Documente Academic
Documente Profesional
Documente Cultură
=
=
=
(
2 2 1 1 0
1 0
1
log
Donde: | son los parmetros por cada variable estimados por el modelo;
k
x x x
2 1
, son las
variables explicativas incluidas en el modelo (Tabla 1); y P es la probabilidad de que un pxel no
urbano se transforme a urbano.
Para que el anlisis de los coeficientes obtenidos de todas las variables sean comparados se
calcularon los coeficientes estandarizados por medio de la siguiente ecuacin (Menard, 2002):
3
2
t
| DS
B
STD
=
Donde:
STD
B son los coeficientes estandarizados de cada variable en el modelo; DS es la
desviacin estndar de cada variable; es aproximadamente igual a 3.141592654.
Asimismo, con la finalidad de entender de manera ms clara el comportamiento de cada variable
se generaron graficas de probabilidad, utilizando para ello la siguiente ecuacin (Menard, 2002):
) exp( 1
) exp(
) | 1 (
Z
Z
Xi y P
+
= =
X b Z * | + =
Donde: b es el intercepto obtenido en el modelo; X los valores de cada variable, en dependencia
de su magnitud y rango de medida.En las grficas se analiza la probabilidad de que una variable
independiente influya significativamente en el cambio de la variable dependiente.
Para la validacin del modelo se utiliz el parmetro Relative Operating Characteristic (ROC)
1
,
el cual permiti comparar los mapas de crecimiento urbano con los mapas obtenidos de los
modelos ajustados (Pontius & Schenider, 2001; Cheng & Masser, 2003; Pontius & Batchu, 2003).
Asimismo, y en lo que refiere al tratamiento de los modelos, fue necesario construir una mscara
de restricciones al crecimiento urbano a los efectos de excluir del ajuste las zonas artificiales, los
ros, embalses y lagos existentes en el ao 2001. Para el ajuste del modelo, se diseo una muestra
espacial del 30 % del total de pxeles en el rea de estudio, de tal forma que el nmero de pxeles
de crecimiento urbano y no urbano fueran aproximadamente iguales (Cheng & Masser, 2003), y
se emplearon las herramientas de regresin logstica binomial (LogisticReg) disponibles en el
SIG Idrisi Andes.
1
Este estadstico oscila entre 0 y 1. Un resultado de 0 indica que no existe ninguna asociacin entre ambos mapas.
Un resultado de 1 nos muestra un ajuste perfecto, es decir, una coincidencia del 100% entre ambos mapas. Un ajuste
de 0.5 indica un resultado similar al obtenido de una manera aleatoria. Cuanto mayor sea el valor de ROC, mejor es
el ajuste del modelo.
5. Resultados
5.1 Anlisis de correlacin
Primero que nada, el anlisis de correlacin realizado arroj algunos valores altos entre algunas
de las variables explicativas, como era de esperarse. Es el caso de las variables de proximidad al
centro de negocio, a universidades y a comercios entre las cuales existen correlaciones cercanas a
1. Esto se debe a que dichas variables representan puntualmente a dichas instalaciones y,
principalmente, se ubican en la zona central de la Ciudad de Concepcin. Asimismo, entre estas
tres variables y la variable de proximidad a zonas urbanas tambin se observaron correlaciones
altas entorno a 0.80.
Ante la redundancia de informacin expresada por las 3 primeras variables se tom la decisin de
agruparlas en una sola, con la finalidad de no excluirlas del anlisis dada su importancia, y ante el
hecho de que stas presentan ciertas sinergias sobre el desarrollo econmico y social de la regin.
A la agrupacin de dichas variables se le denomin, en adelante, factor de accesibilidad a puntos
de inters econmico y social.
Una vez hecha dicha agrupacin se realiz de nuevo el anlisis de correlacin con las 12
variables resultantes (Tabla 2), obteniendo en todos los caso correlaciones menores a 0.80. No
obstante, destacar que la correlacin ms alta se presenta entre las variables de proximidad a
zonas urbanas y a puntos de inters econmico y social (0.79). Del mismo modo, las variables
densidad de poblacin y porcentaje de superficie de proyectos inmobiliarios presentan
correlaciones de 0.78, debido, bsicamente, a que estas se representan a nivel municipal, y
pudindose hacer la lectura de que los nuevos conjuntos inmobiliarios tienden a situarse en los
municipios con mayor poblacin.
