|
Revisión
de literatura sobre técnicas prospectivas del cambio de cobertura y uso del
suelo Sonia Constanza Garzón Martínez1 Aníbal Montero Leguizamón2 Victoria Daniela Camacho Ochoa3 Recibido: (11 de febrero de 2025) –
Aceptado: (01 de junio de 2025) – Actualizado: (11 de agosto de 2025) DOI:
10.17151/luaz.2025.60.5 Resumen Objetivo. Se realizó una revisión sistemática de la literatura para identificar los avances en las aplicaciones basadas en algoritmos de aprendizaje automático y aprendizaje profundo para el análisis del cambio de cobertura y uso del suelo con fines prospectivos, sus covariables y las denominaciones de las clasificaciones de cobertura y uso del suelo. Metodología. Se llevo a cabo una recuperación bibliográfica, consultando diferentes bibliotecas digitales, a partir de una ecuación de búsqueda delimitada al periodo de estudio entre los años 2000 a 2024. Posteriormente, se aplicó una lectura por niveles para extraer la información relevante al estudio, la cual consistió en la revisión de las secciones de introducción, métodos, figuras, tablas, resultados y conclusiones, para generar las anotaciones pertinentes con la investigación. Resultados. Se obtuvo un total de 55 estudios, entre artículos, libros y trabajos de tesis, de los cuales se les resumió y extrajo la información pertinente a la investigación, para luego relacionarla con la discriminación por tipos de cobertura y uso del suelo, factores impulsores del cambio, y las técnicas de aprendizaje automático frecuentemente utilizadas. Adicionalmente, se realizó una citación de los conceptos claves de la modelación del cambio de cobertura y uso del suelo con autómatas celulares. Conclusiones. Cuando el análisis del cambio de cobertura y uso del suelo apunta hacia objetivos prospectivos, el uso de autómatas celulares es destacable, por la posibilidad de generar simulaciones de posibles líneas futuras, posibilitando el análisis de escenarios, así como deducir y recrear las reglas de transición entre diferentes tipos de cobertura o usos del suelo, de forma automatizada y estadísticamente evaluable. Palabras clave: Cobertura vegetal,
Usos del suelo, Medio ambiente, Tierras, SIG. Literature
review on land cover change and land use Abstract Objetive. A systematic literature review was conducted to identify advances in applications based on Machine Learning and Deep Learning algorithms for the analysis of land cover change and land use for prospective purposes, their covariates and the names of land cover and land use classifications. Methodology. A bibliographic retrieval was carried out consulting different digital libraries based on a search equation limited to the study period from 2000 to 2024. Subsequently, a layered reading was applied to extract information relevant to the study, which consisted in reviewing the introduction, methods, figures, tables, results and conclusions, in order to generate annotations relevant to the research. Results. A total of 55 studies were obtained, including articles, books and thesis, from which the information pertinent to the research was summarized and extracted, then related to discrimination by land coverage and land use types, drivers of change, and frequently used machine learning techniques. Additionally, a citation of the key concepts of land cover and land use with cellular automata was provided. Conclusions. When analyzing land cover and land use change toward prospective objectives, the use of cellular automata is remarkable, for the possibility of generating simulations of possible future lines, enabling scenario analysis, as well as deducing and recreating the transition rules between different land cover types or land uses, in an automated and statistically evaluable way. Keywords: Land cover, Land use,
Environment, Lands, GIS. Introducción Desde un enfoque prospectivo, los escenarios de
cambio de uso y cobertura del suelo (LULCC por sus siglas en inglés) se han
usado como herramientas para la toma de decisiones en planificación
territorial para regiones de bosques tropicales, esto con el fin de proteger
la biodiversidad y reducir las emisiones derivadas de la degradación de los
ecosistemas, analizando el efecto de diferentes vías de desarrollo y ayudando
a formular estrategias científicas e implementar políticas plausibles que
conserven los ecosistemas naturales y proporcionen a su vez servicios
ecosistémicos (Agudelo et al., 2023). Actualmente, los planificadores tienen un valioso
arsenal de herramientas de simulación para proyectar el LULCC. El desarrollo
de los sistemas de información geográfica (SIG) y la tecnología de
teledetección ha atraído recientemente más atención a las técnicas de
geo-simulación, dada la creciente aplicación de los análisis
multiespaciotemporales con la ayuda de la clasificación de imágenes, siendo
los algoritmos de aprendizaje automático una opción favorable para los
investigadores (Shivappa et al., 2023). En el ámbito de la predicción del
LULCC, la célula autómata (CA), ha ganado un uso destacado debido al avance
del aprendizaje de máquina y particularmente del aprendizaje profundo, dada
su robustez para proporcionar simulaciones futuras precisas de los paisajes,
ya que las características del terreno pueden cubrirse y representarse al
mismo tiempo (Alkaraki et al., 2024). En el pasado reciente, se han propuesto modelos
de aprendizaje de máquina o aprendizaje automatizado para la identificación
de transiciones en las clases de uso de la tierra y para la predicción del
LULCC. El aprendizaje de máquina, con sus altas tasas de aprendizaje y
análisis de Big Data, puede mejorar la precisión del ajuste de los datos,
produciendo así simulaciones y predicciones más inteligentes y sólidas. En comparación con los enfoques empíricos,
estadísticos y dinámicos tradicionales, los modelos de aprendizaje automático
son más flexibles y tienen la capacidad de aprender y procesar de manera
eficiente, pues se sobreponen a problemas relacionados con covarianzas
multivariadas y pueden manejar la no linealidad o la falta de una
distribución normal estadísticamente verificable en los datos del LULCC. Como
tal, los modelos de aprendizaje de máquina tienen el potencial de mejorar la
simulación y predicción de las dinámicas espaciotemporales no sistemáticas y
complejas en el LULCC. A pesar de sus ventajas, la aplicación de modelos de
aprendizaje de máquina para la simulación y predicción del LULCC sigue siendo
muy limitada (Ouma et al., 2024). Por otra parte, las cuestiones de los cambios en
el uso y la cobertura del suelo y las conexiones intermedias o indirectas de
estos cambios han generado interés en los últimos años (Yesserie, 2009). No
obstante, identificar y evaluar las fuerzas impulsoras que están detrás del
LULCC sigue siendo uno de los ejercicios más difíciles que los geógrafos y
científicos ambientales deben abordar continuamente. La dificultad surge del
hecho de que en los sistemas de uso y cobertura del suelo entran en juego
múltiples acciones e interacciones entre diferentes factores –económicos,
políticos, ambientales, biofísicos, institucionales y culturales–, lo que
dificulta la comprensión de los procesos subyacentes al fenómeno del cambio.
