INTRODUCCIÓN

La población en el mundo crece 1.04%, lo que representa 81 millones de personas por año y 2.3% de la población mundial se encuentran en Centroamérica (United Nations Department of Economic and Social Affairs Population Division, 2019). En esta región se incluye México con 79% de su población, como lo establece el Instituto Nacional de Estadística y Geografía (INEGI, 2020). Se prevé que para 2050 la población en México alcance cerca de 150 millones de personas, como puede encontrarse en el trabajo del Consejo Nacional de Población (CONAPO, 2015) y, con esto, se ocasionará un aumento en la demanda y presión hacia los recursos naturales, destacando el agua para uso urbano (Díaz, Bravo, Alatorre, & Sánchez, 2014).

El centro y norte de México serán las regiones con mayor escasez de agua (Esparza, 2014) principalmente Chihuahua, que cuenta con 3.7 millones de personas, ocupando el décimo tercer lugar a nivel nacional. El 39% de la población del estado habita zonas urbanas dentro de las cuencas Laguna Bustillos y de los Mexicanos, río Conchos-Ojinaga, río Conchos-Presa de la Colina, río Conchos-Presa el Granero y río San Pedro. Estas cuencas son de importancia social y económica. Especialmente la cuenca del río Conchos, ya que el agua que produce forma parte del Tratado Internacional de Límites y Aguas entre México y EE. UU. (Bravo et al., 2022).

Un método eficaz para evaluar el impacto del crecimiento urbano al recurso hídrico es a través del análisis espacial y la simulación de escenarios de cambio potencial, para identificar las zonas más vulnerables (Sahagún-Sánchez & Reyes-Hernández, 2018). La teledetección y los sistemas de información geográficas permiten detectar los cambios en el uso de suelo en menos tiempo, a bajo costo y con mayor precisión (Rawat & Kumar, 2015) con teledetección se ha contribuido a la estimación de biomasa aérea y carbono (Perea-Ardila, Andrade-Castañeda, & Segura-Madrigal, 2021) y modelo multialgoritmo y jerárquico en la clasificación de la cobertura de la tierra (Vargas-Sanabria & Campos-Vargas, 2018).

En México la investigación de métodos automáticos para la creación de mapas de coberturas de suelo (Prieto-Amparán et al., 2019), simulación y proyección del crecimiento urbano (Avalos, Gómez, Aguilera, & Flores, 2019) es escaso debido al alto costo, tiempo invertido y disponibilidad de imágenes de satélite de sensores remotos. Algoritmos como SVM (Support Vector Machine) han surgido como métodos relacionados con la solución de problemas de clasificación y regresión (Trueba Espinosa, Moreno Sánchez, & Ruiz Castilla, 2014) y han demostrado ser eficientes en la cuantificación de áreas en plantaciones de Pinus patula (Riaño, Acosta, & Leal, 2016), evaluación de coberturas en ecosistemas de bosques de manglares (González, Tapia, & Salas, 2020). Con base en lo anterior, el objetivo de este trabajo fue detectar, modelar y proyectar el crecimiento urbano de núcleos de población en diferentes cuencas hidrológicas de Chihuahua, México. Como hipótesis se espera que sea factible detectar, modelar y proyectar el crecimiento urbano a través de datos espectrales.

MATERIALES Y MÉTODOS

Área de estudio

El área de estudio comprende las cuencas Laguna Bustillos y de los Mexicanos, río Conchos-Ojinaga, río Conchos-Presa de la Colina, río Conchos-Presa el Granero y río San Pedro; se eligieron las zonas urbanas que tuvieron crecimiento mayor a 1,000 viviendas, de 2010 a 2020 (INEGI, 2010; 2020). Las ciudades elegidas en orden descendente son: Chihuahua, Cuauhtémoc, Delicias, Hidalgo del Parral, Santa Eulalia, Juan Aldama, Santa María de Camargo, José Mariano Jiménez y Pedro Meoqui (figura 1). Los climas en el área de estudio son: seco templado, semiseco templado, seco semicálido y muy seco semicálido, la temperatura media anual oscila entre 22 y 28 °C, la precipitación media anual varía de 125 mm a 600 mm (INEGI, 2019). Los tipos de vegetación dominante son: matorral desértico micrófilo, pastizal inducido, vegetación secundaria arbustiva de pastizal natural, vegetación secundaria arbustiva de matorral desértico micrófilo, vegetación secundaria arbustiva de vegetación halófila xerófila, bosque de galería, vegetación secundaria arbustiva de vegetación de galería, vegetación secundaria arbustiva de bosque de encino y pastizal natural (INEGI, 2018).

