Comparison of spatial methods to detect urban land-use change

María Josefa Jiménez-Moreno^1*; Manuel de Jesús González-Guillen¹; Miguel Escalona-Maurice²; José René Valdez-Lazalde¹; Carlos Arturo Aguirre-Salado³.

¹ Postgrado Forestal. Colegio de Postgraduados. Carretera México-Texcoco km 36.5, Montecillo. Estado de México. C. P. 56230. Correos-e: manuelg@colpos.mx, valdez@colpos.mx (*Autor para correspondencia) Correo-e: josefajimenez@colpos.mx

² Postgrado en Desarrollo Rural. Colegio de Postgraduados. Carretera México-Texcoco km 36.5, Montecillo. Estado de México. C. P. 56230.

³ Ingeniería Geomática. Facultad de Ingeniería. Universidad Autónoma de San Luis Potosí. San Luis Potosí, S.L.P. C. P. 78290. Correo-e: carlos.aguirre@uaslp.mx

Recibido: 9 de abril 2010
Aprobado: 19 de junio 2011

RESUMEN

Esta investigación describe y analiza algunos métodos de detección de cambios en el uso del suelo originado por el crecimiento urbano con la finalidad de mostrar sus ventajas y desventajas; también expone aquellos métodos que proporcionan resultados favorables fundamentados en la información geográfica y que permiten una correcta toma de decisiones en la planificación del uso del suelo urbano.

Palabras clave: Uso del suelo urbano, crecimiento urbano, planificación territorial, toma de decisiones, SIG.

ABSTRACT

This research describes and analyzes some methods of detecting land-use changes caused by urban growth in order to show their advantages and disadvantages. It also outlines those methods that provide favorable results based on geographical information and enable proper decision-making in urban land-use planning.

INTRODUCCIÓN

El desarrollo poblacional demanda una gran cantidad de servicios y recursos, lo cual puede llegar a impactar negativamente al ambiente y deteriorar la calidad de vida de sus habitantes cuando no se realiza de manera planificada (USGS, 1999). Por tanto, es importante que las autoridades encargadas de la planificación territorial conozcan e implementen metodologías de planificación espacial para detectar y establecer las posibles modificaciones del crecimiento urbano para reorientar y minimizar los impactos bajo un contexto de sustentabilidad.

En este proceso de planificación territorial es fundamental el uso de las diferentes disciplinas de la Geomática para caracterizar espacial y temporalmente la dinámica del crecimiento urbano con cierta precisión y detalle, con la finalidad de generar conocimiento útil en la planificación y ordenamiento del territorio (Franklin, 2001; Herrera, 2001; Gómez, 2001; Chuvieco, 2008).

Los métodos basados en la teledetección han demostrado ser una herramienta eficaz para la detección de los cambios en el uso del suelo y los ocasionados en el medio físico, los cuales cuantifican el ecosistema natural y urbano, proporcionando una visión integral de la dinámica espacio-temporal de la cobertura y los patrones del uso del suelo, contribuyendo con ello a la formulación de políticas de desarrollo regional (Treitz y Rogan, 2004).

En suma, las técnicas de geomática ayudan a detectar los cambios de uso del suelo de manera oportuna y precisa y a entender la relación e interacción entre el ser humano y los fenómenos naturales (López et al., 2001; Eastman, 2003; Lu et al., 2004), lo que permite a su vez tomar las medidas necesarias para contrarrestar los cambios o impactos negativos.

A diferencia de otros trabajos de análisis comparativo que usan las técnicas de detección de cambios con base en las clasificaciones basadas en la normalización radiométrica implementadas en el dominio del infrarrojo óptico (Mas, 1999; Coppin et al., 2004), o en el número de bandas empleadas en las imágenes y en la selección de los umbrales apropiados (Lu et al., 2004), el presente estudio presenta una revisión y análisis comparativo de los métodos espaciales más utilizados para detectar cambios de uso del suelo generado por el crecimiento urbano, mostrando las ventajas y desventajas encontradas en la aplicación de los mismos.