En este contexto, la modelación de los cambios en el uso de la tierra
utilizando Big Data está ganando cada vez más popularidad (Omrani et al.,
2012). El objetivo de este artículo es revisar las
aplicaciones basadas en algoritmos de aprendizaje de máquina y de aprendizaje
profundo para el análisis del cambio de cobertura y uso del suelo con
propósitos prospectivos, refiriéndose a la prospectiva para la predicción de
futuras coberturas de la tierra, sea en uno o varios posibles escenarios
analizables. En paralelo, se exploraron y se distinguieron los factores
impulsores que se proponen en las investigaciones encontradas para explicar
el LULCC. Esta revisión abarca un periodo comprendido desde el año 1997 con
el inicio de la conceptualización de la CA (Batty, 1997; Batty et al., 1997;
Clarke et al., 1997, White y Engelen, 1997) en su predominante uso para la
simulación del futuro de las coberturas y usos del suelo. Se hace un bosquejo
conceptual del LULCC, factores impulsores y autómatas celulares para luego
realizar una síntesis de la información compilada, abordada desde las
problemáticas que se derivan de la conceptualización y modelado para la
predicción del LULCC. Lo anteriormente mencionado se deriva de la metodología
implementada y se plasma en los resultados y conclusiones mencionados a
continuación. Materiales
y método Se empleó una recuperación bibliográfica,
consultando las bibliotecas digitales Scopus, IEEE Explore, ScienceDirect,
Springer, Web of Science y Wiley Online, utilizando las siguientes palabras
en sus metabuscadores: (i) land cover change; land use change (ii)
prospective, scenarios, forecasting, simulation; (iii) machine learning, deep
learning, artificial neural network; (iv) geographical information. La
búsqueda se delimitó al periodo comprendido entre los años 2000 y 2024, en
los idiomas español e inglés y sin restricciones geográficas. Siguiendo las pautas de Frey (2017), y debido a
que las librerías digitales recuperan documentos no relevantes al propósito
de esta investigación, a manera de filtrado, se retuvieron aquellos
resultados de las librerías que mostraban en su título, resumen, gráficos y
conclusiones, una relación de interés con la temática investigada a partir de
los siguientes criterios de descarte: i) falta de alineación con los
conceptos dispuestos para la revisión de literatura; ii) enfoque incongruente
entre la publicación encontrada y la aplicación particular asociada con
predicciones y prospectivas del LULCC; iii) accesibilidad al idioma de la
publicación, descartando aquellos que no se encuentren en inglés o español;
iv) limitación de disponibilidad por permisos de pago. Posteriormente, se realizó una lectura de los
resultados de fuentes de información en un segundo nivel, el cual consiste en
leer en su completitud la introducción, los métodos, las figuras, las tablas,
los resultados y las conclusiones, para luego extraer las anotaciones sobre
la contribución del documento en relación con las definiciones de los
principales conceptos involucrados con la investigación, y a la vez, hacer la
compilación sistematizada, apoyada en hojas de cálculo, de los diferentes
conjuntos de denominaciones de coberturas y usos de suelo encontrados,
denominaciones de factores impulsores, técnicas de aprendizaje de máquina y
métricas de evaluación encontrados. En la Figura 1 se muestra un mapa conceptual del
flujo de trabajo aplicado en el que se aplica la metodología propuesta. Figura 1. Flujo de trabajo de la metodología
empleada  Fuente: elaboración propia. Resultados Con base en la metodología antes mencionada, se
recuperaron 288 documentos de las librerías digitales, de los cuales y a
partir de la lectura por niveles, se recopiló un total de 55 estudios entre
artículos, libros y trabajos de tesis a los que se les extrajo la información
pertinente a la investigación. A continuación, se resumen los hallazgos, así
como el análisis bibliométrico obtenido. Cobertura y uso del suelo La cobertura de la tierra es todo aquello que se
observa sobre la superficie terrestre tal como vegetación, áreas urbanas,
afloramientos rocosos, cuerpos de agua entre otros. Por otra parte, el uso de
la tierra se relaciona con las actividades humanas o las funciones económicas
de una porción específica de la tierra. En este sentido, los cambios del uso
de la tierra son impulsores de cambios de las coberturas sobre la superficie
terrestre (Rodríguez et al., 2019). Los estudios de monitoreo de la cobertura
y uso de la tierra son importantes en la investigación ambiental, ya que
permiten evaluar las tendencias espacio-temporales de procesos como la
deforestación y degradación ambiental, provocada por las actividades
humanas (Escandón et al., 2018); así
como realizar el seguimiento al cumplimiento de los acuerdos de conservación,
generar análisis entre diferentes actores, definir variables asociadas a la
fragmentación de ecosistemas, ser base para el cálculo de reservas de
carbono, identificar aproximaciones sobre recursos hídricos, ejercicios de
conectividad vial entre centros poblados, y demás aplicaciones (Arango y Ordoñez, 2020). En la Tabla 1, se muestra la denominación de las
coberturas y usos de suelo encontrados en cada uno de los estudios
recuperados, encontrando con mayor frecuencia y en el orden de mayor
aparición las siguientes categorías: agricultura (tierra cultivable o tierra
agrícola); urbano o área construida; bosque; agua o cuerpo de agua;
pastizales. Tabla 1. Denominaciones
de coberturas y usos de suelo encontrados  Fuente: elaboración propia. Cambio de cobertura y uso del suelo (LULCC) Los LULCC representan una de las transformaciones
más visibles y complejas del paisaje, con impactos profundos en los
ecosistemas, la estructura socioeconómica y la dinámica ambiental a distintas
escalas. Estos cambios no ocurren de manera homogénea; por el contrario,
están determinados por una diversidad de impulsores, que incluyen factores
económicos, políticos, demográficos y climáticos, los cuales interactúan de
forma diferenciada según la región, el tipo de cubierta original y los
patrones de desarrollo urbano o rural. La heterogeneidad en las condiciones
biofísicas, culturales y de gobernanza de cada territorio genera trayectorias
de cambio muy diversas, lo que plantea importantes desafíos para su análisis,
modelación y gestión. En este contexto, distintos estudios han abordado las
implicaciones del LULCC, especialmente en zonas donde el crecimiento urbano y
el desarrollo económico han inducido profundas transformaciones del
territorio. En este sentido, Irawan et al. (2019) mencionan
en su publicación que el desarrollo de una ciudad es una manifestación del
desarrollo regional, cuyo impacto se refleja en los cambios de la cobertura
de la tierra y el incremento de las áreas de asentamiento. De acuerdo con
Kulithalai et al. (2021), el LULCC se ha convertido en un asunto crítico para
los tomadores de decisiones y conservacionistas debido al crecimiento
