Integración de Teledetección Multisensor y Aprendizaje Automático para el Análisis de Dinámicas de Cambio en la Cobertura/uso de Suelo en Ciudades en Metropolización. El Caso de Valdivia, Chile (2016-2024)

Gabriel Quezada Mata; Francisco Maturana Miranda; Mauricio Morales Soto; Pablo Iribarren Anacona

doi:10.30827/cuadgeo.v65i1.32676

Autores/as

Gabriel Quezada Mata Austral University https://orcid.org/0000-0003-1365-8584
Francisco Maturana Miranda Austral University of Chile
Mauricio Morales Soto Departamento de Geografía y Ordenación del Territorio https://orcid.org/0000-0002-5787-0942
Pablo Iribarren Anacona Instituto de Ciencias de la Tierra

DOI:

https://doi.org/10.30827/cuadgeo.v65i1.32676

Palabras clave:

Sentinel, DEM, Random Forest, sensores remotos, LULC

Agencias: Este artículo es parte de los resultados del proyecto de investigación Fondecyt Regular nº 1230159 cuyo investigador responsable es el Dr. Francisco Maturana

Resumen

El avance de la urbanización y la presión sobre áreas de alto valor ecológico exige contar con estudios que puedan dar cuenta de tales procesos. Este trabajo analiza los cambios espaciotemporales según la clasificación de Zonas Climáticas Locales (ZCL) en la comuna de Valdivia, Chile, durante el período 2016-2024, mediante la integración de datos satelitales multisensor y técnicas de aprendizaje automático. La metodología combina datos de Sentinel-1, Sentinel-2 y ALOS PALSAR, adaptando el sistema ZCL para incluir categorías específicas de humedales y diferenciar entre bosque nativo y plantaciones forestales. Utilizando el algoritmo Random Forest, se alcanzó una precisión global superior al 96 % en la clasificación. Los resultados revelan una expansión urbana significativa del 47 % en las zonas construidas, con una tasa de crecimiento anual del 6 %, acompañada de una notable densificación en áreas periurbanas y rurales. Se identificó una reconfiguración del paisaje forestal, con un aumento de 40,28 km² en bosque nativo y una disminución de 25,14 km² en plantaciones forestales. La vegetación de los humedales experimentó un incremento del 8 % en su superficie. Este trabajo contribuye a la comprensión de las dinámicas en el cambio de la cobertura/uso de suelo de una ciudad en transición a la metropolización y ciudad humedal como Valdivia, demostrando el potencial de las técnicas de teledetección y aprendizaje automático para el monitoreo de tales cambios.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aguayo, M., Pauchard, A., Azócar, G., & Parra, O. (2009). Cambio del uso del suelo en el centro sur de Chile a fines del siglo XX: Entendiendo la dinámica espacial y temporal del paisaje. Revista chilena de historia natural, 82(3), 361-374. https://doi.org/10.4067/S0716-078X2009000300004

Águila, M. J., & Prada-Trigo, J. (2020). Crecimiento urbano y segregación socioespacial en Valdivia. Urbano, 23(42), 32-43. https://doi.org/10.22320/07183607.2020.23.42.03

Amoakoh, A. O., Aplin, P., Awuah, K. T., Delgado-Fernandez, I., Moses, C., & Alonso, C. P. (2021). Tropical peatland classification using multi-sensor Sentinel imagery and Random Forest algorithm in Greater Amanzule, Ghana. En 2021 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), (pp. 5910-5913). Brussels, Belgium: IEEE. https://doi.org/10.1109/IGARSS47720.2021.9554615

Arlot, S., & Celisse, A. (2010). A survey of cross-validation procedures for model selection. Statistics Surveys, 4, 40-79. https://doi.org/10.1214/09-SS054

Bechtel, B., Alexander, P. J., Beck, C., Böhner, J., Brousse, O., Ching, J., … Xu, Y. (2019). Generating WUDAPT Level 0 data - Current status of production and evaluation. Urban Climate, 27, 24-45. https://doi.org/10.1016/j.uclim.2018.10.001

Bechtel, B., Alexander, P. J., Böhner, J., Ching, J., Conrad, O., Feddema, J., Mills, G., See, L., & Stewart, I. (2015). Mapping Local Climate Zones for a Worldwide Database of the Form and Function of Cities. ISPRS International Journal of Geo-Information, 4(1), 199-219. https://doi.org/10.3390/ijgi4010199

Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

Borsah, A. A., Boah, E. A., & Brantson, E. T. (2025). Spatio-temporal land use/land cover change analysis and assessment of urban heat island in Ghana: A focus on the Greater Accra Region. Journal of African Earth Sciences, 221, 105474. https://doi.org/10.1016/j.jafrearsci.2024.105474

