Leer Tesis Importante

Análisis espacial de islas de calor en la
ciudad de Bogotá: los efectos de la

urbanización, un estudio desde la
teledetección
Cristian Salas Pérez

Daniel Felipe Coy Castro
Universidad Distrital Francisco José de Caldas

Facultad de Ingenierı́a
Ingenierı́a Catastral y Geodesia
Bogotá, Colombia
2019
Spatial analysis of urban heat islands in Bogotá
city: the impacts of urbanization, a study from
remote sensing
Autores:
Cristian Salas Pérez
Daniel Felipe Coy Castro
Trabajo de grado presentado como requisito parcial para optar al tı́tulo de:
Ingeniero Catastral y Geodesta
Directora:
Ph.D. Erika Sofia Upegui Cardona
Modalidad de investigación
Lı́nea de investigación:
Cambio climático
Semillero de investigación en Geociencias y Sensores Remotos (GRSS)

Facultad de Ingenierı́a
Ingenierı́a Catastral y Geodesia
Bogotá, Colombia
2019
2
A nuestras madres.
Agradecimientos
A nuestra directora, la profesora Erika Upegui, por apoyarnos en este y todos los proyec-
tos que desarrollamos en el semillero GRSS, por su constante apoyo, interés y dedicación
como profesora consejera. Nuestra más sincera gratitud y admiración por su trabajo en el
proyecto curricular de ingenierı́a Catastral y Geodesia.
A nuestras familias por el apoyo en este camino, en especial a nuestros padres que fueron
quienes sacrificaron muchas cosas para que nosotros tuviéramos lo necesario para estudiar.
Por el tiempo de sus vidas para que nosotros pudiéramos llegar hasta este punto.
Al profesor Carlos Melo por sus conocimientos compartidos en la cátedra de geoestidı́sti-

ca. A la Universidad Distrital Francisco José de Caldas por darnos la oportunidad de for-
marnos como profesionales y personas. Al profesor Andrés Cárdenas, Luis Gómez, Germán
Ramı́rez y demás profesores que despertaron el deseo de querer aprender más, son ellos los
que cada dı́a ponen lo mejor de sı́ por el proyecto curricular.
Al Centro de Computación de Alto Desempeño (CECAD), laboratorio perteneciente al

doctorado de ingenierı́a de la Universidad Distrital, el cual nos facilitó sus equipos para
realizar algunos de los análisis estadı́sticos de esta investigación.
A nuestros amigos, compañeros y cada una de las personas que compartió con nosotros
e influyó en nuestras vidas.
3
Resumen
El cambio climático representa uno de los mayores retos de la humanidad en la actuali-

dad exigiendo cambios en conductas sociales, económica y ambientales. Las ciudades como
hogar de la mayor parte de la población mundial y siendo grandes centros de consumo,
demandadores de cantidades desmesuradas de recursos naturales y servicios las convierte
posiblemente en los agentes que mayor contaminación y amenaza ambiental están generan-
do para el planeta. Actualmente en el mundo se están investigando los efectos del cambio
climático en el contexto urbano, pues bien, la ciudad es el lugar al que el cambio climático
y el desarrollo sostenible le han puesto el mayor reto; optar por un crecimiento ambiental y
socialmente viable o estará la ciudad moderna en riesgo por su propio desarrollo. Dentro del
contexto de cambio climático surge un fenómeno local de variación de temperatura conoci-
do como islas de calor, el cual parece tener un comportamiento inherente a los procesos de
urbanización en una ciudad y unido a un cambio climático global podrı́a poner en riesgo la
calidad de vida de los habitantes de un centro urbano, se conoce que desde un par de déca-
das atrás la temperatura terrestre ha tenido un aumento por actividades humanas, ahora el
fenómeno de islas de calor puede se generador de un microclima urbano con aumentos de la
temperatura de superficie en relación con cambios del uso del suelo y una no muy oportuna
configuración espacial de la ciudad.
Bogotá como una de las ciudades más pobladas de América Latina y con una historia
particular de desarrollo urbanı́stico, no es ajena a este fenómeno. Desde el Jardı́n Botánico
José Celestino Mutis de Bogotá surge la necesidad de monitorear este fenómeno y desde el
semillero de investigación GRSS se formula esta investigación en la cual se realiza un análi-
sis multitemporal en la ciudad de Bogotá del cambio del uso del suelo de los últimos 30
años, usando herramientas de la teledetección como la clasificación supervisada orientada
a objetos o el cálculo de ı́ndices espectrales se logra extraer información de la superficie y
la variación del suelo en el tiempo. A partir de la clasificación supervisada se determina
un aumento del 18 % en la urbanización y una disminución del 57 % de las áreas verdes de
la ciudad en los últimos 29 años, lo cual presenta una alta correlación con el aumento de
la temperatura del suelo. Monitoreando la temperatura de la ciudad a partir de los datos
Landsat se encuentra un aumento de la temperatura del suelo en áreas con alta densidad de
urbanización, esto hecho se comprobó realizando un análisis exploratorio, demostrando por
un lado que la temperatura de la ciudad no se distribuye aleatoriamente sino que presenta
patrones de temperatura conocidos como islas de calor, por otro lado también estadı́stica-
mente mediante el ı́ndice de Moran Bivariado local se logra corroborar que el suelo urbano
incide en el aumento de la temperatura de superficie mientras que las zonas verdes pueden
actuar como factor mitigador.
4
Resumen 5
Con el fin de cuantificar el efecto de la vegetación y el suelo urbano se realizó un modelo

espacial SARAR usando la temperatura de superficie como variable respuesta y los ı́ndi-
ces espectrales NDVI y NDBI como variables independientes, los resultados confirmaron la
teorı́a y complementan los procesos desarrollados en esta investigación determinando que el
suelo urbano puede aumentar la temperatura del suelo en 20º C y que la vegetación podrı́a
disminuirla en 13º C, es ası́ como en esta investigación se confirma la presencia de islas de
calor en la ciudad de Bogotá y se cuantifican las alteraciones que pueden generar las cubier-
tas urbanas en la variación de la temperatura del suelo.
Desde la plataforma de Google Earth Engine se calculó la temperatura de superficie de

14 imágenes satelitales, con un periodo de tiempo que fue desde 1985 a 2018, corrigiendo
lo gaps de las imágenes ETM+. Esto permitió tener una serie temporal de datos de tempe-
ratura muy valiosos, al cual se le calcularon los valores de media, moda de temperatura,
estos fueron correlacionados con los datos que describen el fenómeno Niña y Niño. Usando
el coeficiente de Pearson para esta correlación se encontró que estos datos tienen relación de
-0.30 lo cual quiere decir que la temperatura del suelo tiene una baja relación con el clima
regional, este resultado demuestra que en la ciudad de Bogotá se está conformando un mi-
cro clima urbano, influenciado por procesos de urbanización que están calentando el suelo
y formando patrones de islas de calor.
Esta investigación fue desarrollada en dos fases generales; la primera fase consistió en
la extracción de información del suelo desde las imágenes satelitales, procesos como la cla-
sificación supervisada, cálculo de ı́ndices espectrales y de temperatura del suelo fueron los
datos para realizar el análisis estadı́stico, siendo esta la segunda fase, la cual consistió en
analizar los clusters espaciales de temperatura y los asociados a la relación de la tempe-
ratura con parámetros de vegetación y suelo urbano, de manera confirmatoria se calculó
un modelo espacial para cuantificar los efectos del cambio del uso del suelo. Esta investiga-
ción muestra que desde datos de teledetección es posible monitorear un fenómeno climático
urbano como las islas de calor que actualmente es un tema de gran relevancia para la pla-
neación urbana.
Abstract
Climate change represents one of the greatest challenges facing humanity today, deman-
ding changes in social, economic and environmental behaviour. Cities are home to the ma-
jority of the world’s population and are major centres of consumption, demanding excessive
amounts of natural resources and services, making them possibly the agents that are gene-
rating the greatest pollution and environmental threat to the planet. The effects of climate
change in the urban context are currently being investigated in the world, since the city is
the place to which climate change and sustainable development have put the greatest cha-
llenge; opting for environmentally and socially viable growth or the modern city will be at
risk for its own development. Within the context of climate change a local phenomenon of
temperature variation known as heat islands arises, which seems to have an inherent beha-
vior to the processes of urbanization in a city and together with a global climate change
could put at risk the quality of life of the inhabitants of an urban center, it is known that
since a couple of decades ago the terrestrial temperature has had an increase by human ac-
tivities, now the phenomenon of heat islands can be generated from an urban microclimate
with increases in surface temperature in relation to changes in land use and a not very ti-
mely spatial configuration of the city.
Bogotá, as one of the most populated cities in Latin America and with a particular his-
tory of urban development, is no stranger to this phenomenon. From the José Celestino
Mutis Botanical Garden in Bogotá, the need arises to monitor this phenomenon and from
the GRSS research seedbed, this research is formulated in which a multi-temporal analysis
is carried out in the city of Bogotá of the change in land use over the last 30 years, using
remote sensing tools such as supervised object-oriented classification or the calculation of
spectral indices, it is possible to extract information from the surface and the variation of
the soil over time. The supervised classification determines an increase of 18 % in urbani-
zation and a decrease of 57 % in the city’s green areas in the last 29 years, which presents
a high correlation with the increase in soil temperature. Monitoring the temperature of the
city from the Landsat data is an increase in soil temperature in areas with high density of
urbanization, this was proven by performing an exploratory analysis, demonstrating on the
one hand that the temperature of the city is not randomly distributed but presents tempera-
ture patterns known as islands of heat, on the other hand also statistically through the local
Moran Bivariado index corroborates that urban soil affects the increase in surface tempera-
ture while green areas can act as a mitigating factor.
6
Abstract 7
In order to quantify the effect of vegetation and urban soil, a SARAR spatial model was
performed using surface temperature as the response variable and NDVI and NDBI spec-
tral indices as independent variables, the results confirmed the theory and complement the
processes developed in this research by determining that urban soil can increase soil tem-
perature by 20º C and that vegetation could decrease it by 13º C. This is how this research
confirms the presence of heat islands in the city of Bogota and quantifies the alterations that
can generate urban cover in the variation of soil temperature.
The surface temperature of 14 satellite images was calculated from the Google Earth
Engine platform, with a time period from 1985 to 2018, correcting the gaps in the ETM+
images. This allowed to have a temporal series of very valuable temperature data, to which
the values of average and fashion of temperature were calculated, these were correlated with
the data that describe the phenomenon Niña and Niño. Using Pearson’s coefficient for this
correlation it was found that these data have a relation of -0.30 which means that the soil
temperature has a low relation with the regional climate. This result demonstrates that in
the city of Bogotá an urban micro climate is being conformed, influenced by urbanization
processes that are heating the soil and forming patterns of heat islands.
This research was developed in two general phases; the first phase consisted in the ex-
traction of soil information from satellite images, processes such as supervised classification,
calculation of spectral indices and soil temperature were the data for statistical analysis,
being this the second phase, which consisted in analyzing the spatial temperature clusters
and those associated with the relationship of temperature with vegetation parameters and
urban soil, in a confirmatory way a spatial model was calculated to quantify the effects of
land use change. This research shows that from remote sensing data it is possible to monitor
an urban climatic phenomenon such as heat islands that is currently a topic of great rele-
vance for urban planning.
Índice general
Resumen 4
Abstract 6
Introducción 13
1. Estado del arte 1

1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Cálculo de temperaturas con imágenes satelitales . . . . . . . . . . . . . . . . 3
1.3. El suelo en el infrarrojo térmico . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Islas de calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1. Islas de calor en la ciudad de Bogotá . . . . . . . . . . . . . . . . . . . 4
2. Fundamentación de la investigación 6
2.1. Justificación de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Pregunta de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.2. Objetivos especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4. Hipótesis de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3. Marco de referencia 9
3.1. Marco teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2. La teledetección en el infrarrojo térmico . . . . . . . . . . . . . . . . . . . . . 9
3.2.1. Leyes de la radiación térmica . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.2. Temperatura de brillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.3. Temperatura de superficie . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3. Clasificación de imágenes satelitales . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.1. Clasificación basada en el pixel . . . . . . . . . . . . . . . . . . . . . . 15
3.3.2. Clasificación orientada a objetos . . . . . . . . . . . . . . . . . . . . . 15
3.4. Precisión de la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5. Estadı́stica espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.5.1. Análisis exploratorio global . . . . . . . . . . . . . . . . . . . . . . . . 21
3.5.2. Análisis exploratorio local . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5.3. Análisis bivariado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5.4. Modelo espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5.5. Selección del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5.6. Coeficiente de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
8
ÍNDICE GENERAL 9
4. Datos y métodos 25
4.1. Zona de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1.1. Clima de Bogotá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3. Software usado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3.1. QGIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3.2. SAGA GIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3.3. R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3.4. GeoDa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3.5. Google Earth Engine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4. Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4.1. Clasificación supervisada . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4.2. Cálculo de temperatura del suelo e ı́ndices espectrales . . . . . . . . . 33
4.4.3. Identificación de patrones de temperatura de islas de calor . . . . . . 34
4.4.4. Efecto del suelo urbano en el aumento de temperatura . . . . . . . . . 36
4.4.5. Cambio climático local en Bogotá . . . . . . . . . . . . . . . . . . . . . 38
5. Resultados y análisis de resultados 40

5.1. Procesamiento digital de imágenes . . . . . . . . . . . . . . . . . . . . . . . . 40
5.1.1. Clasificación supervisada . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.2. Variación de cubiertas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.3. Variación de la temperatura de superficie . . . . . . . . . . . . . . . . . . . . 47
5.4. Análisis estadı́stico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.1. Análisis exploratorio global . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4.2. Análisis bivariado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.4.3. Modelo espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.5. Cambio climático local en Bogotá . . . . . . . . . . . . . . . . . . . . . . . . . 72
Conclusiones y recomendaciones 77
Bibliografı́a 79
Índice de figuras
1.1. Representación gráfica de la isla de calor. . . . . . . . . . . . . . . . . . . . . . 4
3.1. Espectro electromagnético – Infrarrojo térmico. . . . . . . . . . . . . . . . . . 9

3.2. Contigüidad Torre, Reina y Alfil . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.1. Localización geográfica del área urbana de Bogotá. . . . . . . . . . . . . . . . 25