Tabla 2. Correlaciones obtenidas entre las 12 variables finales
Matriz de correlacin 1 2 3 4 5 6 7 8 9 10 11 12
1. Densidad de poblacin 1.00
2. Distancia a Bosques 0.17 1.00
3. Distancia a Carreteras -0.19 -0.25 1.00
4. Distancia a cuerpos
de agua -0.36 -0.10 0.53 1.00
5. Distancia a puntos de
inters econmico y social -0.64 -0.29 0.52 0.53 1.00
6. Distancia a zonas urbanas -0.44 -0.29 0.72 0.55 0.79 1.00
7. Incremento de poblacin 0.58 0.12 -0.19 -0.38 -0.62 -0.40 1.00
8. Altitud del terreno -0.28 -0.40 0.60 0.43 0.43 0.52 -0.23 1.00
9. Orientacin del terreno -0.01 0.01 0.02 0.00 0.03 0.03 -0.01 0.01 1.00
10. Pendiente del terreno -0.05 -0.20 0.12 0.01 0.05 0.06 0.02 0.17 -0.03 1.00
11. % de superficie de
proyectos Inmobiliario 0.78 0.22 -0.16 -0.30 -0.53 -0.37 0.57 -0.24 0.01 -0.05 1.00
12. % de superficie
urbanizable 0.32 0.20 -0.21 -0.36 -0.57 -0.44 0.64 -0.24 -0.01 0.04 0.48 1.00
5.2 Resultados obtenidos del Modelo RLE
Los resultados obtenidos en el modelo de RLE, ejecutado en el software Idrisi Andes
(LogisticReg), presentan un grado de ajuste alto, considerando para tal fin el estadstico ROC =
0.968. Por otro lado, para valorar de manera mas clara la influencia de cada variable en el modelo
se utilizaron los coeficientes estandarizados (Tabla 3).
Atendiendo a dicho coeficiente, en orden de importancia, se puede observar que de las variables
biofsicas es la altitud del terreno el factor que ms determina la localizacin de las nuevas zonas
urbanas en el periodo de 2001 a 2009, de forma negativa, es decir que a mayor altitud menor
probabilidad de que se localicen las nuevas zonas urbanas (-0.54). Por su parte, dentro de las
variables socioeconmicas son la proximidad a las zonas urbanas (-2,40), carreteras existentes en
2001 (-0.77) y la distancia a los puntos de inters econmico y social (CBD, Mall y
Universidades = -0.34) las que ms inciden en la proliferacin del crecimiento urbano,
igualmente de manera negativa, mostrando que la cercana es un factor clave en el aumento de la
probabilidad para el desarrollo de nuevas urbanizaciones. Por ltimo, las variables de tipo
urbanstico no muestran altas correlaciones con el crecimiento urbano, no obstante, los resultado
dan indicios que son mas determinantes los proyectos inmobiliarios en el crecimiento urbano que
la superficie legalmente urbanizable a nivel municipal.
Tabla 3. Resultado del ajuste del modelo de regresin logstico espacial (RLE).
Criterio
Variables
|
STD
B
Intercepto 1.29610
Biofsico
Altitud del terreno -0.01165 -0.54
Pendiente del terreno -0.02015 -0.09
Orientacin del terreno -0.04834 -0.01
Distancia a bosques -0.00001 -0.01
Distancia a cuerpos de Agua 0.00009 0.23
Socioeconmico
Distancia a puntos de inters econmico y social -0.00007 -0.34
Distancia a zonas urbanas -0.00122 -2.40
Distancia a carreteras -0.00083 -0.77
Densidad de poblacin -0.00154 -0.20
Incremento de la poblacin entre 2001 y 2009 0.00004 0.07
Urbanstico
% de superficie legalmente urbanizable por municipio -0.01552 -0.07
% de superficie de proyectos inmobiliarios por municipio 0.27777 0.12
ROC = 0.968
Con la finalidad de ampliar y detallar aun ms el comportamiento de las variables se opt por
generar grficas de probabilidad, las cuales permiten visualizar la influencia que cada variable
tiene en el modelo, considerando sus propias unidades de observacin.
Atendiendo a dichas grficas (Figura 3), podemos decir, que si bien el incremento de la poblacin
entre 2001 y 2009, sobre todo municipios con incremento superior a 10.000 habitantes,
condiciona el crecimiento de las zonas urbanas (Figura 3a), no parece suceder lo mismo con la
densidad de poblacin existente en 2001, donde las mayores probabilidades se dan en densidades
menores a 300 hab*ha), lo cual probablemente se deba a que las mayores densidades se
encuentran en espacios que ya estaban urbanizados en el 2001, como las zonas cntricas y no en
las nuevas reas de crecimiento (Figura 3b).
