Ambiente/Environment/Meio ambiente
Cambios en las coberturas urbanas de la ciudad de Maracay, Venezuela, entre 1986 y 2020. Aplicación de aprendizaje automatizado e imágenes en falso color
Changes in the urban coverage of the city of Maracay, Venezuela between 1986 and 2020. Application of machine learning and false color images.
Mudanças na cobertura urbana da cidade de Maracay, Venezuela, entre 1986 e 2020. Aplicação de aprendizagem automatizada e imagens em cores falsas.
Miguel Silva
Ing°Agrón° Universidad Central de Venezuela (UCV). Correo-e: climamiguel48@gmail.com
Juan Rey
Ing°Agrón°, Msc. UCV. Correo-e: jcrey67@gmail.com
Naghely Mendoza
Ing°Agrón°, Msc. UCV. Correo-e: naghely.mendoza@gmail.com
Recibido: 11-2-21; Aprobado: 15-3-21
Abstract
Population growth has provoked processes of urban expansion, which in many cases has generated unfavorable conditions for its inhabitants, such as increases in temperature or greater dryness of the environment, derived to a large extent, from poor territorial planning. To assess the impact of these conditions, it is important to carry out a multitemporal analysis of urban surfaces, which allows visualizing the changes in these areas over time. For this study, an analysis of changes in coverage of the city of Maracay, Venezuela was carried out from the classification of Landsat TM, ETM + and OLI/TIRS images for the years 1986, 2000 and 2020. These images were atmospherically corrected by subtraction DOS1 dark object. They were classified in a supervised way in the classes: urban, vegetation, water and bare soil, by means of random forest from vectorized polygons in false color images and it was validated by means of confusion matrices and the kappa index. The results revealed excellent classifier efficiency, with overall precision and a kappa index above 0.9. There was a greater increase in urban space and a decrease in plant space for the period 2000-2020 than for 1986-2000 and a greater substitution of plant space for urban space, as well as the advance of Valencia´s Lake over the city. Urban coverage increased from 41.23 km² in 1986 to 48.06 km² in 2020, while vegetation decreased from 39.9 km² in 1986 to 25.6 km² in 2020.
Resumen
El crecimiento poblacional ha provocado procesos de expansión urbana, que en muchos casos ha generado condiciones desfavorables para sus habitantes, tales como aumentos de temperatura o mayor sequedad del ambiente, derivado en gran medida, de una deficiente planificación territorial. Para valorar el impacto de estas condiciones, es importante realizar un análisis multitemporal de las superficies urbanas, que permita visualizar los cambios de estas áreas en el tiempo. Para este estudio se realizó un análisis de cambios de coberturas de la ciudad de Maracay, Venezuela a partir de la clasificación de imágenes Landsat TM, ETM+ y OLI/TIRS para los años 1986, 2000 y 2020. Estas imágenes fueron corregidas atmosféricamente mediante la sustracción de objeto oscuro DOS1. Se clasificaron de forma supervisada en las clases: urbano, vegetación, agua y suelo desnudo, mediante bosque aleatorio a partir de polígonos vectorizados en imágenes en falso color y se validaron mediante matrices de confusión y el índice de kappa. Los resultados revelaron una excelente eficiencia del clasificador, con una precisión global y un índice de kappa por encima de 0,9. Se constató un mayor aumento del espacio urbano y disminución del espacio vegetal para el periodo 2000-2020 que para 1986-2000 y una mayor sustitución del espacio vegetal por urbano, así como el avance del lago de Valencia sobre la ciudad. La cobertura urbana aumento de 41,23 km² en 1986 a 48,06 km² en el 2020, mientras que la vegetación disminuyó de 39,9 km² en 1986 a 25,6 km² en el 2020.
