EVALUACIÓN DE LOS CAMBIOS EN EL USO Y

COBERTURA DEL SUELO EN UNA CIUDAD EN

DESARROLLO BASADO EN IMÁGENES SATELITALES

Viviana N. Fernández Maldonado

Departamento de Biología, Facultad de Ciencias Exactas, Físicas y Naturales, UNSJ
[email protected].
Gabriel Gatica
UEDD Instituto de Innovación para la Producción Agropecuaria y el Desarrollo Sostenible,
INTA-CONICET, sede Tandil. Argentina.
[email protected]
Adriana Cardus
Instituto de Geografía Aplicada, Facultad de Filosofía Humanidades y Artes, UNSJ.
[email protected]
Valeria E. Campos
CIGEOBIO, UNSJ CONICET, UNSJ - CUIM.
[email protected]

[ FECHA ENTREGA. 05/05/2023 - FECHA APROBADO 30/06/2023 ]

1. RESUMEN
El proceso de expansión urbana ocurre cuando el nas edificadas que, a su vez, produjeron la expansión
centro de una ciudad alcanza un punto de saturación y de las áreas rurales hacia las desérticas, con una dismi-
las áreas periféricas son invadidas. Esto trae consecuen- nución en el agua superficial. Esto produjo persistencia
cias en el medio ambiente y la sociedad. Planteamos: de sequías extremas, degradación del suelo por erosión
-Identificar las clases de uso y cobertura del suelo (LULC, eólica, incendios forestales y disminución del nivel freá-
por sus siglas en inglés) en el centro metropolitano de tico. Es esencial examinar y cuantificar el impacto de los
la ciudad de San Juan y sus alrededores, -Estimar los cambios de LULC en la erosión del suelo, los procesos
cambios y expansión del área durante el periodo 1987- hidrológicos y el cambio climático, especialmente en zo-
2021. Los resultados mostraron mapas con una alta pre- nas desérticas.
cisión general para todos los años. Además, un cambio Palabra clave: TEMPORADA NIVAL 2020 - MEGA-
importante en el uso fue la expansión radial de las zo- SEQUIA – CHILE CENTRAL Y CUYO.

2. ABSTRACT
The urban sprawl process occurs when the urban produced the expansion of rural areas towards desert
center reaches a saturation point and peripheral areas areas, with a decrease in surface water. This produced
are invaded. This has consequences for the environment persistence of extreme droughts, soil degradation due
and society. We propose: -Identify the land use and co- to wind erosion, forest fires, and a decrease in the water
ver classes (LULC) in the metropolitan center of the city table. It is essential to examine and quantify the impact
of San Juan and its surroundings, -Estimate the changes of LULC changes on soil erosion, hydrological processes
and expansion of the area during the period 1987-2021. and climate change, especially in desert areas.
The results showed maps with a high overall precision Keywords: landscape; spatial patterns; remote sen-
for all years. In addition, an important change in use sing; urban expansion; socio-territorial transformations
was the radial expansion of urban areas, which, in turn, spatial; territorial planning

3. INTRODUCCIÓN
El proceso de expansión urbana ocurre cuando el áreas periféricas dentro y alrededor del núcleo metro-
centro de una ciudad alcanza un punto de saturación politano son invadidas. Esto resulta en un crecimiento
donde no hay espacio para una mayor expansión, las aleatorio e incontrolado en la periferia de las ciudades.

pág. 4
Revista de Geografía • Número 26 • Año 2023 • ISSN 1514-1942 • San Juan - Argentina