4.2. Variación de la temperatura en Bogotá 2000-2016. . . . . . . . . . . . . . . . 26
4.3. División administrativa de Bogotá . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.4. Imágenes satelitales de Bogotá 1989, 1997 y 2018 RGB(NIR,SWIR,Red) . . . 28
4.5. Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.6. Metodologı́a para cálculo de temperatura . . . . . . . . . . . . . . . . . . . . 34
4.7. Metodologı́a para identificar islas de calor . . . . . . . . . . . . . . . . . . . . 36
4.8. Metodologı́a para cálculo de modelo . . . . . . . . . . . . . . . . . . . . . . . 37
4.9. Metodologı́a para determinar la existencia de un microclima urbano . . . . . 39
5.1. Segementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2. Clasificación Mahalanobis OBIA 1989 . . . . . . . . . . . . . . . . . . . . . . 44
5.5. Mayor aumento de la moda LST desde 1989 a 2018 . . . . . . . . . . . . . . . 49
5.6. Temperatura de barrios en 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.7. LST 1989 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.8. LST 1997 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.9. LST 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.10. ShapeFile: barrios de Bogotá . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.11. Histograma de LST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.12. Contigüidades - Matrices de peso . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.13. Contigüidad Triangulación Delaunay . . . . . . . . . . . . . . . . . . . . . . . 59
5.14. NDVI y NDBI 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.15. Mitigación de temperatura en áreas verdes . . . . . . . . . . . . . . . . . . . . 63
5.16. Dispersograma de Moran Bivariado: izquierda NDBI-LST 1989, derecha NDBI-
LST 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.17. Gráfico 3D, LST, NDVI y NDBI . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.18. Mapa de residuos - Modelo clásico . . . . . . . . . . . . . . . . . . . . . . . . 68
5.19. Histograma LST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.20. Residuos modelo SARAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.21. Serie temporal de imágenes Landsat 1985-2004 . . . . . . . . . . . . . . . . . 73
5.22. Serie temporal de imágenes Landsat 2005-2018 . . . . . . . . . . . . . . . . . 74
5.23. Estadı́sticas de la LST - Serie de tiempo . . . . . . . . . . . . . . . . . . . . . 75
5.24. Valores Oceanic Niño Index - Serie de tiempo . . . . . . . . . . . . . . . . . . 76
10
Índice de cuadros
4.1. Imágenes satelitales descargadas . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.2. Imágenes procesadas en Google Earth Engine . . . . . . . . . . . . . . . . . . 29
5.1. Resultados de la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

5.2. Área de cubiertas; 1989 1997 y 2018 . . . . . . . . . . . . . . . . . . . . . . . 47
5.3. Variación de cubiertas 1989 - 2018 . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4. Media de la temperatura en ºC 1989 - 2018 . . . . . . . . . . . . . . . . . . . 48
5.5. Moda de la temperatura en ºC 1989 - 2018 . . . . . . . . . . . . . . . . . . . . 48
5.6. Los 20 Barrios con más alta LST en Bogotá 2018 . . . . . . . . . . . . . . . . . 50
5.7. Estadı́stica descriptiva LST en ºC . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.8. Estadı́stica descriptiva NDVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.9. Estadı́stica descriptiva NDBI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.10. Selección de matriz para 1989 . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.13. Análisis de autoccorelación espacial . . . . . . . . . . . . . . . . . . . . . . . . 61
5.14. Mapas de LISA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.15. Análisis bivariado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.16. Mapas de BILISA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.17. Modelo de regresión clásico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.18. I de Moran para los residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.19. AIC para modelos espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.20. Modelo SARAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.21. Modelo SARAR - LST transformada . . . . . . . . . . . . . . . . . . . . . . . . 71
5.22. Análisis de impactos del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.23. Estadı́sticas imágenes de serie de tiempo en ºC . . . . . . . . . . . . . . . . . 72
5.24. Valores de ONI para datos de serie de tiempo . . . . . . . . . . . . . . . . . . 75
5.25. Resultado coeficiente Pearson ONI-LST . . . . . . . . . . . . . . . . . . . . . . 76
11
Introducción
La urbanización en Bogotá a lo largo del siglo XX tuvo un ritmo acelerado con un des-
ordenado crecimiento urbano, en donde la expansión urbana alteró ecosistemas e invadió
áreas de gran importancia ambiental en Bogotá (Beltrán,2005). El desarrollo urbano ile-
gal en la ciudad fue una de las razones para la apresurada expansión urbana en Bogotá
(Tarchópulos & Ramos, 2003), este fenómeno relacionado con la acumulación de tierras en
centralidades, obligó a poblaciones marginadas a invadir áreas periféricas de la ciudad. El
crecimiento demográfico y urbano en la ciudad desde la década de 1950 ha sido acelerado,
sin la formulación de planes de ordenamiento eficaces que solucionen las problemáticas so-
ciales y ambientales (Beuf, 2012). Bogotá actualmente, tiene el reto de convertirse en una
ciudad ambiental, social y urbanamente sostenible, integrando el componente ambiental y
social dentro del desarrollo urbano, esto en el actual contexto de cambio climático (Garcı́a et
al, 2016). Históricamente las dinámicas urbanas de la ciudad de Bogotá han ocupado suelos
rurales que hacı́an parte de la periferia de la ciudad y áreas de importancia ambiental que
han sido alteradas, por otro lado estas dinámicas de crecimiento también han tenido impac-
tos sobre poblaciones con un desplazamiento de comunidades campesinas debido al cambio
del uso del suelo y un cambio de sus actividades productivas (Martı́nez , 2008).
El cambio del uso del suelo ha sido mayormente influenciado por la urbanización, estas
intervenciones que se evidencian en grandes ciudades o zonas metropolitanas (González &
Mendoza, 2015) son uno de los principales factores de pérdida de cubierta vegetal, aguas y
cambios fı́sicos en la superficie del suelo. La pérdida de cubierta vegetal por intervenciones
antrópicas tiene consecuencias en el aumento de la temperatura en una ciudad (Dimoudi &
Nikolopoulou, 2003), dándose las condiciones para el desarrollo de un fenómeno como lo
es las islas de calor urbanas producto de las superficies y materiales de construcción en la
ciudad, teniendo una mayor intensidad en zonas con alta densidad de edificios, sus efectos
pueden incrementar considerablemente la temperatura dentro de una ciudad (Prats et al,
2005). Las islas de calor desde hace algunas décadas han sido estudiadas usando datos de
satélites (Kim, 1992), el uso de sensores para analizar las cubiertas terrestres y observar el
cambio del uso del suelo, en función de la temperatura, ha permitido evaluar el impacto de
la urbanización (Owen, Carlson, & Gillies, 1998), y determinar que la pérdida de cubierta
vegetal es uno de los principales factores que tiene relación con la presencia de islas de calor
(Aniello, Morgan, & Busbey, 1995; Weng, Lu, & Schubring, 2004), el aumento de la tempera-
tura en ciudades altamente pobladas puede tener implicaciones en la salud pública (Sagris
& Sepp, 2017), y en la calidad de vida de sus habitantes. En esta investigación se realiza
un análisis espacial de la ciudad de Bogotá con datos extraı́dos de imágenes satelitales, te-
niendo como objetivo la identificación de patrones espaciales y variaciones de temperatura
de superficie en los últimos 30 años para ası́ confirmar la presencia de islas de calor en la
ciudad.
13
Introducción 14
En la primera parte de este trabajo se realiza un estado del arte identificando antece-
dentes y métodos usados actualmente en la investigación del fenómeno de islas de calor en
el mundo, de esta manera se obtiene una base teórica sólida para desarrollar esta investiga-
ción. Como metodologı́a se realiza el procesamiento digital de las imágenes y la clasificación
a partir de métodos basados en el pixel y orientados a objetos, a partir de estos resultados se
realiza un análisis multitemporal de la variación de las cubiertas y de la temperatura de la
superficie. Por último se determina estadı́sticamente algunos patrones espaciales asociados
a las islas de calor y a su relación con la variación de las cubiertas, también se cuantifica
mediante un modelo espacial la afectación del suelo verde y construı́do en la variación de la
temperatura. Finalmente se dan las conclusiones y recomendaciones de la investigación.
Capı́tulo 1
Estado del arte
1.1. Antecedentes
Nieuwolt (1966) fue uno de los primeros autores que plantearon un estudio de la varia-
ción de temperatura influenciada por los efectos de la urbanización, el cual demuestra que
la urbanización e industrialización tiene relación con el aumento de la temperatura, gene-
rando reducciones en la calidad de vida de la población. Por su parte Oke (1973) relaciona
el tamaño de una ciudad con la magnitud de la isla de calor, haciendo un importante énfasis
en la densidad demográfica de las áreas estudiadas. La metodologı́a de estos trabajos con-
sistı́a en usar recorridos en autos por toda la ciudad con equipos de medición o por medio
estaciones fijas en la ciudad. Posteriormente se usaron datos de satélites, Rao (1972) fue de
los primeros en proponer un método para estudiar las islas de calor, usando datos de bandas
del infrarrojo térmico, esto hizo que la teledetección fuera mucho más relevante en estudios
urbanos.
El monitoreo de la ciudad ha sido el objetivo de algunas investigaciones, por ejemplo, el
análisis del crecimiento urbano y perdida de cobertura vegetal, en donde Owen, Carlson &
Gillies (1998) relacionan el aumento de la temperatura terrestre con cambios en coberturas,
este fenómeno ocurre entre otras cosas por el tipo de materiales usados para construir, los
cuales absorben el calor en el dı́a y posteriormente lo liberan en la noche (Deosthali, 2000).
En este punto surge la hipótesis de una relación inversa entre aumento de temperatura y
cobertura vegetal, planteando que aquellas áreas con grandes perdidas de vegetación o ca-
rentes de ellas serán más propensas a un aumento de temperatura. Streutker (2003) aborda
este problema con un estudio multitemporal, analizando el crecimiento de una ciudad en
un periodo de 12 años (tanto en el aspecto de urbanización como demográfico), concluyendo
que en ese lapso de tiempo la temperatura de la ciudad aumentó de manera proporcional a
su crecimiento urbano.
En este punto la vegetación se vuelve un factor a cuantificar para el análisis de las islas
de calor, pero aparece un problema en cuanto a la variación de la vegetación a lo largo del
año. Yuan & Bauer (2007) en su estudio hacen énfasis en que la vegetación y la temperatura
no tienen un comportamiento lineal, entre otras debido a lo mencionado anteriormente, por
lo tanto, un ı́ndice de vegetación no basta para analizar los efectos de las islas de calor en
un estudio multitemporal. Otro enfoque serı́a estudiar los procesos de urbanización en la
ciudad y a partir de ello analizar las islas de calor, hacer esto conlleva a agregar otros fac-
tores de gran importancia que son inherentes a la urbanización, como lo es el crecimiento
poblacional y la demanda de nuevos espacios para los habitantes, factores que influyen en
1
CAPÍTULO 1. ESTADO DEL ARTE 2
que una ciudad ocupe suelos que históricamente han tenido otros usos.
Hasta ahora se ha mencionado el papel de la urbanización en el aumento de temperatura,

pero en el contexto del cambio climático este escenario amplifica el problema, el Fondo
Mundial para la naturaleza (WWF-World Wide Fund For Nature), en un informe del año
2005 (WWF, 2005) advierte que la temperatura de las ciudades europeas aumentó en las
últimas décadas del siglo pasado, en época de verano algunas de estas ciudades registraron
temperaturas máximas, aumentando 2° C como la ciudad de Luxemburgo o Madrid con
aumentos hasta de 2.2° C. En algunas investigaciones como en Gill et al. (2007) se estudiaron
áreas densamente edificadas donde la temperatura aumentó en un par de décadas, pero se
demostró que una adición de apenas 10 % en la cubierta vegetal puede reducir en casi 1° C la
temperatura. En la última década los estudios de teledetección en las grandes ciudades del
mundo han tomado relevancia, como es el caso de Imhoff et al. (2010) en donde analizaron
las islas de calor en las ciudades más grandes de los Estados Unidos, mediante imágenes
Landsat y MODIS, también se analizó el contexto ecológico de la ciudad, como lo puede ser
una ciudad rodeada de bosque o desierto, este es un factor importante a tener en cuenta,
ya que como lo demostró la investigación el entorno ecológico puede disipar los efectos
del calor, en una ciudad rodeada de bosques se notó una disminución de la temperatura al
alejarse del núcleo urbano.
La temperatura de superficie (LST, Land Surface Temperature) calculada con bandas
térmicas puede haberse vuelto uno de los insumos básicos para analizar islas de calor, pe-
ro no basta sólo la LST para estudiar la configuración de las islas de calor, pues bien esta
información debe correlacionarse con las cubiertas terrestre, este enfoque fue abordado por
Zhou, Haung & Cadenasso (2011), estos autores propusieron una metodologı́a en donde
usaron un mapa de cobertura de alta resolución, correlacionando la información con la LST
calculada con el sensor ETM+ (Enhanced Thematic Mapper Plus), los resultados determi-
naron que fueron los de edificios el tipo de cobertura urbana que más incidencia tuvo en el
aumento de la temperatura y las áreas de bosque fue la cubierta que más mitigó los efectos
de las islas de calor, también se concluye que si en una ciudad se optimizara la configuración
espacial de las cubiertas esto permitirı́a una reducción de los efectos de las islas de calor. Es-
tas investigaciones también demuestran que la teledetección se ha vuelto una herramienta
de gran relevancia en la planificación del territorio.
Es la configuración espacial del territorio uno de los objetivos de las investigaciones so-
bre islas de calor en la actualidad, Maimaitiyiming et al. (2014) estudiaron la configuración
espacial de la cubierta vegetal en una ciudad determinando porcentajes y densidades de es-
tos espacios verdes, extraı́dos de imágenes TM (Landsat Thematic Mapper) y relacionando
la LST con los patrones de espacios verdes, el enfoque de este estudio mostró la transcen-
dencia que tienen los árboles y la vegetación urbana dentro de una ciudad sostenible, lo cual
es necesario en una en la que se está modificando el clima. Hall et al. (2016) muestran que el
microclima en áreas urbanas tiene más similitud entre ciudades que entre ecosistemas nati-
vos, este no es un buen indicador, ya que está mostrando que grandes ciudades como Delhi
(Mohan & Kandya, 2015) han influenciado el cambio climático en la ciudad en gran parte
debido a rápidos procesos de urbanización, es por esto que hoy dı́a los estudios de islas de
calor usando teledetección (de Faria Peres et al, 2018; Sultana & Satyanarayana, 2018 & Yang
et al, 2018) son de gran relevancia a nivel mundial y es un tema de gran preocupación para
el desarrollo de una ciudad. Partiendo de la esta consulta bibliográfica, se pudo determinar
que abordar un estudio de islas de calor en la ciudad de Bogotá mediante teledetección, per-
mitirı́a evaluar la influencia de la urbanización en el desarrollo de la islas de calor.
1.2. Cálculo de temperaturas con imágenes satelitales

