Análisis del cambio de uso del suelo en un ecosistema urbano en la zona de drenaje del río Grijalva, México Resumen E l cambio de uso del suelo de la ciudad de Villahermosa, Tabasco, se analizó con base en el efecto provocado por el crecimiento urbano sobre la vegetación arbórea y los ecosistemas acuáticos. Se hizo un análisis multitemporal mediante el modelador de cambio de uso del suelo (Land Change Modeler for Ecological Sustainability) y el módulo CrossTab del software IDRISI Selva® y se calcularon tasas de cambio. De acuerdo con los resultados, durante casi tres décadas se perdieron 4,008 ha de suelo ocupado por vegetación arbórea y 289 ha de humedales, debido al crecimiento acelerado de los pastizales y la zona urbana. Mediante modelos de transición estocástica (cadenas de Markov y autómatas celulares) se proyectó una pérdida de 1,171 ha de vegetación arbórea y 247 ha de humedales entre el periodo 2008 y 2030. Es probable que esta tendencia se mantenga por el incesante crecimiento del pastizal y la zona urbana.Received: March 31, 2016 / Accepted: November 9, 2016. Palabras clave:Vegetación arbórea, humedales, crecimiento urbano, cadenas de Markov, autómatas celulares.
En este estudio se determinó el cambio de uso de suelo en la región de Chignahuapan-Zacatlán, Puebla, mediante un análisis bitemporal entre 1986 y 2011; la evaluación se hizo también para cada municipio. El cambio de uso de suelo se detectó mediante el manejo de imágenes Landsat. Los usos predominantes a nivel regional son el agrícola (49.7 %) y el forestal (46.1 %). En el caso de Chignahuapan, el uso agrícola representa la actividad principal con 58.9 % del territorio, mientras que en Zacatlán predomina el uso forestal con 57.3 %. A nivel regional y para el municipio de Zacatlán, el cambio de uso del suelo forestal se correlacionó significativamente (P ≤ 0.05) con 21 variables independientes, mediante un modelo probabilístico; en el caso de Chignahuapan, el modelo consideró 16 variables. A nivel regional, la probabilidad de cambio de uso de suelo forestal varió de 5 a 90 % y a nivel municipal de 7 a 99.8 %. Finalmente, la proyección para el año 2030 estima que el riesgo de deforestación a nivel regional y en los municipios de Chignahuapan y Zacatlán será de 13,063.8, 10,966.6 y 4,405.5 ha, respectivamente.
El suelo es un recurso natural de suma importancia para el ser humano por lo que definir su uso es esencial en un estudio ambiental. El objetivo de este estudio fue determinar las diferentes clases de usos del suelo en la subcuenca del río Metztitlán y proporcionar información confiable. La metodología empleada fue un enfoque cuantitativo y se realizó en cuatro etapas: recorridos de campo, preprocesamiento de la imagen de satélite Landsat 8 del año 2019, clasificación y validación de los usos del suelo. El proceso se basó en una estructura jerárquica de las categorías de dichos usos. Posteriormente, con el software TerrSet y recorridos de campo se describieron las características de estos. Se realizó una clasificación supervisada de máxima verosimilitud y se obtuvieron seis clases principales: matorral xerófilo (26 %), bosques (incluye coníferas, encinos y de niebla) (38 %), agricultura de riego (12 %) y de temporal (8 %), así como los cuerpos de agua (1 %) y zonas urbanas (15 %). La validación de la clasificación presentó más del 50 % de concordancia entre las clases generadas con la imagen y las obtenidas en campo.
RESUMENEsta investigación describe y analiza algunos métodos de detección de cambios en el uso del suelo originado por el crecimiento urbano con la finalidad de mostrar sus ventajas y desventajas; también expone aquellos métodos que proporcionan resultados favorables fundamentados en la información geográfica y que permiten una correcta toma de decisiones en la planificación del uso del suelo urbano. ABSTRACTThis research describes and analyzes some methods of detecting land-use changes caused by urban growth in order to show their advantages and disadvantages. It also outlines those methods that provide favorable results based on geographical information and enable proper decision-making in urban land-use planning. PALABRAS CLAVE:Uso del suelo urbano, crecimiento urbano, planificación territorial, toma de decisiones, SIG. KEY WORDS:Urban land use, urban growth, land-use planning, decision-making, GIS. INTRODUCCIÓNEl desarrollo poblacional demanda una gran cantidad de servicios y recursos, lo cual puede llegar a impactar negativamente al ambiente y deteriorar la calidad de vida de sus habitantes cuando no se realiza de manera planificada (USGS, 1999). Por tanto, es importante que las autoridades encargadas de la planificación territorial conozcan e implementen metodologías de planificación espacial para detectar y establecer las posibles modificaciones del crecimiento urbano para reorientar y minimizar los impactos bajo un contexto de sustentabilidad.En este proceso de planificación territorial es fundamental el uso de las diferentes disciplinas de la Geomática para caracterizar espacial y temporalmente la dinámica del crecimiento urbano con cierta precisión y detalle, con la finalidad de generar conocimiento útil en la planificación y ordenamiento del te-
Recurrent flooding occurs in most years along different parts of the Gulf of Mexico coastline and the central and southeastern parts of Mexico. These events cause significant economic losses in the agricultural, livestock, and infrastructure sectors, and frequently involve loss of human life. Climate change has contributed to flooding events and their more frequent occurrence, even in areas where such events were previously rare. Satellite images have become valuable information sources to identify, precisely locate, and monitor flooding events. The machine learning models use remote sensing images pixels as input feature. In this paper, we report a study involving 16 combinations of Sentinel-1 SAR images, Sentinel-2 optical images, and digital elevation model (DEM) data, which were analyzed to evaluate the performance of two widely used machine learning algorithms, gradient boosting (GB) and random forest (RF), for providing information about flooding events. With machine learning models GB and RF, the input dataset (Sentinel-1, Sentinel-2, and DEM) was used to establish rules and classify the set in the categories specified by previous tags. Monitoring of flooding was performed by tracking the evolution of water bodies during the dry season (before the event) through to the occurrence of floods during the rainy season (during the event). For detection of bodies of water in the dry season, the metrics indicate that the best algorithm is GB with combination 15 (F1m = 0.997, AUC = 0.999, K = 0.994). In the rainy season, the GB algorithm had better metrics with combination 16 (F1m = 0.995, AUC = 0.999, Kappa = 0.994), and detected an extent of flooded areas of 1113.36 ha with depths of <1 m. The high classification performance shown by machine learning algorithms, particularly the so-called assembly algorithms, means that they should be considered capable of improving satellite image classification for detection of flooding over traditional methods, in turn leading to better monitoring of flooding at local, regional, and continental scales.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.