cuál es el mejor sitio para la implementación de
coberturas vegetales?, ¿Cuál es la ubicación óptima para la expansión urbana? Entre
muchas otras.
La utilización de SR en el área ambiental se ha utilizado para generación de mapas
temáticos provenientes de la interpretación de las imágenes o fotografías aéreas, la
cartografía obtenida a partir de SR representa variables que se pueden incorporar a un
SIG.
Además, los SIG, permiten almacenar esa información espacial de forma eficiente,
simplificando su actualización y acceso directo al usuario.
2.6 Clasificación de la cobertura de la tierra y evaluación de correspondencia.
Este aparte hace referencia al uso de las anteriores herramientas para describir los
elementos sobre los cuales se desea analizar, mediante la elaboración de mapas
temáticos y cartografía digital; de acuerdo a una determinada escala, tipo de cobertura y
alcances del proyecto geográfico.
2.6.1 Interpretación visual de imágenes
Esta técnica se basa en la habilidad humana de relacionar colores, tonos, patrones y
textura con lo que observa en la imagen para describir un fenómeno puntual como las
coberturas de la tierra.
Para llevar a cabo la interpretación de las imágenes se puede hacer mediante la
digitalización sobre las mismas de la geometría observada.
2.6.2 Clasificación digital de imágenes
El proceso de clasificación digital de imágenes consiste en categorizar una imagen donde
se hace uso de los valores digitales de la imagen, ya sea por unidad, en pixeles, o en
16 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
grupo, por objetos, de manera que el intérprete instruye a una computadora para que el
software especializado como eCognition, PCI Geomatica, TerrSet o ArcGIS realice una
categorización de los mismos en categorías definidas previamente.
La clasificación puede ser supervisada o no supervisada, la diferencia entre estos dos
tipos radica en que mientras la no supervisada se basa en el uso de clústeres de pixeles
y de algoritmos usados por la computadora, la supervisada es realizada por el operador o
intérprete quien define las características espectrales de las clases mediante la
identificación de áreas de muestreo o entrenamiento (Chuvieco, 2010).
Para este trabajo se optó por hacer uso del enfoque de clasificación basado en objetos
que hace parte de la clasificación supervisada ya que el software permite determinar
reglas para su clasificación. Este enfoque de clasificación se caracteriza por el cambio de
paradigma referente a la utilización de unidad básica de clasificación, basada en pixel de
la imagen; en este nuevo enfoque la unidad de análisis es el objeto. A diferencia del
pixel, el objeto permite representar la realidad geográfica de una manera más estructural
y coherente en función de los patrones y formas que definen las coberturas de la tierra.
Clasificación basada en objetos: Tradicionalmente, las técnicas de
detección de cambios han utilizado los píxeles individuales como sus unidades básicas
de análisis para la clasificación de coberturas. Con la inclusión y desarrollo de sistemas
informáticos de alto rendimiento y también de los algoritmos de software eficientes se ha
logrado a través de los años el mejoramiento de las técnicas de segmentación (Blaschke,
Object based image analysis for remote sensing, 2010). Estos desarrollos también han
permitido la implementación de un enfoque de detección de cambios, denominado
Detección de Cambios Basados en Objetos (OBCD) (Hall & Hay, 2003), (Blaschke,
2005), proceso que combina la segmentación, información espacial, espectral y
geográfica a la par de la experiencia del analista con el fin de reproducir objetos de la
imagen para modelar entidades geográficas (Chen G. , Hay, Carvalho, & Wulder, 2012).
Para la detección de cambios en un análisis multitemporal se debe tener en cuenta que
las imágenes adquiridas a partir de diferentes fechas o con diferentes sensores tienen
discrepancias en sus características, debido a muchos factores, incluyendo condiciones
Capítulo 2 17
de iluminación, ángulos de visión, condiciones meteorológicas y resolución espacial
(Wulder, Ortlepp, White, & Coops, 2008). Por lo tanto, la segmentación generada
imagen-objetos de diferentes fechas a menudo varían geométricamente, a pesar de que
representan el mismo elemento geográfico.
2.6.3 Evaluación de correspondencia de la clasificación
La evaluación de correspondencia o evaluación de precisión se realiza mediante la
denominada matriz de error, la cual permite al intérprete de las coberturas verificar que
tan acertado ha estado a la hora de realizar la clasificación. En un sentido estricto
ninguna clasificación puede considerarse completa hasta que su grado de exactitud sea
evaluado.
Esta es una matriz cuadrada de n * n, donde n es el número de clases. Dicha matriz
muestra la relación entre dos series de medidas correspondientes al área en estudio. La
primera serie corresponde a datos de referencia adquiridos de observaciones de campo,
fotos aéreas y otras fuentes similares. La segunda corresponde a la categorización de los
pixeles realizada por el clasificador para las clases de interés. En una matriz de error las
columnas corresponden a los datos de referencia, mientras que las filas corresponden a
las asignaciones del clasificador (Chuvieco, 2010).
2.7 Modelación y proyección de escenarios
Para algunos autores (Sandoval Verdugo, 2009), (Pontius & Malanson, 2005), (Aguilera,
Soria, & Valenzuela, 2006) y (Barredo, Kasanko, McCormick, & Lavalle, 2003), el uso de
la modelación y proyección de escenarios de cambio en las coberturas, se ha convertido
en una herramienta para el análisis espacial de patrones de cambio sobre el territorio; por
otra parte, (Henriquez & Azocar, 2007) afirmaron en su tiempo que las aplicaciones de
modelos predictivos en ciudades latinoamericanas son escasas, que la falta de aplicación
de estas herramientas representa un desafío para desarrollar futuras investigaciones,
algo que se plantea en este trabajo como parte de los lineamientos metodológicos para la
detección, el análisis y la proyección de coberturas que en cierta forma sirvan como
insumo para la solución de problemáticas ligadas con la gestión ambiental del territorio.
18 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Básicamente se pueden diferenciar dos tipos de modelos de simulación o proyección de
coberturas, los que están basados en modelos estadísticos de regresión y los modelos
basados en transiciones espaciales (Paegelow, Camacho Olmedo, & Menor Toribio,
2003), dentro de los cuales destaca la utilización de métodos estocásticos como
Cadenas de Markov y Autómatas Celulares (Araya & Cabral, 2010), (Pauleit, Ennos, &
Golding, 2005).
Cadenas de Markov: Una cadena de Markov es un proceso aleatorio con la
propiedad de que dado el valor actual del proceso Xt, los valores futuros Xs para s > t
son independientes de los valores pasados Xu para u < t. Es decir, que si tenemos la
información presente del proceso, saber cómo llegó al estado actual no afecta las
probabilidades de pasar a otro estado en el futuro (Gómez Delgado & Barredo Cano,
2006).
Autómatas celulares: Un autómata celular es un modelo matemático para
un sistema dinámico compuesto por un conjunto de celdas o células que adquieren
distintos estados o valores. Estos estados son alterados de un instante a otro en
unidades de tiempo discreto, es decir, que se puede cuantificar con valores enteros a
intervalos regulares. De esta manera estos conjuntos de células logran una evolución
según una determinada expresión matemática, que es sensible a los estados de las
células vecinas, y que se conoce como regla de transición local (Reyes Gómez, 2011).
Los AC se destacan por la capacidad de generar una serie de características que surgen
de una dinámica conocida a través del tiempo y no desde un inicio, solo por medio de las
proyecciones es que se puede visualizar y verificar los resultados de su aplicación.
Diversos autores que han realizado proyecciones basados en AC y cadenas de Markov,
señalan que éstos son capaces de modelar dinámicas espaciales, reproduciendo
patrones como los que se evidencian en las ciudades (Aguilera, Soria, & Valenzuela,
2006), (Alkheder, S & Shan, 2005), (Araya & Cabral, 2010), (Barredo, Kasanko,
McCormick, & Lavalle, 2003) y (González, y otros, 2011).
Capítulo 2 19
Entre el interés y el desarrollo de proyecciones para los cambios de coberturas de la
tierra se han construido diferentes modelos basados en AC entre los que se encuentran
el SLEUTH (Slope, Land cover, Exclusion, Urbanization, Transportation, and Hillshade)
un modelo de AC desarrollado por el USGS; el DUEM creado por la University College
London (UCL) Centre For Advanced Spatial Analysis de Gran Bretaña; DINAMICA EGO,
elaborado y desarrollado en Brasil por el Centro de Sensoriamento Remoto de la
Universidad de Federal de Minas Gerais y el CA_Markov (Celular Autómatas y Cadenas
de Markov) desarrollado en el Sowftare IDRISI de Clarck Labs (Henriquez & Azocar,
2007).