Algo parecido sucede con la superficie de proyecto inmobiliarios y las superficies legalmente
urbanizables, mientras la primera se correlaciona positivamente con el crecimiento urbano, la
segunda lo hace en sentido negativo, indicando que parte de las nuevas construcciones no se dan
en los municipios con mayor superficie urbanizable (Figura 3d) sino en municipios con mayor
porcentaje de proyectos inmobiliarios (Figura 3c). Si bien los resultados se pueden matizar, es
necesario sealar que las cuatro variables mencionadas anteriormente se han agregado a nivel
municipal, lo cual puede, si fuera el caso, afectar en los resultados. No obstante, es necesario
trabajar con estas variables de esta forma, ya que su informacin procede de fuentes recogidas a
partir de delimitaciones poltico - administrativas (comunas - municipios).
Por su parte, las variables biofsicas nos dan muestra de un modelo de crecimiento urbano en
zonas muy prximas a los bosques (Figura 3e) y a los cuerpos de agua (Figura 3f) con distancias
menores a los 2 kilmetros (mayores probabilidades), as como en pendientes suaves (Figura 3g)
(< a 20 %) y altitudes relativamente bajas < a 300 metros (Figura 3h). Esto comprueba lo
condicionada que est el AMC a los factores naturales y comprueba la tendencia de concentrar
los nuevos crecimientos en reas que si bien estn cerca de puntos de inters, son ambientalmente
vulnerables, sobre todo los humedales y las reas de bosque nativo y matorrales. Histricamente
la dinmica de expansin urbana ha intentado ganar terreno a los bordes de ros y las lagunas de
esta zona costera vulnerable, presionando los sistemas naturales del territorio.
Asimismo, y como se coment anteriormente (coeficientes estandarizados), el crecimiento de las
nuevas zonas urbanas proliferaron en distancias prximas a las zonas urbanas, menores a 1
kilmetro, demostrando la predileccin por una extensin aglomerada y dispersa (Figura 3i). La
proximidad a las carreteras tambin es determinante, las mayores probabilidades se centran en
terrenos a menos de 2 kilmetros de distancia (Figura 3j). Finalmente los puntos de inters
econmico y social (Figura 3k) existentes en 2001, evidentemente juegan un rol trascendental,
donde la distribucin de las zonas urbanas con respecto a stos presenta altas probabilidades
hasta una proximidad de 25 kilmetros.
Figura 3. Grficas de probabilidades de las variables utilizadas en le modelo de RLE
Incrementodel apobl aci nentre2001y2009
0.700
0.800
0.900
1.000
0 500 1,000 2,000 5,000 10,000 20,000 30,000 40,000 50,000
(IncrementodeHabitantesporMunicipio)
P
r
o
b
a
b
i
l
i
d
a
d
a
Densi daddePobl aci on
0.000
0.200
0.400
0.600
0.800
1.000
0 100 200 300 600 800 1000 1300 1600 1800
(Km2/Hab.)
P
r
o
b
a
b
i
l
i
d
a
d
b
Superfi ci edeproyectosi nmobi l i ari ospormuni ci pi oen2001
0.70
0.80
0.90
1.00
0 1 2 3 4 5 6 7 8 9
(%porMunicipio)
P
r
o
b
a
b
i
l
i
d
a
d
c
Superfi ci el egal menteurbani zabl epormuni ci pi oen2001
0.400
0.500
0.600
0.700
0.800
1 10 20 30 40 50 60 70 80 90
(%porMunicipio)
P
r
o
b
a
b
i
l
i
d
a
d
d
Di stanci aBosques
0.650
0.700
0.750
0.800
0.850
0.0 0.5 1.0 2.0 4.0 8.0 12.0 16.0 20.0 22.0
(Km.)
P
r
o
b
a
b
i
l
i
d
a
d
e
Di stanci aacuerposdeagua
0.000
0.200
0.400
0.600
0.800
1.000
0 0.5 1 2 5 10
(Km.)
P
r
o
b
a
b
i
l
i
d
a
d
f
Pendi entedel terreno
0.00
0.20
0.40
0.60
0.80
0 5 10 15 20 50 100 150 200 220
(%)
P
r
o
b
a
b
i
l
i
d
a
d
g
Al ti tuddel terreno
0.000
0.200
0.400
0.600
0.800
0 100 200 300 400 500 600 700 800 1,000
(Mts.)
P
r
o
b
a
b
i
l
i
d
a
d
h
Di stanci aazonasurbanasen2001
0.000
0.200
0.400
0.600
0.800
1.000
0.0 0.5 1.0 2.0 4.0 6.0 8.0 10.0
(Km.)