Procesamiento de la imagen de satélite y variables espectrales

Se utilizaron imágenes de Satélite (Path 31 y 32, Row 40 y 41) Landsat 5 TM (Thematic mapper) del año 2010 y Landsat 8 OLI (Operational Land Imager) para los años 2015 y 2020, libre de nubes. Estas imágenes se obtuvieron del periodo de abril a mayo en la página del Servicio Geológico de los Estados Unidos (USGS), rectificadas y registradas a una proyección Unidad Tranversal de Mercator (UTM) Zona 13 Norte. Se procedió a la corrección atmosférica conforme a lo establecido en el módulo de Semi-Automatic Classification plugin implementado en el software Qgis (Congedo, 2016). Se realizó la conversión de los niveles digitales (ND) a reflectancia en superficie a partir de la lectura de los parámetros del modelo y la órbita de los satélites geométricos contenidos en los datos auxiliares de las escenas. Posteriormente, para obtener los datos corregidos homogéneos y reducir los efectos de la radiancia registrada en las bandas visibles se empleó la técnica de sustracción de objetos oscuros (DOS) (Brizuela, Aguirre, & Velasco, 2007).

Se generó una combinación de bandas compuesta de falso color para Landsat 5 TM; las bandas 5, 3 y 1. La banda 5 corresponde al canal infrarrojo de onda corta (1.55 – 1.75 µm), la banda 3 al rojo (0.63 – 0.69 µm) y la banda 1 al canal azul (0.45 – 0.52 µm). Esta combinación se aplicó a las escenas de 2010. En cuanto a la escena de 2015 y 2020, se aplicó la combinación para Landsat 8 OLI y correspondió a las bandas 6, 4 y 2, donde la banda 6 corresponde al canal infrarrojo de onda corta (1.57 – 1.65 µm), la banda 4 al canal rojo (0.63 – 0.67 µm) y la banda 2 al canal azul (0.45 – 0.51 µm). Por otra parte, se generó el Índice de Vegetación de Diferencia Normalizada (NDVI). La variable altitud fue obtenida de la página del INEGI (2022) con el Modelo Digital de Elevación en resolución espacial de 30 metros, la pendiente (grados) se calculó utilizando ArcToolbox, Spatial Analyst, Analyst Surface en el software ArcMap versión 10.8. Finalmente, para identificar los usos de suelos en las áreas de estudio se combinaron las imágenes compuestas de falso color con el NDVI y la altitud.

Clasificación de uso de suelo con máquina de soporte vectorial

Se utilizó la SVM, debido a su utilidad en la clasificación de modelos de aprendizaje supervisado (Afifi, GholamHosseini, & Sinha, 2019), dando mejores resultados que los clasificadores tradicionales como el de máxima probabilidad (Rimal, Rijal, & Kunwar, 2020). Se empleó la SVM para clasificar las imágenes de 2010, 2015 y 2020 en diferentes categorías de uso del suelo utilizando software ArcMap versión 10.8. En la clasificación supervisada se definieron cinco clases de uso del suelo: 1) Zonas urbanas (ZU), 2) Agricultura (Agricultura de riego anual y agricultura de temporal anual) (AG), 3) Cuerpos de agua (CA), 4) Bosques (Matorral desértico micrófilo y vegetación secundaria arbustiva de matorral desértico micrófilo) (BQ) y 5) Pastizales y Suelos desnudos (pastizal inducido y área desprovista de vegetación) (PIyADV). El proceso de clasificación originó mapa de uso de suelo para los años 2010, 2015 y 2020.

Mediante muestreo estratificado se evaluó la precisión de la clasificación supervisada con el método matriz de confusión (Congalton & Green, 2019). El número de puntos para verificar la precisión fue de 385 (77 puntos por clases de uso de suelo). Se compararon los resultados de la matriz de confusión con los resultados de campo y de las imágenes de Google Earth. La precisión del productor, la precisión del usuario, la precisión global y el coeficiente Kappa se utilizaron para medir la precisión de la clasificación del uso de suelo. En la figura 2 se muestra el diagrama de flujo utilizado en este estudio.