3. Metodología
3.1 Zona de estudio
Para la construcción de los lineamientos metodológicos para la detección, análisis y
proyección de las coberturas vegetales mediante el uso de sensores remotos y sistemas
de información geográfica se tomó como base geográfica la localidad de Suba, Bogotá,
Figura 3-1. La LSB se ubica en la zona noroccidental del Distrito Capital, limita al Norte
con el municipio de Chía; al Sur con la localidad de Engativá; al Oriente con la localidad
de Usaquén y al Occidente con el municipio de Cota., se encuentra ubicada al
noroccidente de la ciudad y es la cuarta localidad más extensa de la capital, con 10.043
hectáreas después de Sumapaz, Usme y Ciudad Bolívar, respectivamente y tiene
aproximadamente 1'200,000 (Alcaldía Mayor de Bogotá , 2017).
Se escogió esta localidad como zona experimental para el desarrollo de los lineamientos
metodológicos, ya que recoge en su dinámica, gran parte de los fenómenos que ocurren
en la ciudad como tal y puede ser representativa para que los mismos (lineamientos)
sean aplicables en otras localidades e incluso en otras ciudades.
Entre las dinámicas que se escogieron para la selección de la LSB están, el crecimiento
poblacional, la expansión urbana, inclusión de nuevas infraestructuras, el cambio de lo
rural a lo urbano, cambio en las coberturas vegetales, uso de las reservas forestales y de
parques que se han modificado a través del tiempo, estas características son en su
mayoría comunes para las demás localidades de Bogotá, permiten que esta sea una
excelente unidad experimental para el desarrollo de los lineamientos metodológicos para
la detección, análisis y proyección de coberturas vegetales.
22 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Figura 3-1: Localización de la LSB
Fuente: Elaboración esta investigación, capas proporcionadas por el IDECA y mapa base
de Esri.
Capítulo 3 23
3.2 Materiales
Para la ejecución de este trabajo se procesó y analizó información de la localidad de
Suba en cuatro períodos2 de tiempo que corresponden a: i) 1985, ii) 1995, iii) 2005 y iv)
2015, por lo cual fue necesaria la data proveniente de entidades relacionadas con el
espacio urbano, organizacional y gubernamental, (Tabla 3-1), (Tabla 3-2), (Tabla 3-3).
Fue necesario la obtención de fotografías aéreas e imágenes satelitales, información
proveniente de la Infraestructura de Datos Espaciales para el Distrito Capital (IDECA), la
Oficina de las Naciones Unidas contra la Droga y el Delito (UNODC) y el Instituto
Geográfico Agustín Codazzi (IGAC).
Para la segmentación y clasificación de coberturas de la tierra en los cuatro periodos de
tiempo se utilizó el programa eCognition, este ha sido utilizado en diferentes
investigaciones que contemplan el cambio de coberturas (Araya & Cabral, 2010), (Zhou,
Yu, & Qin, 2014), (Chen G. , Hay, Carvalho, & Wulder, 2012); para el desarrollo del pre-
procesamiento se hará uso del software PCI Geomatica 2016 aplicando el método de
corrección geométrica con modelo polinomial de primer orden, alcanzándose un error
cuadrático medio (RMS) no mayor a uno (Xiaoyan, Zhongyang, Liquan, & Jianping,
2010); para el análisis espacial se utilizó el programa ArcGis de Esri y para el
modelamiento y proyección de coberturas el programa TerrSet. A continuación, se listan
los materiales utilizados en este trabajo:
Tabla 3-1: Material de oficina
MATERIAL DESCRIPCIÓN
Material de oficina Material de escritorio:
Flash Drive 8GB
Hojas
Equipos de computación:
Monitor a color de alta resolución.
2 Se habla de periodos y no de años debido a que la información adquirida puede estar en el
intervalo de tiempo necesario para completar la información, para este trabajo fue de más o menos tres años para cada periodo señalado.
24 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
MATERIAL DESCRIPCIÓN
Workstation
Impresora
Software: eCognition 9.0 PCI Geomatica 2016 TerrSet 18.21 ArcGIS 10.4.1 Software de ofimática
Tabla 3-2: Material cartográfico
MATERIAL DESCRIPCIÓN FUENTE
Material cartográfico Fotografías aéreas
1998
2004
2015
DTM
Cartografía digital
Escala 1:1000
Infraestructura de datos
espaciales para el distrito
capital - IDECA
Imagen Landsat
1985
U.S. Geological Survey -
USGS
Tabla 3-3: Características de las imágenes utilizadas
Periodo a
evaluar
Imagen Resolución
espacial
Resolución
radiométrica
Resolución
espectral
1985 Landsat 5 TM 30 m 8 bits 7 bandas
1995 Ortofoto 1998 1 m 8 bits 1 banda
2005 Ortofoto 2004 1 m 8 bits 3 bandas
2015 Ortofoto 2015 1 m 8 bits 3 bandas
DTM DTM 2014 5 m 32 bits 1 banda
Capítulo 3 25
3.3 Manejo y preparación de la información proveniente de SR
Fue necesario realizar un pre-procesamiento de las imágenes, que incluye corrección
geométrica o georreferenciación; previo a la interpretación visual de las coberturas es
necesario realizar un realce de imágenes, cuyo objetivo es facilitar el análisis visual de la
imagen mediante el ajuste, la comprensión y la expansión del contraste y el uso de filtros
los cuales aíslan datos que no se desean visualizar o interpretar (Araya & Cabral, 2010).
Para el caso de la imagen para el año 1985 se tuvo un trato especial; para este periodo
por falta de información disponible se optó por una imagen satelital Landsat 5 TM, a la
cual se le realizaron cada uno de los procesos descritos a continuación, pero haciendo
una diferenciación en la clasificación de coberturas ya que por resolución espacial no se
trató de la misma forma que las imágenes de los otros periodos de tiempo, convirtiendo
este periodo en el tiempo cero de análisis pero de igual manera se tomaron las
estadísticas de la medición de las coberturas para comparar los cambios en el tiempo.
Además, mediante la creación y estructuración de una base de datos geográfica se
organizó tanto la información proveniente de SR como información secundaria y la
información generada durante cada proceso.
3.3.1 Pre-procesamiento de imágenes
El pre-procesamiento de imágenes agrupa una serie de técnicas orientadas a i) corregir o
remover efectos en la imagen por errores del sensor o por factores ambientales, ii)
realzar el contraste para facilitar la interpretación, iii) incrementar la resolución espacial
para mejorar la delimitación y detección de objetos. (UNODC, 2016).
Corrección geométrica: Se utilizó el sistema de coordenadas WGS84
UTM zona 18 N como datum de referencia para la corrección geométrica. Las imágenes
utilizadas para la interpretación de coberturas de la LSB se georreferenciaron a partir de
una serie de puntos de control (50) tomados de un ortofotomosaico de imágenes
ajustadas y empalmadas de buena calidad suministrado por el IDECA que corresponde
al periodo 2015, Figura 3-2.
26 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Figura 3-2: Georreferenciación
Fuente: Esta investigación. Software PCI Geomatica
Realce o mejora de imágenes: Después de analizar el histograma y
visualizar su comportamiento se realizó el filtro de paso bajo de media para el posterior
análisis ya que este filtro permitió reducir el ruido de la imagen y el relleno de pixeles con
valores nulos o inexistentes, el filtro se realizó con un tamaño de matriz 3 x 3 y se
guardaron los cambios para cada imagen utilizada como muestra los recortes en la
Figura 3-3.
Capítulo 3 27
Figura 3-3: Filtro de media: a)1985, b)1995, c) 2005, d) 2015
Fuente: Esta investigación. Software PCI Geomatica
3.4 Clases de coberturas
Se determinó que las coberturas a evaluar y analizar en los cuatro periodos de tiempo se
basen en algunas de las categorías generales de la metodología Corine Land Cover
adaptada para Colombia (IDEAM, 2010), (Tabla 3-4).esto debido a que el objetivo
principal de este trabajo es construir lineamientos metodológicos; para posteriores
investigaciones se pueden jerarquizar las clases de coberturas a manera de
discriminación de las mismas, para que aporten mayor información a un estudio
específico.
Tabla 3-4: Clases de coberturas de la tierra usadas en el estudio
Coberturas Descripción basada en la metodología CORINE Land Cover
Zonas urbanas Todas las formas de edificaciones.
Vías y sistemas de
transporte Rutas de acceso, caminos, aeropuertos.
