See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/265381429

Predicción y modelación del crecimiento urbano de Ciudad Cuauhtémoc,

Chihuahua del año 2010, mediante autómatas celulares (SLEUTH).

Article  in  Revista Internacional de Contaminacion Ambiental · January 2013

CITATION READS

1 1,106

2 authors, including:

Hugo Luis Rojas Villalobos

New Mexico State University
49 PUBLICATIONS   9 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Autonomous Surface Vehicle and Unmanned Aerial Vehicle to estimate the Laguna de Bustillos storage of water as a part of the system of the closed basin of Cuauhtemoc
View project

Diagnóstico Ambiental Urbano de Chihuahua View project

All content following this page was uploaded by Hugo Luis Rojas Villalobos on 10 September 2014.

The user has requested enhancement of the downloaded file.

Predicción y modelación del crecimiento urbano de Ciudad Cuauhtémoc,
Chihuahua del 2010, usando autómatas celulares (SLEUTH)
Manuel Octavio González León1
Hugo Luis Rojas Villalobos1
1
Programa de Licenciatura en Geoinformática. Universidad Autónoma de Ciudad Juárez, Unidad
Multidisciplinaria Cuauhtémoc. Km 3.5 Carretera Cuauhtémoc-Anáhuac.
Cd. Cuauhtémoc Chihuahua. C.P. 31559. Tel: 01-625-1281700

Resumen. En este trabajo se realizó una
predicción del crecimiento urbano de Ciudad
Cuauhtémoc, Chihuahua del año 2010
mediante el programa SLEUTH, el cual se
basa en el análisis de autómatas celulares a
partir de datos históricos del crecimiento
urbano. En este estudio también se
determina si es confiable usar este modelo
para realizar predicciones del crecimiento de
la mancha urbana. Para este propósito se
obtuvieron los requerimientos del modelo
mediante imágenes satelitales Landsat-TM
con un periodo de cinco años de 1990 a 2005
y con un modelo digital de elevaciones. La
comparación entre el modelo de predicción
generado para el año 2010 y la imagen
Landsat-TM del mismo año, mostró las áreas
y porcentajes de coincidencia entre el
crecimiento predicho y el real.
Palabras clave: Predicción del crecimiento
urbano, programa SLEUTH, autómatas
celulares, comparación.

Prediction and modeling urban growth of Cuauhtémoc, Chihuahua of 2010,

using cellular automata (SLEUTH)

Abstract. In this work it has been done, a
prediction of the City's urban growth
Cuauhtémoc, Chihuahua in 2010 by
SLEUTH program, which is based on
cellular automata analysis of historical data
from urban growth. In this study, we also
determined if it is reliable to use this model
to make predictions of the growth of the
urban area. For this purpose we obtained the
requirements of the model were based on
Landsat-TM images with a period of five
years from 1990-2005 and a digital elevation
model. The comparison between the
generated prediction model for 2010 and
Landsat-TM image of the same year, showed
the areas and percentages of agreement
between the predicted and actual growth.
Key words: Urban growth prediction,
SLEUTH program, cellular automata,
comparison.