P
r
o
b
a
b
i
l
i
d
a
d
i
Di stanci aacarreterasde2001
0.000
0.200
0.400
0.600
0.800
1.000
0 0.5 1 2 4 8 10
(Km.)
P
r
o
b
a
b
i
l
i
d
a
d
j
Di stanci aapuntosdei nteres
0.00
0.20
0.40
0.60
0.80
1.00
0.0 1.0 2.0 5.0 10.0 20.0 25.0 50.0 65.0 75.0
(Km.)
P
r
o
b
a
b
i
l
i
d
a
d
k
6. Conclusiones
Retomando las caractersticas del crecimiento urbano en el AMC en el periodo analizado, se
observa que ste se da de forma acelerada y sin mucho control, a un ritmo acelerado y
desentendido de la vulnerabilidad y restricciones que proporciona el sistema natural. De este
modo el modelo de RLE rectific la existencia de una alta dependencia del crecimiento urbano
con respecto a variables de tipo natural o biofsica (altura, pendiente, distancia a bosques,
espacios naturales, cuerpos de agua), y se comprueba la tendencia de concentrar los nuevos
crecimientos en reas que si bien estn prximas a puntos de inters socioeconmico, son
ambientalmente vulnerables dadas las restricciones geogrficas de la localizacin de la zona ms
urbanizada del AMC. Asimismo, destaca el hecho de que exista una escasa incidencia de la
densidad de poblacin en las nuevas urbanizaciones y tambin que los nuevos desarrollos
urbanos no se den en los municipios que poseen la mayor superficie legalmente disponible para
urbanizar, sino en municipios con mayores porcentajes de proyectos inmobiliarios, lo cual atiende
a las tendencias de un atractivo mercado inmobiliario dominante, pero sin mucha consideracin
por una distribucin equilibrada segn el desarrollo legal o planificado, en teora ambientalmente
ms sostenible.
Dicho anlisis fue realizado con informacin previa al fatdico terremoto que afecto a la zona el
27 de febrero de 2010, sin duda ahora son antecedentes de gran utilidad para complementar la
evaluacin del impacto que tuvo esta catstrofe en la estructura y organizacin de la zona urbana
del AMC, especialmente en los espacios perifricos prximos a zonas hmedas y de rellenos.
Dicho trabajo servir como antecedente para conocer la lgica del crecimiento urbano y revertir
tendencias poco sostenibles dadas hasta esa fecha y a partir de ste sentar las bases de una
eminente nueva planificacin que apunte al diseo y simulacin de escenarios urbanos ms
sostenibles, incorporando criterios ambientales, sociales, econmicos, polticos, de planificacin
que posibiliten patrones de crecimiento mas compactos, revirtiendo as las tendencias y bajo una
asignacin mas ptima o deseable del suelo urbano.
7. Agradecimientos
Desarrollado en el marco del Proyecto Fondecyt N11090163 Valoracin del Territorio
Metropolitano. Aproximaciones desde su Sostenibilidad y Evaluacin Ambiental Estratgica.
8. Referencias
Aspinall, R. (2004). Modelling land use change with generalized linear models a multi-model
analysis of change between 1860 and 2000 in Gallatin Valley, Montana, Environmental and
Management, 72, pp. 91-103.
Braimoh, A. K., Onishi, T. (2007). Spatial determinants of urban land use change in Lagos,
Nigeria, Land Use Policy, 24, pp. 502-515.
Bocco, G., Mendoza, M., Masera, O. (2000). La dinmica del cambio del uso del suelo en
Michoacn. Una propuesta metodolgica para el estudio de los procesos de deforestacin,
Investigaciones Geogrficas, Boletn del Instituto de Geografa, UNAM, 44, pp. 18-38.
EEA (2006). Urban sprawl in Europe, the ignored challenge. Report 10 European Environment
Agency Copenhagen.
Chasco, C., Garca, R. I. y Vicns O. J. (2007). Modeling spatial variations in household
disposable income with Geographically Weighted Regression. MPRA Paper No. 1682.
Disponible en lnea: http://mpra.ub.uni-muenchen.de/1682/
Cheng, J., & Masser, I. (2003). Urban growth pattern modelling: a case study of Wuhan city, PR
China, Landscape and Urban Planning, 62, pp. 199-217.
Collazos, R. E., Gamboa, P. W.,Prado, V. P., Verardi, V. (2006). Anlisis espacial del precio de
oferta de la vivienda en el rea metropolitana de Cochabamba, Revista Latinoamericana de
Desarrollo Econmico, 6, pp.33-62.
Conway, M. (2005). Current and future patterns of land-use change in the coastal zone of New
Jersey. Environment and Planning B: Planning and Design, 32, pp. 877-893.