Humedales
Zonas con superficies inundables de manera permanente o
intermitentemente.
Cubierta forestal y
arbustales
Árboles de hoja caduca, coníferas, bosque mixto, bosques de
transición, arbustos.
Mosaico de pastos y
cultivos
Cubierta de pastos predominantemente no bajo un sistema de
rotación.
Invernaderos Invernaderos.
a b c d
28 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Coberturas Descripción basada en la metodología CORINE Land Cover
Cuerpos de agua Cursos y cuerpos de agua.
3.5 Clasificación de coberturas y evaluación de la exactitud
Por medio del uso de software especializado, se realizó la interpretación de las imágenes
en los cuatro periodos de tiempo, para lo cual se definió la escala de trabajo y variables
como el umbral, la resolución espacial y radiométrica de las imágenes cuyas salidas
serán definidas de acuerdo a la leyenda a aplicar (Jianhua, Bailang, & Jun, 2014)
Se definió la escala geográfica de trabajo 1:2500 debido a la calidad de las imágenes,
con salidas cartográficas y temáticas a escala 1:72000 que cubre toda la LSB. Se realizó
clasificación supervisada basada en objetos haciendo uso del software eCognition debido
a la heterogeneidad de las zonas urbanas y porque presenta una mayor ventaja sobre
otros tipos de clasificación e interpretación de imágenes.
3.5.1 Clasificación orientada a objetos de imagen
Para la construcción de objetos se aplica un proceso denominado segmentación, Figura
3-4; este divide la imagen en regiones, donde su principal característica es la baja
heterogeneidad o alta homogeneidad, de los niveles digitales de la imagen, el resultado,
es un conjunto de objetos en función de unos parámetros espectrales y geométricos los
cuáles serán las unidades básicas para el análisis de cada imagen.
Capítulo 3 29
Figura 3-4: Segmentación de sección de fotografía aérea de la LSB.2015
Fuente: Esta investigación.
Por otra parte, el proceso de segmentación permite generar objetos para extraer
información y organizarla en una estructura multinivel o jerárquica donde pueden
establecerse relaciones entre niveles, que facilitan y mejoran los resultados de la
clasificación, se puede hacer uso de funciones relacionadas con los objetos de tipo
intrínsecas, es decir relacionadas con las propiedades de la imagen, como atributos
espectrales (el brillo, la desviación estándar, la media, entre otros) y atributos de forma
(área, longitud, compacidad3, ancho, entre otros) y funciones de semántica y topología,
es decir relacionadas con los objetos y la clasificación, como atributos de jerarquía
(niveles y subniveles de segmentación) y atributos relacionados a la clasificación de los
objetos (relación con objetos vecinos y relación con sub o superobjetos) Figura 3-5.
3 En topología, un espacio compacto es un espacio que tiene propiedades similares a un conjunto
finito, en cuanto a que las sucesiones contenidas en un conjunto finito siempre contienen una su sucesión convergente. La propiedad de compacidad es una versión más fuerte de esta propiedad.
30 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Figura 3-5: Funciones de análisis de los objetos para la clasificación de las coberturas.
Fuente: Esta investigación.
3.5.2 Evaluación de correspondencia
La evaluación de correspondencia hace referencia a la parte integral de cualquier
proceso de clasificación, esta será calculada para estimar la exactitud en la clasificación
de las coberturas. La manera más común para llevar a cabo este proceso, es la
elaboración de matrices de confusión que ha sido recomendada y adoptada como un
reporte estándar de evaluación de correspondencia a la clasificación de coberturas
(Congalton, 1991). La Matriz de confusión se generó a partir de los píxeles que se
tomaron como muestras. Del conjunto de píxeles muestreados, la matriz compara como
Atributos
espectrales
Media
Brillo
Máxima diferencia
Desviación estándar
Componentes principales
Desviación estándar
Atributos de forma
Área
Longitud
Ancho
Índice de forma
Índice de ajuste
rectangular
Índice de redondez
Compacidad*
Atributos de
jerarquía
Nivel
Número de niveles superiores
Número de subniveles
Número de Super-objetos
Número de Sub-objetos
Funciones
relacionadas con
la clasificación de
objetos
Relación con objetos vecinos
Borde relativo a la clase X
Borde a la clase X
Área relativa a la clase X
Existencia de la clase X
Distancia a la clase X
Relación con Sub-Objetos
Área de la clase X
Existencia de la clase X
Relación con Super-oobjetos
Existencia de la clase X
Funciones intrínsecas Funciones de semántica y topología
Capítulo 3 31
definió las clases el intérprete (resultado de la clasificación de la imagen) y como las
encontró el clasificador. Así, en la diagonal de la matriz se encuentran los aciertos, o sea,
aquellos píxeles que tanto el clasificador como el usuario ubicaron en la misma clase. La
relación entre la suma de los aciertos y el total indica la precisión de la clasificación. En
este trabajo, la evaluación de correspondencia se logró utilizando las imágenes de cada
periodo de tiempo con su respectiva resolución espacial, se generó un conjunto de
puntos de referencia (300 puntos aleatorios por cada categoría) para cada mapa
derivado. Estos puntos fueron verificados y etiquetados con los datos de referencia. Las
exactitudes del usuario y del productor se calcularon a partir de las matrices para también
calcular el coeficiente de Kappa (Rosenfield & Fitzpatrick-Lins, 1986), que es una de las
medidas más populares de abordar la correspondencia en la clasificación.
3.6 Análisis del cambio de cobertura de la LSB.
Este procedimiento requiere una previa interpretación de imágenes de satélite y
fotografías aéreas en los cuatro periodos de tiempo seleccionados para este trabajo.
Con la interpretación de las imágenes se obtuvo cuatro capas correspondientes a los
estados de las coberturas de la tierra en los periodos seleccionados, con salidas
cartográficas digitales y mapas temáticos para su posterior análisis.
3.6.1 Medición de las coberturas de la tierra
Los cambios detectados en los diferentes períodos de tiempo se obtuvieron cuantificando
la información proveniente de la interpretación de las imágenes de SR, mediante análisis
espacial y medición de los cambios detectados de cada una de las clases (Cabral,
Geroyannis, Gilg, & Painho, 2005), (Herold, Scepan, & Clarke, 2002), de la LSB. Los
cambios en la clasificación de la cubierta vegetal fueron medidos y analizados utilizando
el software ArcGis y como resultado se generaron mapas temáticos y tablas de
descripción con el área en hectáreas (ha) de las diferentes coberturas.
32 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
3.6.2 Medición de la expansión urbana usando el índice de entropía de Shannon
La expansión urbana es un fenómeno directamente relacionado con la alteración de la
cubierta vegetal, ya que la primera necesita del otro espacio para su establecimiento
afectando los ecosistemas naturales, que puede atribuirse en muchos casos como el
crecimiento poblacional, topografía, proximidad a recursos, servicios e infraestructura
(Barnes, Morgan, Roberge, & Lowe, 2002).
La Entropía de Shannon se utiliza para medir el grado de concentración espacial y el
grado de dispersión, según lo definido por las variables geográficas (Lata, Prasad,
Bandarinath, Raghavaswamy, & Rao, 2001), (Yeh & Li, 2001), (Sudhira, Ramachandra, &
Jagadish, 2004), (Araya & Cabral, 2010), el valor de entropía varía de 0 a 1. Si la
distribución se concentra en punto específico se obtiene el valor de entropía más bajo (es
decir, 0), mientras que una distribución dispersa sobre el territorio de las áreas urbanas
da como resultado un valor máximo de 1. En esta investigación, la expansión urbana se
determinó mediante el cálculo de áreas urbanizadas de las capas resultantes de la
interpretación de las coberturas de los años 1985, 1995, 2005 y 2015. Después se
realizaron los cálculos de entropía de Shannon (ver ecuación 3.1).
𝑬𝒏 = 𝒊𝒏𝒑𝒊 𝐥𝐨𝐠 (𝟏
𝒑𝒊) / 𝐥𝐨𝐠(𝒏) (3.1)
Donde 𝑬𝒏 es la entropía relativa, 𝝆𝒊 = 𝒙𝒊/ ∑ 𝒙𝒊𝒏𝒊 , y 𝒙𝒊 es igual a la cantidad de áreas
urbanas, dividida por el área total en la 𝒊 − é𝒔𝒊𝒎𝒂 de 𝒏 zonas totales. El número de
zonas, en este estudio, se refiere al número de búferes alrededor de la parte persistente
detectada en la LSB. En este estudio, se necesitaron anillos concéntricos de 5 y 10 km
alrededor del área urbana persistente para cubrir todas las partes de la LSB.
