Please ensure Javascript is enabled for purposes of website accessibility

Vol. 36 Núm. 3 (2021): 108, septiembre-diciembre
Artículos

Autómatas Celulares en Cascada para modelar la expansión urbana con áreas restringidas

xml xml
  • Eduardo Jiménez López,
  • Carlos Garrocho Rangel,
  • Tania Chávez Soto
Eduardo Jiménez López
El Colegio Mexiquense, A.C.
Biografía
Carlos Garrocho Rangel
El Colegio Mexiquense, A.C.
Biografía
Tania Chávez Soto
El Colegio Mexiquense, A.C.
Biografía
DOI: https://doi.org/10.24201/edu.v36i3.1997

Publicado 2021-09-17

Palabras clave

  • autómatas celulares,
  • modelos de expansión urbana.

Cómo citar

Jiménez López, E., Garrocho Rangel, C., & Chávez Soto, T. (2021). Autómatas Celulares en Cascada para modelar la expansión urbana con áreas restringidas. Estudios Demográficos y Urbanos, 36(3), 779–823. https://doi.org/10.24201/edu.v36i3.1997
Metrics
Vistas/Descargas
  • Resumen
    1263
  • PDF
    568
  • En línea
    25

Descargas

Los datos de descargas todavía no están disponibles.

Derechos de autor 2021 Estudios Demográficos y Urbanos

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Métrica

Resumen

Combinamos geografía urbana, matemáticas de sistemas dinámicos, sistemas de información geográfica (SIG) y ciencias computacionales para diseñar una metodología de modelado de carácter general fundamentada en Autómatas Celulares en Cascada, que permite construir modelos específicos de la expansión de ciudades mexicanas. Sometemos nuestra metodología a una triple prueba empírica en ciudades con características contrastantes. Los modelos consideran restricciones a la expansión urbana (vialidades, parques, etc.). Utilizamos indicadores de bondad de ajuste global y local entre imágenes, articulados en un filtro en cascada, lo que reduce el procesamiento computacional. Los modelos mostraron ajustes alentadores. Ilustramos cómo nuestro método puede impulsar el codiseño de políticas urbanas.