inapropiado y sus efectos en los ecosistemas naturales. Los LULCC son uno de
los impactos al paisaje más evidentes, debido a las actividades antrópicas, particularmente
en regiones de rápido crecimiento. De modo semejante, Falah et al. (2020)
refieren que hoy en día el análisis del LULCC en el uso urbano juega un papel
principal en las decisiones y programas de largo plazo. En India, las áreas
que proporcionan los mayores rendimientos agrícolas están bajo la amenaza de
extinguirse o bien de sufrir un cambio de uso, debido al efecto antropogénico
y el consecuente cambio climático aunado al rápido ritmo de las actividades
de desarrollo (Sajan et al., 2022). Por otro lado, Wang et al. (2021) refieren que
las ciudades costeras bajas son ampliamente reconocidas como zonas de
asentamientos urbanos densamente poblados. Ello las vuelve más vulnerables a
riesgos resultantes del intensivo cambio de cobertura y uso del suelo, de las
actividades humanas, del cambio climático global y del aumento del nivel del
mar. Qiang y Lam (2015) mencionan que la cuenca baja del Río Mississippi es
una de las costas más vulnerables de los Estados Unidos, que ha enfrentado
numerosas amenazas en las pasadas décadas. El mayor problema en la región
deltaica es la significativa pérdida de tierra durante los últimos años
debido a dichos factores. De modo que, las principales interrogantes
científicas y de gestión se sintetizan en identificar cuáles son los factores
que contribuyen al LULCC, cómo modelar dichos factores y cómo definir los
escenarios futuros asociados. Factores impulsores El LULCC constituye un fenómeno determinado por
factores biofísicos y antrópicos cuya influencia varía según el contexto
geográfico, temporal y socioeconómico. La identificación y análisis de estos
factores impulsores representa un reto metodológico, dada la heterogeneidad
de sus efectos, la multiplicidad de escalas en las que operan y, en muchos
casos, la disponibilidad o accesibilidad limitada de los insumos necesarios
para su caracterización. Esta diversidad no solo refleja la naturaleza
multifactorial del fenómeno, sino que también evidencia las dificultades
asociadas a su gestión e interpretación, lo cual incide directamente en la
formulación de políticas de planificación territorial basadas en evidencia. En palabras de Feng y Wang (2021), los LULCC son
una actividad espaciotemporal compleja, está influenciada por una variedad de
factores, entre ellos la sociedad, la economía, la geografía y las políticas.
Por ejemplo, la expansión urbana se ve afectada por muchos factores y puede
resultar difícil determinar cuál es el que tiene mayor influencia.
(Christiansen y Loftsgarden, 2011). A pesar de los numerosos estudios
dedicados a investigar los patrones y mecanismos de expansión urbana, la
dinámica espaciotemporal de las fuerzas impulsoras y sus diferencias
regionales no han sido bien documentadas (Li et al., 2018). Además, las
fuerzas impulsoras de la expansión urbana varían entre ciudades, regiones y
países (Christiansen y Loftsgarden, 2011). Por ejemplo, Clarke et al. (1997)
delimitaron inicialmente dentro del conjunto de impulsores la topografía, las
redes de vías y la distribución de asentamientos. En la Tabla 2, se muestra
la denominación de los factores impulsores encontrados en cada uno de los
estudios recuperados, siendo de los más frecuentes los factores alusivos a la
morfología del terreno como la pendiente y la elevación, extraídos de los
modelos digitales y con respecto a los factores de carácter antrópico la
distancia a las vías. Tabla 2.
Denominaciones de factores impulsores
encontrados  Fuente: elaboración propia. Autómata celular (CA) Se observa un predominio del uso de la CA para
modelar y generar datos futuros a partir del LULCC evidenciado de la
recuperación de literatura de esta investigación. De las lecturas de segundo
nivel realizadas se encuentra que, en comparación a los enfoques
cuantitativos de la última década y bajo el auge del uso de las técnicas de
aprendizaje de máquina y la compatibilidad conceptual de las reglas de
transición utilizadas por la cadenas de Markov y la CA, este enfoque de las
CA habilita y prioriza el modelado de las interacciones locales de las
coberturas y usos del suelo, permite la validación tanto temática como
estadística, genera fácil comparabilidad del desempeño predictivo
cuantificado en la literatura, habilita la generación de datos futuros y
permite condicionar estas simulaciones para generar escenarios prospectivos.
En este caso, los modelos netamente estadísticos o físicos no comprenden
todas las ventajas anteriormente mencionadas, solo enfoques más generalizados
como los modelos basados en agentes (ABM) y un recurso computacional
suficiente habilitarían estas mismas capacidades en adición con la
incorporación de la complejidad de los agentes estudiados (Torres et al.,
2023). Batty et al. (1997) definen una CA a partir de
cuatro principios: 1) celdas dentro de un arreglo espacial, 2) un conjunto de
estados para esas celdas, 3) vecindad de celdas definible para cada una y 4)
reglas de transición entre estados de las celdas. Batty (1997) aplica esta
conceptualización para simular la ubicación de lo que denomina actividad
urbana. Posteriormente, se destaca el potencial de los modelos de autómatas
celulares para simular transformaciones del territorio, incluido el LULCC al
poder integrar la preservación de las zonas ribereñas, áreas ambientalmente
sensibles y la gestión de servicios ecosistémicos en las proyecciones de
crecimiento urbano a escala regional (Mitsova et al., 2011). Yang et al. (2014a) destacan que la mayoría de
las investigaciones se enfocan en descubrir los factores macroscópicos que
afectan este cambio, lo que resulta en ignorar los efectos locales dentro de
los vecinos. De la recreación simulada de esas dinámicas resultará la
proyección a futuro de la configuración del territorio, específicamente de la
cobertura del suelo. Los modelos de autómatas celulares pueden ser
ampliamente utilizados en estudios urbanos debido a su naturaleza dinámica,
su flexibilidad y su capacidad de integrarse con otros modelos, así como la
de ajustarse según los datos disponibles (Falah et al., 2020). Algoritmos empleados Se mencionó en la descripción de la CA que uno de
los cuatro principios de esta son sus llamadas reglas de transición (Batty et
al., 1997) dado que, en ese entonces, tal y como en el Juego de la Vida de
John Conway (Berlekamp et al., 1982), las transiciones y su probabilidad de
ocurrencia eran definidas manualmente a manera de sistema experto. Los
algoritmos y métodos tanto computacionales como estadísticos como por
ejemplo, las redes neuronales artificiales y las cadenas de Markov permiten
entrenar lo que se denomina la función de transición, que toma como entradas
del algoritmo, los datos derivados de las diferentes capas ráster que dan
cuenta de las coberturas o usos de suelo presentes (tomando un periodo