3.7 Proyección de la cobertura de la tierra usando CA-Markov
Este estudio implementa el análisis de CA-Markov, incorporado en el software TerrSet de
Clarks Labs. Esta herramienta está compuesta por dos técnicas, la primera "El análisis
de la cadena de Markov" describe la probabilidad de cambio de cobertura de un período
Capítulo 3 33
a otro mediante el desarrollo de una matriz de probabilidad de transición entre 𝒕𝟏 y 𝒕𝟐
(Eastman, 2016). El segundo "El componente CA" permite estimar las probabilidades de
transición de un píxel en función de los píxeles vecinos. CA-Markov modela el cambio de
varias clases de celdas usando una matriz de transición de Markov; un mapa de
oportunidades y un filtro de vecindad (Eastman, 2016).
El primer paso a llevar a cabo, fue desarrollar una matriz de probabilidad de transición
para cada período de estudio, utilizando los mapas de clasificación de la cubierta
terrestre como una entrada para modelar el cambio de cobertura de la tierra. Además, se
desarrollaron dos tipos de criterios (restricciones y factores) para determinar qué tierras
se debían considerar para su posterior desarrollo (tierras adecuadas). Las restricciones
se normalizaron en un carácter booleano de 0 y 1, mientras que los factores se
normalizaron a una escala continua de idoneidad de 0 (menos adecuado) a 255 (más
adecuado). Las limitaciones incluían áreas urbanas existentes, vías y sistemas de
transporte, el modelo digital de terreno y los cambios de todas las coberturas hacia zonas
urbanas en los periodos evaluados (Tabla 3-2).
Tabla 3-5: Desarrollo de criterios de enfoque booleano.
Controladores
de cambio Descripción
Cobertura de la
tierra
Sobre la base de la tendencia del cambio de cobertura del suelo de
un estado a otro.
Distancia de las
vías
El desarrollo y la expansión urbana, van de la mano de los accesos
que tengan a diferentes partes de un territorio.
Distancia de
zonas urbanas
Las zonas cercanas a las zonas desarrolladas son más adecuadas
para la expansión urbana, que las zonas alejadas de las zonas
urbanizadas.
Modelo digital de
terreno
Las zonas planas son más adecuadas para la construcción de
edificaciones.
34 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
3.7.1 Validación del modelo de proyección
El módulo de CA-Markov utiliza una regla de contigüidad (Cabral & Zamyatin, 2006). La
regla establece que un píxel que está cerca de una categoría de cobertura de tierra
específica es más probable que se convierta en esa categoría que un píxel que está más
lejos. La validación del modelo es un paso importante en el proceso de proyección de
coberturas. Para cuantificar el uso predictivo del modelo fue necesario comparar el
resultado de la simulación de las coberturas a 2015, con la capa de referencia o "real"
obtenido para el período 2015 proveniente de la interpretación de las imágenes utilizando
las variaciones Kappa en una matriz de confusión al igual que en la validación de la
clasificación de las coberturas. Si el poder predictivo de un modelo se considera fuerte
(es decir, mayor que 80%), entonces será razonable hacer proyecciones estimativas
futuras.
3.8 Creación de base de datos
La base de datos geográfica es un estándar para la organización de información espacial
dentro de un SIG, esto permite compartir la información y alimentarla de acuerdo a las
necesidades de caso. Para este trabajo se tomó como base de datos geográfica
referencial la constituida por el IGAC, la cual contempla a temática principal o de análisis
(el área de trabajo), los grupos como las clases de coberturas, los objetos como las
capas generadas y los atributos. En este trabajo se utiliza a manera de almacenamiento
de la información por lo cual no se generan diccionario de datos para la base de datos
geográfica.
4. Resultados y discusión
4.1 Clasificación de la cubierta terrestre y evaluación de la exactitud
Se realizó un análisis al resultado de la interpretación de las imágenes en los cuatro
periodos de tiempo, como resultado se generaron mapas de cobertura de la tierra, Figura
4-1 y con el fin de evaluar su exactitud, se realizaron las matrices de confusión para la
clasificación (Tablas 4-1, 4-2, 4-3, 4-4); la precisión general para los periodos 1985, 1995,
2005 y 2015 fue en promedio del 84.83%. Autores han hecho referencia a que una
precisión del 80% es aceptable y es como mínimo necesario para un análisis efectivo y
fiable de cambio de cobertura de la tierra y sus proyecciones (Sun, Forsythe, & Waters,
2007). Para la observación de la clasificación de las coberturas revisar la sección de
Anexos.
Sin embargo, al observar las tablas, las exactitudes de los productores de la clase urbana
se encuentran entre el 50 y el 76% y para el usuario entre 88 a 93%, respectivamente.
En otras palabras, las áreas urbanas han sido correctamente identificadas como urbanas
de acuerdo a las muestras aleatorias que se tomaron para la realización de la matriz en
un porcentaje de entre el 50 y 76% y que de esos puntos entre el 88 al 93% de las áreas
clasificadas como urbanas son realmente urbanas.
Para el caso de la cubierta forestal y arbustales se observa que, las exactitudes de los
productores se encuentran entre el 61 y el 95% y para el usuario entre 66 a 89%,
respectivamente.
Una mirada más exhaustiva a la matriz de errores permite revelar que existe una
confusión significativa en la discriminación de zonas urbanas de vías y sistemas de
Capítulo 4 37
transporte, esto se debe en medida a la reflectancia que generan estos objetos en las
imágenes analizadas, sobre todo con la utilización de la imagen correspondiente al
periodo de 1995 en la cual se utilizó solo una banda para determinar las características
espectrales de los objetos. Es importante señalar que la precisión del usuario y del
productor es sensible al número de puntos aleatorios generados y al método de muestreo
empleado, que para este estudio fue totalmente aleatorio en los cuatro periodos de
tiempo en la zona de estudio, con un total de 300 muestras, por dicha razón se puede
observar que en algunas clases no se evaluó ninguna muestra.
Figura 4-1: Cambios en la cobertura de la tierra en 1985,1995, 2005 y 2015 en la LSB.
Fuente: Esta investigación.
38 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Tabla 4-1: Matriz de error (%): clasificación de imagen de 1985.
Clases de coberturas
Precisión del productor
Intervalo de confianza 95%
Precisión del usuario
Intervalo de confianza 95%
Estadísticos Kappa
Cubierta forestal y arbustales
90.57% ( 81.753% 99.379%)
88.89% ( 79.581% 98.197%)
0.865
Zonas urbanas 70.00% ( 47.416% 92.584%)
93.33% ( 77.376% 109.290%)
0.928
Vías y sistemas de transporte
100.00% ( 95.000% 105.000%)
76.92% ( 50.173% 103.673%)
0.761
Mosaico de pastos y cultivos
95.00% ( 91.729% 98.271%)
95.00% ( 91.729% 98.271%)
0.85
Cuerpos de agua
100.00% ( 75.000% 125.000%)
50.00% (-11.500% 111.500%)
0.496
Humedales 75.00% ( 20.065% 129.935%)
100.00% ( 83.333% 116.667%)
1
Invernaderos 100.00% ( 95.455% 104.545%)
100.00% ( 95.455% 104.545%)
1
Precisión general: 92.667%
Intervalo de confianza al 95%: (89.550% 95.783%)
Estadística general de Kappa: 0.858
Variación general Kappa: -0.012
Tabla 4-2: Matriz de error (%): clasificación de imagen de 1995.
Clases de coberturas
Precisión del productor
Intervalo de confianza 95%
Precisión del usuario
Intervalo de confianza 95%
Estadísticos Kappa
Cubierta forestal y arbustales
75.00% ( 59.466% 90.534%)
65.85% ( 50.119% 81.588%)
0.612
Zonas urbanas 50.00% ( 35.141% 64.859%)
89.29% ( 76.044% 102.528%)
0.8714
Capítulo 4 39
Clases de coberturas
Precisión del productor
Intervalo de confianza 95%
Precisión del usuario
Intervalo de confianza 95%
Estadísticos Kappa
Vías y sistemas de transporte
60.00% ( 24.636% 95.364%)
60.00% ( 24.636% 95.364%)
0.5862
Mosaico de pastos y cultivos
92.39% ( 88.289% 96.494%)
84.16% ( 78.876% 89.441%)
0.5903
Cuerpos de agua
0% ( 0.000% 0.000%)
0% ( 0.000% 0.000%)
0
Humedales 100.00% ( 87.500% 112.500%)
80.00% ( 34.938% 125.062%)
0.7973
Invernaderos 87.50% ( 68.170% 106.830%)
100.00% ( 96.429% 103.571%)
1
Precisión general: 82%
Intervalo de confianza al 95%: (77.486% 86.514%)
Estadística general de Kappa: 0.673
Variación general Kappa: -0.003
Tabla 4-3: Matriz de error (%): clasificación de imagen de 2005.