xml xml

Referencias

  1. Abraira, V. (2001). El índice Kappa. Medicina de Familia. Semergen, 27(5), 247-249. https://www.elsevier.es/es-revista-medicina-familia-semergen-40-pdf-S113835930173955X DOI: https://doi.org/10.1016/S1138-3593(01)73955-X
  2. Aburas, M., Ho, Y., Ramli, M. y Ash’aari, Z. (2016). The simulation and prediction of spatio-temporal urban growth trends using cellular automata models: A review. International Journal of Applied Earth Observation and Geoinformation, 52, 380-389. https://www.sciencedirect.com/science/article/pii/S0303243416301143 DOI: https://doi.org/10.1016/j.jag.2016.07.007
  3. Aguilera, F. (2006). Predicción del crecimiento urbano mediante sistemas de información geográfica y modelos basados en autómatas celulares. GeoFocus. Revista Internacional de Ciencia y Tecnología de la Información Geográfica, 6, 81-112. http://www.geofocus.org/index.php/geofocus/article/view/90/253
  4. Angilella, S., Bottero, M., Corrente, S., Ferretti, V., Greco, S. y Lami, I. (2016). Non additive robust ordinal regression for urban and territorial planning: An application for siting an urban waste landfill. Annals of Operations Research, 245(1-2), 427-456. https://link.springer.com/article/10.1007/s10479-015-1787-7 DOI: https://doi.org/10.1007/s10479-015-1787-7
  5. Banco Mundial. (2010). Sistemas de ciudades: la urbanización, motor del crecimiento y el alivio de la pobreza. Washington, D.C.: World Bank.
  6. Baxendale, C. y Buzai, G. (2011). Dinámica de crecimiento urbano y pérdida de suelos productivos en el Gran Buenos Aires (Argentina), 1869-2011. Análisis espacial basado en sistemas de información geográfica. Serie Geográfica, 17, 77-95. http://hdl.handle.net/10017/14761
  7. Benenson, I. y Torrens, P. (2004). A minimal prototype for integrating GIS and geographic simulation through geographic automata systems. En P. M. Atkinson, G. M. Foody, S. E. Darby y F. Wu (eds.), GeoDynamics (pp. 347-367). Nueva York: CRC Press. DOI: https://doi.org/10.1201/9781420038101.ch23
  8. Bhatta, B., Saraswati, S. y Bandyopadhyay, D. (2010). Urban sprawl measurement from remote sensing data. Applied Geography, 30(4), 731-740. https://www.sciencedirect.com/science/article/pii/S0143622810000226 DOI: https://doi.org/10.1016/j.apgeog.2010.02.002
  9. Cabral, P., Augusto, G., Tewolde, M. y Araya, Y. (2013). Entropy in urban systems. Entropy, 15(12), 5223-5236. https://www.mdpi.com/1099-4300/15/12/5223 DOI: https://doi.org/10.3390/e15125223
  10. Chávez, T. y Garrocho, C. (2018). Christaller: Estación de Inteligencia Territorial. Geografía y Sistemas de Información Geográfica, Geosig, 10(10), 29-50. https://docs.wixstatic.com/ugd/79758e_06e66947b32a48369bf75f7c80a378c0.pdf
  11. Chen, Y. (2018). How to understand fractals and fractal dimension of urban morphology. Physics and Society, 1, 1-25. shorturl.at/quOQV
  12. Clarke, K. (2018). Land use change modeling with sleuth: Improving calibration with a genetic algorithm. En M. Camacho Olmedo, M. Paegelow, J. F. Mas y F. Escobar (eds.), Geomatic approaches for modeling land change scenarios (pp. 139-161). Berlín: Springer-Verlag. DOI: https://doi.org/10.1007/978-3-319-60801-3_8
  13. Field, A. (2009). Discovering statistics using SPSS. Londres: Sage.
  14. Fúster-Sabater, A., Pazo-Robles, M. y Caballero-Gil, P. (2008). Modelización del generador auto-shrinking mediante autómatas celulares. En Proceedings of the X Spanish Meeting on Cryptology and Information Security (RECSI 2008) (pp. 187-193). IFA: Comunicaciones Congresos. http://hdl.handle.net/10261/10875
  15. García, N. (2017). Factores socioeconómicos de vulnerabilidad en la ciudad de Acapulco, Guerrero, México. Investigaciones Geográficas, 53(2017), 93-114. https://lenguasmodernas.uchile.cl/index.php/IG/article/view/44625 DOI: https://doi.org/10.5354/0719-5370.2017.44625
  16. Garrocho, C. (2011). Población flotante, población en movimiento: conceptos clave y métodos de análisis exitosos. Ciudad de México: Consejo Nacional de Población / El Colegio Mexiquense, A.C.