INTRODUCCIÓN importantes en los patrones de crecimiento

El estudio del crecimiento urbano, encuentra
cada día nuevos retos debido a los impactos
ambientales, sociales, económicos y
culturales que comprenden los procesos de
urbanización (Cifuentes, 2009). En la
actualidad existe un proceso de urbanización
acelerado, por lo que han surgido cambios
de la población en las ciudades (Cifuentes,
2009).
Dada la competencia por el suelo urbano,
aquellos espacios de mejor accesibilidad
adquieren mayor valor, al ser los sectores de
mayor demanda (Hoyt, 2005). Por lo que las
vías de comunicación se convierten en
factores importantes de crecimiento urbano.
Otro factor que ha sido protagonista en el
cambio del espacio urbano es la economía,
sin embargo, existen diferentes factores que
pueden incidir en el crecimiento de una
ciudad como son, la topografía y las
construcciones de equipamientos, como lo
son educativos, de salud, culturales,
administrativos, entre otros (Ascher, 1992).
En algunas ciudades de América Latina,
un importante factor de crecimiento urbano
ha sido el surgimiento de nuevas zonas
residenciales, comercios, equipamientos y
servicios destinados a grupos sociales
(Parrado, 2001). Dentro de la ciudad,
diversas actividades se han ido desplegando
hacia lugares específicos en la periferia,
originando nuevos focos de crecimiento
para la localización de actividades de alta
tecnología y servicios especializados
(Cifuentes, 2009).
Se hace evidente entonces la necesidad de
la planeación urbana que es de gran
importancia para la toma de decisiones y
planeación del crecimiento urbano, la cual
permite evaluar distintas políticas tales como
las de control de crecimiento urbano,
conservación ambiental, etc. (Brugués et al.,
2008).
El hecho de poder contar con
herramientas que simulen la tendencia del
crecimiento urbano, es útil para conocer
hacia donde nos dirigimos sobre todo en este
contexto en el que los cambios acontecen de
manera acelerada (Aguilera, 2010), así como
para apoyar a planificadores urbanos y
tomadores de decisiones (Brugués et al.,
2008).
La simulación de patrones espaciales
urbanos futuros pueden proveer elementos
de cómo nuestras ciudades pueden
desarrollarse bajo variadas condiciones
sociales, económicas y ambientales (Clarke
et al., 1997). Estos avances en los modelos
de crecimiento urbano permiten hacer
estudios formales y sistemáticos de posibles
escenarios, y proveen las bases para
preparar o evaluar políticas urbanas para
ayudar a la planificación (Brugués et al.,
2008).
El uso de modelos de simulación para
estudiar el cambio de usos de suelo se ha
convertido en algo habitual y ha
experimentado un desarrollo acelerado en
los últimos años (Batty, 1997), siendo
especialmente relevantes aquellos que se han
ocupado de modelizar procesos de
crecimiento urbano (Verburg et al., 2004).
La técnica de simulación mediante
autómatas celulares (AC), que se remonta a
fines de la década de los 40s (Engelen et al.,
1997), se ha convertido en los últimos años
en una técnica estándar para estudiar la
dinámica temporal de muchas cuestiones y,
en primer lugar, el crecimiento urbano
(Aguilera, 2006). Los modelos realizados
con AC se han utilizado para simular
diferentes tipos de formas urbanas y formas
de desarrollo (Li y Yeh, 2000) y para
investigar la evolución de la estructura
espacial urbana en el tiempo (White y
Engelen, 2000).
Debido al crecimiento acelerado de la
población y de la mancha urbana que ha
presentado Ciudad Cuauhtémoc, Chihuahua
la planeación para el mejoramiento de la
estructura urbana puede ser deficiente. Una
buena forma para hacer la planeación dentro
del contexto del crecimiento urbano de la
ciudad es mediante una predicción del
mismo. SLEUTH es un programa novedoso
con el cual se pueden realizar modelos de
predicción del crecimiento urbano. Para
Ciudad Cuauhtémoc, Chihuahua la
predicción del crecimiento urbano simulada
con el modelo SLEUTH para el año 2010, se
ajusta a la realidad del mismo año.
El objetivo de este estudio fue simular y
predecir el crecimiento urbano de Ciudad
Cuauhtémoc para el año 2010, mediante el
uso de un modelo de simulación de
autómatas celulares (SLEUTH), y hacer una
comparación entre los resultados obtenidos y
una imagen satelital del mismo año, para así
obtener el grado de ajuste del modelo
predicho con la realidad, y saber si es
confiable o no utilizar este modelo para
realizar estudios a futuro que ayuden a la
toma de decisiones y planear el crecimiento
de la ciudad.
METODOLOGÍA
Área de estudio
La investigación se llevó a cabo dentro del
municipio de Cuauhtémoc en la zona centro-
oeste del estado de Chihuahua, México entre
28°21' y 28°28' de latitud norte y 106°56' y
106°46' de latitud oeste, la cual abarca la
mancha urbana de ciudad Cuauhtémoc
(Figura 1).
Cuauhtémoc es una de las principales
ciudades del estado de Chihuahua, su
municipio cuenta con una población total de
154,639 habitantes (INEGI, 2010) y en los
últimos años el crecimiento poblacional ha
ido aumentando aceleradamente, del año
2000 al 2010 la población incremento el
24% aproximadamente. La región de
Cuauhtémoc se caracteriza por la producción
de manzana y su gran cantidad de tierras
agrícolas basadas principalmente en la
siembra de maíz y frijol.
Programa SLEUTH
El programa SLEUTH es un modelo
simulador de predicciones del crecimiento
urbano y otros cambios de uso de suelo
basado en autómatas celulares. Este modelo
programado en lenguaje C, utiliza imágenes
satelitales y una base de datos geoespaciales
como datos históricos para la calibración de
sus parámetros y para la predicción de
crecimiento urbano. El nombre del programa
hace referencia a los datos de entrada que
necesita: Slope, Landuse, Excluded, Urban,
Transportation y Hillshade (Pendiente, Usos
de suelo, zonas de Exclusión, áreas Urbanas,
red de transporte y sombreado de colinas).
El funcionamiento del modelo es a partir de
un grupo de coeficientes dados por el
programa, los cuales son de difusión, de
raza, de propagación, de pendiente y de
caminos, que aplican un conjunto de reglas
que se comparan con un conjunto de valores
críticos a partir de los cuales se
automodifican los coeficientes para generar
un nuevo ciclo de crecimiento (Brugués et
al., 2008). La predicción, que se realiza a
partir de un conjunto de valores obtenidos de
la calibración de los datos de entrada, hace el
proceso mediante ciclos de crecimiento hasta
llegar a la fecha de predicción a la que se
desea llegar (Brugués et al., 2008) (Figura 2).
Adquisición de datos
Este estudio utilizó datos de varias fuentes
para obtener los requerimientos del modelo,
incluyendo Sistemas de Información
Geográfica (SIG), imágenes satelitales
Landsat-TM, las cuales se descargaron de la
página web de USGS (USGS, Earth
Resources Observation and Science Center,
2012) y un Modelo Digital de Elevaciones
(MDE) obtenidas del Instituto Nacional de
Estadística y Geografía (INEGI, 2010).
Procesamiento y homogenización de los
datos
Para obtener los datos de entrada de
SLEUTH, en primer término se seleccionó,
cortó y exportó a un formato de archivo
informático (.TIF, que es una imagen), el
área de estudio mediante el software Idrisi
Taiga. Luego se utilizó el software ArcMap
en su versión 10 para realizar una
clasificación manual mediante
fotointerpretación, usando como base las
imágenes Landsat-TM en sus diferentes
años. Se digitalizó con vectores poligonales
el área urbana, la red de transporte y usos de
suelo, dando a cada área clasificada una
ponderación (Cuadro1). Después se
convirtieron los polígonos a formato raster
 Figura 1. Localización del área de estudio. Mancha urbana de Ciudad Cuauhtémoc, Chihuahua.

