Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana

Abstract

El crecimiento urbano y su modelización es un fenómeno que ha sido objeto de numerosos estudios por parte de la comunidad científica durante décadas (Linares, 2016). Podemos identificar que un proceso de modelización de la expansión urbana se necesita comomínimo de una secuenciación de seis fases: adquisición y normalización de datos de entrada, ponderación de los factores y construcción de mapas de transición potencial, elección del método para calcular la cantidad de cambio, inclusión de parámetros adicionales, validación del modelo y simulación de escenarios. Son amplios los antecedentes que aplican esta secuenciación, aunque resultan aún escasas las contribuciones que comparan y discuten la sensibilidad de modelos implementados sobre una misma área de estudio. A los fines de contribuir sobre este aspecto es que presentamos en este artículo una aplicación de modelización de la expansión urbana sobre la Ciudad de Tandil (provincia de Buenos Aires, Argentina), con el objetivo de realizar una comparación y discusión de seis algoritmos basados en inteligencia artificial que permiten ponderar diferencialmente factores para predecir la expansión. A partir de dicha aplicación fue posible construir seis mapas de transición potencial de suelo no edificado a edificado, utilizando el softwareTerrSety su módulo Land Change Modeler.

Urban growth is a multifaceted subject extensively studied and modeled by scientists for decades (Linares, 2017). The modelingprocess of urban expansion typically involves a sequence of six phases: acquiring and normalizing input data, weighting factors and constructing potential transition maps, selecting a method to calculate change, incorporating additional parameters, validating the model, and simulating scenarios. While there is substantial literature applying these phases to generate hypothetical future city scenarios, few studies compare and discuss the sensitivity of models applied to the same area. This article contributes to this field by applying an urban expansion modeling process to the City of Tandil (Buenos Aires Province, Argentina), comparing and discussing six artificial intelligence-based algorithms for differential factor weighting to predict expansion: distance to road networks, routes, city center, built surfaces, electrical services, water services, sewer services, slope, and elevation. Using TerrSet software and the Land Change Modelermodule, we constructed six potential transition maps from unbuilt to built land. Notably, the potential transition models derived from vector-based automated learning, logistic regression, and decision trees suggest a predominantly diffuse expansion pattern, whereas the weighted normalized probability model and case-based learning approach suggest a different expansion trend.