Cambio de uso de suelos (LULC)

Se utilizó la herramienta Modelador de Cambios en el Terreno (LCM) en software IDRISI Selva 17.0, posterior a la clasificación supervisada con SVM. Se evaluaron los cambios netos, intercambio, ganancias, pérdidas y cambios totales, mediante análisis comparativo de cambio de uso de suelo de los años 2010 a 2015 y 2015 a 2020 (Eastman, 2012). Para analizar los cambios temporales de uso de suelo en las áreas de estudio e identificar los factores inherentes a la expansión urbana y el patrón de los cambios de uso de suelo se utilizó la metodología propuesta por Pontius y Schneider (2001). A partir de los mapas de cambio se realizó una evaluación de la precisión a través de la verificación en las imágenes de Google Earth Pro.

La detección del crecimiento urbano se obtuvo de los mapas de zonas urbanas, para el año 2010, 2015 y 2020, obtenidas de técnicas de procesamiento digital y visual sobre sus respectivas imágenes del sensor Landsat TM 5 y Landsat 8 Oli. En esta investigación se analizó el cambio de la cubierta de suelo en las áreas de estudio durante los años 2010-2015 y 2015-2020.

Modelo de regresión logística (RL)

Se empleó RL con datos de 2010 y 2020 para identificar la relación entre el crecimiento urbano y los factores explicativos y modelar el crecimiento de las ciudades pertenecientes a las zonas urbanas de la cuenca Laguna Bustillos y de los Mexicanos, río Conchos-Ojinaga, río Conchos-Presa de la Colina, río Conchos-Presa el Granero y río San Pedro, en un entorno Sistema de Información Geográfica. De las variables o factores explicativos de este fenómeno de expansión urbana se consideró como variables independientes información obtenida de la carta topográfica escala 1:50 000, Red Nacional de Caminos, Marco Geoestadístico y Centro de Población y Vivienda 2020 de INEGI; recopilando un total de 14 variables de tipo socioeconómico, proximidad/accesibilidad, ambientales y de tipo físico (tabla 1).

El análisis de RL utilizado en este estudio fue el sugerido por Arsanjani, Helbich, Kainz y Boloorani (2013). RL es un método eficaz para describir las relaciones empíricas entre variables dependientes binarias (crecimiento urbano) y variables independientes categóricas y continuas (factores impulsores) (Hamdy, Zhao, Osman, Salheen, & Eid, 2016).

Con las variables independientes cartografiadas se realizó un análisis de correlación, en donde se omitieron aquellas que presentaban correlaciones bivariadas mayores a 0.60 (Cheng & Masser, 2003). Para la integración de las variables independientes en el modelo de RL se consideró la V de Cramer mayor a 0.14; de acuerdo con Eastman (2012) estos valores son útiles y superiores a 0.4 son muy confiables. El criterio de validación en los modelos generados fue el valor obtenido de la Pseudo R2 de McFAdden (R2 MF) y el ROC.

Simulación de crecimiento urbano espacial

Para predecir la dinámica futura (figura 3) de LULC en las zonas urbanas Laguna Bustillos y de los Mexicanos, río Conchos-Ojinaga, río Conchos-Presa de la Colina, río Conchos-Presa el Granero y río San Pedro se utilizó la CA-Markov (Cadena de Márkov) localizada en el software IDRISI Selva 17, que se emplea en la simulación de crecimiento urbano para los años 2030, 2040 y 2050. Se aplicó RL para calcular potenciales de transición, mientras que la CA Markov se empleó para determinar el LULC que se espera transite en el futuro (2030, 2040 y 2050).

RESULTADOS

Evaluación de la precisión de la clasificación LULC (MSV)

La tabla 2 muestra los coeficientes Kappa y la precisión global derivada del método de muestreo aleatorio estratificado. Para las imágenes clasificadas de los años 2010, 2015 y 2020 y para las diez ciudades los coeficientes Kappa mostraron valores altos de precisión; respecto a la precisión global fueron muy buenos. En cuanto a la precisión del productor y usuarios los valores fueron aceptables en todas las clases.

Detección de cambios de uso de suelo

El área total urbana en la ciudad de Chihuahua, Cuauhtémoc, Delicias, Hidalgo del Parral, Santa Eulalia, Juan Aldama, Santa Rosalía de Camargo, José Mariano Jiménez, Manuel de Ojinaga y San Pedro Meoqui para los años 2010-2015 y 2015-2020 se observa en la tabla 3, destaca en magnitud la ciudad de Chihuahua y con menor área Santa Eulalia. La mayor intensidad de cambio de crecimiento se dio de 2010 a 2015. En ambos periodos de estudio las principales contribuciones a áreas urbanas provienen en su mayoría de los bosques para la ciudad de Chihuahua, Hidalgo del Parral, Santa Eulalia y áreas sin vegetación, Delicias, Juan Aldama, Pedro Meoqui, y en menor proporción la agricultura (tabla 3).