Resumo
O crescimento populacional levou a processos de expansão urbana, que em muitos casos criaram condições desfavoráveis para os seus habitantes, como o aumento da temperatura ou uma maior secura do ambiente, em grande parte derivados de um planeamento territorial deficiente. Para avaliar o impacto destas condições, é importante realizar uma análise multitemporal das superfícies urbanas, que permita visualizar as mudanças destas áreas ao longo do tempo. Para este estudo, foi realizada uma análise das mudanças de cobertura na cidade de Maracay, Venezuela, a partir da classificação de imagens LandsatTM, ETM+ e OLI/TIRS para os anos de 1986, 2000 e 2020. Estas imagens foram corrigidas atmosféricamente subtraindo o objeto escuro DOS1. Eram supervisionados nas aulas: vegetação, água e solo nu, por floresta aleatória de polígonos vectorizados em imagens de cores falsas e validados por matrizes de confusão e índice kappa. Os resultados revelaram uma excelente eficiência de classificador, com precisão global e um índice kappa acima de 0,9. Verificou-se um maior aumento do espaço urbano e uma diminuição do espaço vegetal para o período 2000-2020 do que em 1986-2000 e uma maior substituição do espaço vegetal pelo espaço urbano, bem como o avanço do Lago Valência sobre a cidade. A cobertura urbana aumentou de 41,23 km2 em 1986 para 48,06 km2 em 2020, enquanto a vegetação diminuiu de 39,9 km2 em 1986 para 25,6 km2 em 2020.
Palabras clave/Keywords/Palabras-chave:
Clasificación, classification, classificação, coberturas, coverage, deteção remota, imagens, imágenes, images, Landsat, remote sensing, teledetección.
Citar así/Cite like this/Citação assim: Silva et al. (2021) o (Silva et al., 2021)
Referenciar así/Reference like this/Referência como esta:
Silva, M., Rey, J, Mendoza, N. (Abril 2021). Cambios en las coberturas urbanas de la ciudad de Maracay, Venezuela, entre 1986 y 2020. Aplicación de aprendizaje automatizado e imágenes en falso color. Geominas 49(84). 3-6.
Introducción
La expansión urbana es signo de crecimiento poblacional y viene acompañada con un aumento de edificaciones y mejoras en los servicios básicos, indispensables para una adecuada calidad de vida de la población. No obstante, este mismo desarrollo y crecimiento ha generado algunos efectos desfavorables, no solamente para el ambiente, sino también para sus habitantes (Ranagalage et al., 2017). Gracias a que el crecimiento urbano suele realizarse bajo deficientes planificaciones territoriales, en detrimento de las características ambientales previas a su establecimiento.
Entre las consecuencias del desarrollo urbano se han documentado: aumentos de temperaturas y generación de islas de calor urbano (Mudede et al., 2020), aparición de condiciones más secas (Xu, 2008) e incluso, se ha demostrado que juega un papel cada vez más importante en el cambio climático (Moreno y Lourenço, 2018). Por lo que, cada día es más relevante el estudio de las variaciones tanto espaciales como temporales de los espacios urbanos, en favor de evaluar los impactos que genera su constante expansión.
Para ello, la teledetección ofrece una gama de herramientas de bajo costo y amplia cobertura espacial, que permiten un análisis más oportuno, eficiente y preciso de las condiciones urbanas. En este sentido, en espacios urbanos se han aplicado, principalmente, índices espectrales (Varshney et al., 2014), análisis de temperaturas superficiales (Shi y Zhang, 2018) y clasificaciones de coberturas (Zubair, 2020). En relación con esta temática, en Venezuela se han reportado trabajos sobre estudios con énfasis en temperatura superficial (Córdova, 2011), clasificaciones de coberturas (Batista y Bustos, 2009) y la evaluación de la crisis socioeconómica venezolana a través de imágenes de luz nocturna del conjunto de radiómetros de imágenes infrarrojas visibles (NPP-VIIRS) (Zhang et al., 2020).
El objetivo de este estudio fue realizar un análisis multitemporal de las coberturas de la ciudad de Maracay, Estado Aragua, Venezuela. Estas coberturas son las resultantes de clasificaciones de imágenes Landsat se escogió la ciudad de Maracay, debido a que es una de las ciudades más importantes del centro norte del país, caracterizada por un significativo parque industrial y crecimiento constante de barriadas; adicionalmente, la ciudad colinda con el Parque Nacional Henry Pittier y el Lago de Valencia, lo que ha provocado desequilibrios ambientales generalizados, acentuados en la última década.
Materiales y métodos
Área de estudio: Está comprendida por la ciudad de Maracay, capital del municipio Girardot y del estado Aragua, localizada en la región centro-norte de la República Bolivariana de Venezuela (Figura 1). Se ubica entre las coordenadas 10°14′49″ Norte y 67°35′45″ Oeste. La altitud de la ciudad oscila entre los 412 msnm a los 894 msnm y posee una superficie de 75 km². La ciudad limita al norte con el parque nacional Henri Pittier y a su vez con el municipio Mario Briceño Iragorry. Al sur con el lago de Valencia, al este con los municipios Santiago Mariño y Linares Alcántara y al oeste con el municipio Diego Ibarra del estado Carabobo.