Figura 2. Proceso de predicción del modelo SLEUTH. Fuente: USGS, Project Gigalopolis: Urban and
Land Cover Modeling.
dándole el peso generado con los vectores. a) Pendientes (slope)
Con el mismo software se realizaron el
sombreado de colinas (Hillshade) y el mapa La forma de la tierra, representada por las
de pendientes mediante el MDE. pendientes, es determinante para el
crecimiento urbano. En las extensiones
Cuadro 1. Valores que tienen los datos de planas, al contrario de los lugares en donde
entrada la pendiente aumenta, es más fácil el
crecimiento debido a la estabilidad del suelo
Datos de entrada Valores para las estructuras de los desarrollos
Área Urbana 0 y 254 urbanos.
Red de transporte 0, 1, 2 y 4 Como su nombre lo indica, esta imagen
Usos de suelo 1, 2, 3, 4 y 5 muestra las pendientes las cuales se
Sombreado de colinas De 0 a100 representan en porcentajes y se obtienen
Pendientes De 0 a 100 0, entre la altura y la distancia del terreno. Los
Zonas de exclusión 30 y 100 valores de este dato de entrada tienen un
rango de 0 a 100 en escala de grises y se
Generación de la base de datos de entrada obtuvieron a partir del Modelo Digital de
de SLEUTH Elevaciones (Figura 3).

Figura 3. Imagen de pendientes representada en porcentajes.