Las mayores transiciones se dieron en Chihuahua, de 2010 a 2015, mientras que en el segundo periodo (2015-2020) se incrementaron las transiciones y la tasa de cambio anual entre 2010 y 2020, siguiendo en este orden Cuauhtémoc y Delicias (2010 a 2020). Por el contrario, las menores transiciones de cambios se presentaron en Santa Eulalia para el periodo 2010-2015 y 2015-2020, donde se incrementó la tasa anual en el periodo comprendido desde 2010 hasta 2020. Asimismo, sucedió con Pedro Meoqui, para el primer y segundo periodo (2010-2015 y 2010-2020) y la tasa anual de cambio de 2010 a 2020. Por último, Juan Aldama en el periodo de 2010-2015 y la tasa anual (2015-2020).

Modelos de regresión logística para predecir el crecimiento en las zonas urbanas

El modelo de RL y el coeficiente de cada una de las variables independientes se muestran en la tabla 4. Para predecir el crecimiento urbano en Ciudad Jiménez, el modelo de RL resulto ser excelente mostrando una Pseudo R² de McFadden 0.52, indicando buena capacidad predictiva y buen ajuste entre los valores observados y la realidad. En razón al criterio de selección los resultados obtenidos mostraron que es posible predecir el crecimiento urbano en Cd. Pedro Meoqui, Delicias, Santa Rosalía de Camargo, Ojinaga, Hidalgo del Parral y Cuauhtémoc, presentando una Pseudo R² de McFadden entre 0.26 a 0.33; por el contrario, en Chihuahua, Santa Eulalia y Juan Aldama los modelos mostraron valores inferiores a 0.2.

La validación del modelo fue óptima para la mayoría de las zonas urbanas analizadas. En las zonas urbanas de José Mariano Jiménez, Delicias y Pedro Meoqui se presentó un ROC alto y es considerado relativamente bueno; mientras que Santa María de Camargo, Manuel de Ojinaga, Cuauhtémoc e Hidalgo del Parral son aceptables; sin embargo, se considera que el ROC mostró un ajuste regular para los modelos de las zonas urbanas de Chihuahua, Santa Eulalia y Juan Aldama (tabla 4).

Proyección de crecimiento urbano en las zonas urbanas

De acuerdo con el modelo cada color corresponde al crecimiento del uso del suelo urbano simulado (figura 4). Los colores amarillos, verde y rojo corresponden a las áreas de expansión de los suelos urbanos en 2030, 2040 y 2050, respetivamente. Los mapas simulados (figura 4a, 4b, 4c, 4d, 4e, 4f, 4g, 4h, 4i, 4j) sugieren que las áreas de suelo urbano en cada etapa se están expandiendo, la cual es similar a la situación real. En general, los crecimientos urbanos simulados se producen de Norte, Este, Sur y Oeste en las áreas de estudio. En el año 2030 se observa una expansión urbana más notoria. En los años 2040 y 2050 se identifica una tasa baja en el crecimiento para el cambio de uso de suelo.

Se estiman mayores crecimientos urbanos en Pedro Meoqui de 11, 33 y 52% de 2020 a 2030, 2040 y 2050, respectivamente; así como Santa Eulalia 9, 37 y 75%; seguido por Manuel de Ojinaga 7, 11 y 20%; para Delicias 6, 15 y 18%; Chihuahua 6, 10 y 14%; Cuauhtémoc 5, 11 y 17% y Juan Aldama 4, 11 y 20%. A diferencia de José Mariano Jiménez (2, 5, 13%) Hidalgo del Parral (3, 4, 6%) y Santa Rosalía de Camargo (3, 6, 9%), donde se estiman menores crecimientos urbanos en el periodo de 2020 a 2030, 2040 y 2050, sucesivamente (tabla 5). Por tanto, en las áreas de estudio la mayor superficie de crecimiento urbano reemplaza a la agricultura, bosques y pastizal inducido y áreas desprovistas de vegetación.

