Assessing Spatiotemporal Dynamics and Forecasting Urban Expansion Using Satellite Imagery and a Data-Driven Model: A Case Study of the Tabriz Metropolitan Area, Iran
Este estudio utiliza imágenes Landsat multitemporales procesadas a través de Google Earth Engine y un modelo CA-Markov para analizar la rápida expansión urbana de Tabriz, Irán, desde 1972 hasta 2021 y proyectar su crecimiento continuo e impacto en las tierras agrícolas hasta 2030.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina la Tierra como un lienzo gigante y vivo donde la pintura se mezcla y se mueve constantemente. A veces, la pintura verde de los bosques y las granjas es desplazada para dar lugar a la pintura gris de las ciudades y las carreteras. Este proceso se llama "expansión urbana" y es uno de los cambios más grandes que están ocurriendo en nuestro planeta en este momento. Para entender cómo sucede esto, los científicos utilizan un tipo especial de trabajo de detective digital llamado "sensores remotos". En lugar de conducir con una tabla portapapeles, utilizan satélites que orbitan en lo alto para tomar fotos del suelo. Estas fotos son como una máquina del tiempo, que nos permite ver cómo era la tierra hace décadas y compararla con el presente. Pero mirar millones de píxeles es un trabajo arduo, así que los científicos utilizan el "aprendizaje automático" (machine learning), un tipo de cerebro computacional que aprende a reconocer patrones, como distinguir entre un campo de trigo y un estacionamiento. Una vez que comprenden el pasado, utilizan "modelos predictivos", que son como pronósticos del clima para la tierra, para adivinar hacia dónde se extenderá la pintura gris después. Esto es importante porque si las ciudades crecen sin un plan, pueden devorar las tierras de cultivo y dañar el medio ambiente, dejándonos con menos recursos para el futuro.
Ahora, hagamos un acercamiento a una ciudad específica en Irán llamada Tabriz. Un equipo de investigadores decidió actuar como viajeros en el tiempo para esta ciudad, utilizando una herramienta digital poderosa llamada Google Earth Engine para unir fotos satelitales de 1972, 1995, 2016 y 2021. Enseñaron a un cerebro computacional, utilizando un algoritmo llamado Máquina de Vectores de Soporte (SVM), a observar estas fotos antiguas y clasificar la tierra en cinco categorías: huertos, tierras de cultivo, suelo desnudo, pastizales herbáceos y asentamientos (ciudades y pueblos). Piensa en el SVM como un bibliotecario de vista muy aguda que puede clasificar instantáneamente una pila desordenada de fotos en pilas ordenadas según lo que contienen. Los resultados fueron impresionantes: la computadora acertó aproximadamente el 81% de las veces, lo cual es suficiente para confiar en la historia que está contando.
La historia que contaron los datos fue una de cambios masivos. En 1972, la ciudad de Tabriz era un lugar acogedor, cubriendo solo 25.01 kilómetros cuadrados. Avanzando rápidamente hasta 2021, esa pintura gris había explotado, cubriendo 293.19 kilómetros cuadrados. Fue como si la ciudad se hubiera tragado un gran bocado de su propio vecindario. Mientras la ciudad crecía, otras partes del paisaje también cambiaban. La cantidad de suelo desnudo aumentó drásticamente, saltando de 72.92 kilómetros cuadrados a 290.66 kilómetros cuadrados, mientras que las tierras de cultivo y los pastizales experimentaron sus propios altibajos. Los investigadores notaron que, en los años más recientes, la ciudad estaba devorando activamente las tierras de cultivo, convirtiendo el suelo productivo en concreto y edificios.
Pero los investigadores no solo querían mirar el pasado; querían asomarse al futuro. Para hacer esto, utilizaron un modelo "CA-Markov". Puedes pensar en este modelo como un juego de "¿qué pasa después?". Observa las reglas de cómo cambió la tierra en el pasado (como qué tan seguido la tierra de cultivo se convirtió en una casa) y aplica esas mismas reglas para adivinar cómo será el mapa en 2030. Antes de confiar en la bola de cristal, la probaron: usaron el modelo para predecir cómo sería el mapa en 2021 basándose en datos más antiguos, y coincidió con el mapa real de 2021 con una puntuación alta de 0.796. Esto sugiere que el modelo es confiable.
Cuando ejecutaron la simulación para 2030, la imagen mostró que la ciudad no se detendrá pronto. El modelo sugiere que las áreas urbanas continuarán creciendo, particularmente extendiéndose hacia el este y el oeste a lo largo de los principales corredores de desarrollo. La simulación predice que, para 2030, las áreas de asentamiento cubrirán unos 193.88 kilómetros cuadrados (nota: el texto del artículo contiene una ligera inconsistencia, indicando 193.88 km² en la sección de proyección mientras que el valor de 2021 era 293.19 km²; el texto describe un aumento del 1.28% respecto a 2021, lo cual se alinea matemáticamente con la cifra de 293.19 km² creciendo ligeramente, pero la cifra específica de 193.88 aparece en el texto como el valor de la proyección para 2030). Mientras tanto, el modelo sugiere que las tierras de cultivo se reducirán aún más, perdiendo más terreno ante la expansión de la ciudad. Los investigadores enfatizan que esto no es un destino garantizado, sino un escenario probable si las cosas continúan exactamente como lo han hecho hasta ahora. Advierten que, sin una planificación cuidadosa, este crecimiento podría expulsar la tierra agrícola que alimenta a la región. El estudio concluye que, si bien las herramientas utilizadas fueron exitosas para mapear y predecir estos cambios, el verdadero desafío es usar este conocimiento para tomar decisiones más inteligentes sobre dónde construir, asegurando que la ciudad crezca sin perder su corazón verde.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.