Expansión metropolitana de la Ciudad de México desde los años 1970: mapa dinámico multitemporal derivado de las imágenes Landsat

Contenido principal del artículo

Frank Gustavo García-Rodríguez
Yan Gao
Tatiana Geler-Roffe
Stéphane Couturier
Francisco Javier Osorno Covarrubias

Resumen

Se presenta un mapa dinámico de la expansión metropolitana de la Ciudad de México a partir de la década de 1970, con una frecuencia temporal aproximada de 3.5 años. La superficie impermeable fue extraída en las zonas norte y este de la Zona Metropolitana de la Ciudad de México (ZMCM) entre los años 1973 y 2021, a partir de imágenes satelitales de resolución espacial media (Landsat; sensores MSS, TM, ETM+ y OLI), adquiridas en 14 fechas distintas. Empleamos una clasificación supervisada mediante Máquinas de Vectores de Soporte (Support Vector Machines), cuyos píxeles de entrenamiento para la clase “suelo urbano” se derivaron de dos elementos puros (uno de albedo alto y otro de albedo bajo) de un Análisis Lineal de Mezcla Espectral. La fiabilidad del usuario para la clase “suelo urbano” se ubicó en el intervalo del 65 al 95 %, mientras que la fiabilidad del productor varió entre el 55 y el 91 %. Se identificó una alta tasa de expansión urbana en los periodos 1973–1986 y 1993–2014, y una fase de estancamiento de la expansión después. El mapa dinámico constituye la colección de datos geoespaciales de mayor alcance elaborada hasta la fecha para la ZMCM - la zona metropolitana más poblada del país y una de las más dinámicas a nivel global- y tiene alto potencial para el entrenamiento de máquinas de aprendizaje automático para seguimiento de la expansión. Esta herramienta inédita es útil para la evaluación de los programas de planificación urbano-regional en el pasado y en el futuro, en especial los relacionados con megaproyectos en la megalópolis mexicana.


 

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
García-Rodríguez, F. G., Gao, Y., Geler-Roffe, T., Couturier, S., & Osorno Covarrubias, F. J. (2025). Expansión metropolitana de la Ciudad de México desde los años 1970: mapa dinámico multitemporal derivado de las imágenes Landsat. Terra Digitalis, 9(1), 1–9. https://doi.org/10.22201/igg.25940694e.2025.1.119
Sección
Artículos con mapas
Biografía del autor/a

Frank Gustavo García-Rodríguez, Universidad Nacional Autónoma de México, Facultad de Filosofía y Letras, Ciudad de México, México

 

 

 

PLUMX Metrics

Citas

Cano-Salinas, L., Rodríguez Laguna, R., Valdez Lazalde, J. R., Acevedo Sandoval, O. A. A., Beltrán Hernández, R. I., 2017. Detección del crecimiento urbano en el estado de Hidalgo mediante imágenes Landsat. Investigaciones Geográficas, 92, 64–73, https://doi.org/10.14350/rig.50249

Card, D. H., 1982. Using known map category marginal frequencies to improve estimates of thematic map accuracy. Photogrammetric Engineering and Remote Sensing, 48, 112-128.

Chang, C.-I. y Chiang, S.-S., 2002. Anomaly detection and classification for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, Vol. 40, No. 6, pp. 1314-1325.

Couturier, S., Mas, J.-F., Vega, A., y Tapia, V., 2007. Accuracy assessment of land cover maps in sub-tropical countries: a sampling design for the Mexican National Forest Inventory map. Online Journal of Earth Sciences, 1(3), 127-135. ISSN: 1991-7708.

Couturier, S., y J.-F. Mas, 2009. ¿Qué tan confiable es una tasa de deforestación? Cómo evaluar nuestros mapas con rigor estadístico. Investigación Ambiental y Política Pública (INE), 1(2), 6-26. ISSN: 1405-2849.

Couturier, S., Ricárdez-Cabrera, M., Osorno-Covarrubias, J., López-Martínez, R. 2011. Morpho-spatial extraction of urban nuclei in diffusely urbanized metropolitan areas. Landscape and Urban Planning 101 (4), 338–348,

https://doi.org/10.1016/j.landurbplan.2011.02.039

Couturier, S., Huerta Luna, R., Osorno-Covarrubia, J., Flores Rangel, J. A., Kuffer, M., Camacho Cervantes, F. M., López Martínez, R. 2020. Monitoring the land consumption rate of urban growth from the Urban Footprint of Mexico, an online national cartographic platform. Terra Digitalis, 4(1), 1-8. https://10.22201/igg.25940694.2020.1.70.157

Dou, Y., Liu, Z., He, C., Yue, H. 2017. Urban Land Extraction Using VIIRS Night-time Light Data: An Evaluation of Three Popular Methods. Remote Sensing, 9(175). https://doi.org/https://doi.org/10.3390/rs9020175

Garza, G. 2005. La urbanización de México en el siglo XX (El Colegio de México).

Hoornweg, D., Bhada-Tata, P. 2012. What a waste: a global review of solid waste management. (Vol. 15). Washington, DC: World Bank.

Huang, C., Goward, S. N., Schleeweis, K., Thomas, N., Masek, J. G., & Zhu, Z. 2009. Dynamics of national forests assessed using the Landsat record: Case studies in eastern United States. Remote Sensing of Environment, 113(7), 1430–1442. https://doi.org/10.1016/j.rse.2008.06.016

INEGI. 2021. Censo de Población y Vivienda 2020: tabulados básicos. Estado de México.