DISCUSIÓN

En la clasificación de uso de suelo los valores de coeficientes Kappa fueron superiores a 0.8 y representan una fuerte concordancia o precisión entre dos mapas, de acuerdo con Achmad, Sirojuzilam, Badaruddin y Dwira (2015); los valores de precisión Kappa por encima de 0.8 representan un alto grado; mientras que para Ul Din y Leung (2021) estos valores podrían interpretarse como casi perfectos; por el contrario, los valores de 0.64 a 1 son fiables, y 0.61 a 0.79 son de una precisión sustancial. Para Ikiel, Ustaoglu, Dutucu y Kilic (2013) los valores de precisión global superiores al rango 0.80-0.85 son niveles aceptables de clasificación de imágenes, Butt, Shabbir, Ahmad y Aziz (2015) propone Kappa superior a 0.90 para obtener resultados satisfactorios; sin embargo, en este estudio los valores fueron inferiores presentando coeficiente Kappa de 0.80 a 0.85 (2010), 0.80 y 0.87 (2015) y 0.80 hasta 0.88 (2020); por otro lado, la precisión global tuvo valores de 0.86 a 0.94 (2010), entre 0.86 y 0.95 (2015) y 0.85 hasta 0.95 (2020).

En el presente estudio, en la detección de cambio de uso de suelo, la mayor tasa de cambio anual entre el año 2010 y el 2020 se observó en la ciudad de Chihuahua, Cuauhtémoc, Delicias e Hidalgo del Parral con 3,446.55 ha, 638.27 ha, 553.63 ha y 376.63 ha, esta tasa de cambio anual puede ser al aumento del número de población, que de acuerdo con el Censo de Población y Vivienda de 2010 a 2020 el crecimiento poblacional anual para las ciudades mencionadas fueron de 11,653, 2,175, 1,047 y 900 habitantes, respectivamente. Por el contrario, en la ciudad de Santa Eulalia Pedro Meoqui y Juan Aldama la tasa de cambio anual es de 49.68 ha, 106.09 ha y 107.95 ha, con un crecimiento poblacional anual de 56, 67 y 80 habitantes (INEGI, 2010; 2020).

Los modelos de RL obtenidos para las zonas urbanas de la cuenca Laguna Bustillos y de los Mexicanos, río Conchos-Ojinaga, río Conchos-Presa de la Colina, río Conchos-Presa el Granero y río San Pedro son aceptables, una Pseudo R2 de McFadden superior a 0.2 puede considerarse buen nivel predictivo (Bravo et al., 2022). Hamdy, Zhao, Salheen y Eid (2016) estudiaron el análisis de las fuerzas motrices del crecimiento urbano mediante modelos IDRISI®Selva Abouelreesh - Asuán como estudio de caso; señalan que una Psuedo R² de McFadden superior a 0.2 se considera un ajuste relativamente bueno y 0.3875 indica un ajuste perfecto.

Los resultados ROC alcanzados en esta investigación mediante RL indican ser buenos para estimar el crecimiento urbano, en 7 de 10 zonas urbanas estudiadas y regular en las tres zonas urbanas. Estos resultados concuerdan con lo reportado por Bravo et al. (2022) al estudiar la degradación y deforestación en la cuenca del río Conchos (México): modelado predictivo mediante regresión logística (1985-2016), ellos mencionan que valores de ROC son buenos entre 0.75 y 0.90; por tanto, en este estudio de las 10 zonas urbanas estudiadas sólo en siete se presenta una elevada capacidad predictiva en el modelo para predecir el crecimiento urbano.

Por su parte, Oñate-Valdivieso y Oñate-Paladines (2019) estudiaron el crecimiento urbano y su influencia en los caudales de crecida: un caso de estudio en una cuenca urbana en los Andes ecuatorianos, reportando valores altos de ROC de 0.95. Molinero-Parejo, Aguilera-Benavente y Gómez-Delgado (2021) mediante regresión logística geográficamente ponderada para identificar los factores explicativos de la distribución de usos de suelo en escenarios futuros de crecimientos urbanos muestran valores de ROC, indicando resultados de AUC de 0.88 y 0.97.

Por último; utilizando la CA-Markov para simular el crecimiento de las zonas urbanas, éstas crecerán significativamente en los años 2030, 2040 y 2050. Esto demuestra la capacidad que tiene esta técnica para predecir el crecimiento urbano y la alta eficiencia y capacidad para simular múltiples coberturas de suelo y patrones complejos (Qu et al., 2020). Por ejemplo, Avalos et al. (2019) en su trabajo de investigación simulación del crecimiento urbano de la zona metropolitana Tepic-Xalisco estudiaron tres modelos de simulación de crecimiento urbano; sus resultados mostraron que el modelo CA-MArkov simula bien los crecimientos urbanos dispersos en los alrededores de la mayoría de las localidades en comparación con los modelos de regresión logística y técnicas de evaluación multicriterio, que no logran reproducir los mismos.