DESARROLLO

La literatura sugiere tres criterios de clasificación de los métodos existentes para la detección de cambios de uso del suelo. El primero se fundamenta en la técnica empleada para detectar el cambio, mismo que puede estar ligado a un cambio en la reflectividad o en las texturas de la imagen, las cuales son separables y afectadas por las limitaciones espaciales, espectrales, temáticas y temporales (Lu et al. 2004), e incluye los métodos de: 1) álgebra de mapas; 2) transformaciones matemáticas; 3) post-clasificación; y 4) modelación (evaluación multicriterio y autómatas celulares). El segundo criterio se basa en la temporalidad de la información (Eastman, 2003) e incluye: 1) análisis bitemporal (imágenes de dos fechas); 2) análisis multitemporal (varias fechas o series de tiempo); y 3) predicción de cambios a futuro. Finalmente, el tercer criterio de clasificación se fundamenta en el tipo de datos empleados (Chuvieco, 2000), los cuales pueden agruparse en: Análisis de datos continuos y datos categóricos. Los datos continuos incluyen todas las metodologías numéricas tales como: Álgebra de mapas, transformaciones matemáticas y modelación; mientras que los datos categóricos se basan en una post-clasificación con matrices de cambio o a través de cadenas de Markov.

Clasificación de los métodos según las técnicas empleadas

1) Álgebra de mapas: Consiste en el uso de operaciones aritméticas básicas (suma, resta, multiplicación y división) para manipular y analizar datos espaciales. El álgebra de mapas crea nuevas funciones y relaciones de atributos por la superposición de funciones de dos capas de entrada. Las características de cada capa de entrada se combinan para crear nuevas funciones de salida. Una desventaja del álgebra de mapas en la detección del cambio, es la dificultad para seleccionar los umbrales al considerar que las variaciones numéricas no sean afectadas por cambios estacionales o por cambios propios inherentes a la escena de la imagen. Incluye técnicas como diferencia entre imágenes, regresión entre imágenes, proporción de imágenes, diferencias de índices de vegetación, análisis de vectores de cambio y sustracción de fondo. Estos algoritmos detectan los cambios mayores de ciertos umbrales identificados y proporcionan la información del cambio cuantitativamente en términos de reflectancia (USGS, 1999; Romero y López, 2000; Yagüe, 2002; Azocar, Sahueza y Henríquez, 2003; Catalán, et al., 2007; Compas, 2007; Zhang, et al., 2007; Chuvieco, 2008).

2) Transformación: Son métodos de análisis espaciales que cambian (o transforman) entidades originales mediante combinaciones, utilizando principios y reglas geométricas, aritméticas o lógicas, y también operadores de conversión de datos vectoriales a ráster y viceversa, con la finalidad de mejorar la discriminación de algunos aspectos temáticos dentro de la imagen y de la disposición de los datos de manera que sean evidentes los fenómenos de interés. Una ventaja de estos métodos es que minimizan la redundancia entre bandas. Sin embargo, éstos no pueden proporcionar matrices de cambio detalladas, requieren la elección de umbrales para identificar las áreas de cambio y tienen dificultad en la interpretación e identificación de la información de cambio sobre las imágenes ya transformadas. Este grupo incluye transformaciones multivariadas tales como análisis de componentes principales, índice de vegetación, entre otros (Zhao y Maclean, 2000; Lasaponara, 2005; Kumar et al., 2007; Chuvieco, 2008).

3) Post-clasificación: Es un método generalizado que consiste en agrupar los rasgos geográficos en clases o categorías de acuerdo a características comunes reduciendo el número o variedad, y por tanto, una simplificación del mapa. El proceso se inicia con el agrupamiento de los pixeles mediante clasificación automatizada o digitalización en monitor de una imagen en clases internamente homogéneas, pero diferenciables entre ellas por los valores de una o varias variables. Posteriormente los mapas temáticos creados para las fechas consideradas son utilizados para generar una matriz cruzada de información del cambio de uso entre las imágenes multitemporales. Su desventaja radica en la manipulación de datos históricos y del tiempo empleado para generar clasificaciones exactas. En esta categoría se incluye el análisis temporal-espectral, algoritmos de maximización, clasificación y redes neuronales artificiales (Herrera, 2001; Hurd et al., 2001; Yang y Lo, 2002; Molina, 2005; Chuvieco, 2008).