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324

Brodu, N. (2017). Super-Resolving Multiresolution Images With Band-Independent Geometry of Multispectral Pixels. IEEE Transactions on Geoscience and Remote Sensing, 55(8), 4610-4617. https://doi.org/10.1109/TGRS.2017.2694881

Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1), 37-46. https://doi.org/10.1177/001316446002000104

Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35-46. https://doi.org/10.1016/0034-4257(91)90048-B

Dagne, S. S., Hirpha, H. H., Tekoye, A. T., Dessie, Y. B., & Endeshaw, A. A. (2023). Fusion of sentinel-1 SAR and sentinel-2 MSI data for accurate Urban land use-land cover classification in Gondar City, Ethiopia. Environmental Systems Research, 12(1), 40. https://doi.org/10.1186/s40068-023-00324-5

Demuzere, M., Kittner, J., Martilli, A., Mills, G., Moede, C., Stewart, I. D., … Bechtel, B. (2022). A global map of local climate zones to support earth system modelling and urban-scale environmental science. Earth System Science Data, 14(8), 3835-3873. https://doi.org/10.5194/essd-14-3835-2022

Department of Economic and Social Affairs, Population Division. (2019). World Urbanization Prospects: The 2018 Revision (Technical Report N.o ST/ESA/SER.A/420). New York: United Nations. Recuperado de https://population.un.org/wup/Publications/Files/WUP2018-Report.pdf

Estornell, J., Martí-Gavilá, J. M., Sebastiá, M. T., & Mengual, J. (2013). Principal component analysis applied to remote sensing. Modelling in Science Education and Learning, 6, 83-89. https://doi.org/10.4995/msel.2013.1905

Giménez García, R., & García Marín, R. (2023). Urban sprawl and transformation of land cover and land use in the urban agglomeration of Murcia. Boletín de la Asociación de Geógrafos Españoles, (96). https://doi.org/10.21138/bage.3269

Gong, Y., Xie, H., Jin, Y., & Tong, X. (2022). Assessing Multi-Temporal Global Urban Land-Cover Products Using Spatio-Temporal Stratified Sampling. ISPRS International Journal of Geo-Information, 11(8), 451. https://doi.org/10.3390/ijgi11080451

González, F., Ullón, D., Yaguachi Alarcón, A. L., Ramos Alcivar, J. A., Montenegro Benalcázar, V. E., & Loján Córdova, J. I. (2024). Análisis multitemporal de cambios de uso del suelo en la isla Santa Cruz, archipiélago de las Galápagos, periodo 1991-2023. Ciencia y Tecnología, 17(1), 1-9. https://doi.org/10.18779/cyt.v17i1.521

Henríquez, C., & Romero, H. (Eds.). (2019). Urban Climates in Latin America. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-97013-4

Henríquez, C., Morales, M., Contreras, P., Aguayo, C., Aprigliano, V., & Qüense, J. (2025). Simulación del cambio de uso de suelo en el área periurbana Villarrica-Pucón, Chile, 1998-2065: escenarios con y sin futuros proyectos viales. Cuadernos de Geografía: Revista Colombiana de Geografía, 34(2), 496-517. https://doi.org/10.15446/rcdg.v34n2.101849

Henríquez, C., Morales, M., Qüense, J., & Hidalgo, R. (2022). Future land use conflicts: Comparing spatial scenarios for urban-regional planning. Environment and Planning B: Urban Analytics and City Science. https://doi.org/10.1177/23998083221111404

Henríquez, C., Pontius, J. R., & Contreras, P. (2024). Performance of CA_Markov and DINAMICA EGO models to evaluate urban risk in Antofagasta and Mejillones, Chile. Natural Hazards, 120, 8411-8435. https://doi.org/10.1007/s11069-024-06512-5

Hidalgo-Dattwyler, R., Alvarado-Peterson, V., & Rodríguez-Negrete, L. (2021). La ciudad de Valdivia: Centralismo, configuración urbana y políticas de vivienda. Continuidades y contradicciones desde el sur (1909-1990). Historia (Santiago), 54(1), 151-183. https://doi.org/10.4067/s0717-71942021000100151

Hidalgo-Dattwyler, R., Rodríguez-Negrete, L., Paulsen-Espinoza, A., & Alvarado-Peterson, V. (2018). La naturaleza como obstáculo: perspectivas críticas del avance de la vivienda social e infraestructura vial sobre los humedales en la ciudad de Valdivia, Chile. Investigaciones Geográficas, (56), 27-44. https://doi.org/10.5354/0719-5370.2018.48409

