Regresión Logística Geográficamente Ponderada para identificar los factores explicativos de la distribución de usos de suelo en escenarios futuros de crecimiento urbano

  1. Ramón Molinero-Parejo
  2. Francisco Aguilera-Benavente
  3. Montserrat Gómez-Delgado
Revista:
Boletín de la Asociación de Geógrafos Españoles

ISSN: 0212-9426,  2605-3322

Año de publicación: 2021

Número: 88

Tipo: Artículo

DOI: 10.21138/BAGE.3052 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Boletín de la Asociación de Geógrafos Españoles

Resumen

La expansión urbana es un proceso espacio-temporal que refleja los patrones de localización de la población y sus actividades, pudiendo provocar impactos irreversibles sobre el territorio. La construcción de narrativas y el posterior cartografiado de escenarios futuros se ha revelado como una estrategia de planificación que puede ayudar en la organización de los usos del suelo y el transporte. El Corredor del Henares (Madrid) se ha escogido como caso de estudio, representando la evolución espacial de cinco usos del suelo urbano en tres escenarios disruptivos para 2050. El presente trabajo tiene como objetivo determinar qué factores explicativos influyeron en la distribución espacial de los cinco usos que se proyectaron en un previo taller de cartografía colaborativa. De esta forma, se pretende obtener información más precisa acerca de los factores explicativos del cambio de uso en cada escenario, que posteriormente pudiera ser aplicable a nuevos modelos espaciales de simulación urbana. Así, dado el carácter ubicuo de los procesos de urbanización, se empleó Regresión Logística Geográficamente Ponderada al permitir un análisis espacial de las relaciones entre los factores explicativos que los modelos globales no permiten estudiar. Los resultados obtenidos mostraron coincidencias entre los factores más significativos del modelo y las narrativas de los escenarios.