Janssen, L. 2001. visual image interpretation (Cap 11). In: Principles of remote sensing. ITC Educational Textbook Series. Enschede. pp 135-149.

Li, S., Li, W., Zhou, J., Zhuang, D. 2007. Novel urban land use/cover mapping approach based on the combination of fraction image and MNF image using decision tree method. MIPPR 2007: Remote Sensing and GIS Data Processing and Applications; and Innovative Multispectral Technology and Applications, 6790(86), 67903M.

https://doi.org/10.1117/12.752008

Liping, C., Saeed, S., Yujun, S. 2019. Image classification based on the linear unmixing and GEOBIA. Environmental Monitoring and Assessment, 191(11). https://doi.org/10.1007/s10661-019-7837-x

Liu, F., Wang, S., Xu, Y., Ying, Q., Yang, F. and Qin, Y., 2020. Accuracy assessment of Global Human Settlement Layer (GHSL) built-up products over China. Plos one, 15(5), p.e0233164.

Lu, D., Weng, Q. 2004. Spectral mixture analysis of the urban landscape in Indianapolis with Landsat ETM+ imagery. Photogrammetric Engineering and Remote Sensing, 70(9), 1053–1062. https://doi.org/10.14358/PERS.70.9.1053

Lu, D., Weng, Q. 2006. Use of impervious surface in urban land-use classification. Remote Sensing of Environment, 102(1–2), 146–160. https://doi.org/10.1016/j.rse.2006.02.010

Lu, D., Li, G., Kuang, W., Moran, E. 2014. Methods to extract impervious surface areas from satellite images. International Journal of Digital Earth, 7(2), 93–112. https://doi.org/10.1080/17538947.2013.866173

Mas, J. F.; Couturier, S. 2011. Evaluación de bases de datos geográficas en: Técnicas de muestreo para manejadores de recursos naturales. Bautista, Francisco; Palacio, José Luis; Delfín, Hugo (Editores). 675 – 703 pp. Centro de Investigaciones en Geografía Ambiental, UNAM.ISBN 978-607-02-21297-9

McFeeters, S. K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714

O’Meara, M. 1999. Reinventing cities for people and the planet. Worldwatch Institute Washington, DC. 94.

ONU-Habitat, 2025. Sitios Web consultado en Febrero de 2025: https://onu-habitat.org/index.php/onu-habitat-urge-proteger-los-ecosistemas-a-traves-de-una-planificacion-urbana

Reese, H., Olsson, H. 2011. C-correction of optical satellite data over alpine vegetation areas: A comparison of sampling strategies for determining the empirical c-parameter. Remote Sensing of Environment, 115(6), 1387-1400. doi: 10.1016/j.rse.2011.01.019

Ridd, M. K. 1995. Exploring a V – I – S (vegetation – impervious surface – soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities. International Journal of Remote Sensing, 16, 2165 – 2185.

Rouse, J., R. Haas, J. Schell, and D. Deering. 1974. Monitoring Vegetation Systems in the Great Plains with ERTS. Third ERTS Symposium, NASA: 309-317.

SEDESOL. 2011. La expansión de las ciudades 1980-2010. Ed. Secretaría de Desarrollo Social. Ciudad de México

SEDATU. 2024. Sistema Urbano Nacional 2020. Ed. Secretaría de Desarrollo Agrario, Territorial y Urbano y Consejo Nacional de Población. Ciudad de México.

Schneider, A. (2012). Monitoring land cover change in urban and peri-urban areas using dense time stacks of Landsat satellite data and a data mining approach. Remote Sensing of Environment, 124, 689–704. https://doi.org/10.1016/j.rse.2012.06.006

Seto, K. C., Fragkias, M., Güneralp, B., Reilly, M. K. 2011. A Meta-Analysis of Global Urban Land Expansion. PLoS ONE, 6(8), e23777. https://doi.org/10/fxd8xk

Shao, Z., Ahmad, M. N., Javed, A., Islam, F., Jahangir, Z., & Ahmad, I. 2023. Expansion of Urban Impervious surfaces in Lahore (1993–2022) based on GEE and remote Sensing Data. Photogrammetric Engineering & Remote Sensing, 89(8), 479-486.

Suárez, M., Delgado, J. 2007. La expansión urbana probable de la Ciudad de México. Un escenario pesimista y dos alternativos para el año 2020. Estudios Demográficos y Urbanos, 22(1), 101. https://doi.org/10.24201/edu.v22i1.1295

Taubenböck, H., Esch, T., Felbier, A., Wiesner, M., Roth, A., Dech, S. 2012. Monitoring urbanization in mega cities from space. Remote Sensing of Environment, 117, 162–176. https://doi.org/http://dx.doi.org/10.1016/j.rse.2011.09.015

Torres-Vera, M. A., Prol-Ledesma, R. M., Garcia-Lopez, D., 2009. Three decades of land use variations in Mexico City. International Journal of Remote Sensing 30 (1), 117–138, https://doi.org/10.1080/01431160802261163.

Wu, C., Murray, A. T. 2003. Estimating impervious surface distribution by spectral mixture analysis. Remote Sensing of Environment, 84(4), 493–505. https://doi.org/10.1016/s0034-4257(02)00136-0

Zhu, Z., Woodcock, C.E. 2012. Object-based cloud and cloud shadow detection in Landsat imagery, Remote Sensing of Environment 118 (2012) 83-94.

Zhu, Z., Wang, S., Woodcock, C.E. 2015. Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4-7, 8, and Sentinel 2 images, Remote Sensing of Environment 159 (2015) 269-277.