b) Cobertura de suelo (landuse)
La cobertura de suelo es un requerimiento de
SLEUTH usado para representar el uso de
suelo. Es una entrada opcional que se genera
para dos años. Para este estudio se realizaron
para el año 1990 y 2005, en donde la
clasificación tiene cinco valores en los
pixeles que van del 1 al 5, representando las
áreas de urbano, agrícola, no utilizado,
forestal y cuerpos de agua (Figura 4 y 5).
Para generar esta imagen se digitalizó
cada clasificación mediante
fotointerpretación de las imágenes Landsat-
TM. Esto consiste en hacer polígonos de tipo
Figura 4. Usos de suelo del año 1990.
vector en cada uso de suelo para
posteriormente transformarlo a formato
raster.
c) Exclusión (excluded)
Las áreas de exclusión son las zonas que no
pueden ser urbanizadas, para este trabajo se
tomaron en cuenta los cuerpos de agua, las
huertas de manzana y las pendientes. Los
pixeles de las zonas excluidas van de 0 a
100, con valor de 0 en donde no se tienen
restricciones de crecimiento urbano y 100 las
áreas que no pueden ser urbanizadas.
Para este trabajo se agregó un valor de 30
 Figura 5. Usos de suelo del año 2005.
en el uso de suelo agrícola, con el fin de
darle una resistencia debido a que los dueños
de los terrenos, especulan con el valor de la
tierra ya que se van generando servicios
sanitarios y eléctricos alrededor (Antequera,
2010), y un valor de 100 en las huertas por el
motivo de que, en base a la
fotointerpretación, se observa el casi nulo
cambio de uso de suelo en estas áreas;
también se obtuvo el valor de 100 mediante
las pendientes que superan la inclinación
para la construcción y a los cuerpos de agua
(Figura 6).
En la imagen se observa de color blanco
las áreas excluidas, en la parte inferior
derecha se encuentran montañas y lomeríos
de la zona, al centro de la imagen se
muestran las huertas en su mayoría de
manzana y en color gris el área agrícola.
d) Zonas urbanas (urban)
Las zonas urbanas son la delimitación de lo
urbano y lo no urbano. SLEUTH requiere de
un mínimo de 4 imágenes urbanas para
determinar los datos históricos de
crecimiento.
Para representar las zonas urbanas, los
pixeles toman valores de 0 a 255, en donde 0
es lo no urbano y los demás valores lo
 Figura 6. Áreas que presentan resistencia para el crecimiento urbano.
urbano (Figura 7).
Esta clasificación se realizó en base a las
imágenes satelitales Landsat-TM,
digitalizando polígonos urbanos y no
urbanos para posteriormente modificarlos a
formato raster. Los polí2gonos que tenían un
área menor a 0.4 km , los cuales fueron
digitalizados a escala 1: 10 000, se
eliminaron debido a que el área mínima
cartografiable no debe de ser menor a 4mm2
(2 x 2 mm), medidos a escala del mapa
(Chuvieco, 2000).
El crecimiento urbano de los cuatro años
un crecimiento de la ciudad
principalmente hacia el oeste. El periodo que
más crecimiento tuvo, según la digitalización
realizada, fue entre los años 2000 y 2005 con
una2 expansión de la mancha urbana de 4.53
km .
e) Red de transporte (transportation)
Dentro de SLEUTH la red de transporte
representa hacia donde puede crecer la
ciudad tomando en cuenta la influencia de
las vialidades principales. Esta red se genera
a partir de las avenidas o caminos mostró
principales de la ciudad, a las cuales se les
 Figura 7. Mancha urbana de Ciudad Cuauhtémoc, Chihuahua de los años 1990, 1995, 2000 y 2005.
da un peso dependiendo su accesibilidad.
Son necesarias mínimo 4 imágenes de
años distintos de la red de transporte para los
datos de entrada del programa.
En este caso se dieron tres valores a los
pixeles, en donde el valor 4 son las
vialidades de alta accesibilidad o vialidades
regionales, 2 las de medio acceso y 1 las de
bajo acceso (Figura 8).
En las imágenes generadas para este
trabajo, se identificaron como vialidades de
alto acceso las avenidas que conectan con las
salidas de la ciudad, estas son la Avenida 16
de Septiembre que conecta con la carretera
Cuauhtémoc-Chihuahua, el Boulevard
Fernando Baeza, que se une con la carretera
a La Junta, la vialidad José María Morelos
que conecta a la carretera a Anáhuac,
también se identificó el corredor comercial,
la carretera a Carichi, y dentro de la ciudad
la avenida Ignacio Allende que es de las más
transitadas. Estas vialidades no cambiaron
durante este periodo y fueron las únicas de
alto acceso para los cuatro años. Las
vialidades de medio y bajo acceso tuvieron
un cambio notable entre los años 2000 y
2005, sin embargo, ninguna cambio a
vialidad de alto flujo vehicular.
 Figura 8. Vialidades principales de Ciudad Cuauhtémoc, Chihuahua.
f) Sombreado de colinas (hillshade)
Se requiere usar el hillshade como dato de
entrada en SLEUTH. Este es colocado en el
resultado como imagen de fondo para darle
un aspecto tridimensional y para tener una
mejor visualización del relieve. El MDE
transformado a hillshade tiene una escala de
grises que van del 0 al 100 (Figura 9).
g) Formato de entrada
Las imágenes de entrada de SLEUTH
necesitan estar en un formato de intercambio
de gráficos (.GIF), deben de ser consistentes
en su tamaño, tanto en el número de filas
como de renglones en cada imagen y tener
una especificación para darle un valor a cada
pixel (Clarke y Hoppen, 1997). Las
imágenes llevan un formato en su nombre y
deben de ser ubicadas en las carpetas de
entrada para poder obtener la ejecución de
SLEUTH correctamente.
Compilación y ejecución de SLEUTH
Para poder correr SLEUTH en su versión 3.0
para el sistema operativo Linux, fue
 Figura 9. Sombreado de colinas.