observado de referencia), así como las capas que dan cuenta de los factores
impulsores, para que los convierta en coberturas o usos de suelo futuras como
salidas del algoritmo (tomando el periodo siguiente al de referencia). La
función de transición representada por el algoritmo ya entrenado permitirá la
generación de datos simulados, de manera recurrente, al tomar el último
periodo de referencia, sea uno observado o uno ya generado para el futuro,
desde las coberturas o usos de suelo tanto observadas como generadas junto
con las capas que representan los factores impulsores. La Figura 2 muestra un esquema del generador de
datos que construye las entradas al modelo para que el algoritmo asocie las
capas de coberturas o usos de suelo de un periodo de referencia y los
factores impulsores a capas de coberturas o usos de suelo del siguiente
periodo. Figura 2. Esquema de la función de transición del CA
derivado de los estudios que utilizan cadenas de Markov y métodos de
aprendizaje de máquina  Fuente: elaboración propia. En la Tabla 3, se muestra el listado de las
diferentes técnicas de aprendizaje de máquina empleadas en cada uno de los
estudios recuperados para la deducción de las reglas de transición de los
autómatas celulares, junto con las métricas de evaluación del desempeño
predictivo en los diferentes estudios, siendo destacado el uso frecuente del
Accuracy para evaluar las redes neuronales artificiales y la combinación de
estas con cadenas de Markov, seguido del índice Kappa vinculado con los
mismos métodos. Tabla 3. Técnicas de aprendizaje de máquina y
métricas de evaluación encontradas  Fuente: elaboración propia. Según Wu et al. (2022) los modelados generalmente
ignoraban las situaciones de falta de homogeneidad y combinaciones del uso de
suelo y simplificaban la celda a un único tipo de uso. En su estudio,
desarrollaron un modelo basado en una red neuronal convolucional de etiquetas
múltiples y CA para simular la compleja y heterogénea evolución del uso de
suelo. La estrategia de aprendizaje de etiquetas múltiples en el modelo
propuesto puede representar mezclas de usos del suelo etiquetando múltiples
tipos de usos en cada celda de la cuadrícula. Además, las reglas de
transición de la CA fueron modificadas para adaptarlas a la estrategia de
aprendizaje de etiquetas múltiples y minadas en un acople con su red neuronal
convolucional bajo tres mecanismos de interacción, incluidos: el efecto de
vecindad, el coeficiente de inercia adaptativo y el factor aleatorio. Conclusiones
y recomendaciones En la revisión de literatura se identificó que
los dos métodos o técnicas más frecuentes han sido las cadenas de Markov así
como las redes neuronales artificiales, esto independientemente de las
particularidades de las arquitecturas utilizadas, tal y como se muestra en la
segunda columna de la Tabla 3. Dentro de las ventajas que presentan las
cadenas de Markov, cabe mencionar que la definición de este proceso
estocástico es compatible con la definición de la CA al determinar que un
estado de una unidad de observación en un periodo dado depende únicamente de
los estados de las unidades de observación en el periodo inmediatamente
anterior. Por otra parte, la consideración previa también
puede explicar, al menos parcialmente, por qué la arquitectura más frecuentemente
encontrada en los estudios que emplean redes neuronales convolucionales es el
perceptrón multicapa, así como en algunos pocos casos la red neuronal
convolucional, siendo estos dos tipos de arquitecturas propios de las redes
neuronales prealimentadas. Considerando las características antes
mencionadas sobre cada uno de los dos métodos, la funcionalidad de estos
constituye el entrenamiento de una sola función de transición que recrea las
reglas de cambio de la CA. En la Figura 2 se muestra cómo esta función recibe
tanto la información de los estados de las coberturas o usos de suelo como de
las capas de información de sus impulsores de cambio, esto en un periodo dado
para recrear la cobertura del periodo siguiente. En este orden, en la fase de
entrenamiento del modelo tomaría como futuro, los datos de cobertura o uso de
suelo de los periodos siguientes, mientras que, en una fase de predicción, se
tomará la función de transición entrenada para generar datos en periodos
futuros. Por ejemplo, Clarke et al. (1997) propusieron inicialmente su
autómata celular a manera de sistema experto, definiendo las reglas de
transición y calibración para el cambio del uso del suelo, en procura de
emular los cambios observados en los datos. Rienow y Goetzke (2015) afirman frente a esto
que, aunque el algoritmo SLEUTH que utiliza estas reglas de transición y que
plantea Silva y Clarke (2002), el proceso de modelado aún está fuertemente
influenciado por decisiones estocásticas que resultan en un patrón variable.
Además, no brinda información sobre las fuerzas humanas y ecológicas que
impulsan la idoneidad local del crecimiento urbano. Por lo tanto, se hace
importante combinar las habilidades de simulación de CA con el enfoque de
aprendizaje automático. En relación con el uso de cadenas de Markov como
de perceptrones multicapa, cada uno de estos tiene ventajas particulares. El
uso de cadenas de Markov puede ser recomendado donde el volumen de
información a procesar es alto, debido a que este consiste en un
entrenamiento del modelo mediante estimación estadística y no requiere
condiciones especiales de cómputo, mientras que el perceptrón multicapa
permite la inclusión de capas de información que den cuenta sobre los
factores impulsores del cambio y deduzca las relaciones no lineales entre
estos y las coberturas o usos de suelo a la salida. Existe cierta heterogeneidad en la denominación
de las categorías de los usos y coberturas de suelo tenidas en cuenta en
diferentes estudios, tal y como se observó en la Tabla 1, y técnicamente no
se disponen listados de categorías estandarizadas. Por otro lado, la Tabla 4
presenta una clasificación propuesta de las diferentes alusiones a coberturas
y usos del suelo encontradas en la revisión de la literatura. Todos los
referentes consultados mencionan clases generales de cobertura, aunque no
existe un consenso sobre su categorización. Esta falta de acuerdo responde a
las características locales de la cobertura del suelo en cada zona de
estudio, así como al propósito específico de cada investigación. Tabla 4. Clasificación propuesta para las denominaciones de coberturas y usos
de suelo encontradas  Fuente: elaboración propia. En cuanto a las métricas para evaluar
cuantitativamente el desempeño predictivo de los modelos entrenados en predecir
los cambios de usos y coberturas, se observa que existe una predilección por
la aplicación de la exactitud y el índice Kappa, tal y como se presenta en la
tercera columna de la Tabla 3; esto bien puede responder a la comparabilidad
del desempeño frente a las referencias que se encuentran a nivel global sobre
el uso de los métodos mencionados en la segunda columna de la Tabla 3.