(Inostroza y Csaplovics 2013). Algunos estudios infor- áreas cultivadas y la pérdida de sistemas naturales, son
maron en diferentes partes del mundo que la expansión muy importantes para los tomadores de decisiones.
de estos centros resulta en la ocupación del paisaje cir- Mapear el crecimiento de las ciudades por métodos
cundante, como las tierras agrícolas (Ayele y Tarekegn tradicionales es un proceso costoso y lento. Este pro-
2020, Ustaoglu y Williams 2017), áreas naturales como blema se ha resuelto con datos de teledetección y la
pastizales, bosques y matorrales (Banzhaf et al. 2009, aplicación de tecnologías de sistemas de información
Mundia y Murayama 2010). Este proceso está ocurrien- geográfica (SIG). Con su capacidad para proporcionar
do actualmente tanto en países desarrollados como en vistas sinópticas oportunas de la cobertura del suelo,
desarrollo con efectos significativos en el medio ambien- este es un medio alternativo para evaluar rápidamente
te y la sociedad (Mitarn et al. 2018). De hecho, Cohen la dinámica y el desarrollo de la expansión urbana (Ha-
(2006) en 2006 ya reveló que la mayor parte del au- regeweyn et al. 2012). Además, estas nuevas técnicas
mento de la población urbana tendría lugar en países y bases de datos han permitido un análisis mucho más
emergentes con ciudades y pueblos de menos de medio preciso de dicho proceso y el diseño de nuevos indica-
millón de habitantes. Sin embargo, la capacidad de los dores con un enfoque empírico más preciso (Mundia y
gobiernos locales de dichos países es limitada para ha- Murayama 2010). En general, existen varios métodos de
cer frente a las consecuencias ambientales y sociales de clasificación LULC basados en imágenes satelitales (ver
la rápida expansión urbana. América del Norte en 2018, Li et al., 2014; Lu y Weng 2007). La clasificación su-
contaba con el 82% de su población viviendo en áreas pervisada es principalmente una clasificación guiada por
metropolitanas, América Latina y el Caribe con el 81%. humanos, en la que el software reconoce datos no clasi-
(United Nations 2018). Además, para 2050, se espera ficados mediante el uso de características aprendidas de
que la población mundial que vive en ciudades aumente las muestras de entrenamiento de los diferentes tipos
del 55% al 68% y que la población mundial alcance de cobertura del suelo (Ge et al. 2020). Los algoritmos
los 8.500 millones en 2030, 9.700 millones en 2050 y en los que se basa la clasificación supervisada son diver-
10.900 millones en 2100 (United Nations 2018, 2019). sos. Los clasificadores paramétricos asumen que existe
Los mapas de uso y cobertura del suelo (LULC, por un conjunto de datos normalmente distribuido, pero
sus siglas en inglés) nos brindan datos importantes para esta suposición a menudo se viola, especialmente en
modelar la expansión de los centros urbanos, la gestión paisajes complejos. Por el contrario, los clasificadores no
de recursos y los patrones de cambio en los sistemas paramétricos, como los algoritmos de aprendizaje auto-
humanos y ambientales. El cambio en LULC puede te- mático, no requieren que el conjunto de datos cumpla
ner influencias tanto positivas como negativas. Es decir, con el supuesto de una distribución normal. Además,
pueden producir beneficios en relación con el crecimien- proporcionan mejores resultados de clasificación en
to económico y social, así como impactos adversos tanto paisajes complejos y especialmente con muchas varia-
a escala global como local. Un impacto adverso de estos bles predictoras (Maxwell et al. 2018). El algoritmo de
procesos de expansión son que produce problemas am- clasificación no paramétrica más utilizado es el método
bientales, erosión del suelo, escasez de recursos (Mitarn de bosques aleatorios porque es robusto para la con-
et al. 2018; Wu, 2008). Varios estudios informaron que figuración de parámetros (Maxwell et al. 2018). Se ha
el crecimiento del espacio edificado tiene un impacto demostrado que cuando los datos de la imagen tienen
en el medio ambiente, los ecosistemas y, como conse- una distribución anómala, el Bosque Aleatorio realiza
cuencia, en las sociedades, especialmente en los países una mejor clasificación, siendo uno de los puntos críti-
en desarrollo (Rubiera-Morollón y Garrido-Yserte 2020, cos para LULC con teledetección (Lu y Weng 2007).
Wilson y Chakraborty 2013). Además, puede amena- Con base en lo anterior, proponemos evaluar los
zar áreas naturales, seminaturales y protegidas al cau- cambios espacio-temporales de las clases de uso y co-
sar fragmentación del hábitat y aumentar el número de bertura del suelo (LULC) utilizando la clasificación super-
parches debido al desarrollo de actividades económicas visada de series de datos satelitales Landsat en un pai-
y antropogénicas (Sobhani et al. 2021). Finalmente, el saje desértico urbano complejo, tomando como estudio
proceso de urbanización también puede afectar la pér- de caso un área urbana en desarrollo como la ciudad de
dida de tierras agrícolas productivas, debido al aumento San Juan - Argentina. Se abordaron los siguientes objeti-
del área de las ciudades y la población, ejerciendo pre- vos: 1) identificar las clases actuales y anteriores de LULC
sión sobre las tierras agrícolas disponibles y generando en el centro metropolitano de la ciudad de San Juan y
problemas económicos (Radwan et al. 2019). Por lo tan- sus alrededores y 2) estimar los cambios y expansión de
to, el conocimiento y la detección de LULC es esencial, LULC en el área de estudio en el período comprendido
no solo para evaluar el estado actual de un área, sino entre 1987 y 2021. La hipótesis principal es que el área
también para garantizar la sostenibilidad de los recursos de estudio enfrenta cambios dinámicos debido a la ex-
disponibles o para planificar los desafíos futuros rela- pansión urbana sobre tierras cultivadas y, en consecuen-
cionados con los problemas ambientales (Hasan et al. cia, las tierras cultivadas se expanden sobre el paisaje
2020, Kabisch et al. 2019). La obtención de información desértico.
rápida, como la extensión del zonas metropolitanas, las

pág. 5
 Viviana N. Fernández M. - G. Gatica - A. Cardus - Valeria E. Campos| EVALUACIÓN DE LOS CAMBIOS EN EL USO Y COBERTURA ... P P. 4-14

4. DATOS Y METODOS
Área de estudio ciudad de San Juan y sus alrededores con una superfi-
La provincia de San Juan (Argentina) pertenece a cie aproximada de 1,625 km2 (Figura 1). Alrededor del
la Diagonal árida sudamericana y tiene dos ambientes 73% de la población de este oasis se concentra en las
distintos: oasis y tierras secas, definidos por condiciones zonas urbanas, mientras que el resto de la población se
áridas y modelo de desarrollo urbano (Márquez, 2005). encuentra en las zonas rurales circundantes. Durante las
Los asentamientos humanos y sus principales activida- últimas décadas, el Gran San Juan ha experimentado un
des económicas se concentran en los oasis irrigados. El notable crecimiento urbano orientado al oeste (Kurban
más importante, debido a la disponibilidad de suelo y et al. 2017), con una población de 696.076 habitantes
agua, es el Valle de Tulum, que se emplaza en la de- en 2010, 789.489 en 2021 y un aumento proyectado de
presión tectónica homónima. Nuestra área de estudio 926.479 para 2040. (https://www.indec.gob.ar/).
está ubicado en el sector centro-suroeste de la provin- El clima es principalmente árido (Poblete, 2007) con
cia de San Juan e incluye el centro metropolitano de la una temperatura promedio de 10,98 °C en los meses
más fríos (es decir, de mayo a agosto) y un promedio
de 27,52 °C en los meses más cálidos (es decir, de no-
viembre a febrero). Siendo -5,9 ° C la temperatura más
baja (junio de 2021) y 45,30 ° C la temperatura más
alta (diciembre de 2020) registrada durante un período
de 8 años (2014-2022) y una precipitación promedio de
500mm registrada durante un período de 8 años (2014-
2022; http://siga.inta.gov.ar/#/).