Clases de coberturas
Precisión del productor
Intervalo de confianza 95%
Precisión del usuario
Intervalo de confianza 95%
Estadísticos Kappa
Cubierta forestal y arbustales
60.53% ( 43.669% 77.384%)
76.67% ( 59.865% 93.468%)
0.732
Zonas urbanas 75.86% ( 63.987% 87.737%)
88.00% ( 77.993% 98.007%)
0.851
Vías y sistemas de transporte
53.33% ( 24.753% 81.914%)
80.00% ( 50.208% 109.792%)
0.7895
40 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Clases de coberturas
Precisión del productor
Intervalo de confianza 95%
Precisión del usuario
Intervalo de confianza 95%
Estadísticos Kappa
Mosaico de pastos y cultivos
91.91% ( 87.555% 96.260%)
83.25% ( 77.688% 88.804%)
0.6042
Cuerpos de agua
100.00% ( 75.000% 125.000%)
50.00% (-11.500% 111.500%)
0.4966
Humedales 0% ( 0.000% 0.000%)
0% ( 0.000% 0.000%)
0
Invernaderos 92.86% ( 75.795% 109.919%)
92.86% ( 75.795% 109.919%)
0.9251
Precisión general: 83%
Intervalo de confianza al 95%: (78.583% 87.417%)
Estadística general de Kappa: 0.709
Variación general Kappa: 0
Tabla 4-4: Matriz de error (%): clasificación de imagen de 2015.
Clases de coberturas
Precisión del productor
Intervalo de confianza 95%
Precisión del usuario
Intervalo de confianza 95%
Estadísticos Kappa
Cubierta forestal y arbustales
64.87% ( 48.131% 81.599%)
80.00% ( 64.020% 95.980%)
0.771
Zonas urbanas 68.49% ( 57.152% 79.835%)
90.91% ( 82.402% 99.416%)
0.879
Vías y sistemas de transporte
53.85% ( 22.900% 84.792%)
53.85% ( 22.900% 84.792%)
0.5176
Mosaico de pastos y cultivos
93.13% ( 88.892% 97.358%)
80.98% ( 75.036% 86.921%)
0.5924
Capítulo 4 41
Clases de coberturas
Precisión del productor
Intervalo de confianza 95%
Precisión del usuario
Intervalo de confianza 95%
Estadísticos Kappa
Cuerpos de agua
100.00% ( 83.333% 116.667%)
100.00% ( 83.333% 116.667%)
1
Humedales 66.67% ( 20.613% 112.720%)
57.14% ( 13.339% 100.946%)
0.5627
Invernaderos 100.00% ( 93.750% 106.250%)
100.00% ( 93.750% 106.250%)
1
4.2 Medición de la cobertura de la tierra y aplicación de la entropía de Shannon
4.2.1 Análisis de las métricas de cobertura de la tierra
Las medidas espaciales y su variación se calcularon para las diferentes coberturas de la
tierra, se puede mencionar que la cubierta forestal perdió entre 1985 y 2015 alrededor del
56 % de su estado inicial, las zonas urbanas aumentaron un 432% pasando de 385 has.
a 1.667 has. Sin embargo, el crecimiento de zonas urbanas se marcó fuertemente entre
1985 y 1995 con 108% de cambio sobrepasando el doble de área que tenía en el punto
inicial en un lapso de 10 años, Figura 4-2.
Este fenómeno se puede explicar dado que para el periodo en mención se dio en Bogotá
el auge de actividades económicas e industriales, en este lapso de tiempo se lleva a
cabo una aglomeración de la zona industrial en el centro de la ciudad (Romero Novoa,
2010) y como consecuencia de ello, se generaron nuevas necesidades y la población
creció en la LSB, pasando de cerca de 335.000 habs. a aproximadamente 700.000 habs.,
de hecho las necesidades habitacionales fueron subsanadas por las zonas y espacios
periurbanos, esto sugiere una urbanización hecha por la aglomeración de parches
urbanos preexistentes en el primer período, mientras que en el segundo, la urbanización
se caracterizó por la dispersión, desencadenando en un efecto que se repite en los otros
periodos evaluados.
42 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Figura 4-2: Dinámica de cambio de coberturas de la tierra en la LSB
Fuente: Esta investigación.
Adicional al proceso mencionado anteriormente, detrás de esta expansión y crecimiento
urbano se encuentra una serie de características demográficas y sociales que ayudaron
a su proliferación, si bien no son tomadas en cuenta para la interpretación de coberturas
y las proyecciones de las mismas cabe señalar que los conflictos en el territorio
colombiano, los desplazamientos y las oportunidades de trabajo que se generaron en ese
entonces incentivo la migración hacia la capital colombiana.
Por otro lado, el factor ambiental se ha visto afectado por estos cambios a través del
tiempo, según estudios realizados en la LSB (Secretaría distrital de hábitat, 2009) se
menciona que se presentan diversas problemáticas ambientales, entre ellas, la
degradación de las estructuras ecológicas, especialmente sobre los cerros, los recursos
hídricos y los humedales que presentan problemas de invasión urbana y agroindustrial
generando vertimientos de residuos sólidos y líquidos, contaminación por agua negras,
conflictos en el espacio público y detrimento de la calidad de aire.
1
10
100
1000
10000
Cubierta forestal yarbustales
Zonas Urbanas Mosaico de pastosy cultivos
Invernaderos
Áre
a (
ha
s)
Coberturas de la tierra
1985
1995
2005
2015
Capítulo 4 43
4.2.2 Medición de la dispersión urbana
Los cálculos de entropía se muestran en la Figura 4-3. Los valores para los años 1985,
1995, 2005 y 2015 para la SLB fueron superiores a 0,50, lo que demuestra una alta tasa
de expansión urbana, Figura 3; también revela un incremento continuo en el tiempo
marcado en los periodos del 1985 a 1995 como se menciona en el aparte anterior. Estos
valores altos indican que la LSB tuvo un crecimiento marcado por la a conglomeración de
zonas urbanas ya establecidas y la expansión hacia los sitios rurales de la localidad
donde se daban otros tipos de uso al suelo.
Figura 4-3: Medición de la expansión urbana de la localidad de Suba en Bogotá.
Fuente: Esta investigación.
Como se puede observar en los mapas anexos y en los resultados de la medición de la
dispersión urbana, la expansión urbana ha disminuido en su tasa, debido en parte a que
actualmente la localidad y en cierta forma toda la ciudad de Bogotá viene
experimentando cambios importantes en la reurbanización vertical, es decir ocupa los
mismos terrenos per extendiendo el número de edificios y de pisos.
0.63
0.850.89
0.92
0.5
0.6
0.7
0.8
0.9
1
1985 1995 2005 2015
Va
lor
entr
op
ía d
e S
ha
nno
n
Periodos evaluados
44 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
La expansión urbana está directamente vinculada a la propiedad de la tierra, los agentes
intervinientes y la gestión del suelo que determinan cierta dinámica en distintos períodos
que van configurando la expansión y densificación de las zonas urbanas, como así
también, el desarrollo de forma compacta o bien siguiendo algunos ejes de crecimiento
como el vertical (Urriza & Garriz, 2014), (Castro & Vargas Cuervo, 2009).