Henrquez, C., zocar, G., Romero, H. (2006). Monitoring and modeling the urban growth of
two mid-sized Chilean cities. Habitat International, 30 (4), pp. 945-964.
Hu, Z., & Lo, P., (2007). Modeling urban growth in Atlanta using logistic regression. Computers,
Environment and Urban Systems, 31, pp. 667688.
Hoshino, S. (2001). Multilevel modeling on farmland distribution in Japan, Land Use Policy, 18,
pp. 75-90.
Ministerio de Vivienda y Urbanismo MINVU (2006). Diagnstico Urbano 1990 - 2006. Santiago
de Chile. Disponible en lnea: http://www.observatoriourbano.cl/
Ministerio de Vivienda y Urbanismo MINVU (2003). Documento de Memoria Explicativa Plan
Regulador Metropolitano de Concepcin.
Lesschen, J. P., Verburg, P. H., Staal, S. J. (2005). Statistical methods for analysing the spatial
dimension of changes in land use and farming systems. LUCC Report Series 7 Wageningen
University of the Netherlands.
Menard, S. (2002). Applied logistic regression analysis. 2nd edn. SAGE Publications, London.
Montgomery, D., Peck, E. A., Vining, G. G. (2006). Introduction to linear regression analysis.
3rd edn. John Wiley New York.
Overmars, K. P. & Verburg, P. H. (2006). Multilevel modelling of land use from field to village
level in the Philippines, Agricultural and Systems, 89, pp. 435456.
Pan, W. & Bilsborrow, R. (2005). The use of a multilevel statistical model to analyze factors
influencing land use: a study of the Ecuadorian Amazon, Global and Planetary Change, 47, pp.
232 252.
Poelmans, L. & Van Rompaey, A. (2010). Complexity and performance of urban expansion
models, Computer, Environment and Urban System, 34, pp. 17-27.
Pontius, R. G., & Schneider, L. C. (2001). Land cover change model validation by an ROC
method for the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems and
Environment, 85, pp. 239248.
Pontius, R. G., & Batchu, K. (2003). Using the relative operating characteristic to quantify
certainty in prediction of location of land cover change in India. Transactions in GIS, 7 (4), pp.
467-484.
Rojas, C., Muiz, I., Garca - Lpez, M. . (2009). Estructura urbana y policentrismo en el rea
Metropolitana de Concepcin. Revista Estudios latinoamericanos urbanos regionales EURE,
XXXV, 105, pp. 47-70.
Rojas, C., Opazo, S., Jaque, E. (2009). Dinmica y Patrones de Crecimiento del rea
Metropolitana de Concepcin. Tendencias de las ltimas dcadas. En R. Hidalgo., C. Mattos, De,
& F. Arenas, Chile: Del Pas Urbano Al Pas Metropolitano (pp. 257-268). GeoLibros, Pontificia
Universidad Catlica de Santiago, Santiago de Chile.
Rojas, C., Muiz, I., Pino, J. (2009). Cartography and Spatial Analysis of Urban Sprawl. En
Proceeding of 24th International Cartographic Conference, 15 al 21 de Noviembre en Santiago
de Chile.
Rojas, C., Pino, J., Opazo, S. (2009). Sprawl in Latin American Cities: Pattern of Urban Growth
in the Concepcin Metropolitan Area. En preparacin, No publicado.
Sant, I., Garca, A., Miranda, D., Crecente, R. (2010). Cellular automata models for the
simulation of real-world urban processes : A review and analysis. Landscape and Urban
Planning, 96, pp 108-122.
Serra, P., Pons, X., Saur, D. (2008). Land-cover and land-use change in a Mediterranean
landscape: A spatial analysis of driving forces integrating biophysical and human factors. Applied
Geographic, 28, pp. 189209.
United Nations (2009). World urbanization Prospects: Departament of Economic and Social
Affairs. Disponible en lnea http://esa.un.org/unpd/wup/index.htm.
Veldkamp, A., & Lambin, E. F. (2001). Predicting land-use change. Agriculture, Ecosystems and
Environment, 85, pp.16.
Verburg, P. H., van Eck, J. R., de Nijs, T. C., Dijist, M. J., Schot, P. (2004). Determinants of
land-use change patterns in the Netherlands. Environment and Planning B: Planning and Design,
31, pp. 125-150.
Yang, Z., Chenghu, Z., Yongmin, Z. (2007). A partial least-squares regression approach to land
use studies in the Suzhou-Wuxi-Changzhou region. Geographic Science, 17, pp.234-244.