necesario compilar y correr el archivo que
contiene los datos de entrada. Para este
estudio se utilizó la herramienta cygwin, que
es un compilador de Linux y se puede
utilizar dentro del sistema operativo
Windows.
Se usó la herramienta cygwin, obtenida
desde el sitio web de la misma (GPL, 2012),
con la que se compilo la carpeta de SLEUTH
copiada dentro del área de trabajo ubicada en
la carpeta de cygwin que se instaló en el
disco duro de la computadora. Después de
compilar la carpeta Scenarios, se ejecutó el
archivo escenario que contiene los datos
modificados para cada estudio al cual se le
realizó la calibración y predicción.
Calibración del modelo
La calibración del modelo es un ajuste de los
datos de entrada de los cuales se derivan un
conjunto de valores estimados. Esta
estimación se genera a partir de los cambios
de los datos históricos de entrada y de la
comparación del suelo.
Esta fase se siguió en tres pasos
denominados gruesa, fina y final (coarse,
fine, final), los cuales ayudan a obtener los
mejores valores de los cinco parámetros con
los que se determina el crecimiento urbano.
La calibración se realizó a través de
interactuar con los valores de los
coeficientes hasta tener el valor óptimo de
cada coeficiente. Estos coeficientes son: el
coeficiente de difusión (diffusion), que
determina la dispersión general de la
distribución de cuadrícula y la circulación de
los nuevos asentamientos hacia el exterior a
través de la red de transporte; el coeficiente
raza (breed), que determina la probabilidad
de una solución recién generada a partir de
su propio ciclo de crecimiento; un
coeficiente de propagación (spread), que
controla que tan normal se hace la expansión
dentro del sistema; un coeficiente de
resistencia a la pendiente (slope), el cual
disminuye el crecimiento a donde las
pendientes son más pronunciadas, y un
coeficiente de caminos (road), que crea
nuevos asentamientos hacia donde se dirige
la red de transporte ya existente.
Los valores de los parámetros de la
calibración pueden ir de 0 a 100, los que
indican la importancia de cada tipo de
crecimiento urbano en el proceso de
predicción de crecimiento. Entre más alto
sea el valor del parámetro, mayor será la el
efecto de este parámetro en la generación del
crecimiento urbano (Márquez, 2008). Para
realizar la calibración se requieren como
base cuatro imágenes que representen lo
urbano, cuatro imágenes de la red de
transporte, la imagen de pendientes, de
exclusión y la de sombreado de colinas.
En cada calibración se creó un archivo
denominado control_stats.log, el cual
contiene los resultados de las estadísticas
creadas por la calibración. Dentro de estos
valores se encuentra la medida de Lee Sallee
que es el ajuste espacial entre el modelo de
crecimiento y la extensión urbana conocida
para el control de los años, en donde 1 es la
combinación perfecta y 0 representa un
espacio de desconexión. Esta medida es
utilizada para generar los valores que lleva
cada coeficiente de calibración dentro del
documento de escenario.
a) Calibración gruesa
En esta fase inicial de calibración, se
comenzó con valores que van de 0 a 100
dentro de los parámetros, en donde los pasos
se colocaron con un valor de 25. Con esto, el
crecimiento en cada parámetro puede tomar
el valor de 0, 25, 50, 75 o 100. También se
debe de cambiar a un valor bajo (~4-5) la
configuración de Monte Carlo.
Para esta calibración los datos de entrada
tienen que ser de ¼ de la resolución original
de las imágenes. Por ejemplo, si un conjunto
de datos tiene una resolución de 200x200,
para la calibración gruesa las imágenes
tienen que ser reemplazadas por una
resolución de 50x50. En esta fase se utiliza
el tamaño de celda más grande de los tres
pasos de calibración.
Dentro de los resultados de la calibración,
se ordenaron los datos de mayor a menor en
base a la medida de Lee Salle para obtener
los primeros tres valores de los parámetros,
los cuales se colocan en los parámetros de la
siguiente calibración.
b) Calibración fina
En esta fase de calibración los coeficientes
del documento escenario toman los valores
obtenidos de la calibración gruesa, los cuales
generan índices que identifican las
combinaciones de los valores de cada
parámetro que generan mejores
simulaciones. La configuración de Monte
Carlo se debe de cambiar a un valor bajo
(~7-8).
Para la calibración fina los datos de
entrada deben de ser cambiados por los que
tienen ½ resolución. Por ejemplo, si un
conjunto de datos tiene una resolución de
200x200, en este proceso las imágenes
deben de tener una resolución de 100x100.
En los resultados de los datos, lo
recomendable es que los rangos se redujeran
a los incrementos de 5 - 10 para poder ser
utilizados al mismo tiempo sólo con valores
de 5-6 en el coeficiente, por ejemplo, en
cada coeficiente, el valor sería de 25, 30, 35,
40, 45, 50.
 Después de correr este paso se ordenaron
los datos de mayor a menor en base a la
medida de Lee Salle. El primer valor es el
que se coloca en los parámetros de la
calibración final.
c) Calibración final
En la calibración final, los valores de los
coeficientes se reducen aún más. En esta fase
lo recomendable es que los rangos se
redujeran a los incrementos de 1 - 3 para
poder ser utilizados al mismo tiempo sólo
con valores de 5-6 en el coeficiente, por
ejemplo, en cada coeficiente, el valor sería
de 4, 6, 8, 10, 12, 14.
En la calibración final se usa la
resolución completa de las imágenes en la
entrada de los datos.
Los parámetros se obtienen de la