Procesamiento de imágenes
Para analizar la dinámica de los cambios en LULC,
se aplicaron las siguientes técnicas: 1) clasificación su-
pervisada de la cobertura del suelo; 2) evaluación de la
precisión; 3) detección de cambios en LULC y expansión
urbana (Figura 2).
Clasificación de la cobertura del suelo
Para la clasificación supervisada de la cobertura del
suelo, se trabajó con imágenes Landsat pre-procesadas
disponibles a través de Google Earth Engine (GEE) del
área de estudio. Esta ofrece una plataforma que per-
mite un análisis rápido que utiliza la infraestructura in-
formática de Google y proporciona acceso en línea a
los datos de Landsat archivados como una colección de
USGS (https://earthengine.google.com/). Se eligió una
imagen para cada año (1987, 1999, 2009 y 2021) en la
estación húmeda (enero a marzo) con menos del 1% de
nubosidad (Tabla 1). Se creó una composición RGB en la
plataforma y se calcularon diferentes índices para guiar
la fase de muestreo de las clases de uso y cobertura del
suelo (Figura 2).

Tabla 1: Datos de teledetección utilizados en el estudio para mapas

Figura 1: El área de estudio se encuentra en el sector centro-suroeste LULC.
de la provincia de San Juan e incluye el centro metropolitano de la Fuente: Todas las imágenes tienen una resolución espacial de 30 m
ciudad de San Juan y sus alrededores. con path/row 232/82.

pág. 6
Revista de Geografía • Número 26 • Año 2023 • ISSN 1514-1942 • San Juan - Argentina

Se determinaron las siguientes clases: 1) Agua: El índice se define de la siguiente manera (Ecuación 4):
comprende ríos, lagos y reservorios de agua agrícolas, NDWI = (banda NIR – banda SWIR 1) / (banda SWIR
2) Rural: incluye áreas cultivadas, tierras para cultivo y 1+ banda NIR) (Ecuación 4)
cultivos abandonados, 3) Desierto: con tierras desnudas
y vegetación natural, 4) Urbano: corresponde a superfi- Donde la banda 2 es el valor de reflectancia de la
cies impermeables (asfalto, estacionamientos, carreteras banda verde de Landsat 5 TM y la banda 4 es el valor de
casas y edificios) y espacios verdes de regadío. Los polí- reflectancia de la banda NIR y para Landsat 8 OLI usa la
gonos puros de los cuatro tipos de cobertura del suelo banda 5 (NIR) y la banda 6 (SWIR 1 infrarrojos de onda
se recolectaron a través de la interpretación visual de las corta).
composiciones RGB y la superposición de los polígonos e) La transformación Tasseled Cap (Crist y Cicone
con el mapa base de alta resolución de Google Earth 1984) da como resultado nuevas bandas al combinar
(Goldblatt et al. 2016). Se delinearon más de 600 po- las bandas originales de la imagen, con el fin de realzar
lígonos de referencia para cada período de estudio (al algunas características de interés. El primer índice Tas-
menos 145 polígonos por clase). Las muestras se dividie- seled Cap (Índices de Brillantes, BI) (Crist y Kauth 1986)
ron en un conjunto de datos de entrenamiento (70%), proporciona información sobre la reflectividad particu-
que se utilizó para la clasificación LULC, mientras que el larmente generada por el suelo. Este BI se obtuvo utili-
resto de los datos (30%) se usó para la evaluación de la zando la siguiente ecuación (Ecuación 5):
precisión de los mapas de cobertura del suelo (Figura 2). BI = (0.3029 x banda Roja) + (0.2786 x banda Azul)
Además se calcularon los siguientes índices: + (0.4733 x banda Verde) + (0.5599 x banda NIR) +
a) El NDVI (Índice de Vegetación de Diferencia Nor- (0.5080 x banda SWIR1) + (0.1872 x banda SWIR2)
malizada; Townshend y Justice 1986) es un buen esti- (Ecuación 5).
mador de vegetación verde y vigorosa. Este índice se
obtuvo utilizando la siguiente ecuación (Ecuación 1): Donde NIR es la banda de infrarrojo cercano, SWIR1
NDVI = (banda NIR– banda Roja) / (banda NIR + y SWIR2 son infrarrojos de onda corta. Para Landsat 5
banda Roja) (Ecuación 1) TM se utilizaron: banda 1 (Azul), banda 2 (Verde), ban-
da 3 (Rojo), banda 4 (NIR), banda 5 (SWIR1) y banda 7
Donde NIR es la banda de infrarrojo cercano. Para (SWIR2). Para Landsat 8 OLI se utilizaron: banda 2 (Azul),
Landsat 5 TM se utilizó la banda 4 (NIR) y la banda 3 banda 3 (Verde), banda 4 (Rojo), banda 5 (NIR), banda
(Roja); y para Landsat 8 OLI se utilizó la banda 5 (NIR) y 6 (SWIR1) y banda 7 (SWIR2). Los valores del índice BI
la banda 4 (Roja). NDVI se utiliza para indicar el espacio aumentan con un alto porcentaje de suelo desnudo.
verde de un área. El valor de NDVI varía de -1 a +1. Va- El mapeo de LULC se realizó utilizando el algoritmo
lores cercanos a +1 indican alta cobertura vegetal. de clasificación Bosques Aleatorios (RF por sus siglas en
b) El NDBI (Índice de Diferencia Normalizada Edi- inglés), cuya precisión y rendimiento en la clasificación
ficada) es un indicador de áreas edificadas (Zha et al. de la cobertura terrestre han sido descritos por muchos
2003) y se obtuvo utilizando la siguiente ecuación investigadores (ver revisión Becker et al., 2021). Este al-
(Ecuación 2): goritmo utiliza la agregación de arranque para generar
NDBI = (banda MIR– banda NIR) / (banda MIR + un conjunto de clasificación, donde cada árbol se entre-
banda NIR) (Ecuación 2) na en un subconjunto de los datos de entrenamiento
(Breiman 2001). El RF requiere que se identifiquen dos
Donde MIR es la banda del infrarrojo medio y NIR parámetros: el número de árboles de clasificación de-
es la banda del infrarrojo cercano. Para Landsat 5 TM seados y el número de variables de predicción utilizadas
se utilizó la banda 7 (MIR o SWIR2) y la banda 4 (NIR); y en cada nodo para hacer crecer el árbol (Talukdar et al.
para Landsat 8 OLI se utilizó la banda 7 (MIR o SWIR2) 2020). Se creó un conjunto de 20 árboles utilizando los
y la banda 5 (NIR). El valor de NDBI varía de -1 a +1. datos de entrenamiento.
Valores cercanos a 1 indican alta densidad de áreas edi-
ficadas. Evaluación de la precisión de la clasificación
c) El BU (Índice de construcción) es un indicador de Los mapas de clasificación de la cubierta terrestre
áreas de conglomerados edificados, cobertura verde li- producidos se validaron utilizando el 30% de los po-
mitada y áreas no urbanizadas (Lu et al. 2014) y se obtu- lígonos de prueba. La matriz de confusión se calculó
vo utilizando la siguiente ecuación (Ecuación 3): para evaluar la fidelidad de los resultados, utilizando las
BU = NDBI – NDVI (Ecuación 3) precisiones del usuario (UA), del productor (PA), general
(OA) y el coeficiente Kappa (K) (Tabla 2). La PA se utiliza
Dado que el BU se calcula por la diferencia entre para estimar el error de omisión a una clase dada y es la
NDVI y NDBI, los valores obtenidos son indicativos del probabilidad de que un sitio de referencia se clasifique
equilibrio entre estos índices. correctamente (Congalton, 1991). La UA se utiliza para
d) El NDWI (Índice de Agua de Diferencia Norma- estimar el error de comisión y es la probabilidad de que
lizada), es un indicador que se utiliza para delimitar y un píxel clasificado en la imagen signifique la clase real
monitorear cuerpos de agua en la superficie terrestre en el campo. La OA es el porcentaje de píxeles que se
(Gao 1996). El rango de valores de NDWI es de -1 a 1. han clasificado correctamente en el conjunto de datos