Referencias bibliográficas

  • Akaike, H. (1973) Information Theory and an Extension of the Maximum Likelihood Principle. In B. N. Petrov & F. Csaki (Eds.), International Symposium on Information Theory (pp. 267-281). Akadémiai Kiadó.
  • Avin, U., & Goodspeed, R. (2020). Using Exploratory Scenarios in Planning Practice: A Spectrum of Approaches. Journal of the American Planning Association, 0(0), 1-14. https://doi.org/10.1080/01944363.2020.1746688
  • Barreira-González, P., Aguilera-Benavente, F., & Gómez-Delgado, M. (2017). Implementation and calibration of a new irregular cellular automata-based model for local urban growth simulation: The MUGICA model. Environment and Planning B: Urban Analytics and City Science, 46(2), 243–263. https://doi.org/10.1177/2399808317709280
  • Barreira-González, P., Gómez-Delgado, M., & Aguilera-Benavente, F. (2015). From raster to vector cellular automata models: A new approach to simulate urban growth with the help of graph theory. Computers, Environment and Urban Systems, 54, 119-131. https://doi.org/10.1016/j.compenvurbsys.2015.07.004
  • Bharath, H. A., Chandan, M. C., Vinay, S., & Ramachandra, T. V. (2018). Modelling urban dynamics in rapidly urbanising Indian cities. The Egyptian Journal of Remote Sensing and Space Science, 21(3), 201-210. https://doi.org/10.1016/j.ejrs.2017.08.002
  • Börjeson, L., Höjer, M., Dreborg, K. H., Ekvall, T., & Finnveden, G. (2006). Scenario types and techniques: Towards a user’s guide. Futures, 38(7), 723-739. https://doi.org/10.1016/j.futures.2005.12.002
  • Brunsdon, C., Fotheringham, A. S., & Charlton, M. E. (1996). Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity. Geographical Analysis, 28(4), 281-298.
  • Cantergiani, C., & Gómez Delgado, M. (2020). Simulación del crecimiento urbano con AMEBA: Modelo Basado en Agentes para la ocupación residencial. Boletín de la Asociación de Geógrafos Españoles, (86). https://doi.org/10.21138/bage.2910
  • Chen, J. (2007). Rapid urbanization in China: A real challenge to soil protection and food security. CATENA, 69(1), 1-15. https://doi.org/10.1016/j.catena.2006.04.019
  • Chotchaiwong, & Wijitkosum. (2019). Predicting Urban Expansion and Urban Land Use Changes in Nakhon Ratchasima City Using A CA-Markov Model under Two Different Scenarios. Land, 8(9), 140. https://doi.org/10.3390/land8090140
  • Clopper, C. J., & Pearson, E. S. (1934). The Use of Confidence or Fiducial Limits Illustrated in the Case of the Binomial. Biometrika, 26(4), 404. https://doi.org/10.2307/2331986
  • CRTM (2015). Plan Estratégico de Movilidad Sostenible de la Comunidad de Madrid 2013-2025. In Consorcio Regional de Transportes de Madrid. Retrieved from https://www.crtm.es/media/397998/pemscam_triptico.pdf
  • Dadashpoor, H., Azizi, P., & Moghadasi, M. (2019). Analyzing spatial patterns, driving forces and predicting future growth scenarios for supporting sustainable urban growth: Evidence from Tabriz metropolitan area, Iran. Sustainable Cities and Society, 47, 1–15. https://doi.org/10.1016/j.scs.2019.101502
  • Deal, B., Pan, H., Timm, S., & Pallathucheril, V. (2017). The role of multidirectional temporal analysis in scenario planning exercises and Planning Support Systems. Computers, Environment and Urban Systems, 64, 91–102. https://doi.org/10.1016/j.compenvurbsys.2017.01.004
  • Díaz-Pacheco, J., & Hewitt, R. (2013). Modelado de cambios de usos de suelo urbano a través de redes neuronales artificiales. Comparación con dos aplicaciones de software. GeoFocus, 14, 1-22. Retrieved from http://www.geofocus.org/index.php/geofocus/article/view/298
  • Duque, J. C., Velásquez, H., & Agudelo, J. (2011). Infraestructura pública y precios de vivienda : una aplicación de regresión geográficamente ponderada en el contexto de precios hedónicos. Ecos de ECONOMÍA, (33), 95–122.
  • Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically weighted regression. The analysis of spatially varying relationships. West Sussex: JOHN WILEY & SONS, LTD.
  • Gallardo Beltrán, M. (2014). Cambios de usos del suelo y simulación de escenarios en la Comunidad de Madrid. Universidad Complutense de Madrid.