Liao et al. (2020) mencionan que los modelos de simulación de cambio de uso de suelo es un aporte importante para ayudar a los planificadores a formular planes y políticas razonables. Para Huang, Wang y Xiao (2022) los modelos espaciales en comparación con los modelos no espaciales pueden identificar claramente los cambios de uso de suelo urbano en el mapa.

CONCLUSIONES

Los resultados de este estudio permiten comprobar que la hipótesis planteada se cumple; ya que fue posible detectar, modelar y simular el crecimiento urbano de núcleos de población en diferentes cuencas hidrológicas de Chihuahua, México; particularmente en la cuenca Laguna Bustillos y de los Mexicanos, río Conchos-Ojinaga, río Conchos-Presa de la Colina, río Conchos-Presa el Granero y río San Pedro.

La SVM en la clasificación supervisada para mapa de uso de suelo en las áreas de estudio registró buenos resultados.

El modelo de RL con respecto al criterio de validación presentó excelente ajuste para estimar crecimientos urbanos en José Mariano Jiménez y mejores ajustes para Pedro Meoqui, Delicias, Santa Rosalía de Camargo, Manuel de Ojinaga, Hidalgo del Parral y Cuauhtémoc.

Los valores de ROC se consideran como buenos y aceptables en este estudio.

Con respecto a la superficie actual, el modelo de simulación de crecimiento estima que desde 2020 hasta 2050 las ciudades de Santa Eulalia, Pedro Meoqui, Delicias, Manuel de Ojinaga, Cuauhtémoc y Chihuahua crecerán significativamente en promedio más de 10%. Por consiguiente, estudiar, modelar y predecir los crecimientos urbanos que engloban diferentes ciudades e integran el crecimiento de la población en los últimos años es complejo.

Finalmente, debido a las diferentes condiciones topográficas, ambientales, edáficas y demográficas pueden investigarse otras técnicas, tales como Random Forest, Neural Network y Multivariate Adaptive Regression Spline para la detección, modelación y simulación de crecimiento urbano.

REFERENCIAS

Achmad, A., Sirojuzilam, H., Badaruddin, D., & Dwira, N. A. (2015). Modeling of urban growth in Tsunami-prone City using logistic regression: Analysis of Banda Aceh, Indonesia. Applied Geography, 62, 237-246. https://doi.org/10.1016/j.apgeog.2015.05.001

Afifi, S., GholamHosseini, H., & Sinha, R. (2019). A system on chip for melanoma detection using FPGA-based SVM classifier. Microprocessors and Microsystems, 65, 57–68. https://doi.org/10.1016/j.micpro.2018.12.005

Arsanjani, J. J., Helbich, M., Kainz, W., & Boloorani, A. D. (2013). Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion. International Journal of Applied Earth Observation and Geoinformation, 21, 265-275. https://doi.org/10.1016/j.jag.2011.12.014

Avalos, J. A., Gómez, D. M., Aguilera, B. F., & Flores, V. F. (2019). Simulación del crecimiento urbano de la zona metropolitana Tepic-Xalisco, México. Estudios Geográficos, 80(287), e021. https://doi.org/10.3989/estgeogr.201938.018

Bravo, P. L. C., Gautrín, C., M. O., Alatorre, C. L. C., Torres, O. M. E., Moreno, M. R. L., Salas, A. V. M., & González, L. M. O., (2022). Degradación y deforestación en la cuenca del río Conchos (México): Modelado predictivo mediante regresión logística (1985-2016). Cuadernos Geográficos, 61(1), 129-149. https://doi.org/10.30827/cuadgeo.v61i1.21629

Brizuela, A. B., Aguirre, C. A., & Velasco, I. (2007). Aplicación de métodos de corrección atmosférica de datos Landsat 5 para análisis multitemporal. Teledetección. Hacia un mejor entendimiento de la dinámica global y regional (21, pp. 207-214). Madrid, España: Martin.

Butt, A., Shabbir, R., Ahmad, S. S., & Aziz, N. (2015). Land use change mapping and analysis using remote sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. Egyptian Journal of Remote Sensing and Space Science, 18(2), 251–259. https://doi.org/10.1016/j.ejrs.2015.07.003

Cheng, J., & Masser, I. (2003). Urban growth pattern modeling: A case study of Wuhan city, PR China. Landscape and urban planning, 62(4), 199-217. https://doi.org/10.1016/S0169-2046(02)00150-0

Congalton, R. G., & Green, K. (2019). Assessing the accuracy of remotely sensed data: Principles and practices (3rd. ed.). US: CRC Press. https://doi.org/10.1201/9780429052729

Congedo, L. (2016). Semi-automatic classification plugin documentation. Release, 4(0.1), 29. Recuperado de https://scholar.google.it/citations?view_op=view_citation&hl=it&user=WlnjgYUAAAAJ&citation_for_view=WlnjgYUAAAAJ:zYLM7Y9cAGgC

Consejo Nacional de Población (CONAPO). (2015). Proyecciones de la población en México, 2010-2050 [Portal electrónico, consultado en mayo de 2020]. Recuperado de www.conapo.gob.mx/es/.