Los satélites cuyos sensores tengan bandas térmicas pueden medir el calor de la cubier-
ta terrestre, el cálculo de la temperatura se realiza con base en la radiancia emitida por la
cubierta a estudiar, la ley de Plank permite desde la radiancia calcular la temperatura de
brillo, también conocida como temperatura del cuerpo negro (Dash et al, 2002). En cuanto
al cálculo de la temperatura superficial es necesario conocer la emisividad de la cubierta,
las primeras aplicaciones de datos de sensores remotos usaban modelos atmosféricos (Carl-
son et al, 1981) para calcular la temperatura de brillo, uno de los métodos más prácticos lo
propuso Parlow (1999), en donde se usaba un ı́ndice de vegetación de diferencia normali-
zada (NDVI) para parametrizar el flujo de calor del suelo. Por su parte Carlson & Sánchez-
Azofeifa (1999) relacionaron la temperatura con el NDVI para monitorear las variaciones de
temperatura debido a la expansión urbana.
1.3. El suelo en el infrarrojo térmico

En cuanto a una de las principales aplicaciones del infrarrojo térmico es en la agricul-
tura (Tejero, 2014), monitoreando el estado hı́drico de los cultivos, esta aplicación permite
optimizar el riego. El contenido de humedad es el factor más destacado de la conductivi-
dad térmica de los suelos (Chuvieco, 2016), a una mayor humedad el suelo tendrá mayor
capacidad de conservar la energı́a térmica recibida y liberarla gradualmente esto se conoce
como inercia térmica, este concepto es clave para entender el fenómeno de islas de calor en
las ciudades, el suelo urbano puede retardar la variación de la temperatura, absorbiendo el
calor en el dı́a y liberarlo en la noche.
1.4. Islas de calor

El fenómeno de variación climática en áreas urbanas, conocido como “islas de calor”
consiste en un efecto de calentamiento en zonas de una ciudad, por lo general con altas
densidades de edificaciones (Gartland, 2012), esto produce una acumulación espacial de
temperatura alrededor de estas construcciones, teniendo las temperaturas más elevadas de
la ciudad en aquellos lugares. Chandler (1962) ya advertı́a con su investigación en la ciudad
de Londres, que el hombre por medio de sus actividades estaba alterando el clima de la ciu-
dad, influenciando la creación de microclimas, se conoce que este fenómeno puede variar
por algunos factores propios de una ciudad, tales como la hora del dı́a o época del año, lo-
calización geográfica y las caracterı́sticas urbanas (Garcı́a, 1999).
Figura 1.1: Representación gráfica de la isla de calor.
Fuente: (Weather Works, https://www.weatherworksinc.com/Urban-Heat-Island-Effect)
En la actualidad la teledetección es de las principales herramientas para el análisis de

islas de calor (Dwivedi & Khire, 2018), una de las principales ventajas al usar sensores re-
motos con bandas térmicas es la posibilidad de estudiar grandes áreas y contar con historial
de datos de varios años. Otro enfoque en la actualidad es combinar datos de sensores re-
motos con datos de estaciones meteorológicas (Li et al, 2018) esto abre la posibilidad de
combinar la temperatura urbana con otras variables ambientales.
Otro tema importante es la relación entre las islas de calor y las superficies impermea-
bles, el hormigón, los tejados o las carreteras son superficies que por sus caracterı́sticas
incrementan el calor en las ciudades (Chen et al, 2006), pero no sólo eso, la impermeabili-
zación del suelo urbano altera el ciclo hidrológico natural del agua (Momparler & Andrés-
Doménech, 2008), en algunas investigaciones se han mezclado estos dos conceptos (Sun, Xie
& Chen, 2018) evaluando la impermeabilidad, islas de calor y zonas de cobertura vegetal en
una ciudad.
1.4.1. Islas de calor en la ciudad de Bogotá

En la revisión del estado del arte se encontraron algunas investigaciones que han abor-
dado el tema de islas de calor en la ciudad de Bogotá, se tomaron las investigaciones más
relevantes para analizar la metodologı́a implementada, los resultados alcanzados y sus con-
clusiones.
En el trabajo titulado “Islas de calor y cambios espacio temporales de la temperatura

en la ciudad de Bogotá” (Ángel, Ramı́rez & Domı́nguez, 2010) se realizó un estudio de
la temperatura de la ciudad de Bogotá usando datos proporcionados por el Instituto
de Hidrologı́a, Meteorologı́a y Estudios Ambientales (IDEAM) y Corporación Autóno-
ma Regional de Cundinamarca (CAR) de estaciones meteorológicas distribuidas por
la ciudad, estos datos fueron filtrados estadı́sticamente antes de realizar su análisis.
Con 40 años de registros Ángel, Ramı́rez & Domı́nguez (2010) evaluaron la variación
de la temperatura ambiente comparando al mismo tiempo los datos de las estaciones

ubicadas en el centro de la ciudad con las que se encontraban en la periferia destacan-
do una diferencia de 3ºC entre la periferia y el centro urbano, los autores resaltan que
la urbanización en las últimas décadas en la ciudad tuvo un crecimiento acelerado y
que tal factor puede incidir en el aumento de la temperatura. Cabe destacar que en
tal trabajo fue usada información de temperatura del aire medido por las estaciones
meteorológicas, esto puede presentar problemas al momento de atribuir variaciones
de temperatura a procesos de cambios del suelo ya que esta temperatura estará ma-
yormente influenciada por ciclos globales como el fenómeno Niña y Niño y esto queda
evidenciado en el trabajo en donde señalan variaciones de temperatura en periodos de
tiempo.
En la investigación titulada “Análisis preliminar de la isla de calor en la Sabana de

Bogotá” (Pabón et al, 1998) se usan datos de temperatura media de los decenios 1960-
1969, 1970-1979 y 1980-1989 del IDEAM para estudiar la evolución de islas de ca-
lor en la ciudad por medio de análisis geográficos, trazando isolı́neas generadas con
los datos de las estaciones los autores proponen un metodologı́a para determinar las
áreas de las islas de calor, hoy estas técnicas son abordas por métodos de geoestadı́stica
usando Kriging espacial por medio de programas computacionales, sin embargo este
trabajo fue realizado sin estos medios encontrando diferencias de temperatura entre
los cerros orientales y zonas céntricas además de realizar un análisis temporal. Este
trabajo es similar al anterior se podrı́a mencionar el mismo problema en cuanto al uso
de información meteorológica que no mide precisamente la temperatura del suelo sino
la del aire.
En los documentos consultados (“Islas de calor y cambios espacio temporales de la tem-

peratura en la ciudad de Bogotá” y “Análisis preliminar de la isla de calor en la Sabana de
Bogotá”) los autores atribuı́an a la urbanización el aumento de la temperatura, en los estu-
dios realizados en la ciudad de Bogotá no se encontró alguno que cuantificara formalmente
este efectom, este tipo de datos en campo son capturados normalmente mediande el mo-
nitorio de vehı́culos (Hart & Sailor, 2009) o usando técnicas de teledetección teniendo en
cuenta la resolución espacial de estas técnicas. En la actualidad algunos trabajos ya han usa-
do datos satelitales para medir la temperatura de brillo o de superficie para Bogotá (Forero
& Rodrı́guez, 2013; Figueroa & Fiquitiva, 2017) relacionando variaciones con cambios en el
uso del suelo u otras variables.
En el panorama internacional se evidencia mayor avance en este tema, importantes ciu-

dades del mundo ya ha realizado estudios detallados sobre esta temática enfocada a proble-
mas sociales (Harlan, et al. 2007), ambientales (Akbari, et al. 2016), de salud pública (Bus-
cail, Upegui, & Viel, 2012) o planeación urbana (Kleerekoper, Van Esch & Salcedo, 2012).
Hasta la fecha de este trabajo no se encuentran investigaciones realizadas por las institucio-
nes estatales en esta área para la ciudad de Bogotá, la importancia de investigaciones de este
tipo está en el diseño de polı́ticas y toma de decisiones que afectaran o beneficiaran a los
habitantes de la ciudad.
Capı́tulo 2
Fundamentación de la investigación
2.1. Justificación de la investigación
El cambio climático es el mayor desafı́o de la humanidad en estos momentos (Rana et

al, 2017), la estabilidad alimentaria en riesgo por fenómenos climáticos sin precedentes, la
demanda de fuentes de agua potable y el aumento de la temperatura global consecuencia
de gases de efecto invernadero (Mengel et al, 2018) son los principales retos para afrontar
en nuestra sociedad. En este escenario las grandes ciudades generan un impacto negativo,
el acelerado crecimiento urbano y demográfico convierte a las ciudades en un ambiente in-
sostenible, para el año 2050 el censo mundial estará cerca de 10.000 millones de habitantes
(United Nations, 2015), acabando con recursos en zonas periféricas, aumentando niveles de
contaminación, estableciendo un posible escenario de escasez de agua potable y reducción
de espacios verdes. Según proyecciones para el año 2050 (IPCC, 2014) la temperatura en las
ciudades podrı́a aumentar hasta 4°C, aparte de un incremento de la temperatura media glo-
bal. Este panorama exige a las ciudades un enfoque de región ambientalmente sostenible,
frenando los impactos de la urbanización y generando polı́ticas que moderen los efectos del
cambio climático.
Uno de los factores que más influencia puede llegar a tener es el cambio en el uso del sue-
lo por procesos de urbanización, esto puede generar impactos ambientales negativos en una
ciudad, como la pérdida de cubierta vegetal o la impermeabilidad de los suelos, teniendo
como consecuencias la aparición de islas de calor (Sagris & Sepp, 2017), sólo por mencionar
algunos problemas. Históricamente Bogotá ha perdido suelos fértiles a manos de la urba-
nización y se han edificado barrios enteros en zonas de riesgo. El contexto social en Bogotá
ha permitido la expansión urbana desorganizada, cambiando los usos del suelo en las últi-
mas décadas e influenciando de alguna manera el desarrollo de los municipios cercanos a
la ciudad (Carrizosa,2012). El cambio del suelo por dinámicas de urbanización en Bogotá
ha dejado ver la relación entre aumento de temperatura y perdida de zonas verdes (Forero
& Rodrı́guez, 2013), aquellas zonas de la periferia que aún conservan áreas verdes son las
que amortiguan el aumento de la temperatura en la ciudad (Ángel, Ramı́rez & Domı́nguez,
2010), la ciudad internamente puede presentar un aumento de 3°C respecto a las zonas pe-
riféricas.
Los efectos que ha tenido el cambio climático en el aumento de la temperatura global

han sido de los temas más debatidos a nivel mundial (Garcı́a et al 2016), este fenómeno se-
guirá en aumento y es por ello que en este momento se discuten las consecuencias que esto
puede tener en el mundo (Christopher,2016). Es importante el seguimiento a este fenómeno
6
CAPÍTULO 2. FUNDAMENTACIÓN DE LA INVESTIGACIÓN 7
con el objetivo de identificar poblaciones en riesgo, como se ha hecho en áreas urbanas (Pa-
rece, Campbell, & Carroll, 2014), evaluando los efectos de las islas de calor. En un contex-
to social las consecuencias del cambio climático no sólo afectan la salud de la población,
sino que también pueden desencadenar un aumento en la pobreza y desigualdad social
(Sánchez,2016), donde Colombia es un paı́s proclive a este escenario. La aplicación de la
teledetección para el seguimiento de temperatura en un área urbana puede ser insumo base
para el análisis de poblaciones vulnerables (Buscail, Upegui, & Viel, 2012), las olas de calor
pueden presentar riesgos en la salud pública aumentando tasas de mortalidad (Åström, et
al, 2016), estos métodos de monitoreo permiten desarrollar mejores hojas de ruta para pla-
nificar el territorio minimizando los riesgos de salud pública y aportando a la construcción
de un territorio capaz de afrontar futuros retos.
2.2. Pregunta de la investigación

¿Los cambios en el uso del suelo, debido a las dinámicas de urbanización en la ciudad
de Bogotá tienen relación dentro de un contexto de cambio climático con el aumento de la
temperatura y conformación de islas de calor.?
2.3. Objetivos
2.3.1. Objetivo general

Proponer una metodologı́a para estudiar el aumento de la temperatura debido al cambio
climático en la ciudad de Bogotá, en relación con las dinámicas de urbanización.
2.3.2. Objetivos especı́ficos
Realizar un análisis multitemporal de la variación de la temperatura, en correlación

con el cambio del uso del suelo.
Analizar el efecto de variación de cubiertas en la configuración de islas de calor en la

ciudad.
Identificar y validar los patrones espaciales de islas de calor en la ciudad de Bogotá en

los últimos 30 años
Cuantificar la variación de temperatura de superficie en relación con suelo urbano y

áreas verdes.
CAPÍTULO 2. FUNDAMENTACIÓN DE LA INVESTIGACIÓN 8
2.4. Hipótesis de la investigación

El cambio climático de una ciudad como Bogotá se puede estudiar a partir del aumento
de la temperatura de superficie, siendo esta calculada con imágenes satelitales y correla-
cionándola con la información de las cubiertas urbanas, extraı́das con métodos de teledetec-
ción; como los ı́ndices espectrales. De esta manera se puede estudiar el fenómeno de islas de
calor mayormente influenciado por la pérdida de cobertura vegetal producto de procesos de
urbanización de las últimas décadas en la ciudad.
Capı́tulo 3
Marco de referencia
3.1. Marco teórico

En esta investigación se propone realizar un análisis multitemporal de la variación de
la temperatura del suelo en la ciudad de Bogotá con imágenes satelitales Landsat, variación
que se estudiará en función a las coberturas o más puntualmente a los procesos de urba-
nización de a ciudad en los últimos 29 años, para la cuantificación de los cambios en las
coberturas se hace necesario usar métodos de clasificación para esto es adecuado presentar
los conceptos fundamentales acerca de las técnicas de la clasificación como lo son; clasifica-
ción basada en el pixel y clasificación orientada a objetos. Los conceptos acerca del cálculo
de la temperatura de superficie, en cuanto a la validación de resultados se hace uso de la
estadı́stica espacial teniendo en cuenta conceptos como; análisis exploratorio local y global,
estadı́stico de Moran o modelos espaciales.
3.2. La teledetección en el infrarrojo térmico