También se hace importante el uso de la exactitud como única medida resumen
de la evaluación de un modelado en los estudios donde el número de categorías
de usos o coberturas de suelo es numeroso, tal y como se observa en los
ejemplos de la Tabla 2. Por otra parte, aunque el índice Kappa también es
ampliamente utilizado, Pontius y Millones (2011) evidencian carencias
técnicas en este y recomiendan el uso de las matrices de confusión en
remplazo de este. Ahora bien, como menciona Omrani et al. (2012)
sobre los factores económicos, políticos, ambientales, biofísicos,
institucionales y culturales que accionan el LULCC, se observa que estudios
como los de Yao et al. (2017), Ghalehteimouri et al. (2022) y Isinkaralar
(2024) comprenden algunos factores impulsores socioeconómicos; este tipo de
inclusiones son relativamente pocas en comparación con el resto de literatura
encontrada y que, salvo cuando se incluyen factores impulsores derivados de
la distancia a redes y puntos de servicio, solo se tienen en cuenta los
factores biofísicos. Ante esto, Yang et al. (2014b) menciona que se ignoran
fuerzas globales como políticas nacionales, mercados internacionales o cambio
climático, que pueden ser incluso los impulsores principales del LULCC. En los distintos trabajos de investigación
revisados, es entendido que el cambio de coberturas y usos del suelo se
relaciona con factores que causan el impulso o contracción de la
transformación, cuya cuantificación se materializa en el preprocesamiento de
las capas de información para que estas sean referidas sobre cada tesela o
unidad de observación en el área de estudio a manera de distancias,
magnitudes o clasificaciones. De esta forma, se construyen los valores de
factores impulsores para el modelado del cambio de cobertura y uso del suelo.
En la Tabla 5, se presenta una clasificación propuesta de las diferentes
alusiones a factores impulsores encontradas en la revisión de literatura. Tabla 5. Clasificación propuesta para las
denominaciones de factores impulsores encontrados  Fuente: elaboración propia. Aunque en el alcance de este estudio no han sido
relacionadas las diferentes escalas de la información geográfica incorporadas
en las distintas investigaciones, es posible afirmar en general que esta
depende directamente de la escala asociada a los insumos de cada estudio.
Actualmente, existe la disponibilidad de herramientas de software libre para
el procesamiento y modelado de datos espaciales que no se limitan por la
cantidad, volumen ni la estructura de estos, por lo que se puede observar en
la literatura las diferentes posibilidades de experimentación del modelado
con algoritmos, estructuras de datos y extracción de características. La
asequibilidad a información cuantificable a diferentes resoluciones
espaciales y temporales sobre la clasificación en teselas de las coberturas
de suelo, así como sobre aquellos factores que impulsan y contraen ese mismo
cambio, ha permitido, a lo largo de las diferentes investigaciones que se
muestran en esta revisión, el modelado del cambio de coberturas en el tiempo
con ayuda de autómatas celulares. También se encuentra que, durante los años
recientes, las reglas de transición a diferentes coberturas del suelo son
deducidas y recreadas mediante las técnicas de aprendizaje de máquina. Se ha observado una tendencia reciente,
especialmente durante las décadas de 2010
y 2020, a preferir el uso de autómatas celulares basados en algoritmos
de aprendizaje automático, en lugar de los sistemas expertos popularizados en
los años noventa y principios de los 2000. Esto se debe a la tendencia global
hacia el uso de técnicas de aprendizaje de máquina y de aprendizaje profundo
nacidas durante los años noventa y aplicadas en las mayores empresas de
tecnología durante los años 2000 y 2010 (Delipetrev et al, 2020). En este
sentido, se puede mencionar, que el crecimiento del uso de tecnologías
asociadas al uso de sistemas de información geográfica y la disponibilidad
creciente de datos geográficos (UN Committee of Experts, 2017) habilita la
posibilidad de una mayor exploración de las causantes de un fenómeno como el
cambio de coberturas de suelo y cuya definición requiere de un componente
espacial como temporal (Gašparović, 2020). Finalmente, de las diferentes inferencias sobre
el futuro de las coberturas y usos del suelo en sus respectivas áreas de
estudio, se puede generalizar que la orientación del análisis del cambio de
coberturas y usos de suelo hacia objetivos prospectivos requiere de las
siguientes dos capacidades: primero, tener potencial predictivo
estadísticamente evaluado; y segundo, brindar la posibilidad de generar un
análisis por comparación de escenarios. Sobre la primera capacidad, los
estudios que basan sus autómatas celulares en algoritmos de aprendizaje de
máquina muestran desempeños predictivos con exactitudes por encima del 80 %
bajo la susceptibilidad a ser mejorados al incluir más capas de información o
de extracción de nuevas características (Kulithalai y Deka, 2022; Agudelo et
al.,2023; Anand et al., 2023; Alkaraki et al., 2024; Chisanga et al., 2024;
Pawe y Saikia, 2024; Raza et al.,2024). Sobre la segunda capacidad, la generación de
nuevos datos a partir de simulaciones con los autómatas celulares es
susceptible de ser acotada por reglas de transición definidas por la
exclusión de tipos de cambio de coberturas de suelo, como lo realizaban por
ejemplo Clarke et al. (1997), al delimitar las zonas de crecimiento. Veldkamp y Lambin (2001) enmarcaron cuatro retos
dentro de lo que sería la predicción del futuro del uso del suelo: i. El
modelado de los factores que impulsan el cambio de uso del suelo, ii. el
modelado de la dependencia de la escala de los factores que impulsan el
cambio de uso del suelo, iii. el modelado para predecir la ubicación versus
la cantidad del cambio de uso del suelo, y iv. la incorporación de retroalimentaciones
biofísicas en los modelos de cambio de uso del suelo. En relación con la problemática sobre el escalado
y replicabilidad de las metodologías diseñadas en los estudios, Li et al.
(2012), Yao et al. (2017) y Kang et al. (2019) identifican esta misma y
mencionan que la generación de datos simulados y predicciones puede llegar a
ser costoso en términos tanto de procesamiento como de tiempos de producción.
La problemática la abordan con una estrategia de enfoque computacional, por
lo que presentan soluciones de implementaciones en la nube y computación
distribuida. En este sentido, se debe mencionar que los modelos basados en
agentes hacen continuación de la aplicación del enfoque del uso de series de
datos espaciales, relegando a la CA a un caso particular de este concepto,
más su uso incipiente (Kim et al., 2022; Chambers et al., 2023) emerge de la
necesidad adicional de disponer de datos y fuentes de información sobre los
agentes a modelar, lo que puede restringir aún más la cobertura y el alcance
de los estudios. Agradecimientos Los autores expresan sus más sinceros
agradecimientos a la Dirección de Investigación y Prospectiva (DIP) del
Instituto Geográfico Agustín Codazzi – IGAC por permitir el desarrollo de la
presente investigación en el marco de los proyectos adelantados por la
dirección. Potencial
conflicto de intereses Los autores declaran no tener potenciales
conflictos de intereses. Fuentes de
financiación Esta investigación fue financiada por el
Instituto Geográfico Agustín Codazzi – IGAC. Referencias
bibliográficas Agudelo-Hz, W. J., Castillo-Barrera, N. C., y
Uriel, M. G. (2023). Scenarios of land use and land cover change in the
Colombian Amazon to evaluate alternative post-conflict pathways. Scientific Reports, 13(1), 1–14.
https://doi.org/10.1038/s41598-023-29243-2 Alkaraki, K. F., Hazaymeh, K., Al-Tarawneh, O.