pág. 7
 Viviana N. Fernández M. - G. Gatica - A. Cardus - Valeria E. Campos| EVALUACIÓN DE LOS CAMBIOS EN EL USO Y COBERTURA ... P P. 4-14

de validación (Ge et al. 2020). para calcular la proporción de cambios en LULC, mien-
tras que TC se usa para reflejar la tasa de crecimiento
Detección de cambio LULC y expansión urbana de las áreas urbanas durante los períodos de estudio.
El análisis de detección de cambios designa las dife- Los valores porcentuales positivos sugieren un aumento,
rencias entre imágenes de la misma escena en diferentes mientras que los valores negativos implican una dismi-
momentos. La tasa y el cambio porcentual se calcularon nución en la cobertura del área.
para cada LULC siguiendo la fórmula dada por Gashaw Para calcular la tasa de expansión urbana (TEU)
et al. (2014) (Ecuación 5, 6). para los períodos 1987-1999, 1999-2009 y 2009-2021
Porcentaje de cambio (PC) = [(Af -Ai) / Ai)] x 100 se utilizó la Ecuación 7 (Fenta et al. 2017):
(Ecuación 5). Tasa de Expansión Urbana (TEU) = [(ACf - ACi) / n x
Tasa de cambio (TC ha year-1) = (Af - Ai) / T ACi)] x 100 (Ecuación 7)
(Ecuación 6)
Donde, Ai y Af representan el área de cada tipo de Donde ACi y ACf son el área construida (en ha) en
cobertura del suelo (ha) al inicio y al final del período el momento inicial y final del período de monitoreo, res-
de monitoreo, respectivamente. Y T es el intervalo de pectivamente, y n es el intervalo de tiempo entre ACf y
tiempo entre Af y Ai en años. El indicador PC se usa ACf (en años).

Figura 2: Flujo de trabajo de la metodología. La línea punteada (---) muestra el resultado final del proceso.

5. DESARROLLO Y DISCUSIÓN
La clasificación supervisada de bosque aleatorio tura y para la clasificación general fue superior al 80%
se aplicó para generar los mapas LULC en 1987, 1999, (Tabla 2), excepto la PA para la clase urbana de 1987 y
2009 y 2021 (Figura 3), dando muy buenos resultados. 1999, con un 35,81%. Este bajo porcentaje se debió
La medición de la precisión para cada clase de cober- principalmente a la confusión entre píxeles de clase ur-

pág. 8
Revista de Geografía • Número 26 • Año 2023 • ISSN 1514-1942 • San Juan - Argentina

bana y desértica, debido a sus características espectrales

similares (Weng, 2012). Sin embargo, la UA dio valores
superiores al 80%. El coeficiente Kappa obtenido para
las clasificaciones fue superior al 85%, valor que puede
considerarse alto (Tabla 2; Stehman 1997). Lo cual indi-
ca una alta precisión entre el mapa de clasificación y la
información de referencia terrestre (Stehman 1997). La
OA para todos los años fue superior al 92%, es decir,
el 92% de los píxeles evaluados se clasificaron correc-
tamente. Asimismo, con base en los resultados obteni-
dos en la clasificación, un cambio importante en el uso
del suelo en el área de estudio fue la expansión urbana
en suelos agrícolas. Como consecuencia de la expan-
sión urbana, se pudo observar un desplazamiento de las
fronteras agrícolas hacia zonas desérticas, especialmen-
te durante el período 2009-2021.
Tabla 2: Medida de precisión para cada clase de cobertura y para la
clasificación general. UA: Precisión del Usuario; PA: Precisión del Pro-
ductor; OA: Precisión general, K: Coeficiente Kappa.