  • Gao, J., & Li, S. (2011). Detecting spatially non-stationary and scale-dependent relationships between urban landscape fragmentation and related factors using Geographically Weighted Regression. Applied Geography, 31(1), 292–302. https://doi.org/10.1016/j.apgeog.2010.06.003
  • García Rodríguez, M. P., & Pérez González, M. E. (2014). Análisis multitemporal del urbanismo expansivo en el corredor del Henares. Aportación de las imágenes de satélite. Estudios Geograficos, 75(277), 597-618. https://doi.org/10.3989/estgeogr.201419
  • Gollini, I., Lu, B., Charlton, M., Brunsdon, C., & Harris, P. (2015). GWmodel : an R package for exploring spatial heterogeneity. Journal of Statistical Software, 63(17), 1–50. https://doi.org/10.1080/10095020.2014.917453
  • Guanglong, D., Erqi, X., & Hongqi, Z. (2017). Urban Expansion and Spatiotemporal Relationships with Driving Factors Revealed by Geographically Weighted Logistic Regression. Journal of Resources and Ecology, 8(3), 277-286. https://doi.org/10.5814/j.issn.1674-764x.2017.03.008
  • Gutierrez-Puebla, J., García-Palomares, J. C., & Daniel-Cardozo, O. (2012). Regresión Geográficamente Ponderada (GWR) y estimación de la demanda de las estaciones del Metro de Madrid. In XV Congreso Nacional de Tecnologías de La Información Geográfica (pp. 1-13). Retrieved from http://www.age-geografia.es/tig/2012_Madrid/ponencia2/GutierrezPuebla_final_par.pdf
  • Hamdy, O., Zhao, S., Osman, T., Salheen, M., & Eid, Y. (2016). Applying a Hybrid Model of Markov Chain and Logistic Regression to Identify Future Urban Sprawl in Abouelreesh, Aswan: A Case Study. Geosciences, 6(4), 43. https://doi.org/10.3390/geosciences6040043
  • Hou, H., Wang, R., & Murayama, Y. (2019). Scenario-based modelling for urban sustainability focusing on changes in cropland under rapid urbanization: A case study of Hangzhou from 1990 to 2035. Science of The Total Environment, 661, 422–431. https://doi.org/10.1016/j.scitotenv.2019.01.208
  • Hu, Z., & Lo, C. P. (2007). Modeling urban growth in Atlanta using logistic regression. Computers, Environment and Urban Systems, 31(6), 667–688. https://doi.org/10.1016/j.compenvurbsys.2006.11.001
  • Hurvich, C. M., & Tsai, C. L. (1989). Regression and time series model selection in small samples. Biometrika, 76(2), 297–307. https://doi.org/10.1093/biomet/76.2.297
  • Jokar Arsanjani, J., Helbich, M., Kainz, W., & Darvishi Boloorani, A. (2013). Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion. International Journal of Applied Earth Observation and Geoinformation, 21, 265–275. https://doi.org/10.1016/j.jag.2011.12.014
  • Li, C., Li, J., & Wu, J. (2018). What drives urban growth in China? A multi-scale comparative analysis. Applied Geography, 98(June), 43-51. https://doi.org/10.1016/j.apgeog.2018.07.002
  • Liao, J., Tang, L., Shao, G., Su, X., Chen, D., & Xu, T. (2016). Incorporation of extended neighborhood mechanisms and its impact on urban land-use cellular automata simulations. Environmental Modelling and Software, 75, 163–175. https://doi.org/10.1016/j.envsoft.2015.10.014
  • Luo, J., & Wei, Y. H. D. (2009). Modeling spatial variations of urban growth patterns in Chinese cities: The case of Nanjing. Landscape and Urban Planning, 91(2), 51–64. https://doi.org/10.1016/j.landurbplan.2008.11.010
  • Mas, J.-F., Soares Filho, B., Pontius, R., Farfán Gutiérrez, M., & Rodrigues, H. (2013). A Suite of Tools for ROC Analysis of Spatial Models. ISPRS International Journal of Geo-Information, 2(3), 869-887. https://doi.org/10.3390/ijgi2030869
  • Matthews, S. A., & Yang, T.-C. (2012). Mapping the results of local statistics. Demographic Research, 26, 151-166. https://doi.org/10.4054/demres.2012.26.6
  • Mirbagheri, B., & Alimohammadi, A. (2017). Improving urban cellular automata performance by integrating global and geographically weighted logistic regression models. Transactions in GIS, 21(6), 1280-1297. https://doi.org/10.1111/tgis.12278
  • Molinero-Parejo, R., Aguilera-Benavente, F. Gómez-Delgado, M., & Soria-Lara, J. A. (2021). Mapping disruptive long-term scenarios using a participatory approach. Journal of Maps (In press).
  • Mondal, B., Das, D. N., & Dolui, G. (2015). Modeling spatial variation of explanatory factors of urban expansion of Kolkata: a geographically weighted regression approach. Modeling Earth Systems and Environment, 1(4), 29. https://doi.org/10.1007/s40808-015-0026-1
