Universidad de las Fuerzas Armadas “ESPE”

Ordenamiento Territorial 1
NRC: 4489

Nombre del estudiante: Juan Ortiz

Nombre de los autores: Vineet Chaturvedi y Walter T. de Vries
DOI: https://doi.org/10.3390/urbansci5030068
Link: https://www.mdpi.com/2413-8851/5/3/68
Reacción al artículo: Machine Learning Algorithms for Urban Land Use Planning: A
Review

La aplicación de la inteligencia artificial en diversos campos de investigación ha venido

en auge desde el 2016 (Nurton, 2019), hasta la actualidad (2022) en donde se ha
observado aplicaciones investigativas como el diagnóstico de enfermedades, comerciales
como los vehículos de conducción autónoma de TESLA y artísticas como Dall-E en la
generación de pinturas de arte. Introducirse en esta tecnología no representa una
dificultad al existir IA de acceso gratuito atreves de Python y R.
Para los geógrafos representa una gran oportunidad para mejorar los modelos de
predicción y clasificación adaptándose a los requerimientos de un lugar en específico,
dejando de lado los modelos generalizados que no funcionan de igual forma en todos los
territorios. Las nuevas tecnologías, como la inteligencia artificial (IA) y Machine
Learning (ML), han hecho posible modelar y predecir los aspectos no lineales de la
dinámica del suelo urbano.
El objetivo del artículo analizado es presentar los resultados de un estudio comparativo
de los algoritmos de ML comúnmente utilizados en el contexto de las necesidades y
requisitos de la planificación del uso del suelo y la toma de decisiones relacionadas con
la planificación del uso del suelo. Los algoritmos estudiados son los más populares como
la máquina de vectores de soporte (SVM), la red neuronal, el campo aleatorio de Markov
(MRF), redes adversarias generativas (GAN) y el bosque aleatorio (RF). (Chaturvedi &
de Vries, 2021)
Los resultados revelaron que los algoritmos RF, aprendizaje profundo como la red
neuronal convolucional (CNN) y SVM son los más adecuados para la clasificación y el
análisis de patrones de datos basados en la observación de la Tierra. Las GAN (redes
adversarias generativas) se han utilizado para simular patrones urbanos. También se
evidenció la utilización de algoritmos como autómatas celulares, regresión logística
espacial y modelado basado en agentes para estudiar el crecimiento urbano, el cambio de
uso del suelo y el análisis de patrones de asentamiento.
La revisión de varias publicaciones sobre algoritmos ML y sus aplicaciones en la
planificación del uso del suelo demuestra que la mayoría de los algoritmos ML funcionan
a nivel de píxel. La mayoría de las investigaciones usaron como información base
imágenes satelitales. La elección de los métodos de ML depende en gran medida del tipo
de conjuntos de datos, costos computacionales y los intereses del usuario.
La inteligencia artificial sería una gran herramienta para ser usada en el Ecuador y
Sudamérica al permitir un análisis masa preciso y que requiere menos recursos en
comparación a los métodos tradicionales. América del Sur experimenta una explosión
demográfica que se traduce en un crecimiento acelerado de las zonas urbanas en donde es
necesario realizar una correcta planificación.
Para mejorar los modelos generados con AI se mezcla con varios modelos dependiendo
de las variables (coberturas) y además incluir datos y variables socioeconómicas. Quito y
Guayaquil se podrían beneficiar de los modelos de ML para generar una planificación
actualizada en poco tiempo. Los Geógrafos en colaboración y capacitación con
 Universidad de las Fuerzas Armadas “ESPE”
Ordenamiento Territorial 1
NRC: 4489

ingenieros informáticos podrían llegar a implementar estas tecnologías al país.

Bibliografía
Chaturvedi, V., & de Vries, W. T. (2021). Machine Learning Algorithms for Urban Land Use
Planning: A Review. Urban Sci.
Nurton, J. (2019). OMPI: Tendencias de la tecnología – Inteligencia artificial. OMPI Revista.
Universidad de las Fuerzas Armadas “ESPE”
Ordenamiento Territorial 1
NRC: 4489