lineamientos metodológicos para la detección, análisis y ... · figura 3-4: segmentación de...

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


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



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




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



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.




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).




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.




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




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


Figura 2-3: Filtros de paso alto: a) Edge sharpening, b) Sobel, c) Gausiano, d) Laplaciano


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




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.




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.




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.




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.




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




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


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.




Figura 3-5: Funciones de análisis de los objetos para la clasificación de las coberturas.


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


Relación con Super-oobjetos


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.




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.




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.





Tabla 4-1: Matriz de error (%): clasificación de imagen de 1985.

Clases de coberturas

Precisión del productor

Intervalo de confianza 95%

Precisión del usuario


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







Estadísticos Kappa


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






Estadísticos Kappa


60.00% ( 24.636% 95.364%)

60.00% ( 24.636% 95.364%)

0.5862


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%



Variación general Kappa: -0.003







Estadísticos Kappa


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


53.33% ( 24.753% 81.914%)

80.00% ( 50.208% 109.792%)

0.7895









Estadísticos Kappa


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%



Variación general Kappa: 0







Estadísticos Kappa


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


53.85% ( 22.900% 84.792%)

53.85% ( 22.900% 84.792%)

0.5176


93.13% ( 88.892% 97.358%)

80.98% ( 75.036% 86.921%)

0.5924

Capítulo 4 41






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.




Figura 4-2: Dinámica de cambio de coberturas de la tierra en la LSB


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.


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




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



Zonas urbanas

Vias y sistemas de transporte


Cuerpos de agua

Humedales

Invernaderos

$

0 1.5 3 4.5 60.75km

Coordenadas geográficas WGS 84Bogotá, D.C.




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.


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.


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




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.


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



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)


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







Figura 4-7: (Continuación)


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




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.




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




Título de la tesis o trabajo de investigación

C. Anexo: Mapa clasificación de coberturas 2005

59

D. Anexo: Mapa clasificación de coberturas 2015





E. Anexo: Mapa de tendencia de expansión urbana

61

F. Anexo: Mapa de cambios de coberturas entre los periodos 1985 a 2015





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

lineamientos metodológicos para la detección, análisis y ... · figura 3-4: segmentación de...

Documents