Hora, B., González-Mathiesen, C., Aravena-Solís, N., & Tapia, T. (2025). Land Cover and Wildfire Risk: A Multi-Buffer Spatial Analysis of the Relationship Between Housing Destruction and Land Cover in Chile’s Bío-Bío Region in 2023. Sustainability, 17(10), 4416. https://doi.org/10.3390/su17104416

Huang, F., Jiang, S., Zhan, W., Bechtel, B., Liu, Z., Demuzere, M., & Chen, J. (2023). Mapping local climate zones for cities: A large review. Remote Sensing of Environment, 292, 113573. https://doi.org/10.1016/j.rse.2023.113573

Instituto de Estudios Urbanos Territoriales & Cámara Chilena de la Construcción. (2018). Índice de Calidad de Vida Urbana Comunas y Ciudades de Chile. Recuperado de https://estudiosurbanos.uc.cl/wp-content/uploads/2020/01/Arturo-Orellana_ICVU_2018-1.pdf

Instituto de Estudios Urbanos Territoriales & Cámara Chilena de la Construcción. (2021). Índice de Calidad de Vida Urbana. Recuperado de https://estudiosurbanos.uc.cl/wp-content/uploads/2022/06/Informe-Ejecutivo-ICVU-2021-1.pdf

Instituto de Estudios Urbanos Territoriales & Cámara Chilena de la Construcción. (2024). Índice de calidad de vida urbana ICVU-2024: Una nueva generación de variables. Recuperado de https://estudiosurbanos.uc.cl/wp-content/uploads/2025/04/20250428-ICVU-2024.pdf

Kumar, V., Shankar, R., Rambabu, M., & Dua, Y. (2024). Deep learning for hyperspectral image classification: A survey. Computer Science Review, 53, 100658. https://doi.org/10.1016/j.cosrev.2024.100658

Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. (2017). Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778-782. https://doi.org/10.1109/LGRS.2017.2681128

Lehnert, M., Savić, S., Milošević, D., Dunjić, J., & Geletič, J. (2021). Mapping Local Climate Zones and Their Applications in European Urban Environments: A Systematic Literature Review and Future Development Trends. ISPRS International Journal of Geo-Information, 10(4), 260. https://doi.org/10.3390/ijgi10040260

Liu, Y., Qian, J., & Yue, H. (2021). Combined Sentinel-1A With Sentinel-2A to Estimate Soil Moisture in Farmland. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 1292-1310. https://doi.org/10.1109/JSTARS.2020.3043628

Marchant, C., Riesco, M., & Monje-Hernández, Y. (2023). Crecimiento y fragmentación del periurbano valdiviano. Efectos del urbanismo neoliberal en una ciudad intermedia del sur de Chile. Revista EURE, 49(147), 1-25. https://doi.org/10.7764/EURE.49.147.09

Maturana, F., Morales, M., Peña-Cortés, F., Peña, M. A., & Vielma, C. (2021). Urban growth, real estate development and indigenous property: Simulating the expansion process in the city of Temuco, Chile. ISPRS International Journal of Geo-Information, 10(2), 101. https://doi.org/10.3390/ijgi10020101

Maturana, F., Peña-Cortés, F., Ramírez Carrasco, F., & Telias, M. (2019). Dinámicas urbanas y transición hacia espacios metropolitanos: El caso de Valdivia y la Región de Los Ríos, Chile. Urbe. Revista Brasileira de Gestão Urbana, 11. https://doi.org/10.1590/2175-3369.011.e201801433

Minh, N. Q., Huong, N. T. T., Khanh, P. Q., Hien, L. P., & Bui, D. T. (2024). Impacts of resampling and downscaling digital elevation model and its morphometric factors: A comparison of Hopfield neural network, bilinear, bicubic, and kriging interpolations. Remote Sensing, 16(5), 819. https://doi.org/10.3390/rs16050819

Mohammadpour, P., Viegas, D. X., Chuvieco, E., Pereira, A., & Mantas, V. (2023). Vegetation fuel type classification using optimised synergy of Sentinel data and texture feature. En IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposium (pp. 3098-3101). Pasadena, CA, USA: IEEE. https://doi.org/10.1109/IGARSS52108.2023.10281659

Moharrami, M., Attarchi, S., Gloaguen, R., & Alavipanah, S. K. (2024). Integration of Sentinel-1 and Sentinel-2 data for ground truth sample migration for multi-temporal land cover mapping. Remote Sensing, 16(9), 1566. https://doi.org/10.3390/rs16091566