Figura 1. Detalle de la ubicación geográfica de la ciudad de Maracay.
Imágenes satelitales: Se eligieron las imágenes registradas por los sensores TM del Landsat 5, ETM + del Landsat 7 y OLI y TIRS del Landsat 8, con la menor cantidad de nubes posibles. Debido a que se realizó un análisis de temperatura superficial, se utilizaron imágenes captadas en el periodo donde se registran las temperaturas más bajas en la ciudad, siendo este periodo, entre enero y principios de febrero aproximadamente. Estas imágenes fueron descargadas de https://earthexplorer.usgs.gov/. La tabla 1 muestra las fechas y las horas de las capturas de las imágenes.
Tabla 1. Satélite/Sensor, fecha y hora de las imágenes utilizadas en el estudio
Procesamiento de las imágenes: Las imágenes Landsat son proporcionadas en el nivel de procesamiento L1TP, donde ya están corregidas geométricamente (LANDSAT SPPA Team, 2015). Para la corrección atmosférica se empleó el plug-in de clasificación semiautomática del gestor de sistemas de información geográfica QGIS versión 3.0. Con este plug-in, se aplicó la corrección atmosférica mediante la sustracción de objeto oscuro (DOS1) (Chávez, 1996).
Clasificación de coberturas: Debido a elevada heterogeneidad de los píxeles de las imágenes de superficies urbanas y una resolución espacial de 30 m, que limita una adecuada diferenciación de coberturas, se plantearon solamente cuatro clases: urbano, suelo desnudo, vegetación y agua. Como método clasificador se escogió el Bosque Aleatorio. Es una técnica que se basa en el ensamblaje o empaquetamiento de árboles de decisión (Rokach y Maimon, 2008) y se vale de varios algoritmos de aprendizaje a partir de una multitud de estos árboles. Las predicciones finales son el promedio de predicciones de árboles individuales de acuerdo a modelo siguiente (Hengl et al., 2018):
Donde es el remuestreo individual de la muestra, es el número total de árboles y es el aprendiz individual, es decir, el árbol de decisión individual, a través de la ecuación:
Donde (es la ésima muestra de entrenamiento con pares de valores de la muestra objetivo () y las áreas de entrenamiento.
Las áreas de entrenamiento fueron generadas en el sistema de análisis geocientífico SAGA versión 7.6.2 (SAGA GIS) a partir de vectorización de polígonos de las clases a una imagen RGB en falso color para resaltar áreas urbanas con la combinación de las bandas 7, 5, 3 para el Landsat 5 y 7, y 7, 6, 4 para el Landsat 8. (Figura 2).
Figura 2. Polígonos de las áreas de entrenamiento: urbano (1), vegetación (2), suelo desnudo (3) y agua (4), sobre una parte de una imagen de Landsat 8 en falso color con la combinación RGB 7,6,4.
Resultados y discusión
Las evaluaciones de las clasificaciones pueden encontrarse en la tabla 3, la cual muestra los resultados de las matrices de confusión y los indicadores de validación por cada clasificación evaluada. Los coeficientes de precisión global y de kappa por encima de 0,9 permiten asumir que el clasificador logró realizar una excelente clasificación de las imágenes de acuerdo a criterios de validación preestablecidos (Rujoiu-Mare y Bogdan-Andrei, 2016), a pesar de que fuera disminuyendo entre las imágenes. No obstante, se puede apreciar que la clase de suelo desnudo fue la que mayor problema presentó durante su clasificación, debido a la confusión que pudieron tener algunos píxeles con los píxeles seleccionados para otras clases, y así mismo, a la limitada disponibilidad de píxeles para la clase de suelo desnudo en las imágenes, principalmente, en la imagen de 1986. Estos resultados confirman el buen desempeño que ha tenido el aprendizaje automatizado en la clasificación de imágenes de sensores remotos (Cánovas-García et al., 2016).
