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
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/268497

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