Figura 3: Cuatro mapas temáticos de cobertura terrestre del centro metropolitano de la ciudad de San Juan y sus alrededores para
1987, 1999, 2009 (con Landsat 5) y 2021 (con Landsat 8).

Cambio LULC y expansión urbana durante 1987 – 2021 total del área ocupada por esta zona (7.849 ha) desde
Pudimos detectar una expansión del uso del sue- el año 1987 hasta 2021(Tabla 4). La TEU para los tres
lo urbano sobre el agrícola, especialmente de 1999 a períodos (1987 – 1999, 1999 – 2009 y 2009 – 2021)
2021, con un porcentaje de cambio de 18% (1987- mostró que el área urbana aumentó en 1,5% (58 ha/
1999), 51% (1999-2009) y 70% (2009-2021) (Tabla año), 5,5% (230 ha año−1) y 5,9% (404 ha año−1),
3). La expansión del Gran San Juan se puede ver en la respectivamente; con un aumento total del 6% (231 ha/
Figura 4. Presenta un modelo de estructura monocén- año) para todo el período de estudio (Tabla 4).
trica que irradia hacia el área circundante. La superfi- Del mismo modo, el área rural aumentó sus por-
cie total cubierta por el espacio urbanizado se estimó centajes de cambio en un 13%, 11% y 14% en el
en 3.842 ha en 1987 y aumentó a 11.691 ha en 2021 mismo período (Tabla 3). Su expansión fue acompaña-
(Tabla 4 y Figura 4). Esto se traduce en una expansión da por una reducción general en el área desértica de

pág. 9
 Viviana N. Fernández M. - G. Gatica - A. Cardus - Valeria E. Campos| EVALUACIÓN DE LOS CAMBIOS EN EL USO Y COBERTURA ... P P. 4-14

17.029,08 ha de 1987 a 2021. El cambio porcentual sedimentación en los embalses podrían acortar la vida
fue de alrededor de -3% en general (Tabla 3). Finalmen- útil de las centrales hidroeléctricas, como es el caso de
te, el área ocupada por el agua presentó fluctuaciones, Etiopía (Woldesenbet et al. 2017).
ya que primero disminuyó en el período 1987-1999 Por otro lado, aunque la extensión espacial de las
(12.663 ha), luego aumentó en 1999-2009 (3.857 ha), zonas urbanas es pequeña en comparación con las otras
y al final disminuyó en el período 2009-2021 (4.614 clases de cobertura del suelo, estas áreas pueden cam-
ha; Tabla 3). En otras palabras, en general el área ocu- biar el medio ambiente de manera desproporcionada en
pada por agua disminuyó con una tasa de cambio de comparación con otras clases de uso del suelo. Nuestros
1987 a 2021 de -394,74 ha/año, lo que representa el resultados muestran la conversión de tierras de cultivo,
88% del porcentaje de cambio (Tabla 3). Índices como bosques y matorrales a zonas metropolitanas. Proba-
el SPEI (Standard Precipitation Evapotranspiration Index) blemente esto se deba la demanda de vivienda tanto
que monitoriza las sequías a lo largo del tiempo, han de los habitantes urbanos como de los migrantes de las
detectado valores que oscilan entre 0,87 (año 2000) y zonas rurales. Como consecuencia hay una reducción
-1,56 (año 2021). Es decir, a medida que pasan los años, de la cantidad de tierra disponibles para la producción
los valores se acercan cada vez más a 0 o menos, indi- de alimentos y madera (Dagnachew et al. 2020). Según
cando sequías cada vez más extremas. (https://spei.csic. datos del INDEC para 2010 y 2022 la población pro-
es/map/maps.html#months=4#month=0#year=2021). vincial total pasó de 681.055 en 2010 a 818.234 en el
Estos resultados son consistentes con los encontrados censo de 2022. Donde se detectó que para el año 2010
por Xu y otros (2019), donde a través de modelos pre- el 87,20% de la población pasó a ser urbana (INDEC
dictivos, encontraron un aumento en la frecuencia de 2010). La dinámica y el crecimiento de zonas metropoli-
eventos de sequía. Además, la persistencia de sequías tanas, en los países en desarrollo, a menudo está vincu-
extremas resulta en la degradación del suelo debido a lada a los patrones de migración rural-urbana debido a
la erosión eólica, incendios forestales, descenso de los la modernización agrícola, la pobreza rural, la industria-
niveles freáticos (Minetti et al. 2022). Los procesos de lización y las políticas (Jedwab et al. 2017). Estos desem-

Tabla 3: Detección de cambio de cobertura y uso del suelo de 1987 a 2021, medido como área de cambio (ha), porcentaje de cambio
(%) y tasa de cambio (ha año-1). (−) indica disminución, (+) indica aumento.