  17. Garrocho, C. (2013). Dinámica de las ciudades de México en el siglo XXI. Cinco vectores clave para el desarrollo sostenible. Zinacantepec, Estado de México: El Colegio Mexiquense, A.C. / Consejo Nacional de Población / Fondo de Población de las Naciones Unidas.
  18. Garrocho, C. y Sobrino, L. (2018). Ciudades sostenibles en México: ¿qué hacer? En J. L. Lezama (coord.), Cambio climático, ciudad y gestión ambiental (pp. 201-246). Ciudad de México: El Colegio de México, A.C. DOI: https://doi.org/10.2307/j.ctv4g1r5m.9
  19. Giddens, A. (2013). The third way and its critics. Londres: John Wiley and Sons.
  20. Glaeser, E. (2011). Triumph of the city: How urban spaces make us human. Nueva York: Pan Macmillan.
  21. Goodchild, M. (2013). Prospects for a space-time GIS: Space-time integration in geography and GIScience. Annals of the Association of American Geographers, 103(5), 1072-1077. https://www.tandfonline.com/doi/full/10.1080/00045608.2013.792175 DOI: https://doi.org/10.1080/00045608.2013.792175
  22. Guan, C. y Rowe, P. (2016). Should big cities grow? Scenario-based cellular automata urban growth modeling and policy applications. Journal of Urban Management, 5(2), 65-78. https://www.sciencedirect.com/science/article/pii/S2226585616300267 DOI: https://doi.org/10.1016/j.jum.2017.01.002
  23. Holland, J. (2006). Studying complex adaptive systems. Journal of Systems Science and Complexity, 19(1), 1-8. https://link.springer.com/article/10.1007/s11424-006-0001-z DOI: https://doi.org/10.1007/s11424-006-0001-z
  24. Jiménez, E., Chávez, T. y Garrocho, C. (2018). Modelando la expansión urbana con autómatas celulares: aplicación de la Estación de Inteligencia Territorial (Christaller). Geografía y Sistemas de Información Geográfica, Geosig, 12, 1-26. https://docs.wixstatic.com/ugd/79758e_5db4574cbd884d7b89e96df748dca7cc.pdf
  25. Jiménez, E. (2019). Cadenas de Markov espaciales para simular el crecimiento del Área Metropolitana de Toluca, 2017-2031. Economía, Sociedad y Territorio, 19(60), 109-140. http://www.scielo.org.mx/scielo.php?pid=S1405-84212019000200109&script=sci_abstract
  26. Kim, D. y Batty, M. (2011). Calibrating cellular automata models for simulating urban growth: Comparative analysis of SLEUTH and Metronamica. (Documento de trabajo, núm. 176). Londres: Centre for Advanced Spatial Analysis. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.227.8725&rep=rep1&type=pdf
  27. Kuo, W., Jenssen, T., Butte, A., Ohno-Machado, L. y Kohane, I. (2002). Analysis of matched mRNA measurements from two different microarray technologies. Bioinformatics, 18(3), 405-412. https://academic.oup.com/bioinformatics/article/18/3/405/236502 DOI: https://doi.org/10.1093/bioinformatics/18.3.405
  28. Lai, T. y Dragićević, S. (2011). Development of an urban landslide cellular automata model: A case study of North Vancouver, Canada. Earth Science Informatics, 4(2), 69-80. https://link.springer.com/article/10.1007/s12145-011-0078-3 DOI: https://doi.org/10.1007/s12145-011-0078-3
  29. Lansing, J. (2003). Complex adaptive systems. Annual Review of Anthropology, 32(1), 183-204. https://www.annualreviews.org/doi/10.1146/annurev.anthro.32.061002.093440 DOI: https://doi.org/10.1146/annurev.anthro.32.061002.093440
  30. Lee Jr., D. (1973). Requiem for large-scale models. Journal of the American Institute of Planners, 39(3), 163-178. https://www.tandfonline.com/doi/abs/10.1080/01944367308977851 DOI: https://doi.org/10.1080/01944367308977851
  31. Li, X., Liu, X. y Yu, L. (2014). A systematic sensitivity analysis of constrained cellular automata model for urban growth simulation based on different transition rules. International Journal of Geographical Information Science, 28(7), 1317-1335. https://www.tandfonline.com/doi/full/10.1080/13658816.2014.883079 DOI: https://doi.org/10.1080/13658816.2014.883079