calibración fina y los pasos son de 1. El
valor de Monte Carlo se cambia a un valor
bajo de entre 8 y 10.
d) Mejores valores de calibración
En este paso se seleccionan los mejores
valores, derivados de la calibración gruesa,
fina y final, para realizar la predicción y la
configuración de Monte Carlo incrementa a
un valor de 100 o mayor. El archivo avg.log
generado en la carpeta de salida, contendrá
los mejores valores que se colocan en el
coeficiente de predicción, esto es debido a
que las iteraciones de Monte Carlo
incrementan y producen un conjunto más
robusto de valores. El valor que se utiliza en
los parámetros de la predicción se ubica en
el último renglón del archivo en números
que se tienen que convertir a reales.
Predicción del modelo
La predicción dentro de SLEUTH se basó en
las tendencias del crecimiento urbano del
pasado (Márquez, 2008), las cuales son
usadas para generar el crecimiento a futuro.
Después de haber seleccionado los mejores
valores de crecimiento del pasado, se realizó
el crecimiento a futuro.
El año de inicio de la predicción debe de
ser el último año de las imágenes de entrada
con las que se realizó la calibración. Para
este estudio la fecha de inicio es el 2005 y la
final el 2010.
Los datos de entrada de la predicción son
las imágenes con resolución completa de
pendientes, zonas de exclusión, red de
transporte, sombreado de colinas y los datos
más recientes generados con la calibración.
Comparación entre el modelo de
predicción y la imagen real
Debido a que es posible formular diferentes
criterios que permiten medir la similitud de
dos mapas y de esa manera establecer la
validez de un modelo de simulación (Pascual
et al., 2010), se realizó la comparción entre
el modelo de predicción del crecimiento
urbano de Ciudad Cuauhtémoc del año 2010
y la imagen satelital de la misma fecha,
mediante el programa ArcMap 10 se realizó
una digitalización de las áreas que crecieron
del 2005 al 2010, en base a las imágenes
satelitales Landsat-TM; después, la
digitalización se empató con el modelo
predicho y se hizo una comparación
mediante fotointerpretación para determinar
las zonas urbanas que coincidieron.
RESULTADOS Y DISCUSIÓN
Modelo de Predicción
Los resultados del modelo, debido a lo
dinámico que pueden ser los factores en el
proceso del crecimiento urbano, condicionan
a que las áreas que se predijeron se
representen en probabilidades (Brugués et
al., 2008). La figura 10 muestra la mancha
urbana base de la predicción, las vialidades
principales y un rango de probabilidad de
crecimiento representado en colores
obtenido del modelo SLEUTH.
El modelo de predicción representa la
posibilidad de crecimiento urbano hasta el
año 2010 y muestra las tendencias de
expansión, siendo principalmente hacia el
norte y oeste de la ciudad.
Un elemento que influencia fuertemente
la expansión urbana son las vialidades
regionales con mayor flujo vehicular, esto
debido a que en los años anteriores el
crecimiento de la mancha urbana fue atraído
por zonas en donde se encontraban cerca
estas redes de transporte.
El modelo de predicción generó
crecimiento en todos los polígonos urbanos
de los datos de entrada, siendo que en
algunos polígonos no se presentó
crecimiento en este periodo donde se
encuentran los valores iniciales.
Figura 10. Modelo de predicción generado con SLEUTH.
A partir de los modelos teóricos de
crecimiento urbano, en el modelo se observa
que el crecimiento fue en forma concéntrica,
que es el crecimiento en forma de anillos en
torno al área central de la mancha urbana
(Burgess et al., 1925), y en forma de núcleos
múltiples (Harris y Ullman, 1945), en donde
los usos de suelo se disponen alrededor de
los núcleos de crecimiento separados entre
sí; estos tipos de crecimiento se generaron en
todas las zonas urbanas, excluyendo las
áreas que presentaron algún tipo de
resistencia de crecimiento, como lo fue en
este caso las huertas de manzana.
Resultados de la comparación
El crecimiento real se mostró al igual que en
el que generó el modelo, un crecimiento
urbano hacia zonas pegadas a la mancha
urbana base La comparación entre el modelo
de predicción y el crecimiento real arrojó
una baja coincidencia en el total de las
probabilidades; sin embargo, los porcentajes
de probabilidad de crecimiento fueron
incrementando a partir del 70% y se obtuvo
una alta coincidencia en los resultados en lo
que SLEUTH determinó que la probabilidad
de crecimiento era de entre 90 y 100%. La
predicción y el crecimiento real que se
presentó entre los años 2005 y 2010.
El cuadro 2 muestra el área de
crecimiento y el porcentaje de coincidencia
del modelo de predicción y el crecimiento
real de ciudad Cuauhtémoc, determinados a
partir de las probabilidades de crecimiento
generadas con el modelo SLEUTH.
Figura 11. Áreas de coincidencia entre lo real y el modelo de predicción.
El área total de crecimiento predicho fue
de 10.54 Km2, en donde las probabilidades
de crecimiento de 70 a 100% tuvieron poca
área de expansión y las que van de 0 a 20 %
y de 50 a 70 % fueron las que más crecieron.
El á2rea de crecimiento real total fue de 1.24
Km , teniendo uno mayor crecimiento en la
probabilidad de 0 a 20% y de 50 a 80%. El
rango con mayor posibilidad de crecimiento
urbano en el modelo, que va de 90 a 100%,
tuvo 0.02 Km 2 y coincidió con el
crecimiento real en 36.77%. La coincidencia
total entre la comparación de ambos
resultados fue de 11.78%, indicando un
porcentaje bajo.
Cuadro 2. Áreas de crecimiento del modelo de predicción y del crecimiento real.