pág. 10
Revista de Geografía • Número 26 • Año 2023 • ISSN 1514-1942 • San Juan - Argentina

peñan un papel influyente, ya que en la mayoría de los et al. 2020). Los cambios en LULC son complejos y es-
casos la expansión urbana y los cambios asociados en tán interrelacionados, es decir, la expansión de un tipo
el uso/cobertura del suelo se deben a una combinación de uso de la tierra ocurre a expensas de otros (Gashaw
de todos estos factores (Xiao et al. 2006). En nuestro et al. 2014). Estudios recientes han demostrado que el
estudio los cambios impulsados por la expansión de la cambio de uso del suelo en ciudades inmersas en valles
ciudad modificaron las tierras rurales, probablemente en es abrupto (Debnath et al. 2022, Mansour et al. 2020).
la búsqueda de mantener o aumentar los rendimientos Por ejemplo, se produce una expansión del tamaño de
económicos. En consecuencia, las áreas cultivadas se las tierras agrícolas a expensas de la vegetación natu-
expandieron hacia las naturales, ya que nuestros resul- ral que cubre tierras marginales y áreas sin medidas de
tados mostraron un aumento del área rural y una dismi- conservación adecuadas (Debnath et al. 2022). El cono-
nución del área desértica. Estos patrones de crecimiento cimiento de la distribución espacial de la cobertura del
resultan en una presión sobre los recursos naturales, uso del suelo es esencial para la formulación de políticas
generando impactos negativos sobre los mismos como efectivas de uso del suelo y la gestión sostenible de las
deforestación, pérdida de servicios ecosistémicos, esca- actividades humanas en diferentes niveles de organiza-
sez de agua dulce, cambios climáticos (Zamora Elizalde ción (Mas et al. 2009).

Tabla 4: Expansión del área urbana entre 1987 y 2021.

Figura 4: Crecimiento del espacio edificado en el área de estudio, desde el año 1987 a 2021. Caso aumentado: Gran San Juan, San Juan.

pág. 11
 Viviana N. Fernández M. - G. Gatica - A. Cardus - Valeria E. Campos| EVALUACIÓN DE LOS CAMBIOS EN EL USO Y COBERTURA ... P P. 4-14

6. CONCLUSIÓN
La clasificación de imágenes satelitales permitió estudio. Esto resultó en la persistencia de sequías ex-
cuantificar el cambio de cobertura y uso de suelo en la tremas, degradación del suelo debido a la erosión eóli-
ciudad de San Juan y sus alrededores durante el perío- ca, incendios forestales y niveles freáticos más bajos. La
do 1987-2021. Esto resultó en mapas con 4 categorías identificación, mapeo y seguimiento del cambio de uso
de clasificación: urbano, rural, desierto y agua. Además, y cobertura del suelo ha cobrado gran importancia en
con base en los resultados obtenidos en la clasificación, la actualidad, siendo información de suma importancia
un cambio importante que se produjo en el uso del sue- para la toma de decisiones por parte de las instituciones
lo fue la expansión radial de la zona urbana hacia la rural involucradas. Además, es esencial examinar y cuantificar
y, a su vez, la expansión de la zona rural hacia la desér- el impacto de los cambios de LULC en la erosión del
tica. Finalmente, el área ocupada por agua en términos suelo, los procesos hidrológicos y el cambio climático,
generales sufrió una disminución durante el período de especialmente en las zonas desérticas.

7. AGRADECIMIENTOS
Este trabajo fue financiado por un proyecto de de la Agencia Nacional de Promoción Científica y Tec-
desarrollo tecnológico y social, Universidad Nacio- nológica, Plan Argentina Innovadora 2020 (N° RESOL-
nal de San Juan (Res. N° 589/19), y por un proyecto 2018-310-APN-DANPCYT#MCT).

8. BIBLIOGRAFÍA
Ayele, A., y Tarekegn, K. (2020). The impact of ur- jaeid.20201.842
banization expansion on agricultural land in Ethiopia: A Debnath, J., Sahariah, D., Lahon, D., Nath, N.,
review. Environmental y Socio-economic Studies, 8(4), Chand, K., Meraj, G., ... y Singh, S. K. (2022). Geospa-
73-80. doi - https://doi.org/10.2478/environ-2020-0024 tial modeling to assess the past and future land use-land
Banzhaf, E., Grescho, V., y Kindler, A. (2009). cover changes in the Brahmaputra Valley, NE India, for
Monitoring urban to peri‐urban development with in- sustainable land resource management. Environmental
tegrated remote sensing and GIS information: a Lei- Science and Pollution Research, 1-24. doi - https://doi.
pzig, Germany case study. International Journal of org/10.1007/s11356-022-24248-2
Remote Sensing, 30(7), 1675-1696. doi - https://doi. Fenta, A. A., Yasuda, H., Haregeweyn, N., Belay, A.
org/10.1080/01431160802642297 S., Hadush, Z., Gebremedhin, M. A., y Mekonnen, G.
Becker, W. R., Ló, T. B., Johann, J. A., y Mercante, (2017). The dynamics of urban expansion and land use/
E. (2021). Statistical features for land use and land cover land cover changes using remote sensing and spatial
classification in Google Earth Engine. Remote Sensing metrics: the case of Mekelle City of northern Ethiopia.
Applications: Society and Environment, 21, 100459. doi International Journal of Remote Sensing, 38(14), 4107-
- https://doi.org/10.1016/j.rsase.2020.100459 4129. doi - https://doi.org/10.1080/01431161.2017.13
Breiman, L. (2001). Random forests. Machine Lear- 17936
ning, 45(1), 5-32. Gao, B. C. (1996). NDWI—A normalized difference
Cohen, B. (2006). Urbanization in developing coun- water index for remote sensing of vegetation liquid wa-
tries: Current trends, future projections, and key challen- ter from space. Remote sensing of environment, 58(3),
ges for sustainability. Technology in Society, 28(1-2), 63- 257-266.
80. doi - https://doi.org/10.1016/j.techsoc.2005.10.005 Gashaw, T., Bantider, A., y Mahari, A. (2014). Eva-
Congalton, R. G. (1991). A review of assessing the luations of land use/land cover changes and land degra-
accuracy of classifications of remotely sensed data. Re- dation in Dera District, Ethiopia: GIS and remote sensing
mote Sensing of Environment, 37(1), 35-46. doi - ht- based analysis. International Journal of Scientific Re-
tps://doi.org/10.1016/0034-4257(91)90048-B search in Environmental Sciences, 2(6), 199. doi - http://
Crist, E. P., y Cicone, R. C. (1984). Application of dx.doi.org/10.12983/ijsres-2014-p0199-0208
the tasseled cap concept to simulated thematic mapper Ge, G., Shi, Z., Zhu, Y., Yang, X., y Hao, Y. (2020).
data. Photogrammetric engineering and Remote sen- Land use/cover classification in an arid desert-oasis mo-
sing, 50(3), 343-352. saic landscape of China using remote sensed imagery:
Crist, E. P., y Kauth, R. J. (1986). The tasseled cap Performance assessment of four machine learning algo-
de-mystified. Photogrammetric Engineering and Remo- rithms. Global Ecology and Conservation, 22, e00971.
te Sensing, 52. doi - https://doi.org/10.1016/j.gecco.2020.e00971
Dagnachew, M., Kebede, A., Moges, A., y Abebe, Goldblatt, R., You, W., Hanson, G., y Khandelwal,
A. (2020). Land use land cover changes and its drivers A. K. (2016). Detecting the boundaries of urban areas
in Gojeb River Catchment, Omo Gibe Basin, Ethiopia. in India: A dataset for pixel-based image classification in
Journal of Agriculture and Environment for Interna- google earth engine. Remote Sensing, 8(8), 634. doi -
tional Development, 114(1), 33-56. doi - 10.12895/ https://doi.org/10.3390/rs8080634