  • Nkeki, F. N., & Asikhia, M. O. (2019). Geographically weighted logistic regression approach to explore the spatial variability in travel behaviour and built environment interactions: Accounting simultaneously for demographic and socioeconomic characteristics. Applied Geography, 108, 47-63. https://doi.org/10.1016/j.apgeog.2019.05.008
  • Olazabal, E., & Bellet, C. (2019). De la ciudad compacta a la ciudad extensa. Procesos de urbanización recientes en áreas urbanas españolas articuladas por ciudades medias. Anales de Geografía de La Universidad Complutense, 39(1), 149-175. https://doi.org/http://dx.doi.org/10.5209/AGUC.64681
  • Pascual Rosa, V., Aguilera-Benavente, F., & Salado García, M. J. (2019). Clasificación y análisis de los procesos de cambio en la forma urbana de las áreas metropolitanas españolas: aplicación de métricas espaciales. Estudios Geográficos, 80(286), e006. https://doi.org/10.3989/estgeogr.201926.006
  • Perveen, S., Kamruzzaman, M., & Yigitcanlar, T. (2017). Developing policy scenarios for sustainable urban growth management: A Delphi approach. Sustainability (Switzerland), 9(10). https://doi.org/10.3390/su9101787
  • Pineda Jaimes, N. B., Bosque Sendra, J., Gómez Delgado, M., & Franco Plata, R. (2010). Exploring the driving forces behind deforestation in the state of Mexico (Mexico) using geographically weighted regression. Applied Geography, 30(4), 576–591. https://doi.org/10.1016/j.apgeog.2010.05.004
  • Plata Rocha, W., Bosque Sendra, J., & Gómez Delgado, M. (2011). Análisis de factores explicativos del crecimiento urbano en la Comunidad de Madrid a través de métodos estadísticos y SIG. Geografía y Sistemas de Información Geográfica (GEOSIG), 3(I), 201–230.
  • Plata Rocha, W., Gómez-Delgado, M., & Bosque-Sendra, J. (2011). Simulating urban growth scenarios using GIS and multicriteria analysis techniques: A case study of the Madrid region, Spain. Environment and Planning B: Planning and Design, 38(6), 1012-1031. https://doi.org/10.1068/b37061
  • Radinsky, J., Milz, D., Zellner, M., Pudlock, K., Witek, C., Hoch, C., & Lyons, L. (2017). How planners and stakeholders learn with visualization tools: using learning sciences methods to examine planning processes. Journal of Environmental Planning and Management, 60(7), 1296-1323. https://doi.org/10.1080/09640568.2016.1221795
  • Rodrigues, M., de la Riva, J., & Fotheringham, S. (2014). Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression. Applied Geography, 48, 52-63. https://doi.org/10.1016/j.apgeog.2014.01.011
  • Shafizadeh-Moghadam, H. (2019). Improving spatial accuracy of urban growth simulation models using ensemble forecasting approaches. Computers, Environment and Urban Systems, 76, 91–100. https://doi.org/10.1016/j.compenvurbsys.2019.04.005
  • Shafizadeh-Moghadam, H., & Helbich, M. (2015). Spatiotemporal variability of urban growth factors: A global and local perspective on the megacity of Mumbai. International Journal of Applied Earth Observation and Geoinformation, 35, 187–198. https://doi.org/10.1016/j.jag.2014.08.013
  • Soria-Lara, J. A., Ariza-Álvarez, A., Aguilera-Benavente, F., Cascajo, R., Arce-Ruiz, R. M., López, C., & Gómez-Delgado, M. (2021). Participatory visioning for building disruptive future scenarios for transport and land use planning. Journal of Transport Geography, 90. https://doi.org/10.1016/j.jtrangeo.2020.102907
  • Ustaoglu, E., Williams, B., & Petrov, L. O. (2017). Scenario analysis of alternative land development patterns for the Leipzig-Halle region: Implications for transport-land-use sustainability. Urban Planning, 2(1), 108–129. https://doi.org/10.17645/up.v2i1.838
  • van der Heijden, K. (2000). Scenarios and Forecasting. Technological Forecasting and Social Change, 65(1), 31-36. https://doi.org/10.1016/S0040-1625(99)00121-3
  • Wheeler, D., & Tiefelsdorf, M. (2005). Multicollinearity and correlation among local regression coefficients in geographically weighted regression. Journal of Geographical Systems, 7(2), 161-187. https://doi.org/10.1007/s10109-005-0155-6
  • Zapata, M. A., & Kaza, N. (2015). Radical uncertainty: scenario planning for futures. Environment and Planning B: Planning and Design, 42(4), 754-770. https://doi.org/10.1068/b39059
Fuente de los datos: Dialnet