El denominado infrarrojo térmico (TIR, Thermal Infrared) se localiza entre 8 y 14 µm en
el espectro electromagnético (figura 3.1), esta región permite detectar el calor proveniente
de la cubierta terrestre, pues la radiancia espectral que recibe el sensor no es resultado de
la reflexión de la energı́a solar sino de la radiancia emitida por la superficie a observar,
(Chuvieco, 2010).
Figura 3.1: Espectro electromagnético – Infrarrojo térmico.
9
CAPÍTULO 3. MARCO DE REFERENCIA 10
Fuente: (Karneichyk, http://www.opticsforhire.com/blog/2015/7/15/design-of-ir-lenses)
3.2.1. Leyes de la radiación térmica

El tema de investigación de Planck conocido en ese entonces como el problema de radia-
ción negra, actualmente llamado el problema del cuerpo negro, este consiste en un objeto
ideal que absorbe toda la energı́a radiante que ı́ndice sobre él (Kuhn, 1987), la superficie del
cuerpo negro es un lı́mite, ya que toda la energı́a que incide desde el exterior es absorbida y
toda la energı́a incidente desde el interior es emitida, es por esto es cuerpo negro es consi-
derado como un radiador ideal de temperatura.
La radiación emitida por un cuerpo negro está dada por la ecuación 1:
c λ−5
Bλ (T ) = 1c2 (1)
π e −1
λT
Donde c1 = 3,74 × 10−16 W m2 y c2 = 1,45 × 10−2 mK
λ : La longitud de onda en metros

T : La temperatura del cuerpo negro en Kelvin
Ley de Stephen Boltzmann
Integrando la función de Planck πBv en todas las longitudes de onda, permite calcular
la energı́a radiada por unidad de superficie, esta es dada por la ley Stephen Boltzmann (An-
drews, 2010). Donde E (Ecuación 2 )es la energı́a radiada.
E = σT 4 (2)
Donde σ es la constante Stephen Boltzmann y T la temperatura en Kelvin.
W
σ = 5,67 × 10−8 (3)
m2 K 4
De esta ley se puede resaltar que la irradiancia de un objeto está en función de su tem-
peratura, entre otras palabras se puede estimar la irradiancia de un objeto conociendo su

temperatura.
Ley del desplazamiento de Wien
Derivando (1) y buscando la derivada igual a cero se obtiene una relación inversa entre
la longitud de onda pico de la emisión para el cuerpo negro a una temperatura T (Ecuación
4)(Wallace, 2006).
2,898
λmax = µmK (4)
T
Con esta ley se puede determinar la banda más adecuada para analizar un objeto en una
temperatura determinada, en incendios forestales esta ley es útil para seleccionar la banda
del sensor y analizar la propagación del incendio (Chuvieco, 2010).
3.2.2. Temperatura de brillo

La temperatura de brillo es una medida de intensidad recibida, esta es la temperatura
de un cuerpo negro en equilibrio térmico con su entorno, siendo la radiación de microon-
das que viaja hacia arriba desde la atmosfera de la tierra (Rajeshwari & Mani, 2014), para el
cálculo de temperaturas los niveles digitales (ND) se convierten a radiancia y luego a tempe-
ratura de brillo. Se hace énfasis en las fórmulas usadas para calcular la temperatura a partir
de datos Landsat (Avdan & Jovanovska, 2016) usando la ecuación 5, también es posibles pa-
ra datos de MODIS (Zeng et al, 2015), ATSR (Sobrino, Stoll & Becker, 1996) o AVHRR (Kerr,
Lagouarde & Imbernon, 1992).
K2
BT = K1
(5)
ln [( Lλ ) + 1]
Donde BT es la temperatura de brillo
K1 y K2 : constantes de las bandas térmicas
Lλ : Radiancia espectral TOA(lı́mite superior de la atmósfera)
3.2.3. Temperatura de superficie

La temperatura de superficie (LST) es la temperatura del suelo o superficie terrestre me-
dida en Kelvin (Rajeshwari & Mani, 2014), en las últimas décadas se han desarrollado me-
todologı́as que permiten medir la LST desde sensores remotos (Avdan & Jovanovska, 2016).
El cálculo de la LST es considerada como un elemento clave para los estudios de cambio
climático a nivel global (Chuvieco, 2016). El primer paso para calcular la temperatura de
superficie es calcular la radiancia espectral TOA (Ecuación 6).
Lλ = ML ∗ Qcal + AL (6)
Donde:
Lλ : Radiancia espectral TOA
ML ∗ Q :Factor de reescalamiento multiplicativo especı́fico de banda.

Dentro de los metadados de la imagen (RADIANCE MULT BAND x, donde x es el número
de banda)
Qcal : Banda térmica
AL :Factor de reescalamiento aditivo especı́fico de banda.

Dentro de los metadatos de la imagen (RADIANCE ADD BAND x, donde x es el número de
banda)
Calculado (Ecuación 6) se calcula la temperatura del cuerpo negro (Ecuación 5), si la

temperatura se quiere pasar a Celsius se hace uso de la ecuación 7:
K2
BT = K1
− 273,15 (7)
ln [( Lλ ) + 1]
Para calcular LST es preciso conocer la emisividad (ε) de la cubierta, ya que se necesita
relacionar la emitancia de la superficie con la producida por un cuerpo negro a la misma
temperatura (Chuvieco, 2016). Para esto se calcula el NDVI (Ecuación 8), a partir de este el
porcentaje de vegetación (Pv ) para finalmente llegar a la emisividad (ε).
N IR − RED
N DV I = (8)
N IR + RED
Donde:
NIR: Es la banda del infrarrojo cercano; la banda 4 para el sensor TM y la 5 para el sensor
OLI.
RED: La banda del rojo; la banda 3 para el sensor TM y la 4 para el sensor OLI.
Para el cálculo del porcentaje de vegetación (Pv ) se hace uso de la ecuación 9:
!2
N DV I − N DV Is
Pv = (9)
N DV Iv − N DVs
Donde:
N DV Is : Valor de NDVI asignado al suelo desnudo
N DV Iv : Valor de NDVI asignado a una cubierta con vegetación
Para los valores de N DV Is y N DV Iv (Sobrino et al, 2008) propuso valores globales de

N DV Is =0.2 y N DV Iv =0.5.
Para el cálculo de la emisividad (ε) se hace uso de la ecuación 10:
λ = vλ Pv + sλ (1 − Pv ) + Cλ (10)
Donde:
λ : Emisividad de la superficie.
vλ : Emisividad para una cubierta con vegetación.
Pv : Porcentaje de vegetación.
sλ : Emisividad para el suelo desnudo.
Cλ : Rugosidad de la superficie.
Seún Avdan & Jovanovska (2016) la emisividad también (ε) se puede representar como
se describe en la ecuación 11:

N DV I < N DV Is
 sλ



λ = 
 vλ Pv + sλ (1 − Pv ) + Cλ N DV Is ≤ N DV I ≤ N DV Iv (11)
 sλ

N DV I > N DV Iv
Sin embargo Sobrino, Jimenez-Munoz & Paolini (2004) proponen unos valores para la
emisividad del suelo y con presencia de cubierta vegetal, quedando la emisividad (ε) como
se describe en la ecuación 12:
λ = 0,004Pv + 0,986 (12)
Finalmente la temperatura de superficie Ts se calcula usando la ecuación 13:
BT
Ts = (13)
1 + [( λBT
ρ ) ln λ ]
Con ρ:
c
ρ=h (14)
σ
Donde:
j
σ = 1,38 × 10−2 k (Constante de Stephen Boltzmann)
h = 6,626 × 10−34 js (Constante de Planck)
c = 2,998 × 108 ms (Velocidad de la Luz)
ρ = 1,438 × 10−2 mK (15)

3.3. Clasificación de imágenes satelitales

La clasificación de imágenes satelitales es un proceso en donde se le asigna a cada pixel
una clase referente al área de estudio, el nivel digital (ND) de la imagen clasificada deja
de tener relación con radiancia detectada por el sensor (Chuvieco, 2010), este valor pasa a
ser un identificador dentro de la categorı́a asignada al pixel. De esta manera se realiza un
inventario en una zona de estudio generando una cartografı́a temática.
3.3.1. Clasificación basada en el pixel

La clasificación basada en el pixel es una técnica de teledetección la cual asigna dentro
de una categorı́a a cada pixel de la escena, este método busca asignar al ND a una categorı́a
de interés, el ND corresponde a la información recibida por el sensor sobre la cubierta te-
rrestre, por lo tanto la clasificación basada en el ND puede considerarse una clasificación
espectral (Chuvieco, 2016), esto hace que al usar esta clasificación entre categorı́as pueda
existir respuestas espectrales similares, lo que hace conveniente también considerar el ve-
cindario del pixel a clasificar buscando similitudes en caracterı́sticas espectrales y formas
de objetos (Robertson & King, 2011).
En la clasificación basada en el pixel existen dos tipos de clasificaciones: supervisada y

no supervisada. La primera se basa en el conocimiento de la zona de estudio y de la de-
limitación de las clases, se realiza en dos fases: entrenamiento y asignación, (Jog & Dixit,
2016), la primera fase se basa en el entrenamiento de un conjunto de pixeles en cada una
de las clases, discriminando grupos de pixeles basado en los valores de ND en cada banda
de la imagen, mientras que en la fase de asignación se realiza la clasificación de la imagen
de manera general. En la clasificación supervisada se encuentran algunos métodos; Vecino
más cercano (Samsudin & Bradley, 2010), distancia de Mahalanobis (Maesschalck, Jouan-
Rimbaud & Massart, 2000), máxima verosimilitud (Mather & Tso, 2016) o redes neurona-
les (Mather & Tso, 2016), sólo mencionando algunos. En la clasificación no supervisada se
agrupan los pixeles en “clusters”, estos se determinan usando algoritmos como K-means o
ISODATA (Mukhopadhyay & Maulik, 2009), el analista puede definir el número de clases y
la clasificación se realiza de manera automática.
3.3.2. Clasificación orientada a objetos

La clasificación de imágenes basada en objetos (OBI, Object-Based Image Analysis) es
una técnica que se fundamenta en la identificación de grupos de pixeles vecinos, con pro-
piedades espectrales similares. A estos grupos se le llaman objetos, tras esta agrupación los
clasificadores trabajan en función de las caracterı́sticas espaciales y espectrales de los obje-
tos (Guo et al, 2007).
El uso de clasificación basada en el pı́xel puede generar algunos problemas en la identi-

ficación de clases, las técnicas orientadas a objetos pueden solucionar alguno de estos pro-
blemas (Flanders, Hall-Beyer, & Pereverzoff, 2003), al emplear algoritmos tradicionales se
está haciendo uso de la información espectral para clasificar, ignorando la configuración es-
pacial de los grupos de pixeles que conforman las clases. En la investigación desarrollada
por Myint et al. (2011) se comparan dos enfoques de clasificación de un área urbana: La
primera clasificación se realizó a partir de solamente información espectral, en la segunda
clasificación se consideró la información tanto espectral como espacial, los resultados de-
mostraron que una clasificación basada en objetos puede alcanzar mayor precisión que una
clasificación basada en el pı́xel.
El método OBI actualmente es muy usado para monitorear o clasificar cubiertas urba-
nas, es considerado un enfoque óptimo aplicado a imágenes satelitales de alta resolución
espacial (Hu et al, 2018), en cuando al uso de imágenes Landsat en contextos urbanos, el
OBI se ha usado (Aslami & Ghorbani, 2018), obteniendo igualmente altos valores en la vali-
dación de precisión mediante test estadı́sticos, en la extracción de coberturas urbanas como
construcciones y áreas verdes este método con imágenes Landsat permite estimar cambios
en el uso del suelo en estudios multitemporales y simulaciones (Naeem et al, 2018) con una
buena precisión.
El uso de técnicas de clasificación de imágenes orientado a objetos es una alternativa res-

pecto a los métodos tradicionales de clasificación basados en pixeles, el análisis orientado a
objetos (OBIA, por sus siglas en inglés) se basa en técnicas de segmentación de la imagen las
cuales tienen como objetivo dividir una imagen en regiones basados en las propiedades el
pixel o valores de grises (González & Woods, 2002). Los métodos de segmentación se pueden
clasificar de la siguiente manera según (Hernandez et al, 2015):
Basados en los bordes
Basados en regiones
Métodos mixtos
Esta sección del trabajo se apoyó en los métodos de segmentación basados en regiones
los cuales están fundamentados en procesos de crecimiento, división y mezclado, agrupan-
do pixeles en segmentos homogéneos.
Segmentación
La segmentación de la imagen es un importante proceso del análisis de imagen, el cual
consiste en subdividir la imagen en sus partes constituyentes y la extracción de estas partes
de interés o también llamados objetos, hasta cumplir con la condición de la homogeneidad
(Zhang, 1997). El objeto se define como un grupo de pixeles contiguos espectralmente simi-
lares que representa superficies homogéneas (Guo et al, 2007).
Los algoritmos de segmentación se dividen en dos clases principales, teniendo algunos

métodos mixtos. Las dos clases son el método basado en la frontera y el método de creci-
miento de la región, el primero detecta contorno de objetos, el segundo, el más utilizado
puede producir regiones cerradas o áreas atreves de la propiedad de similitud, donde los
pixeles vecinos tienen valores radiométricos casi iguales (Zhang, 1997). El método de cre-
cimiento de la región tiene una ventaja en el manejo de datos multiespectrales, un posible
inconveniente de este método es que genera potencialmente una imagen segmentada con
pequeñas regiones u objetos. En consecuencia, generalmente se aplica un procedimiento de
fusión después de la segmentación inicial (Guo et al, 2007).
Si se pretende analizar algún tipo de cobertura o superficie que se deriven de la confor-