pág. 12
Revista de Geografía • Número 26 • Año 2023 • ISSN 1514-1942 • San Juan - Argentina

Haregeweyn, N., Fikadu, G., Tsunekawa, A., Tsu- the province of San Juan (Argentina) II.: The vegetation
bo, M., y Meshesha, D. T. (2012). The dynamics of ur- of the Ischigualasto Provincial Park). Multequina, 14(1),
ban expansion and its impacts on land use/land cover 1-25.
change and small-scale farmers living near the urban Mas, J. F., Velázquez, A., y Couturier, S. (2009). La
fringe: A case study of Bahir Dar, Ethiopia. Landscape evaluación de los cambios de cobertura/uso del suelo
and Urban Planning, 106(2), 149-157. doi - https://doi. en la República Mexicana (The evaluation of land co-
org/10.1016/j.landurbplan.2012.02.016 ver/use changes in the Mexican Republic). Investigación
Hasan, S. S., Zhen, L., Miah, M. G., Ahamed, Ambiental Ciencia y Política Pública, 1(1).
T., y Samie, A. (2020). Impact of land use change on Maxwell, A. E., Warner, T. A., y Fang, F. (2018).
ecosystem services: A review. Environmental Develop- Implementation of machine-learning classification in re-
ment, 34, 100527. doi - https://doi.org/10.1016/j.env- mote sensing: An applied review. International Journal
dev.2020.100527 of Remote Sensing, 39(9), 2784-2817. doi - https://doi.
Inostroza, L., Baur, R., y Csaplovics, E. (2013). Urban org/10.1080/01431161.2018.1433343
sprawl and fragmentation in Latin America: A dynamic Minetti, J. L., Vargas, W. M., Poblete, A. G., de la
quantification and characterization of spatial patterns. Zerda, L. R., Costa, M. C., Minetti, L. R., y Ovejero, D. P.
Journal of Environmental Management, 115, 87-97. doi (2022). La expansión de la Diagonal Árida Sudamericana
- https://doi.org/10.1016/j.jenvman.2012.11.007 como una consecuencia de las sequías (The expansion
Jedwab, R., Christiaensen, L., y Gindelsky, M. of the South American Arid Diagonal as a consequence
(2017). Demography, urbanization and development: of droughts). Revista de Climatología, 22.
Rural push, urban pull and… urban push?. Journal Mitarn, T., Lal, R., Mishra, U., Meena, R. S., Ravi-
of Urban Economics, 98, 6-16. doi - https://doi.or- sankar, T., Sreenivas, K. (2018). Climate change impact
g/10.1016/j.jue.2015.09.002 on soil carbon stocks in India. In: R. Lal, y B. A. Stewart
Kabisch, N., Selsam, P., Kirsten, T., Lausch, A., y (Eds.) Soil and climate. Advances in soil science. Taylor
Bumberger, J. (2019). A multi-sensor and multi-tem- and Francis, Boca Raton (pp. 291-308).
poral remote sensing approach to detect land cover Mundia, C. N., y Murayama, Y. (2010). Modeling
change dynamics in heterogeneous urban landscapes. spatial processes of urban growth in African cities: A
Ecological Indicators, 99, 273-282. doi - https://doi.or- case study of Nairobi City. Urban Geography, 31(2), 259-
g/10.1016/j.ecolind.2018.12.033 272. doi - https://doi.org/10.2747/0272-3638.31.2.259
Kurban, A. S., Cunsulo, M. E., Papparelli, A. H., y Poblete, A. G. (2007). Climatología de San Juan
Montilla, E. (2017). Distribución espacial de la urbani- (Climatology of San Juan). Universidad Nacional de San
zación en el oasis de Tulum: Área metropolitana de San Juan, Gobierno de San Juan, San Juan, Argentina.
Juan (Spatial distribution of urbanization in the Tulum Radwan, T. M., Blackburn, G. A., Whyatt, J. D., y
oasis: San Juan metropolitan area). El Ojo del Cóndor, Atkinson, P. M. (2019). Dramatic loss of agricultural land
8:27-29. doi - http://hdl.handle.net/11336/86258 due to urban expansion threatens food security in the
Li, C., Wang, J., Wang, L., Hu, L., y Gong, P. (2014). Nile Delta, Egypt. Remote Sensing, 11(3), 332. doi - ht-
Comparison of classification algorithms and training tps://doi.org/10.3390/rs11030332
sample sizes in urban land classification with Landsat Rubiera-Morollón, F., y Garrido-Yserte, R. (2020).
thematic mapper imagery. Remote Sensing, 6(2), 964- Recent literature about urban sprawl: A renewed rele-
983. doi - https://doi.org/10.3390/rs6020964 vance of the phenomenon from the perspective of en-
Lu, D., y Weng, Q. (2007). A survey of image vironmental sustainability. Sustainability, 12(16), 6551.
classification methods and techniques for improving doi - https://doi.org/10.3390/su12166551
classification performance. International Journal of Sobhani, P., Esmaeilzadeh, H., Barghjelveh, S., Sade-
Remote Sensing, 28(5), 823-870. doi - https://doi. ghi, S. M. M., y Marcu, M. V. (2021). Habitat Integrity in
org/10.1080/01431160600746456 Protected Areas Threatened by LULC Changes and Frag-
Lu, L., Guo, H., Wang, C., Pesaresi, M., y Ehrlich, D. mentation: A Case Study in Tehran Province, Iran. Land,
(2014). Monitoring bidecadal development of urban ag- 11(1), 6. doi - https://doi.org/10.3390/land11010006
glomeration with remote sensing images in the Jing-Jin- Stehman, S. V. (1997). Selecting and interpreting
Tang area, China. Journal of Applied Remote Sensing, measures of thematic classification accuracy. Remote
8(1), 084592-084592. doi - https://doi.org/10.1117/1. Sensing of Environment, 62(1), 77-89. doi - https://doi.
JRS.8.084592 org/10.1016/S0034-4257(97)00083-7
Mansour, S., Al-Belushi, M., y Al-Awadhi, T. (2020). Talukdar, S., Singha, P., Mahato, S., Pal, S., Liou,
Monitoring land use and land cover changes in the Y. A., y Rahman, A. (2020). Land-use land-cover classi-
mountainous cities of Oman using GIS and CA-Markov fication by machine learning classifiers for satellite ob-
modelling techniques. Land Use Policy, 91, 104414. doi servations—a review. Remote Sensing, 12(7), 1135. doi
- https://doi.org/10.1016/j.landusepol.2019.104414 - https://doi.org/10.3390/rs12071135
Márquez, J., Martinez Carretero, E., Dalmasso, A., Townshend, J. R., y Justice, C. O. (1986). Analysis
Pastrán, G., y Ortiz, G. (2005). Las áreas protegidas de la of the dynamics of African vegetation using the norma-
provincia de San Juan (Argentina) II.: La vegetación del lized difference vegetation index. International Journal
Parque Provincial Ischigualasto (The protected areas of of Remote Sensing, 7(11), 1435-1445. doi - https://doi.

