Banco Mundial, 9 de junio de 2016

Ana Aguilera, Sarah E. Antos y Nancy Lozano Gracia

Durante varios aos, el uso de imgenes satelitales

ha permitido estudiar dinmicas espaciales

Evolucin de la mancha urbana

Quetzaltenango

Lago de Atitln

Ciudad de Guatemala

Volcn de Atitln
Volcn Acatenango

Volcn de Agua
Volcn de Pacaya
Source: ESRI
WorldGlobales
Imagery,ESRI
lastWorld
updated
MarchMarzo
2015 2015
Fuente:
Imgenes
Imagery,

Ciudad de Guatemala- Quetzaltenango, GTM

Multi-temporal
1990
2014
2000
1975

Source: ESRI
Fuente:
ESRI
GHSLWorld
World
Landsat
Imagery,
Version
last
Alfa
updated
Comisin
March
Europea
2015 JRC,
JRC, 2015
2015
Fuente:
Source:
GHSL
Landsat
Imagery,
Version
last
Alfa
updated
Comisin
March
Europea
2015

00

55

10 km
km
10

Imgenes satelitales de
alta resolucin
ahora permiten ir ms all y medir los distintos tipos de suelos dentro de una ciudad

Metodologa
Analizamos la textura de las imgenes
Posicionamiento de las lneas viales,
densidad de los rectngulos y los ngulos
de intersecciones viales.
Permite analizar resultados a nivel de
barrios o vecindarios.

No estamos realizando una clasificacin

basada en el anlisis de objetos
Los algoritmos buscan los objetos (a travs
de la segmentacin multi-resolucin),
agrupando pixeles que lucen similares.
Resultados: contornos de techos, campos
de cultivo, entre otros.

Resumen del procesamiento de datos

Imagen no procesada

Extraer caractersticas principales

Tipificacin de la cobertura del suelo a travs de la
extraccin de caractersticas fsicas visibles en la imagen. El
algortimo toma parmetros y agrega estadsticos a nivel de
vecindario.

reas muestrales

Algoritmo de Aprendizaje Automtico

Un alogoritmo automatizado (azar forestal) toma las reas
muestrales y aprende de las caractersticas tpicas de los distintos
tipos de suelo presentes en cada sitio muestral. Luego utiliza lo
aprendido para clasificar el resto de la imagen y generar una
imagen procesada clasificando los pixeles por su tipo de
cobertura del suelo.

Ventajas
Es una alternativa menos costosa a
la digitacin manual.
El procesamiento de datos puede
realizarse en una computadora
personal en solo 4-5 das.
El mtodo es transparente y el
algortimo es de cdigo abierto
(disponible en GitHub como
librera Python)

Desventajas
Se require de imgenes de alta
resolucin (mosaicos limpios
corrigiendo por nubes y otras
caractersticas atmosfpericas, bajo
ngulo nadir, con tomas dentro de un
corto perodo de tiempo)
El conocimiento local es importante
para definir las clases y las reas
muestrales.
No permite delinear el contorno de
los techos, sino que produce anlisis
a nivel de barrios.

Esta metodologa se basa en un trabajo previo pilotado en frica

5 ciudades principales en frica

9 ciudades secundarias en Ruanda

Nairobi, Kenia

Nairobi, Kenia

Clasificacin de 9 ciudades secundarias

SPOT 6/7 1.5m

Pleiades 0.5m

Imgenes de menor
resolucin

Menores costos.
Resultados de alta calidad y
alta resolucin.
Imgenes que cubren un rea
ms extensa.

Seleccin de reas muestrales para cada ciudad

Caractersticas fsicas consideradas para los

parmetros del modelo:
Tamao de los techos.
Orientacin de los edificios.
ngulos de 90.
Vas pavimentadas.

Chinandega, Nicaragua

Escala: 1:6,000

Chinandega, Nicaragua

Escala: 1:6,000

Composicin espacial de las ciudades, tipos de cobertura de suelo

Chimaltenango, Guatemala

Chinandega, Nicaragua

San Isidro, Costa Rica

Extraccin de la red vial

Chimaltenango, Guatemala

Chinandega, Nicaragua

San Miguel, El Salvador

Limn, Costa Rica

Estel, Nicaragua

La Ceiba, Honduras

San Isidro, Costa Rica

San Pedro Sula, Honduras

Musanze, Ruanda

Limon, Costa Rica

Huye, Ruanda

Validacin de campo
Regular

Irregular

Commercial
Industrial

Composicin de las ciudades por tipos de cobertura de suelos

Chinandega: Land Cover

100%

100%

80%

80%

Share of land

Share of Land

Chimaltenango: Land Cover

60%
40%

60%
40%
20%

20%

0%

0%
0

Distance from CBD (km)

Regular

Irregular

Industrial/Commercial

Road

Distance from CBD (km)

Vegetation

Bare Soil

Regular

Irregular

Commercial/Industrial

Roads

Vegetation

Bare Soil

San Isidro: Land cover

Esteli: Land Cover

100%

100%

80%
Share of Land

80%

Share of Land

60%
40%

60%
40%
20%

20%

0%

0%

Irregular

Commercial/Industrial

Roads

Distance from CBD (km)

Distance from CBD (km)

Regular

Vegetation

Bare Soil

Regular

Irregular

Industrial/Commercial

Road

Vegetation

Bare Soil

Porcentaje de la tierra destinado a calles en el centro de la ciudad

Ranking de Habitat ONU
Manhattan
Hong Kong
Barcelona
Paris
Amsterdam
Tokoyo
Athens
Medellin
Brussels
Brussels
Helskinki
Copenhagen
Guadalajara
Singapore
Beijing
St. Petersburg
Auckland
Brazilia
Chandigam
Kigali
Kolkata
Abuja
Dakar
Addis Ababa
Georgetown
Ouagadougou
Nairobi
Accra
Esteli
Chinandega
San Isidro
Yeravan
Bangui
Chimaltenango

36
33.7
33

Chimaltenango

29.7
29.1
28.7
28.6

Medellin
Guadalajara

20%

Abuja

15%

Dakar

10%
5%
0%
-5

19.1
18.5
18.1
16.7
15.7
15.7
15.2
15.1
14.3
13.4
12.6
12.3
11.5
11.1
10.3
9.5
8.5

-4

-3

-2

-1

No
Unpaved
pavimentado

15

20

Pavimentado
Paved

Estel
35%

Barcelona

30%
25%

Guadalajara

20%

Medellin
Abuja

15%

Dakar

10%
5%
0%
-5

-4

-3

-2

-1

Sur (km) <-- CBD ---> Norte (km)

10

Sur (km) <-- CBD ---> Norte(km)

6.1
6
4.8
5

Barcelona

30%
25%

25.2
25.1
25.1
22.9
22.7
21.8
21.6

35%

25

30

35

Porcentaje de la tierra dedicada a vas y caminos

40

Unpaved
No

pavimentado

Pavimentado
Paved

Ana Aguilera - aaguileradellano@worldbank.org

Sarah E. Antos santos1@worldbank.org
Nancy Lozano Gracia (TTL) - nlozano@worldbank.org