mación de objetos se debe tener presente el patrón de homogeneidad y el patrón escalar,
esto proporciona una premisa y es que no existe ningún método universal de segmentación
o generación de objetos que aplique para cualquier tipo cobertura, por eso se debe variar
los parámetros y ası́ obtener resultados óptimos. Flanders et al. (2003) proporciona un buen
ejemplo; las áreas urbanas generalmente se establecen como objeto superior, logrado atre-
ves de un aumento del parámetro de escala, estas asignaciones no se basan por el número
de pixeles sino en el grado de heterogeneidad de dicho objeto. Existen otros ejemplos como
en India, donde utilizan esta técnica de análisis de imágenes basadas en objetos para extraer
parcelas catastrales de alta resolución (Khadanga, Jain & Merugu, 2016).
Crecimiento de regiones
El método de crecimiento de regiones (Region Growing) agrupa pı́xeles o subregiones en
regiones de mayor tamaño, el primer paso es iniciar con la creación de puntos “semillas” los
cuales son creados de manera aleatoria en toda la imagen. Este paso es fundamental para
asegurar una segmentación de calidad; Hernandez et al. (2015) recomiendan que estos pun-
tos semilla no queden en áreas de ruido ni en bordes para asegurar una mejor calidad.
Para tener un mejor resultado se debe evitar puntos en bordes y zonas de ruido otro cri-
terio a tener en cuenta es un cubrimiento de todas las clases a clasificar y considerar una
buena combinación de bandas.
Tras la selección de las semillas el siguiente paso el es el crecimiento de las regiones por
la agrupación de pixeles vecinos basados en criterios de similitud de valores espectrales este
proceso se puede realizar con la creación de clusters basados en una distancia euclidiana
(Ecuación 16)(Mao et al, 2009).
v
t n
X
dij = pk (xik − xjk )2 (16)
k=1
Donde:
xik y xjk : Son los pixeles
dij : Es la distancia euclidiana entre xi y xj
pk : Factor de peso
También se podrı́a considerar una formula de distancia basada en la información espec-

tral d(x, y) tal como lo hicieron Hernandez et al. (2015):
v
t n
X
d(x, y) = (xi − yi )2 (17)
i=1
Donde:
xi : Es el valor espectral del pixel vecino en la banda i
yi : Es la media espectral de la región en la banda i
El crecimiento de la región se detiene cuando el valor espectral del pixel vecino es disi-
milar al de la región. El último paso consiste en la unión de las regiones creadas. Esto evita
la creación de regiones demasiado pequeñas, los tamaños de las regiones de la segmentación
estarán en función de los parámetros seleccionados por el usuario.
Para la evaluación de la segmentación se hace uso de criterios de similitud entre los seg-
mentos usando la ecuación 18:
F(v, I) = f (v) + f (I) (18)
Donde:
n
X
(ai × vi )
i=1
v= n
X : Es la varianza en la región i y en un área ai
(ai )
i=1
n X
X n
n wij zi zj
i=1 j=1
I= n
XX n n
X : Es el I de Moran
wij zi2
i=1 j=1 i=1
3.4. Precisión de la clasificación

El análisis kappa es una técnica de análisis estadı́stico para evaluar el grado de exactitud
temática y verificar que los atributos o elementos de las categorı́as del mapa coincidan con la
realidad, esta ı́ndice kappa se calcula por medio de fases donde cobra importancia la matriz
de confusión.
El coeficiente kappa (ecuación 19): Es una técnica de análisis estadı́stico para evaluar
el grado de exactitud temática, propuesta por Cohen (1960), este coeficiente kappa, toma
valores entre -1 y 1 entre mas cercado al 1, mayor será el grado de concordancia entre las
categorı́as de referencia, verdad-terreno y el mapa, eliminando los factores aleatorios (Chu-
vieco, 2016).
n
X n
X
n Xii − Xi+ X+i
i=1 i=1
K= n (19)
X
n2 − Xi+ X+i
i=i
Donde:
n : tamaño de la muestra
Xij : elementos de la diagonal de la matriz de confusión
Xi+ X+i : producto de la filas y columnas de la matriz de confusión
Exactitud temática
Es el nivel de concordancia entre el valor real (terreno) y el resultado de las observaciones
o estimaciones de clases en el mapa (pixel). La estimación del grado de exactitud temática
en la clasificación de uso y/o cobertura del suelo en las imágenes satelitales es significativa
dado que le otorga validez a esta.
Matriz de confusión
Esta matriz cuadrada de números, en las columnas de la matriz se ve la observación
verdad-terreno, y sobre las filas están las clases del mapa, es importante resaltar que la
diagonal de la matriz nos indica el número de clasificaciones realizadas correctamente y las
que aparecen fuera de la diagonal son migraciones o fugas (errores de asignación), Chuvieco
(2016).
Precisión general
La presición general (ecuación 20) es la medida más general, relaciona las clasificaciones
acertadas con el total de las clasificaciones; muestra lo bien que el mapa identifica las clases
de cobertura terrestre, Chuvieco (2016).
n
X
Xii
i=1
OA = n n (20)
XX
Xij
i=1 j=1
Donde:
Xii : Es la diagonal de cada columna de la matriz de confusión
Xij : Es una celda cualquiera de la matriz de confusión
3.5. Estadı́stica espacial

Si bien desde la estadı́stica clásica se puede analizar variables cualitativas y cuantitativas
que describan un fenómeno geográfico sus herramientas se pueden quedar cortas para es-
tudiar variables espacializadas, es decir; con coordenadas asociadas a un espacio geográfico.
La estadı́stica espacial permite analizar datos georeferenciados facilitando el estudio de pa-
trones espaciales y la medición de autocorrelación espacial, usar la estadı́stica espacial es la
mejor manera de determinar el tipo de autocorrelación, en esta investigación determinando
la distribución geográfica de las islas de calor en la ciudad de Bogotá.
Como el objetivo de este trabajo es confirmar la presencia de una autocorrelación es-

pacial de la temperatura de superficie en la ciudad de Bogotá es necesario hacer uso de la
matriz de pesos espaciales Wij la cual se compone de ceros y unos para medir la contigüidad
o proximidad de localizaciones en el espacio, existen representaciones básicas que emulan
los movimientos del ajedrez (figura 3.2):
Figura 3.2: Contigüidad Torre, Reina y Alfil
Fuente: Elaboración propia
Sin embargo existen más matrices de pesos espacial, la elección de la matriz es fun-
damental para realizar la medición de la autocorrelación; esta se debe basar en criterios
estadı́sticos como el criterio de información de Akaike (AIC). En la figura 3.2 se muestran

las matrices de contigüidad: Reina, Torre y alfil, sin embargo existen otros movimientos en
el espacial más complejos como el Esfera de influencia, distancia de Gabriel, Triangulación
Delaunay, Vecinos Relativos y N-Vecinos más cercanos, estas matrices de contigüidad deben
ser validadas para determinar la mejor matriz que permita analizar los patrones espaciales
de la temperatura.
3.5.1. Análisis exploratorio global

El Análisis Exploratorio de Datos Espaciales (AEDE) es un conjunto de métodos estadı́sti-
cos que permite el tratamiento de datos geográficos y una primera aproximación a los pa-
trones espaciales de una variable de interés. El desarrollo de los Sistemas de Información
Geográfica (GIS) han facilitado los cálculos para realizar un análisis espacial de fenómeno
sociales, económico o ambientales en un contexto geográfico (Anselin, 1998). Con el AEDE
es posible detectar caracterı́sticas espaciales asociados a una variable como; concentración
espacial, asociación espacial, clusters o aoutliers espaciales.
Para determinar si los patrones espaciales o la configuración espacial de una variable

en el espacio presenta o no una distribución aleatoria se debe evaluar estadı́sticamente la
autocorrelación espacial, el estadı́stico I de Moran (Moran, 1948) se usó (Ecuación 19) para
evaluar la autocorrelación global y determinar si la variable de interés presenta agrupacio-
nes de valores similares o por el contrario es aleatoria en el espacio.
n X
X n
n wij zi zj
i=1 j=1
I= n X
n n (19)
X X
wij zi2
i=1 j=1 i=1
Donde:
wij : Matriz de pesos espaciales
zi = (xi − X̄)
zj = (xj − X̄)
Con la significancia estadı́stica zI :

I − E [I]
zI = p (20)
V [I]
Donde:
−1
E [I] = (n−1)
h i
V [I] = E I 2 − E [I]2
3.5.2. Análisis exploratorio local

El estadı́stico I de moran Local (Ecuación 21) (Anselin, 1995) permite identificar pa-
trones espaciales locales esto resulta de gran importancia para esta investigación ya que la
determinación de clusters espaciales estarı́a sugiriendo la conformación de islas de calor en
la ciudad de Bogotá.
n
X
I i = zi wij · zj (21)
j=1
3.5.3. Análisis bivariado

A partir del BILISA (Ecuación 22) se puede analizar la autocorrelación espacial entre la
variable LST-NDVI y LST-NDBI, este tipo de estadı́stico es idóneo para estudiar el fenómeno
de islas de calor urbanas en función del tipo de cubierta presente en la ciudad, puntualmen-
te para este caso vegetación y suelo urbanizado.
n
X
IiB = zxi wij · zyi (22)
j=1,j,i
3.5.4. Modelo espacial

Un modelo espacial puede resultar de gran utilidad para analizar la temperatura del
suelo en función del tipo de cobertura ya que este puede determinar las interacciones de las
unidades espaciales en un entorno geográfico, en este caso las unidades espaciales son los
barrios de Bogotá, el objetivo es analizar la variación de la temperatura de superficie por la
influencia de las cubiertas, según Tobler (1970) en la primera ley de la geografı́a establece
que las unidades geográficas próximas entre sı́ deberı́an estar más relacionadas que con uni-
dades distantes, sin embargo para el autor todo debe estar relacionado con todo.
Esta idea es más fácil de ver con la matriz de pesos espaciales la cual conecta las unidades
en el espacio y es a partir de esta que es posible realizar modelos espaciales, por esta razón
se plantea hacer un modelo espacial en esta investigación; pues si bien se está estudiando
patrones espaciales de temperatura en la ciudad, la mejor manera de cuantificar sus efectos
es con un modelo espacial.
Un ejemplo de modelo espacial es el modelo SARAR (ecuación 23) o modelo autorregre-

sivo espacial con perturbaciones autorregresivas, en este modelo los rezagos espaciales y los
errores son generados también por un proceso autorregresivo espacial (Kelejian & Prucha,
2010).
y = xβ + λW y + ρW u + ε (23)
Donde: x es la variable independiente, β el intercepto, λ y ρ son parámetros estimados,

W la matriz de pesos espaciales y ε el vector de errores.
Un modelo espacial para entender la variación de la temperatura por influencia de la

vegetación (NDVI) y la urbanización (NDBI) estarı́a afectado por la matrı́z de pesos W como
vemos en la ecuación 23, esto nos estarı́a diciendo que los valores de temperatura (en este
caso estos valores están descrito por los polı́gonos de cada barrio) serı́an afectados por los
valores de temperatura de los polı́gonos cercanos. La matriz espacial juega un papel muy
importante en el modelo espacial, si se dice que cada polı́gono de temperatura estarı́a afec-
tado por el polı́gono vecino un modelo espacial podrı́a ser un método estadı́stico adecuado
para cuantificar la influencia de las coberturas en la formación de una isla de calor.
3.5.5. Selección del modelo

EL Criterio de información de Akaike (AIC) (Akaike, 1974) es una técnica para estimar
la probabilidad de que un modelo pueda estimar valores, este criterio establece que el mejor
modelo entre un conjunto de estos será el que tenga el mı́nimo valor (Mohammed, Naugler
& Far, 2015). El AIC (ecuación 24) es usado para seleccionar modelos basado en la maxi-
mización de la log-verosimilitud esperada de una modelo (Caballero Dı́az, 2011) mediante
máxima verosimilitud.
AIC = −2 ln(L) + 2K (24)
Donde: L es el valor de la máxima verosimilitud y K es el número de parámetros estima-

dos.
Para Caballero Dı́az (2011) el fin del AIC no es identificar el modelo verdadero, es decir
que un modelo ajuste de mejor los datos no significa que sea el modelo real, este criterio
ayudará a elegir el mejor modelo entre los modelos candidatos y este será el que mayor
aproximación tenga a la realidad.
3.5.6. Coeficiente de Pearson

El coeficiente de Pearson (Ecuación 25) es un ı́ndice sin dimensiones el cual es una medi-
da de correlación lineal entre dos variables X y Y (Lee & Nicewander, 1988). Los lı́mites de
este estadı́stico están entre -1 y 1, en donde un valor de menos representa una correlación
negativa total y 1 una correlación positiva total.
P P
(Xi − X̄) (Yi − Ȳ )
r= P 1
(25)
[ (Yi − Ȳ )2 (Xi − X̄)2 ] 2
P
Capı́tulo 4
Datos y métodos
4.1. Zona de estudio

La ciudad de Bogotá (figura 4.1) se ubica en la cordillera oriental a una altitud promedio
de 2650 msnm, con un área de 163635,88 Ha, de las cuales el 75 % corresponde al área rural
(incluyendo la localidad del Sumapaz), 23 % área urbana y 2 % área de expansión (Alcaldı́a
Mayor de Bogotá, 2017), la capital tiene una población proyectada para el 2018 de 8’181047
habitantes (Alcaldı́a Mayor de Bogotá, 2014). Administrativamente la ciudad está dividida
en 20 localidades incluyendo la localidad de Sumapaz la cual ocupa gran parte del área de
Bogotá.
Figura 4.1: Localización geográfica del área urbana de Bogotá.
Fuente: Imagen Landsat 8 composición RGB(5,6,4), Elaboración propia
25
CAPÍTULO 4. DATOS Y MÉTODOS 26
4.1.1. Clima de Bogotá