pág. 13
 Viviana N. Fernández M. - G. Gatica - A. Cardus - Valeria E. Campos| EVALUACIÓN DE LOS CAMBIOS EN EL USO Y COBERTURA ... P P. 4-14

org/10.1080/01431168608948946 tenv.2016.09.124
United Nations. (2018). World urbanization pros- Wu, J. (2008). Land use changes: Economic, social,
pects: The 2018 revision. New York: United Nations. Re- and environmental impacts. Choices, 23(4), 6-10. doi -
trieved from - https://www.un.org/development/desa/ http://www.jstor.org/stable/choices.23.4.0006
publications/2018-revision-of-world-urbanization-pros- Xiao, J., Shen, Y., Ge, J., Tateishi, R., Tang, C., Liang,
pects.html Y., y Huang, Z. (2006). Evaluating urban expansion and
United Nations. (2019). World population prospects land use change in Shijiazhuang, China, by using GIS
2019 highlights. New York: United Nations. Retrieved and remote sensing. Landscape and Urban Planning,
from - https://population.un.org/wpp/Publications/Files/ 75(1-2), 69-80. doi - https://doi.org/10.1016/j.landurb-
WPP2019_Highlights.pdf plan.2004.12.005
Ustaoglu, E., y Williams, B. (2017). Determinants of Xu, C., McDowell, N. G., Fisher, R. A., Wei, L.,
urban expansion and agricultural land conversion in 25 Sevanto, S., Christoffersen, B. O., ... y Middleton, R.
EU countries. Environmental management, 60(4), 717- S. (2019). Increasing impacts of extreme droughts on
746. doi - https://doi.org/10.1007/s00267-017-0908-2 vegetation productivity under climate change. Natu-
Weng, Q. (2012). Remote sensing of impervious re Climate Change, 9(12), 948-953. doi - https://doi.
surfaces in the urban areas: Requirements, methods, org/10.1038/s41558-019-0630-6.
and trends. Remote Sensing of Environment, 117, 34- Zamora Elizalde, M. C., Buendía Espinoza, J.
49. doi - https://doi.org/10.1016/j.rse.2011.02.030 C., Martínez Hernández, P. A., y García Nuñez, R. M.
Wilson, B., y Chakraborty, A. (2013). The environ- (2020). Diagnosis of the use of soil and vegetation in the
mental impacts of sprawl: Emergent themes from the microbasin Tula, Mexico. Revista Mexicana de Ciencias
past decade of planning research. Sustainability, 5(8), Agrícolas, 11(1), 57-68. doi - https://doi.org/10.29312/
3302-3327. doi - https://doi.org/10.3390/su5083302 remexca.v11i1.2213
Woldesenbet, T. A., Elagib, N. A., Ribbe, L., y Zha, Y., Gao, J., y Ni, S. (2003). Use of normali-
Heinrich, J. (2017). Hydrological responses to land use/ zed difference built-up index in automatically mapping
cover changes in the source region of the Upper Blue urban areas from TM imagery. International Journal
Nile Basin, Ethiopia. Science of the Total Environment, of Remote Sensing, 24(3), 583-594. doi - https://doi.
575, 724-741. doi - https://doi.org/10.1016/j.scito- org/10.1080/01431160304987

pág. 14