Probabilidad de Área de crecimiento Área de crecimiento Porcentaje de

Crecimiento Urbano predicho (Km2) real (Km2) coincidencia
0 - 10 % 2.784 0.230 8.271
10 - 20 % 1.758 0.143 8.162
20 - 30 % 0.985 0.083 8.470
30 - 40 % 0.783 0.108 13.839
40 - 50 % 0.836 0.099 11.920
50 - 60 % 1.242 0.122 9.878
60 - 70 % 1.113 0.130 11.718
70 - 80 % 0.703 0.115 16.486
80 - 90 % 0.305 0.058 19.118
90 - 100 % 0.028 0.010 36.771
Total 10.54 1.24 11.78

Figura 12. Gráfica de comparación entre el crecimiento real y el predicho con SLEUTH.

En figura 12 se observa la notable diferencia

en la comparación del crecimiento real y
predicho. En donde se presentó mayor
crecimiento, basado en el resultado del
modelo SLEUTH, fue en donde hubo baja
probabilidad y en donde hubo mayor grado
de certeza fue 2el crecimiento en áreas
menores a 0.1 km .
CONCLUSIÓN
Aun cuando se utilizaron imágenes Landsat-
TM, las cuales tienen una baja resolución
espacial (30 x 30 metros), se pudo hacer una
confiable digitalización de los diferentes
tipos de usos de suelo que requirió el modelo
de predicción y la comparación con el
crecimiento real.
Los parámetros generados por el modelo,
en base a los requerimientos de entrada, son
parte crucial para generar la predicción del
crecimiento urbano, ya que con estos se
obtienen los mejores valores para realizar la
fase de predicción la cual da como resultado
el modelo.
La forma de representar los datos de
entrada, generados por medio de la
fotointerpretación, tienen una mejor
delimitación de los usos de suelo en
comparación a métodos de clasificación que
son realizados por el software
La forma de crecimiento que arroja
SLEUTH pudo haber sido porque no toma
factores que pueden ser relevantes para el
crecimiento de la mancha urbana, como lo
son construcciones educativas, comerciales,
de salud, culturales, administrativas entre
otras.
Aunque el total de coincidencia del
modelo fue de 11.78%, la coincidencia en la
comparación aumentó en los rangos más
altos de certidumbre del modelo de
predicción, por lo tanto SLEUTH puede
generar una predicción con resultados
confiables tomando en cuenta las zonas con
alto nivel de probabilidad de crecimiento.
Se recomienda que en los datos de
entrada que usa el modelo SLEUTH sean
definidos con imágenes de alta calidad para
obtener un mejor resultado en la
clasificación de usos de suelo y que se
utilicen computadoras con procesadores
novedosos ya que la calibración de los datos
es muy tardada.
AGRADECIMIENTOS
Un agradecimiento especial al personal
académico y administrativo de la
Universidad Autónoma de Ciudad Juárez por
su apoyo para poder realizar este proyecto de
titulación. Al Mtro. Hugo Luis Rojas
Villalobos director de mi proyecto. Al Dr.
Alejandro Brugués Rodríguez del Colegio de
la Frontera Norte por atenderme y
compartirme su conocimiento el cual fue
fundamental en mi trabajo. A la Mtra. Lara
Cecilia Wiebe Quintana por su apoyo en la
revisión y ayuda en las correcciones. Al Dr.
Luis Carlos Alatorre Cejudo y al Dr. Luis
Carlos Bravo Peña por sus enriquecedores
comentarios y aportaciones.
BIBLIOGRAFÍA
Aguilera Benavente, F. (2006). Predicción
del crecimiento urbano mediante
sistemas de información. GeoFocus,
81-112.
Aguilera Benavente, F. (2006). Predicción
del crecimiento urbano mediante
sistemas de información y modelos
basados en automatas celulares .
GeoFocus, 81-112.
Aguilera Benavente, F., Valenzuela Montes,
L. M., & Bosque Sendra, J. (2010).
Simulación de escenarios futuros en
la aglomeración urbana de Granada a
través de modelos basados en
autómatas celulares. Boletín de la