M. y Jawarneh, R. N. (2024). Deep learning-based modeling of land use/land
cover changes impact on land surface temperature in Greater Amman
Municipality, Jordan (1980–2030). GeoJournal,
89(4), 1–21. https://doi.org/10.1007/S10708-024-11187-3/FIGURES/100 Anand, B., Rekha, R. S., Radhakrishnan, N. y
Ramaswamy, K. (2023). Analysis of LULC change dynamics and its impact
assessment using CA-ANN model in part of Coimbatore region, India. GeoJournal, 88(6), 5825–5845.
https://doi.org/10.1007/S10708-023-10944-0/METRICS Aniah, P., Bawakyillenuo, S., Codjoe, S. N. A.,
y Dzanku, F. M. (2023). Land use and land cover change detection and
prediction based on CA-Markov chain in the savannah ecological zone of Ghana.
Environmental Challenges, 10.
https://doi.org/10.1016/J.ENVC.2022.100664 Arango, D., y Ordóñez, M. (2020). Protocolo de monitoreo de cambios de
coberturas de la tierra. The Nature Conservancy, Amazon Conservation
Team. https://n9.cl/pms5vm Atef, I., Ahmed, W. y Abdel-Maguid, R. H.
(2024). Future land use land cover changes in El-Fayoum governorate: a
simulation study using satellite data and CA-Markov model. Stochastic Environmental Research and Risk
Assessment, 38(2), 651–664.
https://doi.org/10.1007/S00477-023-02592-0/TABLES/12 Batty, M. (1997). Cellular Automata and Urban
Form: A Primer. Journal of the American
Planning Association, 63(2), 266–274. https://doi.org/10.1080/01944369708975918 Batty, M., Couclelis, H., y Eichen, M. (1997).
Urban systems as cellular automata. Environment
and Planning B: Urban Analytics and City Science, 24(2), 159–305.
https://doi.org/10.1068/B240159/ASSET/B240159.FP.PNG_V03 Berlekamp, E. R., Conway, J. H., y Guy, R. K.
(1982). Winning Ways for Your
Mathematical Plays. Academic Press. Chambers, F., Cruz, C., y Serugendo, G. D. M.
(2023). Agent-based modelling of urban expansion and land cover change: a
prototype for the analysis of commuting patterns in Geneva, Switzerland. HAL science ouverte.
https://hal.science/hal-04146986 Charif, O., Omrani, H. y Maria, B. (2012).
Cellular automata based on artificial neural network for simulating land use
changes. Simulation Series, 44.
https://doi.org/10.1016/j.apgeog.2014.06.016 Chisanga, C. B., Phiri, D. y Mubanga, K. H.
(2024). Multi-decade land cover/land use dynamics and future predictions for
Zambia: 2000–2030. Discover Environment
, 2(1), 1–15. https://doi.org/10.1007/S44274-024-00066-W Christiansen, P. y Loftsgarden, T. (2011).
Drivers behind urban sprawl in Europe. https://n9.cl/pqc8x9
Clarke, K. C., Hoppen, S. y 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(2), 247–261.
https://doi.org/10.1068/B240247 Delipetrev, Blagoj., Tsinaraki, Chrisa.,
Kostić, U. y European Commission. Joint Research Centre. (2020). Historical
Evolution of Artificial Intelligence. 1–36. https://doi.org/10.2760/8015800 Escandón Calderón, J., Ordóñez Díaz, J. A. B.,
Nieto de Pascual Pola, M. C. del C., Ordóñez Díaz, M. de J., Escandón
Calderón, J., Ordóñez Díaz, J. A. B., Nieto de Pascual Pola, M. C. del C., y
Ordóñez Díaz, M. de J. (2018). Cambio en la cobertura vegetal y uso del suelo
del 2000 al 2009 en Morelos, México. Revista
Mexicana de Ciencias Forestales, 9(46), 27–53.
https://doi.org/10.29298/RMCF.V9I46.135 Falah, N., Karimi, A., y Harandi, A. T. (2020).
Urban growth modeling using cellular automata model and AHP (case study:
Qazvin city). Modeling Earth Systems
and Environment, 6(1), 235–248.
https://doi.org/10.1007/S40808-019-00674-Z/FIGURES/8 Feng, R. y Wang, K. (2021). Spatiotemporal
effects of administrative division adjustment on urban expansion in China.
Land Use Policy, 101.
https://doi.org/10.1016/J.LANDUSEPOL.2020.1051433 Fetene, D. T., Lohani, T. K. y Mohammed, A. K.
(2023). LULC change detection using support vector machines and cellular
automata-based ANN models in Guna Tana watershed of Abay basin, Ethiopia. Environmental Monitoring and Assessment,
195(11), 1–17. https://doi.org/10.1007/S10661-023-11968-2/METRICS Frey, S. (2017). The Craft of Research (4a edition). Reference Reviews, 31(8), 1–2. Gasirabo, A., Xi, C., Hamad, B. R., y Edovia, U.
D. (2023). A CA–Markov-Based Simulation and Prediction of LULC Changes over
the Nyabarongo River Basin, Rwanda.
Land, 12(9). https://doi.org/10.3390/land12091788 Gašparović, M. (2020). Urban growth pattern
detection and analysis. Urban Ecology: Emerging Patterns and
Social-Ecological. Systems, 35–48.
https://doi.org/10.1016/B978-0-12-820730-7.00003-3 Ghalehteimouri, K. J., Nasr, T. y Bakhtiari, L.
(2022). WITHDRAWN: A scenario-based approach for sustainable urban
regeneration analysis in radial-concentric ring cities: A case in Hamedan,
Iran. City and Environment Interactions.
https://doi.org/10.1016/J.CACINT.2022.100089 González-González, A., Clerici, N., y Quesada,
B. (2022). A 30 m-resolution land use-land cover product for the Colombian
Andes and Amazon using cloud-computing. International
Journal of Applied Earth Observation and Geoinformation, 107
https://doi.org/10.1016/J.JAG.2022.102688 Hewitt, R., Moya-Gómez, B. y Diaz-Pacheco, J. (2013). A Cellular
Automata Land-Use Model For The R Software. Environment. https://doi.org/10.5446/15501 Irawan, I. A., Supriatna, S., Manessa, M. y Ristya, Y. (2019). Prediction Model of Land
Cover Changes using the Cellular Automata – Markov Chain Affected by the
BOCIMI Toll Road in Sukabumi Regency. KnE
Engineering. https://doi.org/10.18502/KEG.V4I3.5860 Isinkaralar, O. (2024). A Methodological
Benchmark in Determining the Urban Growth: Spatiotemporal Projections for
Eskişehir, Türkiye. Applied Spatial
Analysis and Policy, 17(4), 1485–1495.
https://doi.org/10.1007/S12061-024-09592-9/FIGURES/6 Jafarpour Ghalehteimouri, K., Shamsoddini, A.,
Mousavi, M. N., Binti Che Ros, F. y Khedmatzadeh, A. (2022). Predicting
spatial and decadal of land use and land cover change using integrated
cellular automata Markov chain model based scenarios (2019–2049) Zarriné-Rūd
River Basin in Iran. Environmental
Challenges, 6. https://doi.org/10.1016/J.ENVC.2021.100399 Kang, J., Fang, L., Li, S. y Wang, X. (2019).