Las clasificaciones fueron validadas a partir de matrices de confusión y el índice de kappa. Lo más recomendable para realizar la validación de las clasificaciones es comparar los píxeles clasificados con los valores muestreados en campo, sin embargo, debido a la imposibilidad de realizar este muestreo en imágenes antiguas, para este estudio se utilizaron polígonos vectorizados de la imagen en falso color que no se utilizaron para realizar la clasificación, la tabla 2 muestra la cantidad de polígonos y píxeles que se usaron tanto para la clasificación (entrenamiento) como para la validación. Tanto la clasificación como la evaluación de las imágenes fueron realizadas en SAGA GIS.
Tabla 2. Número de polígonos de entrenamiento y píxeles por cada clase que se utilizaron para la clasificación de las imágenes.
Tabla 3. Resultados de las matrices de confusión y de los indicadores de validación para cada clasificación de cobertura y cada imagen.
Mientras que para el año 1986 la vegetación abarcaba un espacio de más de 39 km², para el año 2000, había disminuido a 37,3 km² y 20 años después, ocupa un espacio de 25,6 km², reduciéndose en un 38 %. Por su parte, la cobertura urbana aumentó de 41,23 km² en el año 1986, a 42,1 km² en el año 2000 y hasta 48,6 km² en el año 2020, aumentando un 18 %. Por otra parte, se apreció un incremento importante de la cantidad de suelo desnudo entre 1986 y 2020, pasando de 0,03 a 2,8 km, aumentando casi 1.000 veces su extensión.
Las dinámicas del cambio en las coberturas reflejaron también el papel del avance del lago de Valencia y como ha afectado a la ciudad de Maracay. Se puede observar que el lago de Valencia ha logrado ocupar hasta 5,8 km² de ciudad para el año 2020 en comparación al año 1986, sustituyendo tanto coberturas vegetales como urbanas, por lo que el espacio ocupado por la ciudad para el año 2020 sería de 75,44 km², disminuyendo el área de la ciudad en un 7 %.
En la figura 4 se aprecia la sustitución o dinámica de cambio o cambios de coberturas a través del tiempo. Los cambios más importantes para el periodo entre el año 1986 y el año 2000, se concentraron en que más de 36 km² de superficie urbana permanecieron como superficie urbana, y 32,7 km² de vegetación permanecieron como vegetación, mientras que 4,63 km² de coberturas urbanas cambiaron a vegetación en contraste a 5,8 km² de vegetación, que cambiaron a cobertura urbana. Para este mismo periodo, 0,42 km² de cobertura urbana y 1,6 km² de vegetación fueron sustituidos por agua.
Para el intervalo de tiempo entre el año 2000 y el año 2020, se presentaron mayores cambios entre las coberturas que para el periodo anterior. Mientras que 38 km² de coberturas urbanas permanecieron como coberturas urbanas, solo 22,8 km² de vegetación permanecieron como vegetación debido, principalmente, a que más de 9 km² de vegetación se convirtieron en urbanismo, mientras que 2,77 km² de vegetación quedaron bajo las aguas del lago de Valencia y 2,1 km² se transformaron en suelo desnudo. Por otro lado, 2,74 km² de urbanismo cambiaron a vegetación, 0,74 km² cambiaron a agua y 0,63 km² a suelo desnudo. Por lo que, entre el año 2000 y el año 2020, el agua del lago de Valencia avanzó 2,26 km² del espacio ocupado por la ciudad de Maracay.
Los resultados hallados permitieron apreciar de forma gráfica el efecto que ha generado el avance del lago de Valencia sobe la ciudad, tal como se ha reportado en otra investigación sobre el crecimiento de las cotas de lago (Coiman, 2018). Este avance ha provocado severos impactos sociales al sur de la ciudad, donde más de veinte comunidades tuvieron que ser reubicadas, y para el año 2020, existen sectores vulnerables cercanos al lago, debido a las precarias condiciones de diques contenedores de agua, que pudieran generar más consecuencias desfavorables, si llegaran a ceder.
Las clasificaciones de las imágenes permitieron visualizar el avance y el cambio que han presentado las diferentes coberturas en el tiempo (Figura 3). Las coberturas que mayor espacio ocuparon en la ciudad en los tres años, corresponden a la cobertura urbana y a la vegetación. Sin embargo, se puede observar el retroceso de la cobertura vegetal y el aumento de la cobertura urbana, así mismo, el avance de la cobertura correspondiente al agua.
Figura 3. Clasificación de coberturas para la imagen de 1986 (a), 2000 (b) y 2020 (c) y resultados de las estimaciones del espacio ocupado por cada clase (d), expresado en kilómetros cuadrados.
