Cobertura urbana y expansión territorial en el AMGR: análisis multitemporal con Random Forest y SVM

• Autores: Gómez, Laura Fabiana
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: artículo
• Fuente: Geograficando, 21(2), e183. (2025); ISSN 2346-898X
• Materia: Geografía; Expansión Urbana; Aprendizaje Automático; Bosques Aleatorios; Máquinas de Vectores Soporte; Urban Expansion; Machine Learning; Random Forest; Support Vector Machines
• Institución: Universidad Nacional de La Plata. Facultad de Humanidades y Ciencias de la Educación

La generación de información geográfica de coberturas urbanas es fundamental para la planificación y gestión del territorio. Es este contexto, el objetivo de este trabajo fue comparar la cobertura urbana del Área Metropolitana del Gran Resistencia (AMGR), considerando su área de influencia y las localidades incluidas en ella, de los años 1991 y 2022, mediante la generación de mapas de áreas edificadas y no edificadas utilizando clasificaciones con algoritmos de aprendizaje automático (Random Forest - RF y Support Vector Machine - SVM). Los resultados muestran fiabilidades globales aceptables para ambas clasificaciones, siendo superior la clasificación generada con SVM. Por un lado, se observó un incremento superior al 200% en la superficie edificada; por otro, la distribución espacial de la superficie edificada ocurrió en torno a las superficies edificadas existentes en 1991, así como en espacios interiores a las mismas, aportando a la expansión de la ciudad por un lado, y a la consolidación de esta por otro. Además, se identificaron nuevos espacios edificados de manera discontinua en sectores intermedios de las localidades que conforman el área de estudio.
The generation of geographic data on urban land cover is essential for territorial planning and management. In this context, the objective of this study was to compare urban land cover in Área Metropolitana del Gran Resistencia (AMGR), including its zone of influence and the localities within it, between 1991 and 2022. This was achieved by generating maps of built and unbuilt areas using machine learning classification algorithms (Random Forest - RF and Support Vector Machine - SVM). The results show acceptable overall accuracy for both classifications, with the SVM classification showing superior results. On the one hand, built-up areas increased by over 200%; on the other, spatial distribution of this expansion occurred both around pre-existing built-up areas (1991) and within their interiors, contributing to urban sprawl in some sectors and urban consolidation in others. Additionally, new discontinuous built-up areas were identified in intermediate zones of the localities comprising the study area.
Fil: Gómez, Laura Fabiana. Instituto de Investigación para el Desarrollo Territorial y el Hábitat Humano (UNNE-CONICET), Universidad Nacional del Nordeste, Argentina.