Morales, M., Maturana, F., Escolano, S., & Peña-Cortés, F. (2025). Formulation of urban growth scenarios for middle-sized cities towards metropolization: The case of Puerto Montt, Los Lagos Región. Urban Science, 9(5). https://doi.org/10.3390/urbansci9050165

Mustelier, D., & Henríquez, C. (2024). Modeling land use change of mid-sized cities in the process of metropolization: Case study La Serena-Coquimbo conurbation, Chile. Geography, Environment, Sustainability, 17(2), 106-118. https://doi.org/10.24057/2071-9388-2024-2984

Nawaz, A., Chen, J., & Yang, W. (2024). Deep transfer model based local climate zone classification using SAR/multispectral images. En 2024 4th International Conference on Computer Communication and Artificial Intelligence (CCAI) (pp. 81-86). Xi’an, China: IEEE. https://doi.org/10.1109/CCAI61966.2024.10603177

Ouyang, Z.-T., Zhang, M.-Q., Xie, X., Shen, Q., Guo, H.-Q., & Zhao, B. (2011). A comparison of pixel-based and object-oriented approaches to VHR imagery for mapping saltmarsh plants. Ecological Informatics, 6(2), 136-146. https://doi.org/10.1016/j.ecoinf.2011.01.002

Pai, S., Sanayei, M., & Smith, I. (2021). Model-class selection using clustering and classification for structural identification and prediction. Journal of Computing in Civil Engineering, 35(1), 04020051. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000932

Perera, N. G. R., & Emmanuel, R. (2018). A “local climate zone” based approach to urban planning in Colombo, Sri Lanka. Urban Climate, 23, 188-203. https://doi.org/10.1016/j.uclim.2016.11.006

Rodriguez, V. F., Chica-Olmo, M., Abarca-Hernandez, F., Atkinson, P. M., & Jeganathan, C. (2012). Random forest classification of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture. Remote Sensing of Environment, 121, 93-107. https://doi.org/10.1016/j.rse.2011.12.003

Rong, C., & Fu, W. (2023). A comprehensive review of land use and land cover change based on knowledge graph and bibliometric analyses. Land, 12(8), 1573. https://doi.org/10.3390/land12081573

Souza, C. M., Shimbo, J. Z., Rosa, M. R., Parente, L. L., Alencar, A. A., Rudorff, B. F. T., … Azevedo, T. (2020). Reconstructing three decades of land use and land cover changes in Brazilian biomes with Landsat archive and Earth Engine. Remote Sensing, 12(17), 2735. https://doi.org/10.3390/rs12172735

Steinhausen, M. J., Wagner, P. D., Narasimhan, B., & Waske, B. (2018). Combining Sentinel-1 and Sentinel-2 data for improved land use and land cover mapping of monsoon regions. International Journal of Applied Earth Observation and Geoinformation, 73, 595-604. https://doi.org/10.1016/j.jag.2018.08.011

Stewart, I. D., & Oke, T. R. (2012). Local climate zones for urban temperature studies. Bulletin of the American Meteorological Society, 93(12), 1879-1900. https://doi.org/10.1175/BAMS-D-11-00019.1

Stutz, D., Hermans, A., & Leibe, B. (2018). Superpixels: An evaluation of the state-of-the-art. Computer Vision and Image Understanding, 166, 1-27. https://doi.org/10.1016/j.cviu.2017.03.007

Wang, Y., Zhang, J., Liu, D., Yang, W., & Zhang, W. (2018). Accuracy assessment of GlobeLand30 2010 land cover over China based on geographically and categorically stratified validation sample data. Remote Sensing, 10(8), 1213. https://doi.org/10.3390/rs10081213

Zhou, L., Shao, Z., Wang, S., & Huang, X. (2022). Deep learning-based local climate zone classification using Sentinel-1 SAR and Sentinel-2 multispectral imagery. Geo-Spatial Information Science, 25(3), 383-398. https://doi.org/10.1080/10095020.2022.2030654

Zhou, T., Geng, Y., Chen, J., Pan, J., Haase, D., & Lausch, A. (2020). High-resolution digital mapping of soil organic carbon and soil total nitrogen using DEM derivatives, Sentinel-1 and Sentinel-2 data based on machine learning algorithms. Science of the Total Environment, 729, 138244. https://doi.org/10.1016/j.scitotenv.2020.138244

Zhu, X. X., Hu, J., Qiu, C., Shi, Y., Kang, J., Mou, L., & Wang, Y. (2020). So2Sat LCZ42: A benchmark data set for the classification of global local climate zones. IEEE Geoscience and Remote Sensing Magazine, 8(3), 76-89. https://doi.org/10.1109/MGRS.2020.2964708