Parallel Cellular Automata Markov Model for Land Use Change Prediction over
MapReduce Framework. ISPRS International. Journal
of Geo-Information, 8. https://doi.org/10.3390/IJGI8100454 Kayitesi, N. M., Guzha, A. C., Tonini, M., y
Mariethoz, G. (2024). Land use land cover change in the African Great Lakes
Region: a spatial–temporal analysis and future predictions. Environmental Monitoring and Assessment, 196(9),
1–23. https://doi.org/10.1007/S10661-024-12986-4/TABLES/5 Kim, B., Lim, C. G., Lee, S. H., y Jung, Y. J.
(2022). A Framework of Large-Scale Virtual City Simulation with Land-Use
Model. International Conference on Advanced Communication Technology, ICACT,
, 58–61. https://doi.org/10.23919/ICACT53585.2022.9728864 Kulithalai Shiyam Sundar, P., y Deka, P. C.
(2022). Spatio-temporal classification and prediction of land use and land
cover change for the Vembanad Lake system, Kerala: a machine learning
approach. Environmental Science and
Pollution Research, 29(57), 86220–86236.
https://doi.org/10.1007/S11356-021-17257-0/METRICS Kumar, M., Mahato, L. L., Suryavanshi, S.,
Singh, S. K., Kundu, A., Dutta, D., y Lal, D. (2024). Future prediction of
water balance using the SWAT and CA-Markov model using INMCM5 climate
projections: a case study of the Silwani watershed (Jharkhand), India. Environmental Science and Pollution
Research, 31(41), 54311–54324.
https://doi.org/10.1007/S11356-023-27547-4/METRICS Lahti, J. (2008). Modelling Urban Growth Using
Cellular Automata: A case study of Sydney.
https://api.semanticscholar.org/CorpusID:17843132 Li, D., Li, X., Liu, X. P., Chen, Y. M., Li, S.
Y., Liu, K., Qiao, J. G., Zheng, Y. Z., Zhang, Y. H., y Lao, C. H. (2012).
GPU-CA model for large-scale land-use change simulation. Chinese Science Bulletin, 57(19), 2442–2452.
https://doi.org/10.1007/S11434-012-5085-3/METRICS Li, G., Sun, S., y Fang, C. (2018). The varying
driving forces of urban expansion in China: Insights from a spatial-temporal
analysis. Landscape and Urban Planning,
174, 63–77. https://doi.org/10.1016/J.LANDURBPLAN.2018.03.004 Luo, M., Fa, L., Hao, D., Zhu, Q., Dashti, H., y
Chen, M. (2023). Uncertain Spatial Pattern of Future Land Use and Land Cover
Change and Its Impacts on Terrestrial Carbon Cycle Over the Arctic–Boreal
Region of North America. Earth’s
Future, 11. https://doi.org/10.1029/2023EF003648 Memarian, H., Balasundram, S., Talib, J., Teh,
C., Sood, A., y Mikayilov, F. (2012). Validation of CA-Markov for Simulation
of Land Use and Cover Change in the Langat Basin, Malaysia. Journal of Geographic Information System,
44, 542–554. https://doi.org/10.4236/jgis.2012.46059 Mitsova, D., Shuster, W., y Wang, X. (2011). A
cellular automata model of land cover change to integrate urban growth with
open space conservation. Landscape and
Urban Planning, 99(2), 141–153. https://doi.org/10.1016/J.LANDURBPLAN.2010.10.001 Moreira, R. M., Lana, M., Sieber, S., y
Malheiros, T. F. (2024). A landscape ecology approach: Modeling forest
fragmentation with artificial neural networks and cellular-automata
Markov-chain for improved environmental policy in the southwestern Brazilian Amazon.
Land Degradation and Development, 35(2),
687–704. https://doi.org/10.1002/LDR.4945 Omrani, H., Charif, O., Gerber, P., Bódis, K.,
Basse, R. M., Omrani, H., Charif, O., Gerber, P., Bódis, K., y Basse, R. M.
(2012). Simulation of land use changes using cellular automata and artificial
neural network. https://EconPapers.repec.org/RePEc:irs:cepswp:2012-01 Ouma, Y. O., Nkwae, B., Odirile, P., Moalafhi,
D. B., Anderson, G., Parida, B., y Qi, J. (2024). Land-Use Change Prediction
in Dam Catchment Using Logistic Regression-CA, ANN-CA and Random Forest
Regression and Implications for Sustainable Land–Water Nexus. Sustainability, 16(4). https://doi.org/10.3390/SU16041699 Pawe, C. K., y Saikia, A. (2024). Simulating
urban land use change trajectories in Guwahati city, India. International Journal of Environmental
Science and Technology, 21(4), 4385–4404. Pontius, Robert y Millones, Marco. (2011). Death
to Kappa: Birth of quantity disagreement and allocation disagreement for
accuracy assessment. International
Journal of Remote Sensing, 32, 4407-4429.
https://www.tandfonline.com/doi/full/10.1080/01431161.2011.552923 Qiang, Y., y Lam, N. S. N. (2015). Modeling land
use and land cover changes in a vulnerable coastal region using artificial
neural networks and cellular automata. Environmental
Monitoring and Assessment, 187(3), 1–16. https://doi.org/10.1007/S10661-015-4298-8/METRICS Raza, D., Khushi, M., SHU, H., Aslam, H.,
Saleem, M. S., Ahmad, A., Mirza, S., Saeed, U., y Khan, S. U. (2024). CA-ANN
based LULC prediction and influence assessment on LST-NDVI using
multi-temporal satellite images. Environmental
Earth Sciences, 83(5), 1–20. https://doi.org/10.1007/S12665-024-11467-8/METRICS Rienow, A., y Goetzke, R. (2015). Supporting
SLEUTH – Enhancing a cellular automaton with support vector machines for
urban growth modeling. Computers, Environment
and Urban Systems, 49, 66–81. https://doi.org/10.1016/J.COMPENVURBSYS.2014.05.001 Rimal, B., Zhang, L., Keshtkar, H., Haack, B.