El clima de la ciudad se caracteriza por dos temperadas, la seca y la lluviosa. Los meses
de enero, febrero, julio y agosto son temporadas secas, la época de lluvias se ubica desde el
mes de marzo hasta junio y desde el mes de septiembre hasta el mes de diciembre. Según
el informe de calidad de aire del 2016 (Alcadı́a Mayor de Bogotá , 2017) la precipitación
promedio fue de 736 mm y temperatura promedio de 15°C, es importante aclarar que entre
el año 2015 y 2016 ocurrió el fenómeno del niño, la temperatura promedio para el 2015 fue
de 14,6 mientras que la de los años 2013 y 2014 fue de 14,3.
Figura 4.2: Variación de la temperatura en Bogotá 2000-2016.
Fuente: (Alcadı́a Mayor de Bogotá , 2017)
Fenómeno Niña-Niño
El Fenómeno Niña-Niño se presenta cuando la temperatura superficial del mar se en-
cuentra por debajo (Niña) o por encima (Niño) este fenómeno es medido mediante el Ocea-
nic Niño Index (ONI) si el valor es menor a -0.5 se considera un periodo Niña, si este es
mayor a 0.5 este se considerará Niño. Este fenómeno es la mayor variación climática que
tiene Colombia por estar en la franja ecuatorial, la presencia del Niño genera aumentos de
temperatura contrario a la Niña la cual aumenta las precipitaciones.
4.2. Datos
Los materiales corresponden por un lado a las imágenes satelitales ha utilizar en las dife-
rentes etapas de la metodologı́a de este proyecto, como para la extracción de las coberturas
urbanas y el cálculo de temperatura de superficie. Para el análisis estadı́stico se usan los
shapes files de localidades y barrrios (figura 4.3) oficiales de la alcaldı́a de Bogotá obtenidos
de La Infraestructura de Datos Espaciales para el Distrito Capital (IDECA). Para esta inves-
tigación se enfoca el análisis solamente en el área urbana de la ciudad, por lo tanto no se
toma la localidad del Sumapaz y parte de Usme y Ciudad Bolı́var.
Figura 4.3: División administrativa de Bogotá
Fuente: Elaboración propia con datos del IDECA

Se descargaron 3 imágenes satelitales (figura 4.4) de los sensores TM y OLI TIRS de los
satélites Landsat 4, 5 y 8 , esta imágenes son usadas en la investigación principalmente para
desarrollar la metodologı́a, desde la clasificación, validación estadı́stica de islas de calor o
el cálculo del modelo espacial y fueron consideradas por ser las imágenes con menor nu-
bosidad disponibles. El criterio para utilizar estas imágenes satelitales corresponde a las
caracterı́sticas del sensor además, se la posibilidad de realizar un estudio multitemporal de
29 años y la banda térmica de los sensores permitirá calcular la temperatura de superficie.
Tabla 4.1: Imágenes satelitales descargadas
Sensor Fecha Path Row

Landsat 4 TM 1989-12-22 008 057
Landsat 5 TM 1997-08-30 008 057
Landsat 8 OLI-TIRS 2018-03-17 008 057
Figura 4.4: Imágenes satelitales de Bogotá 1989, 1997 y 2018 RGB(NIR,SWIR,Red)
Por otro lado se usaron 14 imágenes satelitales (incluyendo las tres anteriores) para desa-
rrollar una metodologı́a que permita determinar cómo ha variado el clima de la ciudad en
los últimos 33 años. Estas imágenes fueron procesadas en la plataforma de Google Earth
Engine, esta plataforma permite procesar altos volúmenes de datos de datos Landsat sin
descargarlos como se hace de manera convencional.
Tabla 4.2: Imágenes procesadas en Google Earth Engine
Imágenes Google Earth Engine

Landsat Sensor Fecha Landsat Sensor Fecha
5 TM 1985/03/22 7 ETM+ 2005/02/01
4 TM 1988/03/22 7 ETM+ 2007/02/07
4 TM 1989/12/22 7 ETM+ 2007/02/23
4 TM 1991/01/10 7 ETM+ 2009/12/29
5 TM 1997/08/30 7 ETM+ 2013/03/27
5 TM 2001/01/29 8 OLI TIRS 2015/02/21
7 ETM+ 2004/01/30 8 OLI TIRS 2018/12/30
4.3. Software usado

Para esta investigación se hace uso solamente de software libre para la realización de
cada una de las fases, como el procesamiento de imágenes, cálculo de temperatura, clasifi-
cación supervisada y análisis estadı́stico.
4.3.1. QGIS
Quantum GIS (QGIS) es un software de Sistemas de Información Geográfica (GIS) de
código abierto bajo licencia pública (General Public License, GNU, el cual es un proyecto de
Open Source Geospatial Foundation (OSGeo). Para esta investigación se usaron las versiones
2.18 y 3.2.
Procesamiento de imágenes
Usando el plugin Semi-Automatic Classification (SCP) desarrollado por (Congedo, 2019)
se realizó la corrección atmosférica de las imágenes, el cálculo de la temperatura y de los
ı́ndices espectrales.
4.3.2. SAGA GIS

Es un software de Sistema de información geográfica, diseña para la solución y desarro-
llo de procesos geo-cientı́ficos con la implementación de algoritmos espaciales, goza de una
interfaz amigable. Es un programa libre de código abierto, en este e realizaron algunas cla-
sificaciones de imágenes orientada a objetos y pixel.
SAGA-GIS es una alternativa si se quiere trabajar con software libre, esta programa tiene
la ventaja de compartir funciones con QGIS. Para realizar algunos procesos se recomienda
usar un sistema operativo basado en Linux ya que este programa tiene un mejor desempeño
y las herramientas de clasificación orienta a objetos son más completas y estables que al usar
Windows.
Clasificación orientada a objetos

La segmentación fue realizada en el software System for Automated Geoscientific Analy-
ses conocido como SAGA-GIS. De las principales ventajas que tiene OBIA frente a clasifica-
ción basada en el pixel es la facilidad en la fase de entrenamiento ya que no es necesario
crear una capa vectorial para discriminar cada una de las clases a clasificar, con la misma
capa vectorial de la segmentación se realiza la fase de entrenamiento tomando los pixe-
les más puros para evitar errores temáticos, al momento de editar los errores temáticos la
clasificación OBIA resulta hacer más sencillo este proceso, una desventaja es el número de
polı́gonos creados por la segmentación este puede ser un parámetro configurable pero la
disminución del número de polı́gonos puede afectar la calidad de la segmentación, por otro
lado si la segmentación se realizara a una imagen de alta resolución espacial es consumo
computacional podrı́a ser bastante elevado.
4.3.3. R
Es un software libre para realizar procesos estadı́sticos y gráficos. En este programa se
realizó la mayor parte del proceso del análisis estadı́stico; estadı́sticas descriptivas, análisis
exploratorio de datos espaciales con estadı́sticos de prueba como I de Moran y el I de Moran
bivariado, creación y validación del modelo espacial. R es un software de libre licencia de
código abierto el cual permite la colaboración de varios usuarios, que aceleran el procesa-
miento y análisis de los datos.
4.3.4. GeoDa
Es un software de libre uso que introduce el análisis de datos espaciales enfocado a la
rama de la estadı́stica espacial. Este permitió la generación de las respectivas visualizacio-
nes de análisis exploratorio de datos espaciales entre ellos algunos estadı́sticos como el I de
Moran y el I de Moran bivariado y el modelo espacial. Algunos gráficos fueron generados en
este programa.
4.3.5. Google Earth Engine

Google Earth Engine es una plataforma basada en la nube para el análisis geoespacial
a escala planetaria a partir de datos Landsat, Sentinel, MODIS entre otros. Google aporta
la capacidad computacional de sus servidores para realizar tareas masivas como el proce-
samiento de imágenes, correcciones o extracción de información. Google Earth Engine es
una plataforma ideal para realizar estudios de alto impacto, como deforestación, análisis
de desastres naturales y fenómenos naturales. Google dispone de esta plataforma para los
cientı́ficos, investigadores y desarrolladores para analizar, extraer y cuantificar información
espacial de cualquier parte del mundo referente a problemas sociales o ambientales.
4.4. Metodologı́a
Con el fin de contestar a la pregunta de investigación, se diseña una metodologı́a que
permita tener una aproximación del efecto que ha tenido la urbanización en los últimos 29
años en la ciudad de Bogotá, en cuanto al aumento de la temperatura del suelo.
¿Los cambios en el uso del suelo, debido a las dinámicas de urbanización en la ciudad
de Bogotá tienen relación dentro de un contexto de cambio climático con el aumento de
la temperatura y conformación de islas de calor?
Este fenómeno de calentamiento del suelo urbano es conocido como islas de calor, co-
mo se describe en el estado del arte la principal caracterı́stica de este es la concentración
de altos valores de temperatura del suelo en lugares con alta densidad de urbanización que
por lo general se ubican en el centro de una ciudad. Para estudiar este fenómeno, desde esta
investigación se plantea hacer uso de técnicas de teledetección, la ventajas de estas están en
los bajos costos de adquisición de datos, la disponibilidad periódica de información o las
grandes áreas que una imagen satelital puede cubrir, sólo por mencionar algunas.
Se decide usar datos Landsat de los sensores TM y OLI ya que estos datos disponen de una
banda térmica de 100 metros de resolución, tienen una considerable serie temporal de datos
y sus datos son de libre acceso. Esta investigación se aborda de una manera que permita ir
confirmando que la urbanización en la ciudad ha alterado la temperatura del suelo urbano.
La ventaja que presenta esta metodologı́a es que cada fase está validada estadı́sticamen-
te, esto significará análisis respaldados por resultados confiables.
Figura 4.5: Metodologı́a
4.4.1. Clasificación supervisada

El objetivo de esta primera fase es cuantificar el cambio en el suelo puntualmente: au-
mento de zonas urbanas y la pérdida de áreas verdes. Esta fase da una primera idea acerca
de las dinámicas de urbanización; espacialmente cómo se construyó la ciudad en los últimos
29 años y qué áreas verdes se urbanizaron, además de conocer dónde actualmente se con-
centra la mayor densidad urbana en la ciudad. Esto como primera fase da una idea general
de la urbanización en la ciudad y permite entender la variación de patrones de temperatura.
Después de realizar la corrección atmosférica de cada una de las imágenes se usan dos
métodos para clasificar.
Método basado en el pixel.
Método orientado a objetos.
Esta comparación de métodos se diseña para evaluar cuál método es más adecuado te-
niendo en cuanta un contexto urbano y el uso de información Landsat.
La matriz de confusión o también llamada matriz de error es calculada en software QGIS,
a través de un plugin complementario Python llamado “AccurAssess”; este plugin necesita
solamente dos datos:
Comparison map y puntos de verificación.
Reference map (mapa temático realizado).
A partir de esto y para que la evaluación sea considerablemente confiable se es necesario

que los sitios o puntos de verificación se seleccionen a través de un muestreo estadı́stico
inferencial en este orden de pasos:
Conocimiento e identificación de los elementos de la población (los cuales son 7 cate-

gorı́as: suelo urbano, suelo, desnudo, áreas verdes, cuerpos de agua, herbazal, bosques,
invernaderos).
Caracterización de todas las posibles muestras para cada categorı́a para ello se utilizó
el mecanismo de selección de muestreo aleatorio simple para cada categorı́a. El cual
selecciona una muestra a partir de una distribución de probabilidad.
Como resultado después de ejecutar el plugin “AccurAssess”, se obtiene un archivo.

Csv En el cual se obtiene: la matriz de confusión y presión general (Mas 2014).
4.4.2. Cálculo de temperatura del suelo e ı́ndices espectrales

La segunda fase tiene como fin adquirir la información del suelo necesaria para pos-
teriormente realizar una análisis estadı́stico, tal como la temperatura del suelo, ı́ndice de
vegetación e ı́ndice de construcción la cual es extraı́da de las imágenes satelitales. La tem-
peratura del suelo es la información base de esta investigación, sin embargo se decide usar
ı́ndices como el NDVI o NDBI para correlacionarlos con los valores de temperatura.
Los datos calculados de temperatura del suelo se realizan en unidades de Celsius en total se
obtiene información de tres periodos (1989, 1997 y 2018), la resolución espacial de las ima-
gen de temperatura es de 100 metros. Los ı́ndice de NDVI y DNBI son calculados a partir de
valores de reflectancia para tener mejores resultados esta información tiene un tamaño de
pixel de 30 metros.
Figura 4.6: Metodologı́a para cálculo de temperatura
4.4.3. Identificación de patrones de temperatura de islas de calor

A partir de la información de la segunda fase se tiene la manera de correlacionar tempe-
ratura del suelo con parámetros de vegetación y suelo urbano, esta metodologı́a se plantea
debido a la proximidad conceptual que tiene el ı́ndice de Moran con el fenómeno de islas de
calor, a partir del estadı́stico local de Moran es posible mapear los clusters de temperatura
lo cual indicarı́a la ubicación de la isla de calor si llegase a existir. Por otro lado el estadı́stico
bivariado local de Moran permite identificar el tipo de correlación que tiene la temperatura
con el suelo urbano y las áreas verdes, esto como primera aproximación de qué tipo de co-
bertura incide más en el aumento de la temperatura superficial.
Para realizar el análisis estadı́stico se usa el Shape Files de barrios de la ciudad de Bogotá
y los datos de 1989, 1997 y 2018. El uso del Shape File se asemeja a una bases de datos
espacial, ya que cada unidad geográfica (barrio) se le es asignada como valor promedio del
área que cubre este el dato de la temperatura, NDVI y NDBI, se plantea esta metodologı́a
ya que se considera cierto grado de homogeneidad de uso del suelo por cada barrio, la otra
razón es que hacer uso de una unidad menor de cálculo como por ejemplo el pixel harı́a
de los cálculos un proceso muy complejo. Esta fase tiene dos objetivos; identificar patrones
de islas de calor por medio de análisis de clusters de los datos de temperatura y tener una
aproximación del tipo de correlación existente entre la temperatura, el suelo urbano y las
zonas verdes.
Para llegar al primer objetivo de esta fase se usa el ı́ndice local de Moran, este ı́ndice mide
la correlación espacial de los datos, es decir si estos se distribuyen de manera aleatoria o por
el contrario forman patrones de concentración, estos patrones de concentración de valores
es el interés de esta fase ya que si confirma estadı́sticamente la presencia de concentración
de altos valores de temperatura se estarı́a confirmando la presencia de islas de calor en la
ciudad. En cuanto al segundo objetivo el planteamiento de este se realiza para conocer el ti-
po de correlación que tiene la temperatura con el suelo urbano por un lado y por el otro con
las áreas verdes, esto resulta importante para entender la si el suelo urbano incrementa la
temperatura, si se presentara esto este deberı́a tener una correlación de tipo positiva con la
temperatura, además este análisis permitirı́a ver en qué áreas de la ciudad se presenta mayor
concentración de clusters de temperatura asociados a altas concentraciones de suelo urbano
y el caso contrario; qué áreas de la ciudad con zonas verdes mitigarı́an este fenómeno.
Figura 4.7: Metodologı́a para identificar islas de calor
4.4.4. Efecto del suelo urbano en el aumento de temperatura