4) Modelación: Son modelos conceptuales que describen y manipulan las características espaciales de los fenómenos geográficos. Los valores de reflectividad de la imagen son convertidos a parámetros o fragmentos basados físicamente a través de modelos lineales, no lineales o ambos. Los parámetros transformados son fáciles de interpretar y de extraer información de las firmas espectrales. Su desventaja radica en el tiempo empleado y la dificultad de desarrollar modelos apropiados para convertir los valores de reflectividad de la imagen a parámetros biofísicos. Incluye el modelado de reflectividad empleada en los modelos de Li-Strahler, modelos mixtos espectrales y modelos de estimación de parámetros biofísicos (Foresman ef al., 1997; López et al., 2001; Allen y Lu, 2003; Deal y Schunk, 2004; Aguilera, 2006; Liu et al., 2007; Molero et al., 2007).

Otro tipo de modelaje es el análisis multicriterio. Estos son procesos que transforman y combinan datos espaciales del estado actual a través de reglas de decisión para generar un resultado del estado deseado, el cual se basa en la ponderación y compensación de variables que influyen de manera positiva (aptitud) o negativa (impacto) sobre la actividad objeto de decisión. Además de la información geográfica, incorpora los juicios de valor (gustos y preferencias) de los tomadores de decisión (Paegelow et al., 2003; Malczewski, 2004; Liu et al., 2007).

Clasificación de los métodos según la temporalidad de la información

1) Análisis bitemporal: Es un análisis de tipo cualitativo o cuantitativo en el que se emplean solamente imágenes de dos fechas. En esta clasificación se incluyen las técnicas de diferencia de imágenes, proporción de imagen, diferencia de regresión, análisis de vectores de cambios (análisis entre dos imágenes), calidad de datos (cruce de tablas y/o cruce de clasificación) (Eastman, 2003).

3) Predicción de cambios a futuro: Son técnicas que determinan probabilidades de cambio, donde la predicción espacial explica los cambios detectados posibles. Dentro de estas técnicas se incluyen las cadenas de probabilidad de análisis de Markov, autómatas celulares y análisis multicriterio (Eastman, 2003).

Clasificación de los métodos según el tipo de dato empleado

Se clasifican en datos continuos o categóricos. Las técnicas aplicables al análisis de datos continuos (numéricos) incluyen la estandarización de los números digitales mediante la calibración radiométrica, esto es, la conversión a radianza y posteriormente a reflectividad. Los datos categóricos se refieren al uso de mapas temáticos obtenidos de la clasificación de imágenes, ya sea supervisada mediante campos de entrenamiento o digitalización en monitor. La clasificación no supervisada es solamente un método exploratorio que apoya la aplicación de la clasificación supervisada. La Figura 1 presenta una visión integrada de los diferentes métodos de detección de cambios.

Incertidumbre en el estudio del cambio de uso del suelo

Toda base de datos geográficos presenta cierto grado de incertidumbre que depende principalmente de la calidad de insumos y de la metodología adoptada para su elaboración (Mas et al., 2003). Por ello, resulta conveniente aplicar algún procedimiento de verificación que permita cuantificar el error y valorar la aplicación operativa de la información geoespacial en el estudio de cambio de uso del suelo (Jensen, 1996; Chuvieco, 2000). Los errores contenidos en los mapas que se comparan temporalmente son de dos tipos: errores inherentes a los atributos (categóricos o continuos) y errores geométricos relacionados con la ubicación espacial de la información.

Los errores de los atributos se generan en una diversidad de formas, según la metodología empleada para su elaboración. Para el caso de métodos automatizados, su origen puede ser la deficiente separabilidad de clases en las firmas espectrales en una clasificación supervisada; mientras que para los métodos manuales como la fotointerpretación, podrá ser la escasa visibilidad del fotointérprete (debido a la resolución espacial de la imagen) o al vago conocimiento del área de estudio, lo que trae como consecuencia una deficiente asignación de etiquetas a los polígonos.