Cabe anotar que debido a factores biofísicos como también a la disminución de calidad
de vida, cada vez son más los urbanistas, arquitectos e ingenieros que abogan por la
construcción de ciudades verticales como modelos de desarrollo sostenible. El espacio
de una aglomeración urbana de este tipo es cuatro veces menor que el de una ciudad
tradicional, es decir, horizontal (Félix Palafox, 2015). En fin, este es el panorama hacia
futuro que se observa y que posteriormente en la proyección de coberturas realizada en
este trabajo a 2020 es evidente
4.3 Validación del modelo para la proyección de las coberturas de la tierra.
La interpretación visual de los resultados del modelado, Figura 4-4, muestra que el mapa
simulado para el año 2015 está de acuerdo con el mapa de interpretación de la cubierta
terrestre para el mismo año. Se realizó un análisis más detallado usando las variaciones
de Kappa. Cuanto más se acercan los valores de estos índices al 100%, más fuerte es el
acuerdo entre dos mapas. El 𝐾𝑛𝑜 = 85% da la exactitud general de la simulación (Araya
& Cabral, 2010), el modelo se desempeñó muy bien en la capacidad de especificar la
ubicación correctamente (𝐾𝑙𝑜𝑐𝑎𝑡𝑖𝑜𝑛 = 89%), y también en la capacidad de especificar la
cantidad (𝐾𝑞𝑢𝑎𝑛𝑡𝑖𝑡𝑦 = 88%). Sin embargo, es importante señalar que algunas
discrepancias son evidentes entre la interpretación de la cubierta terrestre y el mapa
simulado de la cubierta terrestre (es decir, 2015). Esto podría deberse a razones tales
como a generalizaciones aplicadas para los resultados de clasificación de imágenes
debido al tamaño de los objetos generados para la clasificación y la forma del filtro de
contigüidad utilizado.
Capítulo 4 45
Figura 4-4: Clasificación y simulación de coberturas para el año 2015
Fuente: Esta investigación.
Cubierta forestal y arbustales
Zonas urbanas
Vias y sistemas de transporte
Mosaico de pastos y cultivos
Cuerpos de agua
Humedales
Invernaderos
$
0 1.5 3 4.5 60.75km
Coordenadas geográficas WGS 84Bogotá, D.C.
46 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
4.4 Proyección de las coberturas de la tierra a 2020
Después de definir los parámetros utilizados para la calibración y el modelado y evaluar
su validez, se prosigue a examinar el patrón y la tendencia de cambio en una simulación
a mediano plazo. Por lo tanto, la proyección de cubierta de tierra para el año 2020 se
realizó de la misma manera que en el modelo de validación y con los parámetros de
restricción aplicados en la simulación para 2015, Figura 4-5.
Figura 4-5: Proyección de coberturas para 2020 en la LSB.
Fuente: Esta investigación.
Capítulo 4 47
A continuación, se presenta un perfil de barras que describe la cantidad de área que se
espera cambie de 2015 a 2020 en las clases de cobertura del suelo incluidas en el
estudio. Los cuerpos de agua y los humedales no fueron incluidos en la matriz porque el
modelo no predijo ningún cambio para 2020, Figura 4-6.
Figura 4-6: Cambios entre las coberturas 2015 al modelo proyectado a 2020 en la LSB.
Fuente: Esta investigación.
Es importante señalar que la proyección resultante indica una reducción significativa de
la cubierta forestal y arbustales; la aproximación puede no llegar a ser ajena a la realidad
que se ha vivido a lo largo del periodo de estudio y aunque existe una política de
arborización de Bogotá, cabe resaltar que la oferta de espacios disponibles para la
siembra de nuevos árboles es reducida y tiende a reducirse con el tiempo a rondas
hídricas, humedales y nuevas zonas de espacio público que se planeen, entregadas por
constructoras, eso en el caso de arborización programada; sino por el contrario se
seguirán evidenciando parches donde los árboles sean más escasos (Secretaria Distrital
de Planeación, 2013). Por tal motivo este tipo de alertas que se evidencian mediante esta
u otra metodología de detección de cambios en la cobertura es un llamado de atención
para que los programas de ordenamiento territorial y de urbanización contemplen más
variables a la hora de su planeación, variables que mejoren la calidad de vida de sus
habitantes.
1
10
100
1000
10000
Cubierta forestal yarbustales
Zonas Urbanas Mosaico de pastos ycultivos
Áre
a (
ha
s)
Coberturas de la tierra
2015
Proyectado 2020
48 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
4.5 Lineamientos metodológicos para la detección, análisis y proyección de las coberturas vegetales mediante el uso de sensores remotos y sistemas de información geográfica.
Todo el proceso desde su inicio hasta la parte final y de resultados se presenta en forma
de diagrama de flujo direccional Figura 4-1, se presenta en tres cortes que están
conectados entre sí.
Figura 4-7: Diagrama de flujo de la metodología generada.
Fuente: Esta investigación.
Manejo y
preparación de la
información
Mejoramientos
radiométricos
Procesamiento
digital
Capa de
coberturas final
para los periodos
de análisis.
Edición
Capa temática
preliminar de
coberturas
Control de
calidad
Segmentación
de las
imágenes
Interpretación
supervisada
Corrección
geométrica
Georreferenciación
Composición RGB
Obtención
de
imágenes
Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica
Imágenes provenientes
de sensores remotos
Selección de
imágenes para los
periodos de estudio
Análisis espacial
de los datos
obtenidos
Generación de
cartografía digital
en formato vector
Capítulo 4 49
Figura 4-7: (Continuación)
Fuente: Esta investigación.
Información secundaria
Obtención de
información
secundaria
Literatura
Cartografía
digital en
formato
vector
Generación de variables de
restricción y variables de apoyo para
el modelo de proyección
Modelado y proyección de las coberturas
vegetales y otras coberturas.
Ejecutar modelo de proyección a una
fecha determinada
Capa de coberturas proyectada para
fecha determinada
Análisis espacial de los datos
obtenidos
Generación de
cartografía digital en
formato vector
Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica
50 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Figura 4-7: (Continuación)
Fuente: Esta investigación.
GDB
Sistema de coordenadas
WGS84 UTM
Z18N
Imágenes de estudio
para los diferentes periodos de tiempo en
formato raster
Interpretación de las
coberturas en
formato raster
Información
secundaria en
formato vector
Variables de
restricción
Ej. Distancia de vías
Detección de cambios, análisis
espacial en formato
raster y vector .
Modelado de
coberturas
Variables de
apoyo Ej. Modelo digital de terreno
Potenciales de
cambio de
coberturas
Proyección a años
posteriores en
formato raster
Creación de Base de datos
geográfica GDB
Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica
5. Conclusiones y recomendaciones
5.1 Conclusiones
El área de estudio ha experimentado una conversión extensiva de la cobertura de la
tierra en las últimas décadas. Este estudio evaluó y modeló la tendencia de los cambios
en la cobertura de la tierra en el área de estudio, utilizando un enfoque integrado que
incluía SIG, SR y herramientas de proyección mediante la estructuración de lineamientos
metodológicos que pueden ser replicables en otros territorios.
Los mapas de cobertura de la superficie de estudio para los periodos 1985, 1995, 2005 y
2015 se obtuvieron utilizando una clasificación orientada a objetos. Los resultados
obtenidos de la clasificación fueron validados para ser empleados para su análisis y
modelización.
Se analizó y cuantificó la naturaleza del cambio en la cobertura de la tierra usando
mediciones a las coberturas y medidas de expansión urbana. Las coberturas con mayor
cambio en los periodos de estudio fueron las zonas urbanas y la cubierta forestal y de
arbustales.
La medición de la expansión, con el índice de entropía de Shannon, apoya la afirmación
de que ha habido una alta tasa de expansión y dispersión del desarrollo urbano en el
período estudiado, sobre todo entre 1985 y 1995, causando un impacto significativo en la
franja urbana. Las fuerzas motrices detrás de la expansión podrían ser muchas, pero uno
de los principales factores fue el crecimiento de la población.
De acuerdo a los resultados de la entropía de Shannon y lo observado en la clasificación
de las coberturas de la tierra para el periodo 2015, las zonas urbanas se han densificado
Conclusiones 53
conservando la mayor parte de los espacios, esto se traduce en expansión vertical
urbana. Igualmente, esto se ve reflejado en la proyección a 2020
La técnica de simulación espacial empleada produjo resultados satisfactorios que al ser
comparados con la interpretación de las coberturas fueron confirmados por varios
resúmenes de Kappa. Esto permitió proyectar los cambios de la tierra para 2020. Los
resultados indican que el crecimiento urbano seguirá tomando como fuente principal la
cubierta forestal y las zonas de mosaicos de pastos y cultivos, en un futuro podría tener
un impacto innegable en los recursos naturales con los que cuenta el territorio, a menos
que se establezca algún mecanismo de preservación.
Aunque en las proyecciones futuras no se tomó en cuenta para su modelado las
coberturas de humedales y cuerpos de agua, es necesario hacer un llamado de atención
ya que las políticas de turno podrían modificar los usos del suelo, favoreciendo la
ocupación de estas zonas.
Es importante recalcar que los mapas arrojados por modelos de proyección deben
interpretarse como la representación plausible de las cubiertas de la tierra bajo ciertos
supuestos y que en muchos casos la modelación no es un instrumento de predicción
fiable, ya que muchos de los factores proyectados dependen de las necesidades de la
población y de las decisiones de la política de turno.