N., Rijal, S., y Zhang, P. (2018). Land Use/Land Cover Dynamics and Modeling
of Urban Land Expansion by the Integration of Cellular Automata and Markov
Chain. ISPRS International Journal of
Geo-Information, 7. https://doi.org/10.3390/IJGI7040154 Rodríguez Eraso, N., Armenteras-Pascual, D., y Alumbreros,
J. R. (2013). Land use and land cover change in the Colombian Andes: dynamics
and future scenarios. Journal of Land
Use Science, 8(2), 154–174. https://doi.org/10.1080/1747423X.2011.650228 Rodríguez, J., Murcia, U. G., Castillo, N.,
Arias, J., Agudelo, W., Hernández, L., Romero, H., y Chavez, J. (2019). Análisis de los cambios de coberturas de
la tierra en el periodo 2018 al 2020 en la Amazonía colombiana. Instituto
SINCHI. https://n9.cl/it7lj Sajan, B., Mishra, V. N., Kanga, S., Meraj, G.,
Singh, S. K., y Kumar, P. (2022). Cellular Automata-Based Artificial Neural
Network Model for Assessing Past, Present, and Future Land Use/Land Cover
Dynamics. Agronomy, 12. https://doi.org/10.3390/AGRONOMY12112772 Shivappa Masalvad, S., Patil, C., Pravalika, A.,
Katageri, B., Bekal, P., Patil, P., Hegde, N., Sahoo, U. K., y Sakare, P. K.
(2023). Application of geospatial technology for the land use/land cover
change assessment and future change predictions using CA Markov chain model. Environment, Development and
Sustainability, 26(10), 24817–24842. https://doi.org/10.1007/S10668-023-03657-4/METRICS Silva, E. A. y Clarke, K. C. (2002). Calibration
of the SLEUTH urban growth model for Lisbon and Porto, Portugal. Computers, Environment and Urban Systems, 26(6),
525–552. https://doi.org/10.1016/S0198-9715(01)00014-X Thanekar, G. (2020). Land Use Land Cover Prediction Analysis. https://doi.org/10.13140/RG.2.2.13983.48802 Torres, L., Viana, C. M., y Rocha, J. (2023).
Hybrid modeling of deforestation impacts from infrastructure projects using
cellular automata and multi-agent systems. Applied Geography, 151, 102871.
https://doi.org/10.1016/j.apgeog.2023.102871 Trunfio, G. A. (2005). Enhancing Cellular
Automata by an Embedded Generalized Multi-layer Perceptron. Lecture Notes in
Computer Science (Including Subseries Lecture Notes in Artificial
Intelligence and Lecture Notes in Bioinformatics). https://doi.org/10.1007/11550822_54 UN Committee of Experts - GGIM. (2017). GGIM |
United Nations Committee of Experts on Global Geospatial Information
Management. https://ggim.un.org/ggim_20171012/ggim_committee.html Veldkamp, A. y Lambin, E. F. (2001). Predicting
land-use change. Ecosystems y
Environment, 85(1–3), 1–6. https://doi.org/10.1016/S0167-8809(01)00199-2 Wang, S., Liu, Y., Feng, Y., y Lei, Z. (2021).
To move or stay? A cellular automata model to predict urban growth in coastal
regions amidst rising sea levels. International
Journal of Digital Earth, 14(9),
1213–1235. https://doi.org/10.1080/17538947.2021.1946178 White, R. y
Engelen, G. (1997). Cellular Automata as the Basis of Integrated
Dynamic Regional Modelling. Sage
journals, 24(2), 235–246. https://doi.org/10.1068/B240235 Wu, X., Liu, X., Zhang, D., Zhang, J., He, J. y
Xu, X. (2022). Simulating mixed land-use change under multi-label concept by
integrating a convolutional neural network and cellular automata: a case
study of Huizhou, China. GIScience y
Remote Sensing, 59(1), 609–632. https://doi.org/10.1080/15481603.2022.2049493 Yang, J., Chen, F., Xi, J., Xie, P. y Li, C.
(2014a). A Multitarget Land Use Change Simulation Model Based on Cellular
Automata and Its Application. Abstract
and Applied Analysis. https://doi.org/10.1155/2014/375389 Yang, X., Zheng, X.-Q. y Chen, R. (2014b). A
local weights-based cellular automata approach to simulate urban land use
changes. International Journal of
Geographical Information Science, 28(11), 2344-2362. https://doi.org/10.1080/13658816.2014.922686 Yang, J., Su, J., Chen, F., Xie, P. y Ge, Q.
(2016). A Local Land Use Competition Cellular Automata Model and Its
Application. ISPRS International
Journal of Geo-Information, 5. https://doi.org/10.3390/IJGI5070106 Yao, Y., Liu, X., Li, X., Liu, P., Hong, Y.,
Zhang, Y., y Mai, K. (2017). Simulating urban land-use changes at a large
scale by integrating dynamic land parcel subdivision and vector-based
cellular automata. International
Journal of Geographical Information Science, 31(12), 2452–2479. https://doi.org/10.1080/13658816.2017.1360494 Yesserie, A. G. (2009). Spatio-temporal land
use/land cover changes analysis and monitoring in the Valencia Municipality,
Spain. 1 Magister en Ciencias de la Información y las Comunicaciones. Universidad Distrital Francisco José de Caldas, Bogotá (Colombia). Investigador Instituto Geográfico Agustín Codazzi (IGAC), sonia.garzon@igac.gov.co, ORCID: https://orcid.org/0000-0002-0057-2776, Google Scholar:https://scholar.google.com/citations?hl=es&user=pk_8W04AAAAJ 2 Magister en ingeniería de Sistemas de la Universidad Nacional de Colombia, Bogotá (Colombia). Investigador Instituto Geográfico Agustín Codazzi (IGAC), anibal.montero@igac.gov.co, ORCID: https://orcid.org/0009-0000-9469-6915, Google Scholar:https://scholar.google.es/citations?hl=es&user=PP7CT6IAAAAJ 3 Magister en Visual Analytics and Big Data.
Universidad internacional de la Rioja, La Rioja (España). Investigador
Instituto Geográfico Agustín Codazzi (IGAC), victoria.camacho@igac.gov.co,
ORCID: https://orcid.org/0000-0003-4239-8646, Google Scholar:
https://scholar.google.es/citations?hl=es&user=W4LSmNcAAAAJ Para citar
este artículo: Garzón Martínez, S. C., Montero Leguizamón, A. y
Camacho Ochoa, V. D. (2025). Revisión de literatura sobre técnicas
prospectivas del cambio de cobertura y uso del suelo. Revista Luna Azul, (60), 66-88. https://doi.org/10.17151/luaz.2025.60.5
Esta obra está bajo una Licencia de Creative
Commons Reconocimiento CC BY
Código QR del artículo  |
