Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana
- Autores
- Iturrioz, Ignacio; Linares, Santiago; Ramírez, Liliana
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- 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.
Fil: Iturrioz, Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto de Geografía, Historia y Ciencias Sociales. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto de Geografía, Historia y Ciencias Sociales; Argentina
Fil: Linares, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto de Geografía, Historia y Ciencias Sociales. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto de Geografía, Historia y Ciencias Sociales; Argentina
Fil: Ramírez, Liliana. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Nordeste. Instituto de Investigación para el Desarrollo Territorial y del Hábitat Humano. Universidad Nacional del Nordeste. Facultad de Arquitectura y Urbanismo. Instituto de Investigación para el Desarrollo Territorial y del Hábitat Humano.; Argentina - Materia
-
CRECIMIENTO URBANO
MODELO DE SIMULACIÓN
INTELIGENCIA ARTIFICIAL - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/268497
Ver los metadatos del registro completo
id |
CONICETDig_34e603518e00e329516e0ae8f9cd3865 |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/268497 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbanaAssessing Artificial Intelligence’s Algorithms for Urban Expansion PredictionIturrioz, IgnacioLinares, SantiagoRamírez, LilianaCRECIMIENTO URBANOMODELO DE SIMULACIÓNINTELIGENCIA ARTIFICIALhttps://purl.org/becyt/ford/5.7https://purl.org/becyt/ford/5El 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.Fil: Iturrioz, Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto de Geografía, Historia y Ciencias Sociales. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto de Geografía, Historia y Ciencias Sociales; ArgentinaFil: Linares, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto de Geografía, Historia y Ciencias Sociales. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto de Geografía, Historia y Ciencias Sociales; ArgentinaFil: Ramírez, Liliana. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Nordeste. Instituto de Investigación para el Desarrollo Territorial y del Hábitat Humano. Universidad Nacional del Nordeste. Facultad de Arquitectura y Urbanismo. Instituto de Investigación para el Desarrollo Territorial y del Hábitat Humano.; ArgentinaUniversidad Nacional de Cuyo. Facultad de Filosofía y Letras. Instituto de Cartografía, Investigación y Formación para el Ordenamiento Territorial2025-07info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/268497Iturrioz, Ignacio; Linares, Santiago; Ramírez, Liliana; Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana; Universidad Nacional de Cuyo. Facultad de Filosofía y Letras. Instituto de Cartografía, Investigación y Formación para el Ordenamiento Territorial; Proyección; 19; 37; 7-2025; 96-1261852-0006CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://revistas.uncu.edu.ar/ojs3/index.php/proyeccion/article/view/8292info:eu-repo/semantics/altIdentifier/doi/10.48162/rev.55.072info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:23:41Zoai:ri.conicet.gov.ar:11336/268497instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:23:42.019CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana Assessing Artificial Intelligence’s Algorithms for Urban Expansion Prediction |
title |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana |
spellingShingle |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana Iturrioz, Ignacio CRECIMIENTO URBANO MODELO DE SIMULACIÓN INTELIGENCIA ARTIFICIAL |
title_short |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana |
title_full |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana |
title_fullStr |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana |
title_full_unstemmed |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana |
title_sort |
Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana |
dc.creator.none.fl_str_mv |
Iturrioz, Ignacio Linares, Santiago Ramírez, Liliana |
author |
Iturrioz, Ignacio |
author_facet |
Iturrioz, Ignacio Linares, Santiago Ramírez, Liliana |
author_role |
author |
author2 |
Linares, Santiago Ramírez, Liliana |
author2_role |
author author |
dc.subject.none.fl_str_mv |
CRECIMIENTO URBANO MODELO DE SIMULACIÓN INTELIGENCIA ARTIFICIAL |
topic |
CRECIMIENTO URBANO MODELO DE SIMULACIÓN INTELIGENCIA ARTIFICIAL |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/5.7 https://purl.org/becyt/ford/5 |
dc.description.none.fl_txt_mv |
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. Fil: Iturrioz, Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto de Geografía, Historia y Ciencias Sociales. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto de Geografía, Historia y Ciencias Sociales; Argentina Fil: Linares, Santiago. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto de Geografía, Historia y Ciencias Sociales. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto de Geografía, Historia y Ciencias Sociales; Argentina Fil: Ramírez, Liliana. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Nordeste. Instituto de Investigación para el Desarrollo Territorial y del Hábitat Humano. Universidad Nacional del Nordeste. Facultad de Arquitectura y Urbanismo. Instituto de Investigación para el Desarrollo Territorial y del Hábitat Humano.; Argentina |
description |
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. |
publishDate |
2025 |
dc.date.none.fl_str_mv |
2025-07 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/268497 Iturrioz, Ignacio; Linares, Santiago; Ramírez, Liliana; Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana; Universidad Nacional de Cuyo. Facultad de Filosofía y Letras. Instituto de Cartografía, Investigación y Formación para el Ordenamiento Territorial; Proyección; 19; 37; 7-2025; 96-126 1852-0006 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/268497 |
identifier_str_mv |
Iturrioz, Ignacio; Linares, Santiago; Ramírez, Liliana; Evaluación de algoritmos de inteligencia artificial para predecir la expansión urbana; Universidad Nacional de Cuyo. Facultad de Filosofía y Letras. Instituto de Cartografía, Investigación y Formación para el Ordenamiento Territorial; Proyección; 19; 37; 7-2025; 96-126 1852-0006 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://revistas.uncu.edu.ar/ojs3/index.php/proyeccion/article/view/8292 info:eu-repo/semantics/altIdentifier/doi/10.48162/rev.55.072 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional de Cuyo. Facultad de Filosofía y Letras. Instituto de Cartografía, Investigación y Formación para el Ordenamiento Territorial |
publisher.none.fl_str_mv |
Universidad Nacional de Cuyo. Facultad de Filosofía y Letras. Instituto de Cartografía, Investigación y Formación para el Ordenamiento Territorial |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844614232453152768 |
score |
13.070432 |