El acceso a una secuencia temporal de mapas de cobertura terrestre para cualquier
territorio es importante para medir el cambio, calcular los puntos de referencia de
desarrollo y realizar una planificación del mismo de manera puntual evaluando diferentes
variables que permitan desarrollar un territorio integral y encaminado a la sostenibilidad.
5.2 Recomendaciones
La clasificación de las coberturas en este trabajo se realizó de manera general,
seleccionado categorías generales debido a los alcances de este trabajo, se recomienda
ampliar las clases de coberturas para cada análisis o estudio que se realice
posteriormente, esto permitirá mejores resultados.
54 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
El análisis de CA-Markov no solo considera un cambio de áreas no construidas a
edificadas, sino también cualquier tipo de transición entre cualquiera de las clases de
características incluidas en los análisis. Un cambio de áreas urbanizadas a otro tipo de
coberturas es poco probable, pero el modelo de simulación aplicado, sí considera esta
posibilidad. Con tal fin se recomienda que para un trabajo posterior se considere este tipo
de restricciones, adicionando otras como, zonas de reserva, humedales, cuerpos de
agua, cartografía de uso potencial del suelo, fallas geológicas, sumideros entre muchas
otras variables que influyen directamente sobre el ecosistema del territorio, convirtiendo
la metodología desarrollada en este trabajo en más compleja, pero con mejores
aproximaciones y proyecciones.
Los lineamientos metodológicos para la detección, análisis y proyección de coberturas se
presentan como guía para que pueda ser replicable en diferentes estudios o análisis,
estos pueden estar sujetos a mejoras para la mejora de los productos finales.
Por último, se destaca que este tipo de herramientas orientadas a la gestión ambiental
del territorio o al ordenamiento del mismo pueden ser usadas para la construcción
técnica y participativa de diagnósticos, estados del territorio, evolución y para el
desarrollo y construcción de políticas públicas, claro está todo depende de los alcances
que se le den a cada estudio.
A. Anexo: Mapa clasificación de coberturas 1985
57
B. Anexo: Mapa clasificación de coberturas 1995
58 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Título de la tesis o trabajo de investigación
C. Anexo: Mapa clasificación de coberturas 2005
59
D. Anexo: Mapa clasificación de coberturas 2015
60 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Título de la tesis o trabajo de investigación
E. Anexo: Mapa de tendencia de expansión urbana
61
F. Anexo: Mapa de cambios de coberturas entre los periodos 1985 a 2015
62 Lineamientos metodológicos para la detección, análisis y proyección de las
coberturas vegetales mediante el uso de sensores remotos y sistemas de
información geográfica.
Título de la tesis o trabajo de investigación
G. Anexo: Mapa de proyección de coberturas 2020
Bibliografía
Aguilera, F., Soria, J., & Valenzuela, L. (2006). Explorando el crecimiento en la
aglomeración urbana de Granada: Un modelo basado en Autómatas Celulares.
XII Congreso Nacional De Tecnologías De La Información Geográfica. El acceso
a la información espacial y las nuevas tecnologías Geográficas, (págs. 3-16).
Granada - España.
Alcaldía Mayor de Bogotá . (10 de 04 de 2017). Bogota.gov.co. Obtenido de
http://www.bogota.gov.co/localidades/suba
Alcaldía mayor de Bogotá. (2013). Decreto 364 de 2013. Plan de ordenamiento territorial
de Bogotá. Bogotá: Subdirección imprenta distrital D.D.D.I.
Aldana Dezzeo, A., & Bosque, S. (2008). Cambios ocurridos en la cobertura/uso de la
tierra del Parque Nacional Sierra de la Culata. Período 1988-2003. . Revista
GeoFocus, 8, 139-168.
Alkheder, S, & Shan, J. (2005). Cellular Automata Urban Growth Simulation and
Evaluation - A Case Study of Indianapolis. Geomatics Engineering, School of Civil
Engineering, Purdue University, 19.
Araya, Y. H., & Cabral, P. (2010). Analysis and modeling of urban land cover change in
Setúbal and Sesimbra, Portugal. Remote Sensing, 2, 1549-1563.
doi:10.3390/rs2061549
Barnes, B., Morgan, J., Roberge, M., & Lowe, S. (2002). Sprawl development: Its
patterns, consequences, and measuremtn. Center for geographic information
services, 1-26. Obtenido de https://www.researchgate.net/publication/251645410
Barredo, J., Kasanko, M., McCormick, N., & Lavalle, C. (2003). Modelling dynamic spatial
processes: simulation of urban future scenarios through cellular automata.
Landscape and Urban Planning, 64(3), 145-160. Obtenido de
https://doi.org/10.1016/S0169-2046(02)00218-9
Blaschke, T. (2005). Towards a framework for change detection based on image objects.
Göttinger Geographische Abhandlungen, 113, 1-9.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing, 65, 2-16.
Bibliografía 65
Cabral, P., & Zamyatin, A. (March, 2006). Three land change models for urban dynamics
analysis in Sintra-Cascais area. Proceedings of the 1st EARSel Workshop of the
SIG Urban remote sensing. Berlín, Germany: Humboldt-Universität zu Berlin.
Cabral, P., Geroyannis, H., Gilg, J.-P., & Painho, M. (2005). Analysis and modeling of
land-use and land-cover change in Sintra-Cascais area. Proceedings of 8th agile
conference. Estoril-Portugal.
Castro, V., & Vargas Cuervo, G. (2009). Guía de clasificación morfológica de zonas
urbanas a partir de sensores remotos. Revista electrónica de recursos en internet
sobre geografía y ciencias sociales, 18.
Chaparro, L., & Terradas, J. (2009). Ecological Services of Urban Forest in Barcelona.
Spain: Universitat Autònoma de Barcelona.
Chen, G., Hay, G. J., Carvalho, L. M., & Wulder, M. A. (2012). Object-Based Change
Detection. International Journal of Remote Sensing, 33(14), 4434-4457.
doi:http://dx.doi.org/10.1080/01431161.2011.648285
Chen, G., Hay, G., Carvalho, L., & Wulder, M. (2012). Object-based change detection. Int.
J. Remote Sens., 33, 4434-4457. doi:10.1080/01431161.2011.648285
Chuvieco, E. (2010). Teledetección Ambiental. La observación de la Tierra desde el
espacio. Barcelona: Ariel.
Congalton, R. (1991). A review of assessing the accuracy of classifications of remotely
sensed data. Remote Sens. Environ, 37, 35-46.
DANE. (13 de 04 de 2017). DANE – SDP, Proyecciones de población según la localidad,
2006-2020. Obtenido de https://www.dane.gov.co/index.php/estadisticas-por-
tema/demografia-y-poblacion/proyecciones-de-poblacion
Di Gregorio, A., & FAO. (2005). Sistemas de clasificación de la cobertura de la tierra.
Roma - Italia: Food and Agriculture Organization of the United Nations.
Di Gregorio, A., & FAO. (2016). Land cover classification system. Classification concepts.
Software version 3. Roma: FAO.
Eastman, J. (2016). TerrSet Manual. Worcester, Massachusetts: Clark University.
El Congreso de Colombia. (1997). Ley 388 de 1997. Bogotá, D.C. - Colombia: Diario
Oficial.
El congreso de Colombia. (29 de Junio de 2011). Ley 1454 de 2011. Diario Oficial No.
48.115.
66 Título de la tesis o trabajo de investigación
FAO/UNEP. (2000). El Futuro de Nuestra Tierra – Enfrentando el desafío. Roma - Italia:
FAO.
Félix Palafox, A. (2015). Impactos del crecimiento vertical en la expansión de la zona
conurbada de Querétaro. San Nicolás de los Garza - México: Universidad
Autónoma de Nuevo León.
Gómez Delgado, M., & Barredo Cano, J. (2006). Sistema de Informacion Geografica Y
Evaluacion Multicriterio: En la Ordenacion Del Territorio. México, México: RA-MA-
EDITORIAL.
González, J., Etter, A., Sarmiento, A., Orrego, S., Ramirez, C., Cabrera, E., . . . Ordoñez,
M. (2011). Análisis de tendencias y patrones espaciales de deforestación en
Colombia. Bogotá, D.C. - Colombia: Instituto de Hidrología, Meteorología y
Estudios Ambientales-IDEAM.
Gurrutxaga San Vicente, M. (2004). Conectividad ecológica del territorio y conservación
de la biodiversidad : nuevas perspectivas en ecología del paisaje y ordenación
territorial. Vitoria-Gasteiz: Servicio Central de Publicaciones del Gobierno Vasco.
