Resumen de Validación de un modelo de predicción del crecimiento urbano en Quito (Ecuador) construido mediante pesos de evidencia y autómatas celulares

René Ulloa Espíndola, Yolanda Pérez Albert

• español

  Este artículo analiza el grado de predicción alcanzado por un modelo espacial de crecimiento urbano elaborado con base en (1) el comportamiento histórico de los asentamientos formales e informales en las periferias y en (2) las variables predictoras del fenómeno utilizando técnicas geoespaciales. Se toma como estudio de caso la periferia nororiental de la ciudad de Quito (Ecuador), espacio que ha sufrido una gran transformación en los últimos años. En un primer momento se construye el modelo espacial a partir de imágenes satelitales, complementadas con análisis de variables predictoras del fenómeno mediante la metodología de pesos de evidencia y autómatas celulares. Posteriormente, el análisis se centra en la validación del modelo a través de ventanas de tamaños múltiples con función de decaimiento constante para el análisis de patrones espaciales con DinamicaEgo®. Como resultado, las proyecciones generadas del modelo muestran coincidencias consistentes con la realidad y un alto porcentaje de validación.

• English

  This article analyzes the degree of prediction achieved by an urban growth spatial model based on (1) the historical behavior of formal and informal settlements in the peripheries and (2) the predictive variables of the phenomenon using geospatial techniques.

  The case study is the north-eastern periphery of the city of Quito (Ecuador), a space that has undergone a great transformation in recent years, is taken as a case study. At first, the spatial model is constructed from satellite images, complemented by analysis of predictive variables of the phenomenon under weights of evidence and cellular automata. Subsequently, the analysis focuses on the validation of the model, through multi-size windows with constant decay function for spatial pattern analysis with DinamicaEgo®. As a result, the projections generated from the model show co-occurrences consistent with reality and a high percentage of validation.