  32. Lin, C., Chen, S., Chen, C. y Tai, C. (2018). Detecting newly grown tree leaves from unmanned-aerial-vehicle images using hyperspectral target detection techniques. ISPRS Journal of Photogrammetry and Remote Sensing, 142, 174-189. https://www.sciencedirect.com/science/article/pii/S0924271618301552?via%3Dihub DOI: https://doi.org/10.1016/j.isprsjprs.2018.05.022
  33. Lopes, A. S., Grangeiro, C. y Van Wee, B. (2019). LUTI operational models review based on the proposition of an a priori ALUTI conceptual model. Journal Transport Reviews, 39(2), 204-225. https://www.tandfonline.com/doi/full/10.1080/01441647.2018.1442890 DOI: https://doi.org/10.1080/01441647.2018.1442890
  34. López-de-Ullibarri, I. y Pita-Fernández, S. (1999). Medidas de concordancia: el índice Kappa. Cadernos de atención Primaria, 6(4), 223-226. https://dialnet.unirioja.es/servlet/articulo?codigo=2332301
  35. Louf, R. y Barthelemy, M. (2014). Scaling: lost in the smog. Environment and Planning B: Planning and Design, 41, 767-769. https://arxiv.org/abs/1410.4964 DOI: https://doi.org/10.1068/b4105c
  36. Marín, M., Rauch, V., Rojas-Molina, A., López-Cajún, C., Herrera, A. y Castaño, V. (2000). Cellular automata simulation of dispersion of pollutants. Computational Materials Science, 18(2), 132-140. https://www.sciencedirect.com/science/article/pii/S0927025600000975 DOI: https://doi.org/10.1016/S0927-0256(00)00097-5
  37. Martner, C. (2016). Expansión dispersa, ciudad difusa y transporte: el caso de Querétaro, México. Revista Latinoamericana de Estudios Urbano Regionales, Eure, 42(125), 31-60. https://scielo.conicyt.cl/scielo.php?pid=S0250-71612016000100002&script=sci_arttext DOI: https://doi.org/10.4067/S0250-71612016000100002
  38. Mohan, A. y Khan, N. (2018). Dataset expansion and accelerated computation for image classification: A practical approach. En M. Singh, P. Gupta, V. Tyagi, J. Flusser y T. Ören (eds.) Advances in computing and data sciences. Second International Conference, ICACDS 2018. Dehradun, India (pp. 43-54). Singapur: Springer. https://link.springer.com/chapter/10.1007/978-981-13-1813-9_5 DOI: https://doi.org/10.1007/978-981-13-1813-9_5
  39. ONU-Hábitat (2008). State of the world’s cities 2010/2011: Bridging the urban divide. Nairobi: United Nations Human Settlements Programme.
  40. O’Sullivan, D. y Torrens, P. (2001). Cellular models of urban systems. (Documento de trabajo, núm. 22). Londres: Centre for Advanced Spatial Analysis. http://discovery.ucl.ac.uk/1367/1/paper22.pdf DOI: https://doi.org/10.1007/978-1-4471-0709-5_13
  41. Padilla, O., Pérez, P., Cruz, M., Huilcamaigua, S. y Astudillo, S. (2015). Utilización de autómatas celulares como técnica de modelamiento espacial para determinación del cambio de uso de suelo y cobertura vegetal. Ciencias Espaciales, 8(1), 310-326. https://www.lamjol.info/index.php/CE/article/view/2055 DOI: https://doi.org/10.5377/ce.v8i1.2055
  42. Pérez-Miranda, R., Valdez, R., Moreno, F., González, A. y Valdez, J. (2011). Predicción espacial de cambios del uso de suelo en Texcoco, Estado de México. Revista Mexicana de Ciencias Forestales, 2(5), 59-72. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-11322011000300006 DOI: https://doi.org/10.29298/rmcf.v2i5.586
  43. Rasmussen, R. y Hamilton, G. (2012). An approximate Bayesian computation approach for estimating parameters of complex environmental processes in a cellular automata. Environmental Modelling and Software, 29(1), 1-10. https://www.sciencedirect.com/science/article/pii/S1364815211002167 DOI: https://doi.org/10.1016/j.envsoft.2011.10.005
  44. Rocha-Campos, P., De Almeida, C. y Pereira de Quiroz, A. (2018). Educational infrastructure and its impact on urban land use change in a peri-urban area: A cellular-automata based approach, Land Use Policy, 79, 774-788. https://www.sciencedirect.com/science/article/abs/pii/S026483771830557X DOI: https://doi.org/10.1016/j.landusepol.2018.08.036
  45. Romano, Y. (2018). Mosaico del territorio mexicano del año 2000 y 2018 a partir de imágenes Landsat. https://www.gob.mx/cms/uploads/attachment/file/412978/P2_201_LANDSAT_2000_2018_web.pdf