Por otra parte, los errores geométricos se generan por una deficiente georeferenciación de la información. Los mapas de un área de estudio determinada que van a ser comparados temporalmente deben coincidir espacialmente en la mayor medida posible; de lo contrario, los cambios detectados no corresponderán a la variación temporal del atributo de interés sino a una falta de correspondencia espacial (Chuvieco, 1998); es decir, se debe asegurar que tanto la zona como la variable que se compara sea la misma en ambas fechas consideradas (Chuvieco, 2008), por lo que es necesario conocer la confiabilidad de la base de datos empleada para evitar errores en el proceso de detección de cambios (Mas y Fernández, 2003), ya que el cuantificar la calidad del producto cartográfico generado permitirá valorar su ajuste con la realidad, y así asumir el riesgo en la toma de decisiones (Mas et al., 2003).

Los resultados de las diferentes metodologías permiten evaluar los valores obtenidos. A mayor precisión, más adecuadamente se identificarán las áreas de cambio, por lo que la información generada presenta mayor validez (Coppin et al., 2004; Lu et al., 2004; Chuvieco, 2008).

Aplicaciones de los métodos de detección de cambio en el uso del suelo de áreas urbanas

Afortunadamente se han probado varios métodos de detección de cambios en áreas urbanas que permiten señalar las transformaciones que ha experimentado la superficie (Yang y Lo, 2002). Azocar et al. (2003), en algunos trabajos desarrollados mediante el uso de SIG, índices de análisis espacial e implementación de fotografías aéreas, estudiaron la relación entre el crecimiento urbano y el crecimiento de la población. Por su parte, Herrera (2001) empleó imágenes de satélite a través de los SIG y Sistemas de Posicionamiento Global (GPS, siglas en inglés) para conocer los efectos de la intervención antropógena y la evolución en la ocupación del suelo.

A través del uso de imágenes de satélite y SIG, Yang y Lo (2002) identificaron áreas de cambio de cobertura y usos de suelo generados por el crecimiento urbano; por su parte, Aguilera (2006) generó dos modelos de crecimiento urbano usando fotografías aéreas y ortofotografías empleando un SIG y autómatas celulares. Asimismo, Paegelow et al. (2003) emplearon cadenas de Markov y evaluación multicriterio para conocer la dinámica del paisaje. Por su parte, Catalán et al. (2007), a través de fotografías aéreas y SIG, identificaron áreas de crecimiento urbano. Finalmente, Hunter et al. (2003) emplearon imágenes de satélite y fotografías aéreas ayudados de un SIG, para desarrollar modelos espaciales y estadísticos de escenarios futuros del crecimiento de la población y cambios de uso del suelo.

Los métodos de detección están basados en datos multi-temporales, multi-espectrales y en sensores satelitales que han demostrado gran potencial para detectar, identificar, cartografiar y monitorear los cambios de diferentes ecosistemas independientemente de sus agentes causales (Coppin et al., 2004), por lo que es necesario emplear y comparar varias técnicas, algoritmos y análisis que permitan identificar las zonas exactas de detección (Congalton y Green, 1999) y así definir la mejor opción para la detección del cambio considerando las características físicas, sociales y económicas del lugar.

El Cuadro 1 muestra una clasificación de diferentes aplicaciones realizadas en el mundo sobre estudios de cambio de uso de suelo generados por el crecimiento de la población y la expansión de áreas urbanas, las cuales han empleado principalmente el álgebra de mapas, la post-clasificación y modelación. Además, se muestran las ventajas y desventajas de cada método.

Análisis comparativo de los métodos de detección de cambios en el uso del suelo en áreas urbanas

El desafío de la teledetección para detectar cambios en áreas urbanas ha catalizado el desarrollo de técnicas más precisas para que dichos cambios coincidan con aplicaciones medioambientales (Coppin et al., 2004). Estas aplicaciones son generadas como mecanismos de respuesta a la alta complejidad de los componentes urbanos (Yagüe, 2002); sin embargo, en muchas ocasiones las limitaciones existentes afectan la toma de decisiones, por lo que una planificación acertada supone a futuro grandes beneficios (Chuvieco, 2008).