Hall, O., & Hay, G. (2003). A multiscale object-specific approach to digital change
detection. International Journal of Applied Earth Observation and Geoinformation,
4, 311-327.
Henriquez, C., & Azocar, G. (2007). Propuesta de modelos predictivos en la planificación
territorial y evaluación de impacto ambiental. Scripta Nova Revista Electrónica de
Geografía y Ciencias Sociales, 11(245), 1-14. Obtenido de
http://www.ub.edu/geocrit/sn/sn-24541.htm
Henriquez, C., Azocar, G., & Aguayo, M. (2006). Cambio de uso del suelo y escorrentía
superficial: aplicación de un modelo de simulación espacial en Los Ángeles, VIII
Región del Biobío, Chile. Revista de Geografía Norte Grande, 36, 61-74.
Hepinstal, J., Coe, S., & Alberti, M. (2009). Using urban landscape trajectories to develop
a multi-temporal land cover database to support ecological modeling. Remote
sensing, 1, 1353-1379. doi:10.3390/rs10r1353
Herold, M., Scepan, J., & Clarke, C. (2002). The use of remote sensing and landscape
metrics to describe structures and changes in urban land uses. Environ Plan, 34,
1443-1458.
IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Metodología CORINE
Land Cover adaptada para Colombia Escala 1:100.000. Bogotá, D.C.: Instituto de
Hidrología, Metereología y Estudios AMbientales.
Bibliografía 67
IDEAM. (25 de 05 de 2017). IDEAM - Instituto de Hidrología, Meteorología y Estudios
Ambientales. Obtenido de http://www.ideam.gov.co/web/ecosistemas/coberturas-
tierra
Irani, F., & Galvin, M. (2003). Strategic Urban Forests Assessment: Baltimore, Maryland.
Proceedings from the American Society of Photogrammetry and Remote Sensing
2003. Annual Conference, “Technology: Converging at the Top of the World”.
Jianhua, Z., Bailang, Y., & Jun, Q. (2014). Multi-Level Spatial Analysis for Change
Detection of Urban Vegetation at Individual Tree Scale. Remote Sensing, 6(9),
9086-9103. doi:10.3390/rs6099086
Kazmierczak, A., & Carter, J. (2010). Adaptation to climate change using green and blue
infrastructure. A database of case studies. Seattle: Using vegetation to limit the
hazard of landslides. Recuperado el 2016, de
http://orca.cf.ac.uk/64906/1/Database_Final_no_hyperlinks.pdf
Lata, M., Prasad, K., Bandarinath, K., Raghavaswamy, R., & Rao, S. (2001). Measuring
urban sprawl: A case study of Hyderabad. GIS Development(5). Recuperado el 10
de Abril de 2017, de https://www.geospatialworld.net/article/measuring-urban-
sprawl-a-case-study-of-hyderabad/
Mas, J. F., & Flamenco Sandoval, A. (2011). Modelación de los cambios de
coberturas/uso del suelo en una región tropical de México. GeoTrópico, 5(1), 1-
24.
Ministerio de ambiente, vivienda y desarrollo territorial. (2008). Política de gestión
ambiental urbana. Bogotá, D.C. - Colombia: Ministerio de ambiente, vivienda y
desarrollo territorial.
Naciones Unidas. (13 de Abril de 2017). Naciones Unidas - ciudades sostenibles.
Obtenido de http://www.un.org/es/sustainablefuture/cities.shtml
Okujeni, A. (2014). Quantifying urban land cover by means of machine learning and
imaging spectrometer data at multiple spatial scales. Berlin: Mathematics and
Natural Science Faculty of the Humboldt University of Berlin.
Paegelow, M., Camacho Olmedo, M., & Menor Toribio, J. (2003). Cadenas de Markov,
evaluación multicriterio y evaluación multiobjetivo para la modelización
prospectiva del paisaje. GeoFocus. Revista Internacional de Ciencia y Tecnología
de la Información Geográfica, 3, 22-44.
Pauleit, S., Ennos, R., & Golding, Y. (2005). Modeling the environmental impacts of urban
land use and land cover change: a study in Merseyside, UK. Landscape and
68 Título de la tesis o trabajo de investigación
Urban Planning, 71, 295-310.
doi:https://doi.org/10.1016/j.landurbplan.2004.03.009
Pérez Gutiérrezz, C., & Muñoz Nieto, Á. L. (2006). Teledetección: nociones y
aplicaciones. Salamanca - España: Universidad de Salamanca.
Pérez Preciado, A. (2003). La expansión urbana de Bogotá: Mitos y realidades. En G.
Ardila, Territorio y Sociedad: El caso del plan de ordenamiento territorial de la
ciudad de Bogotá (págs. 91-136). Bogotá: Universidad Nacional de Colombia.
Pontius, G. (2000). Quantification error versus location error in comp. Photogramm. Eng.
Remote Sensing, 66, 1011-1016.
Pontius, R., & Malanson, J. (2005). Comparison of the structure and accuracy of two land
change models. International Journal of Geographical Information Science, 2(19),
243-265.
Preciado Beltrán , J. (2009). Bogotá Región: crecimiento urbano en la consolidación del
territorio metropolitano. Seminario internacional Bogotá y Cundinamarca: Avances
y perspectivas en la integración regional. (pág. 18). Bogotá, D.C.: Universidad
Distrital Francisco José de Caldas.
Reyes Gómez, D. A. (2011). Descripción y Aplicaciones de los Autómatas Celulares.
Puebla - México: Universidad Autónoma de Puebla.
Romero Novoa, J. (2010). Transformación urbana de la ciudad de Bogotá, 1990-2010: ef
1990-2010: efecto espacial de la liberalización del comercio. Perspect. geogr., 15,
85-112.
Rosenfield, G., & Fitzpatrick-Lins, K. (1986). A coefficient agreement as a measure of
thematic classification accuracy. Photogramm. Eng. Remote Sensing, 52, 223-
227.
Sandoval Verdugo, G. S. (2009). Análisis del proceso de cambio de uso y cobertura de
suelo en la expansión urbana del gran Valparaíso, su evolución y escenarios
futuros. Santiago - Chile: Universidad de Chile.
Secretaría distrital de hábitat. (2009). Agenda ambiental localidad 11, Suba. Bogotá.
Secretaria Distrital de Planeación. (2013). Plan ambiental local PAL - Localidad 11, Suba.
Bogotá: Secretaria Distrital de Planeación.
Sudhira, H., Ramachandra, T., & Jagadish, K. (2004). Urban sprawl: Metrics, dynamics
and modeling using GIS. Int. J. Appl. Earth Obs. Geoinf(5), 29-39.
Sun, H., Forsythe, W., & Waters, N. (2007). Modeling urban land use change and urban
sprawl: Calgary, Alberta, Canada. Networks Spatial Econ(7), 353-376.
Bibliografía 69
UNODC. (2016). Colombia. Explotación de oro de aluvión, evidencias a partir de
percepción remota. 164.
Urriza, G., & Garriz, E. (2014). ¿Expansión urbana o desarrollo compacto? Estado de
situación en una ciudad intermedia: Bahía Blanca, Argentina. Revista Universitaria
de Geografía, 23(2), 1-27.
Vargas Cuervo, G. (2016). Determination of the relative sediment concentration in water
bodies using remote sensing methodology. Cuadernos de Geografía: Revista
Colombiana de Geografía, 26(1), 11-24. doi:10.15446/rcdg.v26n1.56021
Wulder, M., Ortlepp, S., White, J., & Coops, N. (2008). Impact of sun sun-surface-sensor
geometry upon multi-temporal high spatial resolution satellite imagery. Canadian
Journal of Remote Sensing, 34, 455-461.
Xiaoyan, D., Zhongyang, G., Liquan, Z., & Jianping, W. (2010). Spatio-temporal pattern of
urban land cover evolvement with urban renewal and expansion in Shanghai
based on mixed-pixel classification for remote sensing imagery. Int. J. Remote
Sens, 31(23), 6095-6114. doi:10.1080/01431160903376407
Yeh, A., & Li, X. (2001). Measurement and monitoring of urban sprawl in a rapidly growing
region using entropy. Photogramm. Eng. Remote Sensing(67), 83-90.
Zhou, J., Yu, B., & Qin, J. (2014). Multi-level spatial analysis for changue detection of
urban vegetation at individual tree scale. Remote Sensing, 6, 9086-9103.
doi:10.3390/rs6099086
Top Related