  46. Rosebrock, A. (2016). Intersection over Union (loU) for object detection. https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/
  47. Rutter, E., Lagergren, J. y Flores, K. (2019). Automated object tracing for biomedical image segmentation using a deep convolutional neural network. En A. F. Frangi, J. A. Schnabel, C. Davatzikos, C. Alberola-López y G. Fichtinger (eds.), Medical image computing and computer assisted. Intervention- MICCAI 2018 (pp. 686-694). Berlín: Springer-Verlag. https://link.springer.com/chapter/10.1007%2F978-3-030-00937-3_78
  48. Shen, G. (2002). Fractal dimension and fractal growth of urbanized areas. International Journal of Geographical Information Science, 16(5), 419-437. https://www.tandfonline.com/doi/abs/10.1080/13658810210137013 DOI: https://doi.org/10.1080/13658810210137013
  49. Sobrino, J., Garrocho, C., Graizbord, B., Brambila, C. y Aguilar, G. (2015). Sustainable cities: A conceptual and operational proposal. Ciudad de Panamá, Panamá: United Nations Population Fund.
  50. Storper, M. (2013). Keys to the city: How economics, institutions, social interaction, and politics shape development. Estados Unidos: Princeton University Press. DOI: https://doi.org/10.1515/9781400846269
  51. Unsworth, K., Forte, A. y Dilworth, R. (2014). Urban informatics: The role of citizen participation in policy making. Journal of Urban Technology, 21(4), 1-5. https://www.tandfonline.com/doi/full/10.1080/10630732.2014.971527 DOI: https://doi.org/10.1080/10630732.2014.971527
  52. Viera, A. y Garrett, J. (2005). Understanding interobserver agreement: The Kappa statistic. Family Medicine, 37(5), 360-363. http://www1.cs.columbia.edu/~julia/courses/CS6998/Interrater_agreement.Kappa_statistic.pdf
  53. Vilchis-Mata, I., Garrocho-Rangel, C. y Díaz-Delgado, C. (2018). Modelo dinámico adaptativo para la toma de decisiones sostenibles en el ciclo hidrosocial urbano en México. Revista de Geografía Norte Grande, 71, 59-90. https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-34022018000300059 DOI: https://doi.org/10.4067/S0718-34022018000300059
  54. Wagner, M. y De Vries, W. (2019). Comparative review of methods supporting decision-making in urban development and land management. Land, 8(8), 123. https://www.mdpi.com/2073-445X/8/8/123/htm DOI: https://doi.org/10.3390/land8080123
  55. Wahyudi, A. y Liu, Y. (2016). Cellular automata for urban growth modelling. International Review for Spatial Planning and Sustainable Development, 4(2), 60-75. https://www.jstage.jst.go.jp/article/irspsd/4/2/4_60/_article DOI: https://doi.org/10.14246/irspsd.4.2_60
  56. Warrens, M. (2015). Five ways to look at Cohen’s Kappa. Journal of Psychology and Psychotherapy, 5(4), 1-4. https://www.longdom.org/open-access/five-ways-to-look-at-cohens-kappa-2161-0487-1000197.pdf DOI: https://doi.org/10.4172/2161-0487.1000197
  57. Wolfram, S. (1983). Statistical mechanics of cellular automata. Reviews of Modern Physics, 55(3), 601-644. https://journals.aps.org/rmp/abstract/10.1103/RevModPhys.55.601 DOI: https://doi.org/10.1103/RevModPhys.55.601
  58. Wongthanavasu, S. y Tangvoraphonkchai, V. (2007). Cellular automata-based algorithm and its application in medical image processing. En IEEE International Conference on 2007 (pp. 41-44). http://vigir.missouri.edu/~gdesouza/Research/Conference_CDs/IEEE_ICIP_2007/pdfs/0300041.pdf DOI: https://doi.org/10.1109/ICIP.2007.4379241
  59. Yassemi, S., Dragićević, S. y Schmidt, M. (2008). Design and implementation of an integrated GIS-based cellular automata model to characterize forest fire behaviour. Ecological Modelling, 210(1-2), 71-84. https://www.sciencedirect.com/science/article/pii/S0304380007003626?via%3Dihub DOI: https://doi.org/10.1016/j.ecolmodel.2007.07.020
  60. Yeh, A. y Li, X. (2001). Measurement and monitoring of urban sprawl in a rapidly growing region using entropy. Photogrammetric Engineering and Remote Sensing, 67(1), 83-90. https://ci.nii.ac.jp/naid/80012193198/