Los cambios en el uso de suelo de áreas urbanas pueden ser monitoreados en forma complementaria por diferentes métodos a la vez, con resultados positivos que permiten detectar una amplia gama de cambios (Coppin et al., 2004).

Mediante el análisis detallado de los estudios de detección de cambios revisados de la literatura, se observa que la elección de un método de detección de cambio apropiado es complejo (Coppin et al., 2004); sin embargo, existen elementos básicos que toda técnica idónea de detección de cambio de uso del suelo en áreas urbanas debe proporcionar: 1) rango y áreas de cambio; 2) distribución espacial de los tipos de cambio; 3) trayectoria de los cambios de cobertura del suelo; y 4) la valoración de la exactitud de los resultados en la detección del cambio (Liu et al., 2007). No obstante, los diferentes métodos de detección, modelación y proyección de los cambios de uso del suelo tienen sus propios méritos, y ningún procedimiento es óptimo y aplicable a todos los casos (Liu et al., 2007).

El uso de estas técnicas depende del detalle que se requiera en el análisis y del costo de su implementación. Procesos con poco detalle suelen tener bajos costos y éstos se incrementan con el mismo (Chuvieco, 2008). Otros factores que determinan el método a utilizar son: la información con la que se cuente, el propósito del trabajo y de los recursos disponibles. Si el enfoque está orientado a evaluar lo que ha pasado con cada clase de vegetación o uso de suelo, el método ideal es la matriz de cambios construida con mapas temáticos elaborados previamente, ya sea con clasificación supervisada o digitalización en monitor (Romero y López, 2000). Si se desea predecir los cambios por clase temática dentro de las alternativas existentes, se sugiere: 1) cadenas de Markov para el cálculo de la matriz de probabilidades de transición, elaboración de mapas de aptitud para cada clase y mapeo espacial de dichas proyecciones en un periodo de tiempo determinado mediante autómatas celulares (López et al., 2001; Paegelow et al., 2003); y 2) la evaluación multricriterio, que más que una predicción de lo que pasará con el uso de suelo, se refiere al uso óptimo deseable del espacio con base en diferentes criterios de optimización y ponderación de los factores empleados. Si el enfoque deseado es hacer una estimación numérica del cambio con fines cuantitativos a nivel píxel, por ejemplo, evaluar la dinámica espacio-temporal de la biomasa o combustibles, el estudio fenológico de alguna especie vegetal o la medición de la temperatura de las áreas urbanas, es conveniente el empleo de métodos orientados a datos numéricos donde la calibración radiométrica, la selección de un umbral de cambio significativo y la medición de la información en campo son imprescindibles.

CONCLUSIONES

El método a utilizar para analizar la dinámica de cambio de uso del suelo generada por el crecimiento urbano depende del conocimiento, capacitación y habilidad del analista sobre los métodos de detección de cambios existentes y de los datos de la imagen utilizada, así como de las características del área de estudio. Adicionalmente, la selección de la técnica dependerá del aspecto a evaluar, de la calidad de información a generar y del costo de implementación. Por lo tanto, ningún método es aplicable para todos los casos de estudio, pero sí es imprescindible el empleo de uno o varios de ellos para que la autoridad y los tomadores de decisiones puedan conocer el alcance de los cambios registrados, los riesgos que ello implica y, de ser posible identificar los agentes que causan el cambio con fines de seguimiento de la planificación territorial.