Esta última fase es planteada por la necesidad de conocer en cuántos grados de tempera-
tura afecta la presencia de suelo urbano y de áreas verdes en la ciudad de Bogotá, para esto
se calcula un modelo espacial que cuantifique este efecto.
Para el cálculo del modelo se usa el Shape File que contiene los datos del año 1997, esto
debido a que los datos del 2018 tienen un área afectada al sur de la ciudad y esto podrı́a
modificar los resultados. Para calcular el modelo espacial inicialmente es necesario definir
el tipo de matriz espacial a usar, esto se define mediante el criterio estadı́stico AIC, el mismo
paso se debe realizar para la elección del modelo, el AIC determinará el modelo que mejor
se ajusta a la realidad de estos datos. El modelo se construye con los datos de temperatura,
NDVI y NDBI, la variable respuesta es la temperatura y las variables que explicarı́an esta
serı́an el NDVI y NDBI, lo que se busca con esto es cuantificar en cúantos ºC afectan estas
coberturas a la temperatura.
Figura 4.8: Metodologı́a para cálculo de modelo

4.4.5. Cambio climático local en Bogotá

Esta fase no estaba contemplada inicialmente en la investigación, sin embargo analizan-
do las imágenes de temperatura y extrayendo sus estadı́sticas surge una pregunta ¿existe
cambio climático local en la ciudad de Bogotá?, esta pregunta tiene una fuerte relación con
la literatura académica consultada, sin embargo la mayorı́a de estas investigaciones contem-
plan un escenario donde la ciudad tiene presencia de estaciones (en su mayorı́a ciudades
europeas o en los Estados Unidos), este hecho hace que por ejemplo en época de verano el
fenómeno de islas de calor sea mucho más notorio en una ciudad con estaciones. Pero en una
ciudad como Bogotá el clima tendrá variaciones en función del fenómeno del Niño y Niña
provocando épocas de sequı́a o de fuertes de lluvias, lo que hace que Bogotá tenga un clima
más o menos más estable durante todo el año. Esta hecho hace que sea interesante analizar
si la temperatura del suelo en la ciudad tiene relación con las variaciones de temperatura
que provocan los fenómenos Niña - Niño.
Realizando un procesamiento de imágenes en la plataforma de Google Earth Engine es

posible obtener las imágenes con la menor nubosidad posible de la ciudad de Bogotá incluso
las del sensor ETM+, estas últimas se les debe realizar la corrección de gaps, lo cual fue rea-
lizado usando la misma plataforma. Todos estos procesos tienen la ventaja de ser realizados
en los servidores de Google lo cual ahorra espacio en el disco y capacidad computacional.
Para analizar el clima de la ciudad de manera más amplia se procesan en total 14 imágenes
satelitales, esto hace posible tener una serie temporal considerable de imágenes de tempe-
ratura.
En esta metodologı́a se propone extraer los valores de moda, media, mediana, máximos
y mı́nimos de cada imagen y analizar el comportamiento de estos datos en el tiempo, pero
para realmente tener una aproximación de un escenario de cambio climático en la ciudad,
se correlacionan estos valores con los del Oceanic Niño Index (ONI) usando el estadı́stico
de Pearson, de esta manera se podrı́a obtener una aproximación de sı́ la temperatura del
suelo en la ciudad de Bogotá desde 1985 hasta 2018 tiene influencia del clima dado por
un fenómeno regional como la oscilación Niña-Niño, o por el contrario si esta temperatura
puede tener una independencia del clima regional.
Figura 4.9: Metodologı́a para determinar la existencia de un microclima urbano

Capı́tulo 5
Resultados y análisis de resultados
En este capı́tulo se discuten los resultados en cada una de las fases de la investigación,
iniciando con la clasificación supervisada de tres imágenes (1989, 1997 y 2018), después se
discuten los resultados sobre la configuración espacial de islas de calor y su confirmación
estadı́stica, también se discuten los resultados sobre el modelo espacial que cuantificó la
afectación del suelo urbano en el incremento de la temperatura. Finalmente se muestran los
resultados de la correlación de los valores medios de temperatura de 14 imágenes de tem-
peratura con el ONI mostrando un escenario de cambio climático local en la ciudad.
5.1. Procesamiento digital de imágenes

Las imágenes satelitales descargadas del USGS tenı́an un nivel de procesamiento 1 lo
cual significa mejorar radiométricas y corrección geométrica, a cada imagen se le aplicó
el modelo de corrección atmoférica Dark-Object Subtraction (DOS)porpuesto por Chávez
(1996), este método permite realizar una corrección sin haber medido valores atmosféricos
in situ.
Los resultados de la segmentación (figura 5.1) fueron bastantes buenos considerando la

resolución de las imágenes Landsat siendo esta la principal desventaja que tiene la segmen-
tación en esta clase de imágenes pero que es compensada por la calidad espectral de las
imágenes.
40
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 41
Figura 5.1: Segementación

5.1.1. Clasificación supervisada

Para la clasificación se usaron los clasificadores Distancia de Mahalanobis y Máxima Ve-
rosimilitud, inicialmente también se habı́a considerado el método de Mı́nima Distancia pero
los resultados no fueron buenos, la razón de esto puede deberse a que este clasificador pue-
de superponer las clases o también clasificar a los pixeles desconocidos a la clase más cerca
(Wacker & Landgrebe, 1972) y estas caracterı́sticas en una heterogeneidad de suelo como lo
es un área urbana puede influir en el resultado de la clasificación.
Los resultados de la calidad de las clasificaciones determinaron que el mejor método de

clasificación usado es el orientado a objetos y el mejor clasificador fue la distancia de Maha-
lanobis. Para la evaluación de la exactitud temática se consideró verdad terreno, usando el
plugin de Q-GIS AccurAssess se realizó la evaluación de la precisión a partir de los mapas
vectorizados y las imágenes satelitales. Esta herramienta selecciona una muestra de puntos
de referencia mediante un proceso aleatorio o estratificado, este último usa las categorı́as del
mapa como estratos, de esta manera se calcula una matriz de confusión o de errores. Este
plugin permite medir la precisión de un mapa temático cuantificando la incertidumbre de
las estimaciones a partir de intervalos de confianza. AccurAssess ha sido validada mediante
investigaciones (Mas et al, 2014) esto muestra que esta herramienta está en constantes me-
joras por parte de la comunidad cientı́fica y académica por tratarse de una herramienta de
código abierto.
Tabla 5.1: Resultados de la clasificación
Clasificación Overall accuracy Kappa

Mahalanobis Pixel 1989 0.828 0.768
Likelihood Pixel 1989 0.806 0.759
Mahalanobis OBIA 1989 0.873 0.865
Likelihood OBIA 1989 0.889 0.845
Los resultados de la clasificación dejan ver un cambio en el uso del suelo entre 1989
y 2018 en donde una gran área al occidente de la ciudad fue urbanizada al lı́mite del rı́o
Bogotá, también se evidencia mayor urbanización al norte de la ciudad en donde el lı́mite
natural a la urbanización a la fecha es la Reserva Forestal Thoma Van der Hammen.
Con el fin de determinar el porcentaje de variación de las cubiertas presentes en el área

de la ciudad de Bogotá se clasificaron las imágenes satelitales de los periodos 1989, 1997
y 2018 por método de pixel y orientado a objetos, el área clasificada corresponde al área
urbana de la ciudad y los cerros orientales a partir de esto y teniendo en cuenta el trabajo de
(Jamaruppin, Pebrianti, & Bayuaji, 2015) se consideraron las siguientes clases para clasificar;
Suelo urbano, suelo desnudo, áreas verdes, cuerpos de agua, herbazal, bosques e invernade-
ros. El mayor interés de este trabajo es evaluar el impacto del suelo urbano y la vegetación
en la variación de la temperatura, sin embargo se encontró que por ejemplo el suelo desnu-
do tiene una mayor temperatura superficial que el suelo urbano, por esa razón se incluye en
la clasificación y también se evidenció que los invernaderos no muestran una temperatura
superficial como la una construcción, el área de estos puede tener una temperatura inferior
al del suelo verde.
Figura 5.2: Clasificación Mahalanobis OBIA 1989



5.2. Variación de cubiertas

En los últimos 29 años en la ciudad de Bogotá una de las cubiertas que más variación ha
tenido es el suelo urbano y las áreas verdes, los resultados de la clasificación ası́ lo muestra.
Tabla 5.2: Área de cubiertas; 1989 1997 y 2018
Cubierta Área ha - 1989 Área ha - 1997 Área ha - 2018

Suelo urbano 27125.8518 28479.868 33284.0949
Suelo desnudo 2773.7406 998.131 1044.0960
Áreas verdes 16890.9488 14995.847 10720.3299
Cuerpos de agua 90.7042 7731.747 115.1596
Herbazal 6631.6584 7731.747 6825.2739
Bosques 10430.2679 10508.682 11997.0987
Invernaderos 246.4649 24879.868 365.0009
Tabla 5.3: Variación de cubiertas 1989 - 2018
Cubiertas Área ha - 1989 Área en ha - 2018 Variación

Suelo urbano 27125.8518 33284.0949 18.50 %
Suelo desnudo 2779.7406 1044.0960 -165.94 %
Áreas verdes 16890.9488 10720.3299 -57.56 %
Cuerpos de agua 90.7042 115.1596 21.23 %
Herbazal 6625.6584 6825.2739 2.83 %
Bosques 10430.2679 11997.0987 13.06 %
Invernaderos 246.4649 365.0009 32.47 %
5.3. Variación de la temperatura de superficie

Se calculó la media y la moda de la temperatura de superficie (en ºC) para cada localidad
de la ciudad de Bogotá exceptuando el Sumapaz. La variación de la temperatura a partir
de la media por localidad muestra un incremento de la temperatura de superficie en el año
2018 con un aumento en la mayorı́a de las localidades, en algunas este aumento fue de más
de 3º C. Siendo las localidades más centrales y a su vez más densamente urbanizadas las que
tienen los valores de temperatura de cambio más significativos.
La razón por la cual se calculó la moda de la temperatura por localidad es que este es-
tadı́stico permite hacer una idea acerca de concentración de valores altos de temperatura
en un área (figura 5.5), es otra manera de mostrar los clusters de temperatura en la ciudad
de Bogotá. Este aumento de moda a lo largo del tiempo muestra un patrón espacial de con-
centración de temperatura en el centro de la ciudad, localidades como Kennedy, Fontibón,
Puente Aranda, Teusaquillo, Barrios Unidos, Los Mártires, Candelaria, Antonio Nariño y
Rafael Uribe son las que mayor temperatura concentran, este sencillo análisis deja ver un
claro patrón de isla de calor que será validado más adelante con métodos estadı́sticos más
robustos.
Tabla 5.4: Media de la temperatura en ºC 1989 - 2018
1989 1997 2018

Localidad
Media Media Media
Santa fe 17.49266919 17.08780216 18.24661383
Puente Aranda 25.16430798 25.67170751 29.17473653
Ciudad Bolivar 23.39423142 22.01963102 21.51809463
Barrios Unidos 25.4278856 24.68157639 27.6874613
Suba 22.65937169 23.28179873 23.66841573
Antonio Nariño 23.11966476 24.00666027 27.30031801
Candelaria 19.94791238 20.24473668 23.87271003
Engativá 24.64730991 24.51619243 26.63792281
Fontibón 25.1234998 25.01944687 27.59215121
San Cristobal 15.64127504 15.589864 15.62085251
Teusaquillo 23.67851634 23.17302192 26.04935714
Usaquen 19.30452555 19.70001057 20.49394962
Chapinero 18.4541923 17.609591 18.93972243
Usme 20.61033515 16.80764935 20.04350107
Rafael Uribe U 21.54694144 22.84517123 20.90278552
Tunjuelito 23.54985617 25.03520809 19.84048222
Los Martires 23.48880417 24.96601607 28.65495025
Kennedy 25.15951459 25.11986343 27.57577967
Bosa 24.14817301 23.44745916 20.2788853
Promedio 22.23994666 22.14860036 23.37361525
Tabla 5.5: Moda de la temperatura en ºC 1989 - 2018
1989 1997 2018

Localidad
Moda Moda Moda
Santa fe 13.21444225 19.28486061 14.33566761
Puente Aranda 24.09428596 24.98043442 28.50547218
Ciudad Bolivar 21.99760056 25.40795898 0.3754592538
Barrios Unidos 25.74618721 24.12115669 27.15431786
Suba 24.09437943 25.40795898 23.68694878
Antonio Nariño 23.67754173 24.55094528 25.90108299
Candelaria 20.72173309 21.5072937 24.28253174
Engativá 26.15569687 25.40795898 25.77573586
Fontibón 26.97090721 24.98043442 28.09791756
San Cristobal 18.12811852 12.83569145 10.64666748
Teusaquillo 22.84060287 23.68931007 26.4340744
Usaquen 23.67789078 24.12115669 23.82892609
Chapinero 21.99760056 20.1795845 19.71736526
Usme 18.56304932 17.02282333 21.06581306
Rafael Uribe U 22.41979408 22.38479042 25.82772827
Tunjuelito 24.09405708 24.12065315 11.44365501
Los Martires 23.67759895 24.97988319 27.33197784
Kennedy 25.74629021 25.8339901 26.17259979
Bosa 24.09428596 23.25600243 17.22345543
Figura 5.5: Mayor aumento de la moda LST desde 1989 a 2018
Se realizó un análisis de los barrios que mayor temperatura del suelo tienen actualmente
(tabla 5.6), se logró identificar que los sectores de la ciudad con las temperaturas de super-
ficie más altas, en la mayorı́a corresponden a sectores en donde se desarrollan actividades
industriales. También se encontró que hay barrios con usos residenciales donde hay pocas
áreas verdes lo cual mostrando el contraste de temperatura (figura 5.6). De manera general
la principal caracterı́stica de estos 20 barrios son las pocas áreas de zonas verdes y la alta
densidad de urbanización.
Tabla 5.6: Los 20 Barrios con más alta LST en Bogotá 2018
Barrio Temperatura ºC UPZ Uso