Díaz, C. R. E., Bravo P. L. C., Alatorre, C. L. C., & Sánchez, F. E. S. (2014). Análisis geoespacial de la interacción entre el uso de suelo y de agua en el área peri-urbana de Cuauhtémoc, Chihuahua. Un estudio socioambiental en el norte de México. Investigaciones Geográficas, Boletín del Instituto de Geografía, 2014(83), 116-130. https://doi.org/10.14350/rig.32694

Eastman, J. R. (2012). Idrisi Selva Tutorial. Clark Labs: Clark University.

Esparza, M. (2014). La sequía y la escasez de agua en México: Situación actual y perspectivas futuras. Secuencia, 89, 193-219.

González, B. O., Tapia, F. J. L., & Salas, H. S. (2020). Nuevo enfoque para la extracción de características en la clasificación de textos para la atribución de autoría. Research in Computing Science, 149(8), 817-826. Recuperado de https://rcs.cic.ipn.mx/2020_149_8/Nuevo%20enfoque%20para%20la%20extraccion%20de%20caracteristicas%20en%20la%20clasificacion%20de%20textos.pdf

Hamdy, O., Zhao, S., Osman, T., Salheen, M. A., & Eid, Y. Y. (2016). Applying a hybrid model of Markov chain and logistic regression to identify future urban sprawl in Abouelreesh, Aswan: A case study. Geosciences, 6(4), 43. https://doi.org/10.3390/geosciences6040043

Hamdy, O., Zhao, S., Salheen, M. A., & Eid, Y. Y. (2017). Analyses the driving forces for urban growth by using IDRISI® Selva models Abouelreesh-Aswan as a case study. International Journal of Engineering and Technology, 9(3), 226. https://doi.org/10.7763/IJET.2017.V9.975

Huang, X., Wang, H., & Xiao, F. (2022). Simulating urban growth affected by national and regional land use policies: Case study from Wuhan, China. Land Use Policy, 112, 105850. https://doi.org/10.1016/j.landusepol.2021.105850

Ikiel, C., Ustaoglu, B., Dutucu, A. A., & Kilic, D. E. (2013). Remote sensing and GIS-based integrated analysis of land cover change in Duzce plain and its surroundings (north western Turkey). Environmental Monitoring and Assessment, 185(2), 1699–1709. https://doi.org/10.1007/s10661-012-2661-6

Instituto Nacional de Estadística y Geografía (INEGI). (2010). Censo de Población y Vivienda 2010.Conjunto de datos tabulados. Población total con estimación por sexo y entidad [Portal electrónico, consultado el 2 de mayo de 2022]. México: Autor. Recuperado de https://www.inegi.org.mx/programas/ccpv/2010/#Tabulados

__________ (2018). Conjunto de Datos Vectoriales del Continuo Nacional de Uso de Suelo y Vegetación Serie VII escala 1: 250 000, en formato digital. México: Autor.

__________ (2019). Conjunto de Datos Vectoriales del Continuo Nacional de Efectos Climáticos Regionales escala 1: 250 000, en formato digital. México: Autor.

__________ (2020). Censo de Población y Vivienda 2020. Conjunto de datos tabulados. Población total con estimación por sexo y entidad [Consultado el 2 de mayo de 2022]. Recuperado de https://www.inegi.org.mx/programas/ccpv/2020/

__________ (2022). Continuo de elevaciones mexicano 3.0 (CEM 3.0). México: Autor. Recuperado de https://www.inegi.org.mx/temas/relieve/continental/

Liao, W., Liu, X., Xu, X., Chen, G., Liang, X., Zhang, H., & Li, X. (2020). Projections of land use changes under the plant functional type classification in different SSP-RCP scenarios in China. Science Bulletin, 65(22), 1935-1947. https://doi.org/10.1016/j.scib.2020.07.014

Molinero-Parejo, R., Aguilera-Benavente, F., & Gómez-Delgado, M. (2021). Regresión Logística Geográficamente Ponderada para identificar los factores explicativos de la distribución de usos de suelo en escenarios futuros de crecimiento urbano. Boletín de la Asociación de Geógrafos Españoles, 88. https://doi.org/10.21138/bage.3052

