Predicción de Expansión Urbana y Detección de Cambio de Uso de Suelo Mediante Segmentación de Imágenes Satelitales y Técnicas de Machine Learning

Abstract

Las ciudades son espacios físicos en los cuales se establece la población. En México, tres de cada cuatro personas viven en una ciudad. La expansión rápida y sin planeación trae consigo consecuencias indeseables para el desarrollo social y económico. El monitoreo de áreas urbanas y las modificaciones en el uso del suelo se lleva a cabo desde hace muchos años. Este monitoreo se lleva a cabo usando técnicas de percepción remota y otros índices. La detección de uso de suelo indica los patrones o tendencias de expansión urbana o el cambio del suelo en el área de estudio. El objetivo de esta investigación es proponer una metodología basada en aprendizaje automático para predecir la expansión urbana de las ciudades de Zacatecas y Guadalupe, empleando imágenes satelitales segmentadas, datos demográficos y ambientales, y así realizar una mejor planeación. Para lograr este objetivo se utilizaron mapas de uso de suelo y cobertura terrestre correspondientes al periodo 2000 a 2020, así como la inclusión de variables socioeconómicas, topográficas y atributos culturales. Se implementaron los algoritmos de Máquinas de soporte vectorial (SVM) con margen suave, Bosques Aleatorios (RF) y Boosting Categórico (catBoost). El mejor algoritmo para este problema fue SVM con margen suave. Comparado con otros estudios, este incorpora variables culturales e integra los valores SHAP, con el objetivo de conocer la influencia de dichas variables en el modelo final. Los valores SHAP revelaron que las variables clave en común fueron los mapas de uso y cobertura del suelo, las distancias a las zonas urbanas y las distancias a los centros de las ciudades. De forma contraria, la dirección de la pendiente, densidad de población religiosa y los ingresos por vivienda tuvieron una influencia menor en la predicción.