LITERATURA CITADA

Aguilera, B. F. (2006). Predicción del crecimiento urbano mediante sistemas de información geográfica y modelos basados en autómatas celulares. GeoFocus (6),81-112.         [ Links ]

Alberti, M., Robin W. & Stefan C. (2004). Urban land-cover change analysis in central Puget sound. Photogrammetric Engineering & Remote Sensing. 70(9),1043-1052.         [ Links ]

Allen, J. & Lu K. 2003. Modeling and prediction of future urban growth in the Charles region of South Carolina: A GIS-based integrated approach. Conservation Ecology 8 (2),20.         [ Links ]

Azocar, G., Sanhueza, R. & Henriquez, C. (2003). Cambio en los patrones de crecimiento en una ciudad intermedia: El caso de Chillán en Chile Central. Revista Eure. XXIX 87,79-92.         [ Links ]

Catalan, B., Sauri, D. & Serra P. (2007). Urban sprawl in the Mediterranea? Patterns of growth and change in the Barcelona metropolitan region 1993-2000. Landscape and Urban Planning.         [ Links ]

Chuvieco, E. (1998). El factor de temporalidad en teledetección: evolución fenomenológica y análisis de cambios. Revista de Teledetección 10,1-9.         [ Links ]

Chuvieco, E. (2000). Fundamentos de teledetección espacial. Alcalá-Madrid. España. Ediciones Rialp.         [ Links ]

Chuvieco, E. (2008). Teledetección ambiental: La observación de la Tierra desde el Espacio. 3^a ed. Barcelona España. Editorial Ariel S. A.         [ Links ]

Compas, E. (2007). Measuring exurban change in the American west: a case study in Gallatin county, Montana, 1973-2004. Landscape and Urban Planning 82,56-65.         [ Links ]

Congalton, G. & Green, K. 1999. Assessing the accuracy of remotely sensed data: principles and practices. New York. USA: Ed. Lewis Publishers.         [ Links ]

Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B. K. & Lambin, E. (2004). Digital change detection methods in ecosystem monitoring: A review. Int. J. Remote Sens 25(9),1565-1596.         [ Links ]

Deal, B. & Schunk. (2004). Spatial dynamic modeling and urban land use transformation: A simulation approach to assessing the costs of urban sprawl. Ecological Economics 5,9-95.         [ Links ]

Eastman, R. (2003). Guide to GIS and image processing. Kilimanjaro Tutorial. USA. Clark Labs.         [ Links ]

Foresman, T. W., Pickett T. T. A. & Zipper W. C. (1997). Methods for spatial and temporal land use and land cover assessment for urban ecosystem and application in the grather Baltimore-Chesapeake region. Urban Ecosystem 1,201-216.         [ Links ]

Franklin, S. 2001. Remote sensing for sustainable forest management. United States of America. Lewis Publishers.         [ Links ]

Gómez, O. D. (2001). Ordenación territorial. España. Ediciones Mundi-Prensa.         [ Links ]

Herrera, V. (2001). Estudio del crecimiento urbano de la ciudad de Valdivia (Chile) a través del uso integrado de imágenes de satélite, SIG, y equipos GPS. Revista de Teledetección 15,1-9.         [ Links ]

Hunter, L. M., Gonzalez, G. M. de J., Stevenson M., Karish, K. S., Toth, R., Edwards, T. C., Lilieholm, R. J. & CABLK, M. (2003). Population and land use change in the California Mojave: Natural habitat implications of alternative futures. Population Research and Policy Review22,373-397.         [ Links ]

Hurd, J. D., Hoffhine, W. E., Lammey S. G. & Civco D. L. (2001). Characterization of forest fragmentation and urban sprawl using time sequential Landsat imagery. ASPRS Annual Convention. Annual Convention, St. Lous. MO.         [ Links ]

Jensen, J. R. (1996). Introductory digital image processing: A remote sensing perspecitive. United States of America: Prentice Hall.         [ Links ]

King, M. D., Kaufaman, Y. J., Tanré, D. & Nakajima, T. (1999). Remote Sensing of Tropospheric Aerosols from space: past, present and future. Bulletin of the American Meteorological Society 11(80), 2229- 2259.         [ Links ]

Kunmar, J. M., Garg, P. K. & Khare, D. (2007). Monitoring and modelling of urban sprawl using remote sensing and GIS techniques. International Journal of applied Earth Obsevation and Geoinformation 10,26-43.         [ Links ]

Lasaponara, R. (2005). On the use of principal component analysis (PCA) for evaluating interannual vegetation anomalies from spot/vegetation NDVI temporal series. Ecological Modelling 194,429-434.         [ Links ]