Oñate-Valdivieso, F., & Oñate-Paladines, A. (2019). El crecimiento urbano y su influencia en los caudales de crecida: Un caso de estudio en una cuenca urbana en los andes ecuatorianos. Revista Geoespacial, 16(2), 1-15. Recuperado de https://www.researchgate.net/publication/338702604_EL_CRECIMIENTO_URBANO_Y_SU_INFLUENCIA_EN_LOS_CAUDALES_DE_CRECIDA_UN_CASO_DE_ESTUDIO_EN_UNA_CUENCA_URBANA_EN_LOS_ANDES_ECUATORIANOS

Perea-Ardila, M. A., Andrade-Castañeda, H. J., & Segura-Madrigal, M. A. (2021). Estimación de biomasa aérea y carbono con Teledetección en bosques alto-Andinos de Boyacá, Colombia. Estudio de caso: Santuario de Fauna y Flora Iguaque. Revista Cartográfica, 102, 91-123. https://doi.org/10.35424/rcarto.i102.821

Pontius, R. G., & Schneider, L. C. (2001). Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems & Environment, 85(1-3), 239-248. https://doi.org/10.1016/S0167-8809(01)00187-6

Prieto-Amparán, J. A., Villarreal-Guerrero, F., Martínez-Salvador, M., Manjarrez-Domínguez, C., Vázquez-Quintero, G., & Pinedo-Alvarez, A. (2019). Spatial near future modeling of land use and land cover changes in the temperate forests of Mexico. PeerJ, 7, e6617. https://doi.org/10.7717/peerj.6617

Qu, S., Hu, S., Li, W., Wang, H., Zhang, C., & Li, Q. (2020). Interaction between urban land expansion and land use policy: An analysis using the DPSIR framework. Land Use Policy, 99, 104856. https://doi.org/10.1016/j.landusepol.2020.104856

Rawat, J. S., & Kumar, M. (2015). Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 18(1), 77-84. https://doi.org/10.1016/j.ejrs.2015.02.002

Riaño, M. O. O, Acosta, M. C. D., & Leal, P. R. O. (2016). Clasificación de una imagen satelital empleando máquinas de soporte vectorial para cuantificar el área de Pinus patula en una plantación. Redes de Ingeniería, 54-60. https://doi.org/10.14483/2248762X.11991

Rimal, B., Rijal, S., & Kunwar, R. (2020). Comparing support vector machines and maximum likelihood classifiers for mapping of urbanization. Journal of the Indian Society of Remote Sensing, 48(1), 71-79. https://doi.org/10.1007/s12524-019-01056-9

Sahagún-Sánchez, F. J., & Reyes-Hernández, H. (2018). Impactos por cambio de uso de suelo en las áreas naturales protegidas de la región central de la Sierra Madre Oriental, México. CienciaUAT, 12(2), 6-21. https://doi.org/10.29059/cienciauat.v12i2.831

Trueba Espinosa, A., Moreno Sánchez, J. C., & Ruiz Castilla, J. S. (2014). Identificar cobertura vegetal de suelo clasificando píxeles en imágenes hiperespectrales con SVM (máquina de soporte vectorial). COMTEL 2014 VI Congreso Internacional de Computación y Telecomunicaciones, 196-202. Recuperado de http://repositorio.uigv.edu.pe/bitstream/handle/20.500.11818/683/COMTEL-2014-196-202.pdf?sequence=1&isAllowed=y

Ul Din, S., & Leung M, H. W. (2021). Retrieval of Land-Use/Land Cover Change (LUCC) Maps and Urban Expansion Dynamics of Hyderabad, Pakistan via Landsat Datasets and Support Vector Machine Framework. Remote Sensing, 13(16), 3337. https://doi.org/10.3390/rs13163337

United Nations Department of Economic and Social Affairs Population Division (2019). World Population Prospects 2019, Online Edition. Rev. 1 [Archivos descargables de portal electrónico]. Recuperado de https://population.un.org/wpp/Download/Standard/Population/

Vargas-Sanabria, D., & Campos-Vargas, C. (2018). Sistema multi-algoritmo para la clasificación de coberturas de la tierra en el bosque seco tropical del área de conservación Guanacaste, Costa Rica. Revista Tecnología en Marcha, 31(1), 58-69. https://doi.org/10.18845/tm.v31i1.3497

Notas de autor

luis.alatorre@uacj.mx