Figura 4. Representación espacial de los cambios de coberturas entre el periodo 1986-2000 (a), periodo 2000-2020 (b) y los resultados de la estimación del área ocupada por estos cambios (c) expresada en kilómetros cuadrados
Conclusión
La información derivada de las imágenes Landsat permitió visualizar la evolución de las coberturas de la ciudad de Maracay a través del tiempo, específicamente el avance del espacio urbano y el suelo desnudo y la reducción de la vegetación. Así mismo, se cuantificó el importante avance que ha tenido el lago de Valencia sobre la ciudad. Los resultados confirmaron a su vez que el crecimiento de la ciudad fue mayor para el periodo de 2000 al 2020, con respecto al periodo entre 1986 al 2000.
Referencias bibliográficas
Coiman, A. (2018). Evolución de la ribera del lago de valencia y del uso y cobertura de la tierra en el municipio Zamora del estado Aragua, en el período 1986-2014. Trabajo presentado para optar al grado de especialista en Geomática. Universidad Central de Venezuela. Maracay, Venezuela.
Batista, R., Bustos, X. (2009). Sistema de información geográfica y teledetección. Determinación de vulnerabilidad urbana. Caso estado Vargas-Venezuela. Terra Nueva Etapa, (25), 167-190
Cánovas-García, F., Alonso, F., Castillo, F. (2016). Modificación del algoritmo Random Forest para su empleo en clasificación de imágenes de teledetección. En: XVII Congreso Nacional de Tecnologías de Información Geográfica, Málaga, 29, 30 de junio y 1 de julio 2016. pp. 359-368.
Chavez, P. S. (1996). Image-Based Atmospheric Corrections - Revisited and Improved Photogrammetric Engineering and Remote Sensing, [Falls Church, Va.] American Society of Photogrammetry, (62), 1025-1036
Córdova, K. (2011). Impactos de las islas térmicas o islas de calor urbano, en el ambiente y la salud humana. Análisis estacional comparativo: Caracas, octubre - 2009, marzo – 2010. Terra Nueva Etapa, (27), 95-122.
LANDSAT SPPA Team. (2015). IDEAS-VEG-SRV-REP-1320 LANDSAT Products Description document_v6.0.
Moreno, A., Roberto, L. (2018). Emisividad de radiación y efecto invernadero por la ocupación urbana del suelo en la cuenca del río Una, São Paulo. Cuadernos de Geografía: Revista Colombiana de Geografía, (27) 323-337.
Mudede, M. F., Newete, S., W., Abutaleb, B., Nkongolo N. (2020). Monitoring the urban environment quality in the city of Johannesburg using remote sensing data. Journal of African Earth Sciences. (171), 103969.
Ranagalage, M., Estoque, R. C., Murayama, Y. (2017). An urban heat island study of the Colombo metropolitan area, Sri Lanka, based on Landsat data (1997–2017), ISPRS International Journal of Geo-Information (6), 1-17.
Rujoiu-Mare, M., Bogdan, M.A. (2016). Mapping Land Cover Using Remote Sensing Data and GIS Techniques: A Case Study of Prahova Subcarpathians. Procedia Environmental Sciences, (32), 244-255.
Shi, Y., Zhang, Y. (2018). Remote sensing retrieval of urban land surface temperature in hot-humid región. Urban Climate, (24), 299-310.
Varshney, A., Rajesh, E. A. (2014). Comparative Study of Built-up Index Approachesfor Automated Extraction of Built-up Regions From Remote Sensing Data. J Indian Soc Remote Sens (42), 659–663.
Xu, H. (2008). A new index for delineating built-up land features in satellite imagery, International Journal of Remote Sensing, (29), 4269-4276.
Zhang, L., Li X., Chen, F. (2020). Spatiotemporal Analysis of Venezuela’s Nighttime Light During the Socioeconomic Crisis. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, (13), 2396 – 2408.
Zubair, O. (2020). Investigating Urban Growth and the Dynamics of Urban Land Cover Change Using Remote Sensing Data and Landscape Metrics, Papers in Applied Geography, 1-19.
The author(s) declare(s) that she/he/they has/have no conflict of interest related to hers/his/their publication(s), furthermore, the research reported in the article was carried out following ethical standards, likewise, the data used in the studies can be requested from the author(s), in the same way, all authors have contributed equally to this work, finally, we have read and understood the Declaration of Ethics and Malpractices.