Detection, modeling and projection of urban growth of population centers in different hydrological basins of Chihuahua, Mexico
DOI:
https://doi.org/10.33064/iycuaa2023904103Keywords:
urban growth detection, support vector machine, logistic regression, CA-Markov, projection of urban growthsAbstract
The objective was to detect, model and predict the urban growth of population centers in different hydrological basins of Chihuahua, Mexico. Urban growth was modeled to predict 2030, 2040 and 2050 future scenarios using logistic regression and CA-Markov incorporated in the Land Change Modeler (LCM) integrated in IDRISI. Land use maps for the years 2010, 2015 and 2020 were produced using Support Vector Machine (SVM). The most intense land use changes (LULC) occurred in the period 2010-2015, the increase in urban areas comes mostly from forests. The RL model proved to be consistent showing McFadden's Pseudo R2 greater than 0.2. Receiver Operating Characteristic (ROC) values are considered acceptable. In the simulated urban land use, the highest growth is observed in the year 2030, and a low rate is identified for 2040 and 2050.
Downloads
Metrics
References
• 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. 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. 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. 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. 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.,... y 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. doi.org/10.30827/cuadgeo.v61i1.21629
• Brizuela, A. B., Aguirre, C. A., y Velasco, I. (2007). Aplicación de métodos de corrección atmosférica de datos Landsat 5 para análisis multitemporal. Memorias. Teledetección. Hacia un mejor entendimiento de la dinámica global y regional. Madrid, España, 21, 207-214.
• 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. 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. 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. CRC Press Boca Raton, FL, USA, 3rd edition. doi.org/10.1201/9780429052729
• Congedo, L. (2016). Semi-automatic classification plugin documentation. Release, 4(0.1), 29. doi: 10.13140/ RG.2.2.29474.02242/1
• Consejo Nacional de Población (CONAPO) 2015), Proyecciones de la población en México, 2010-2050. Disponible en: www.conapo.gob.mx/es/. Consultado en mayo de 2020
• Díaz, C. R. E., Bravo P. L. C., Alatorre, C. L. C., y 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. 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.
• ESRI (2019). ArcGIS for Desktop 10.8. Redwoods, CA, USA. [online] URL: http://www.esri.com/software/arcgis/arcgis-for-desktop.
• González, B. O., Tapia, F. J. L. y Salas, H. S. (2020). Nuevo enfoque para la extracción de características en la clasificación de textos para la atribución de autoría. Res. Comput. Sci., 149(8), 817-826.
• 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. 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.
• 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. 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. 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. Consultado 02 de mayo 2022. https://www.inegi.org.mx/programas/ccpv/2010/#Tabulados
• Instituto Nacional de Estadística y Geografía (INEGI) (2018). Conjunto de Datos Vectoriales del Continuo Nacional de Uso de Suelo y Vegetación Serie VII escala 1: 250 000, en formato digital. México.
• Instituto Nacional de Estadística y Geografía (INEGI) (2019). Conjunto de Datos Vectoriales del Continuo Nacional de Efectos Climáticos Regionales escala 1: 250 000, en formato digital. México.
• Instituto Nacional de Estadística y Geografía (INEGI) (2020). Censo de Población y Vivienda 2020. Conjunto de datos tabulados. Población total con estimación por sexo y entidad. Consultado 02 de mayo 2022. https://www.inegi.org.mx/programas/ccpv/2020/
• Instituto Nacional de Estadística y Geografía INEGI (2022). Continuo de elevaciones mexicano 3.0 (CEM 3.0). Instituto Nacional de Estadística Geográfica e Informática, DF, México. [online] URL: 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. doi.org/10.1016/j.scib.2020.07.014
• Molinero-Parejo, R., Aguilera-Benavente, F., y 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). 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.
• Perea-Ardila, M. A., Andrade-Castañeda, H. J., y 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. doi.org/10.35424/rcarto.i102.821
• Pontius Jr, 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. 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. 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. 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. doi.org/10.1016/j.ejrs.2015.02.002
• Riaño, M. O. O, Acosta, M. C. D., y 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. 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. doi.org/10.1007/s12524-019-01056-9
• Sahagún-Sánchez, F. J., y 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.
• 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) 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. doi.org/10.3390/rs13163337
• United Nations, Department of Economic and Social Affairs, Population Division (2019). World Population Prospects 2019, Online Edition. Rev. 1. recuperado de https://population.un.org/wpp/Download/Standard/Population/
• Vargas-Sanabria, D., y 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. doi.org/10.18845/tm.v31i1.3497
Published
How to Cite
License
Copyright (c) 2023 Pedro García-Ramírez, Luis Carlos Alatorre-Cejudo, Luis Carlos Bravo-Peña
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Las obras publicadas en versión electrónica de la revista están bajo la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