Asociación de Geógrafos Españoles,
271-300.
Antequera Durán, N., & Cielo, C. (2010).
Ciudad sin fronteras. Sobre la
multilocalidad de lo urbano en
Bolivia. La Paz: Fondo Editorial
Abigail Hodgen.
Ascher, F. (1992). A Metápole. Ou L'avenir
des villes . Editions Odile Jacob.
Batty, M. (1997). Urban Systems as Cellular
Automata. Environment and
 Planning B: Planning and Design,
159-164.
Brugués Rodríguez, A., Fuentes Flores, C.
M., & Cervera Gómez, L. E. (2008).
La simulación del crecimiento
urbano de la ciudad de Chihuahua
Mediante la Aplicación de
Autómatas Celulares. Antología de
estudios territoriales. Fomento de los
estudios territoriales en
Iberoamérica, 1-25.
Burgess, E. W., & Park, R. E. (1925). The
City. Chicago.: University of
Chicago Press.
Chuvieco, E. (2000). En Fundamentos de
Teledetección Espacial (pág. 568).
Ed. Rialp Madrid.
Cifuentes, P. A. (2009). Modelización de los
factores de crecimiento urbano como
aporte a la sostenibilidad. Estudio de
caso: Manizales - Colombia.
Sostenibilidad. Revista Internacional
Sostenibilidad, Tecnología
Humanismo, 81-96.
Clarke , K. C., Hoppen , S., & Gaydos, L.
(1997). A self-modifying cellular
automaton model of historical
urbanization in the San Francisco
Bay area. Environment and Planning
B: Planning and Design, 24: 247-
261.
Engelen, G., White, R., & Uljee, I. (1997).
Integrating constrained cellular
automata models,GIS and decision
support tools for urban planning and
policy-making, in Timmermans
H.(ed.), Decision Support Systems in
Urban Planning, London: E&FN
Spon. 125-155.
GPL, G. (15 de Noviembre de 2012).
Cygwin. Obtenido de Cygwin:
www.cygwin.com
Harris , C. D., & Ullman, E. L. (1945). The
Nature of Cities. The ANNALS of the
American Academy of Political and
Social Science, 242, 7-17.
Hoyt, H. (2005). The structure and growth of
residential neighborhoods: 1939.
Progress in Human Geography, Vol.
29, No. 3, 321-325.
INEGI. (30 de Octubre de 2010). Instituto
Nacional de Estadística y Geografía.
Obtenido de
http://www3.inegi.org.mx/sistemas/
mexicocifras/
Li, X. y Yeh, A. G. O. (2000). Modelling
sustainable urban forms by the
integration of constrained cellular
automata and GIS. International
Journal of Geographical
Information, 131-152.
Márquez Lobato, B. Y. (2008). Análisis y
simulación del crecimiento urbano
utilizando sistemas de información
y geográficos: Ciudad Juárez,
Chihuahua. Colegio de la Frontera
Norte.
Parrado, C. (2001). Metodología para la
ordenación del territorio bajo el
prisma de la sostenibilidad (Estudio
de su aplicación en la ciudad de
Santa Fe de Bogotá D.C), Tesis
Doctoral, Departamento de
Ingeniería Minera y Recursos
Naturales, Universidad Politécnica de
Cataluñ.
Pascual Rosa, V., Aguilera Benavente , F.,
Plata, W., Gómez Delgado, M., &
Bosque Sendra, J. (2010).
Simulación de modelos de
crecimiento urbano: métodos de
comparación con los mapas reales.
Tecnologías de la Información
Geográfica: La Información
 Geográfica al servicio de los
ciudadanos, 1000-1013.
USGS. (15 de Noviembre de 2012). Earth
Resources Observation and Science
(EROS) Center. Obtenido de
http://glovis.usgs.gov/
USGS. (7 de Mayo de 2013). Project
Gigalopolis. Obtenido de Project
Gigalopolis:
http://www.ncgia.ucsb.edu/projects/g
ig/About/bkStrTest.html
Verburg, P., Schot, P., Dijst, M., &
Veldkamp, A. (2004). Land use
change modelling: current practice
and research priorities. Geojournal,
309-324.
White, R. y Engelen, G. (2000). High-
resolution integrated modelling of the
spatial dynamics of urban and
regional systems. Environment and
Urban Systems, 383-400.
View publication stats