Liu, Y., Lv, X., Qin, X., Guo H., Yu Y., Wang J. & Mao G. (2007). An integrated GIS-based analysis system for land-use management to lake areas in urban fridge. Landscape and urban planning 82,233-246.         [ Links ]

López, G. E. M., Bocco G. & Mendoza C. M. E. (2001). Predicción del cambio de cobertura y uso del suelo, el caso de la ciudad de Morelia. Investigaciones geográficas. Boletín del Instituto de Geografía UNAM 45,56-76.         [ Links ]

Lu, D., Mausel P., Brondizio, E., Moran, E. (2004). Change Detection Techniques. International Journal of Remote Sensing 25(12):2365-2407.         [ Links ]

Malczewski, J. (2004). GIS-bases land use suitability analysis: A critical overview. Progress in Planning 62,3-65.         [ Links ]

Mas, J. F. (1999). Monitoring land-cover changes: a comparison of change detection techniques. Int. J. Remote Sens 20(1),139-152.         [ Links ]

Mas, J. F., Dias, G. J. R., Pérez V. A. (2003). Evaluación de la confiabilidad de mapas o de imágenes clasificadas: una revisión. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM. 51,53-72.         [ Links ]

Mas, J. F., Fernandez T. (2003). Una evaluación cuantitativa de los errores en el monitoreo de los cambios de cobertura por comparación de mapas. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM. 51,73-87.         [ Links ]

Molero, M. E., Grindlay, M. A. L. & Asencio R. J. J. (2007). Escenarios de aptitud y modelación cartográfica del crecimiento urbano mediante técnicas de evaluación multicriterio. GeoFocus 7,120-147.         [ Links ]

Molina, M. G. Z. (2005). Propuesta metodológica para estudios de dinámica de uso urbano utilizando teledetección: Macaray, estado Aragua-Venezuela. Revista Geográfica Venezolana 46(2), 195-234.         [ Links ]

Paegelow, M., Camacho, M. T. & Menos T. J. (2003). Cadenas de Markov, evaluación multicriterio y evaluación multiobjetivo para la modelación prospectiva del paisaje. GeoFocus 3,22-44.         [ Links ]

Rogan, J., Chen, D. M. (2004). Remote sensing technology for mapping and monitoring land-cover and land-use change. Progress in Planning 61,301-325.         [ Links ]

Romero H. D. & López B. J. 2000. Producción e integración de fotomapas digitales para la evaluación del crecimiento urbano en el municipio de Texcoco, Estado de México: Período 1970-1989-1997. Investigaciones Geográficas. Boletín del Instituto de Geografía UNAM. 42,48-66.         [ Links ]

Treitz, P. & Rogan J. (2004). Remote sensing for mapping and monitoring land-cover and land-use change: an introduction. Progress in Planning 61,269-279.         [ Links ]

Universidad de Calgary. 2006. Ingeniería Geomática .Departamento de Ingeniería Geomática. Disponible en: http://www.geomatics.ucalgary.ca/about/whatis.         [ Links ]

USGS Science for a changing World. (1999). Analyzing land use change in urban environments. USGS. U. S. Geological Survey.         [ Links ]

Yague, B. J. (2002). Teledetección y transformación de territoriales en el sur-este de Madrid en el cambio de siglo (1999-2001). Anales de Geografía de la Universidad Complutense. Volumen extraordinario: 519-530.         [ Links ]

Yang, X. & Lo C. P. (2002). Using a time series of satellite imagery to detect land use and land cover changes in the Atlanta, Georgia metropolitan area. Int. J. Remote Sens 23(9),1775-1798.         [ Links ]

Zhang, X., Chen J., Tan, M. & Sun, Y. (2007). Assessing the impact of urban sprawl on soil resources of Nanjing city using satellite images and digital soil databases. Catena 69,16-30.         [ Links ]

Zhao, G., Maclean, A. L. (2000). Principal component analysis for spectral transformation. Photogrammetric Engineering & Remote Sensing 66(7), 841-847.         [ Links ]