Granjas de techo 31.8 Granjas de techo Industrial
Los Ejidos 30.8 Zona Industrial Industrial
Pensivania 30.8 Zona Industrial Industrial
Industrial Centenario 30.6 Zona Industrial Industrial
Rafael Uribe 30.4 Los Alcazares Residencial
Bavaria 30.4 Castilla Residencial
Gorgonzola 30.4 Zona Industrial Industrial
La trinidad 30.3 San Rafael Residencial
Ciudad Kennedy 30.3 Americas Central urbano
San Rafael Industrial 30.2 San Rafael Residencial
La Pradera 30.2 San Rafael Residencial
Colombia 30.2 Los Alcazares Residencial
El Ejido 30.1 Zona Industrial Industrial
Centro Fontibón 30.1 Fontibón Central urbano
Mandalay 30 Americas Central urbano
Salazar Gómez 30 Puente Aranda Industrial
Siete de Agosto 30 Los Alcazares Residencial
La paz 30 Los Alcazares Residencial
La Aurora 30 Los Alcazares Residencial
Hipotecho 29.8 Americas Central urbano
Estos resultados muestran que es necesario generar una planificación urbana sostenible,
aunque en este trabajo no se discute sobre la calidad del aire se podrı́a pensar que estas
áreas de altas temperaturas tienen una baja calidad de aire también. Esto tan sólo muestra
la importancia que tienen las áreas verdes en la calidad de vida de los habitantes de una
ciudad.
Las figuras 5.7, 5.8 y 5.9 muestran cómo la urbanización en los últimos 29 años, ha alte-
rado la temperatura del suelo, actualmente la urbanización de la ciudad está limitada por el
rı́o Bogotá al occidente y los cerros orientales al oriente de la ciudad, este panorama podrı́a
hacer que en los próximos años se aumente la densidad urbana en el centro de la ciudad, lo
cual harı́a que la temperatura del suelo siga aumentando en esta zona.
Figura 5.6: Temperatura de barrios en 2018

Figura 5.7: LST 1989



5.4. Análisis estadı́stico

Se usó el ShapeFile de barrios de la ciudad de Bogotá para asignar a cada polı́gono como
atributo el valor medio de las capas NDVI, NDBI y LST, de esta manera el polı́gono toma el
promedio de cada uno de estos valores asociados a la cantidad vegetación, construcción y la
temperatura de superficie. El centroide de cada polı́gono además de tener información de
las cubiertas está relacionado con un par de coordenadas; de esta manera se pudo medir la
autocorrelación espacial y realizar un análisis bivariado de autocorrelación.
Figura 5.10: ShapeFile: barrios de Bogotá
El histograma de la variable LST se obtuvo usando R y considerando los pixeles de la

imagen , este permite estudiar si los datos siguen una distribución normal; se observa una
tendencia de los datos en el paso del tiempo que muestra una asimetrı́a unimodal hacia la
derecha, es decir una tendencia de aumento de la temperatura siendo más evidente en el
año 2018. Esto mismo se puede analizar con las estadı́sticas descriptivas de la variable LST
donde su valor máximo en 1989 era de 29.74º C, en 1997 de 28.62º C mientras que en 2018
fue de 31.78ºC.
Figura 5.11: Histograma de LST
Tabla 5.7: Estadı́stica descriptiva LST en ºC
Medida 1989 1997 2018

Mı́nimo 13.54 12.89 13.73
Máximo 29.74 28.62 31.78
Media 22.96 22.99 23.22
Mediana 23.41 23.72 24.86
Cuantil Q1 21.52 21.76 20.27
Cuantil Q3 24.79 25.01 27.28
Tabla 5.8: Estadı́stica descriptiva NDVI
Medida 1989 1997 2018

Mı́nimo 0.052 0.023 0.044
Máximo 0.683 0.651 0.675
Media 0.287 0.209 0.218
Mediana 0.252 0.166 0.176
Cuantil Q1 0.163 0.105 0.117
Cuantil Q3 0.396 0.272 0.269
Tabla 5.9: Estadı́stica descriptiva NDBI
Medida 1989 1997 2018

Mı́nimo -0.140 -0.109 -0.259
Máximo 0.311 0.340 0.143
Media 0.159 0.191 0.025
Mediana 0.182 0.210 0.041
Cuantil Q1 0.113 0.163 -0.008
Cuantil Q3 0.222 0.236 0.080
Se determinó la matriz de pesos espaciales a usar; calculando el AIC, el I de Moran ba-

sado en su significancia estadı́stica evaluada al 5 %, teniendo los siguientes resultados:
Tabla 5.10: Selección de matriz para 1989
Matriz I de Moran P-Valor Z(I) AIC

Reina orden 1 0.8242323354 2.2e-16 44.332 -65.2869
Torre orden 1 0.8603973420 2.2e-16 43.978 -142.0039
N-Vecino (2) 0.8017436873 2.2e-16 26.66 -7.92895
Delaunay 0.8266660698 2.2e-16 43.863 -288.9343
Dist. Gabriel 0.814597236548 2.2e-16 40.583 -155.673
I Esfera 0.8074894544 2.2e-16 38.928 -185.103
V. Relativos 0.804963152479 2.2e-16 39.124 -184.289

Reina orden 1 0.8478321891 2.2e-16 45.6 -154.2674
Torre orden 1 0.8906909611 2.2e-16 45.525 -115.2807
N-Vecino (2) 0.8485484465 2.2e-16 28.215 -55.49296
Delaunay 0.8596826799 2.2e-16 45.613 -288.9343
Dist. Gabriel 0.8246975034 2.2e-16 42.324 -218.5413
I Esfera 0.8395866521 2.2e-16 40.473 -234.473
V. Relativos 0.8098452136 2.2e-16 45.349 -197.2143

Reina orden 1 0.8794553526 2.2e-16 47.299 822.37
Torre orden 1 0.9080989022 2.2e-16 46.414 829.0105
N-Vecino (2) 0.9440475729 2.2e-16 31.386 558.6851
Delaunay 0.9126662917 2.2e-16 48.421 304.177
Dist. Gabriel 0.9035449751 2.2e-16 41.769 374.368
I Esfera 0.9380141592 2.2e-16 45.212 344.3636
V. Relativos 0.9432587615 2.2e-16 38.462 323.3692
Figura 5.12: Contigüidades - Matrices de peso
De esta manera se determinó que la mejor matriz es la Triangulación Delaunay (figura

5.13), basado en el valor del AIC; el criterio de elección será el valor menor o más negativo.
Figura 5.13: Contigüidad Triangulación Delaunay
Teniendo las imágenes en valores de reflectancia se calculan los ı́ndices espectrales NDVI
y NDBI (figura 5.14), el ı́ndice vegetación también usado en el cálculo de la temperatura de
superficie se usó como variable para medir el contenido de vegetación en la ciudad, el NDBI
midió el contenido suelo urbanizado.
ρN IR − ρRED
N DV I = (23)
ρN IR + ρRED
ρSW IR1 − ρN IR
N DBI = (24)
ρSW IR1 + ρN IR
Figura 5.14: NDVI y NDBI 2018
5.4.1. Análisis exploratorio global

La tabla 5.13 muestra los resultados del estadı́stico I de Moran evaluado en las variables
LST, NDVI y NDBI y contrastados a una significancia estadı́stica de 95 %, es decir si la pro-
babilidad del estadı́stico es menor a 0.05 quiere decir que existe autocorrelación espacial
para las variables y estas no se distribuyen aleatoriamente en el espacio.
Tabla 5.13: Análisis de autoccorelación espacial
I de Moran
1989 1997 2018
Variable I P-Val Z(I) I P-Val Z(I) I P-Val Z(I)
LST 0.8266 2.2e-16 43.863 0.8596 2.2e-16 45.613 0.9126 2.2e-16 48.421
NDVI 0.7587 2.2e-16 40.262 0.7286 2.2e-16 38.667 0.6006 2.2e-16 31.889
NDBI 0.6462 2.2e-16 34.305 0.6262 2.2e-16 33.242 0.5930 2.2e-16 31.483
Como los valores de la probabilidad son cercanos a cero significa que la temperatura de
superficie presenta unos patrones espaciales en la ciudad, es decir que los pixeles de tempe-
ratura no están distribuidos de manera aleatoria en el espacio de la ciudad de Bogotá, por
el contrario lo que esta prueba está confirmando es que Bogotá tiene áreas urbanas de altos
valores de temperatura rodeados de otras áreas de altas temperaturas, lo cual se conoce co-
mo clusters.
Este resultado presenta una prueba estadı́stica más contundente, pero que está dirigido
a un resultado similar presentado en la figura 5.6 con la concentración de valores de moda
más altos en algunas localidades de la ciudad, acá los resultados del ı́ndice de Moran confir-
ma este fenómeno que tal como lo muestran los valores del ı́ndice para cada periodo este ha
ido aumentando a lo largo del tiempo, el aumento de este valor nos indica mayor agrupación
de valores.
Con el fin de mostrar un resultado más claro de este fenómeno se realizó mapa a partir
del ı́ndice de Moran local (tabla 5.14) conocido como LISA el cual tiene una significancia
estadı́stica del 95 % y sus valores indican lo siguiente:
Para entender este mapa debemos tener claro que los polı́gonos que tienen un color son
los estadı́sticamente significativos, es decir que a una prueba al 95 % son los que se pueden
considerar como clusters. Los valores en rojo hacen referencia a los altos valores de tempe-
ratura rodeados de altos valores de temperatura, lo que se podrı́a interpretar como islas de
calor estando estas concentradas en la zona de mayor densidad de construcción de la ciu-
dad, mientras que los valores de color azul representan los valores más bajos de temperatura
rodeados de valores más bajos y estos coindicen con la zona de los cerros orientales, la con-
centración de bosque podrı́a significar diferencias de temperatura considerables.
Tabla 5.14: Mapas de LISA
LST LISA
1989
1997
2018
Los resultados claramente muestran una conformación de isla de calor urbana durante
las últimas décadas en la ciudad de Bogotá, particularmente para el 2018 se aprecia un área
no significativa rodeada de valores más altos de temperatura, ésta área corresponde a la zo-
na de la Universidad Nacional, Parque Simón Bolı́var (figura 5.15), parque El Lago, Parque
el Salitre, Centro de alto rendimiento y el Jardı́n Botánico; zonas especiales para la ciudad
por tener alta presencia de cubiertas verdes.
Figura 5.15: Mitigación de temperatura en áreas verdes

5.4.2. Análisis bivariado

Los resultados del I de Moran Bivariado (tabla 5.15) muestran una estructura de auto-
correlación con la variable LST, este resultado demuestra que el NDVI y NDBI tienen una
incidencia con la variación de la temperatura de superficie. El valor estadı́stico del I de
Moran Bivariado para el NDVI-LST tiene un valor negativo (autocorrelación negativa) esto
indica que la vegetación es una variable que disminuye la temperatura de superficie, mien-
tras que el NDBI-LST tiene un valor positivo indicando el caso contrario.
Tabla 5.15: Análisis bivariado
I de Moran
1989 1997 2018
Variable I P-Val Z(I) I P-Val Z(I) I P-Val Z(I)
NDVI -0.120 2.2e-16 -8.642 -0.418 2.2e-16 -28.12 -0.190 2.2e-16 -13.02
NDBI 0.152 2.2e-16 10.717 0.397 2.2e-16 26.169 0.3625 2.2e-16 22.707
Como los mapas de LISA (tabla 5.14) es posible generar los mapas de BILISA (tabla 5.16),
estos mapas ayudan a entender mejor el comportamiento de las islas de calor pero no como
un fenómeno aislado y natural, todo lo contrario demuestra que la urbanización en la ciudad
de Bogotá ha influido de manera significativa en el aumento de temperatura de superficie,
los clusters de temperatura de la tabla 5.14 corresponden a los clusters de NDBI mostrando
las áreas de la ciudad con mayor concentración de urbanización, esto confirma estadı́stica-
mente que las zonas con mayor densidad de urbanización y con pocas áreas verdes tendrán
una temperatura de suelo mayor.
Tabla 5.16: Mapas de BILISA
NDBI-LST NDVI-LST
1989
1997
2018
Los resultados del BILISA son unos mapas de clusters bivariados de las variables NDVI
y NDBI correlacionadas con LST, en los resultados estadı́sticos se habı́a observado correla-
ciones negativas (NDVI-LST) y positivas (NDBI-LST) estos mapas lo confirman desde esta
interpretación:
Los valores rojos de NDBI-LST hacen referencia a altos valores de NDBI(construcción)

rodeados de altos valores de LST(temperatura) este resultados estadı́stico confirma que la
construcción incide en el aumento de la temperatura de superficie en el periodo de estudio
Bogotá tuvo un aumento en su urbanización y esto a su vez se relaciona con la configuración
espacial en el año 2018 donde concentran en el centro de la ciudad altos valores de edifi-
cación rodeados de altos valores de temperatura. Por otro lado los resultados de NDVI-LST
demuestran que la vegetación tiene una relación inversa con la temperatura, el color gris del
mapa muestra que los bajos valores de NDVI(vegetación) están rodeados de altos valores de
temperatura nuevamente se muestra que el área de los cerros orientales mitiga el aumento
de LST puesto que el color rosa infiere que los altos contenidos de vegetación están asocia-
dos y rodeados de bajos o estables valores de temperatura.
Figura 5.16: Dispersograma de Moran Bivariado: izquierda NDBI-LST 1989, derecha NDBI-
LST 2018
La figura 5.15 muestra que la temperatura de superficie tiene una relación directa con el
NDBI o suelo urbanizado, también es posible observar un comportamiento particular en la
concentración de los valores en el primer cuadrante para el segundo gráfico que representa
el periodo de 2018, mientras que el primer gráfico tiene mayor dispersión. Esto se se puede
deber al aumentado de la edificación y densidad en la ciudad lo que hace que la temperatura
esté mayormente concentrada en la actualidad.
5.4.3. Modelo espacial

En esta sección se presentan resultados complementarios a la sección de análisis espacial
en la cual se mostraron los resultados tras un análisis exploratorio global y local donde se
confirmaron las estructuras de autocorrelación espacial entre la temperatura y los ı́ndices
NDVI y NDBI, mostrando la variación en los últimos 29 años en la ciudad de Bogotá.
Inicialmente se calculó un modelo de regresión clásico a partir de mı́nimos cuadrados

ordinarios buscando cuantificar el efecto de las cubiertas en la temperatura del suelo (tabla
5.17).
Tabla 5.17: Modelo de regresión clásico
Modelo clásico
Variable Estimado P-Valor
Intercepto 21.1976 2e-16
NDVI -4.1738 0.000365
NDBI 13.9121 2.2e-9
R cuadrado 0.5032
Con el gráfico (figura 5.17) entre LST, NDVI y NDBI se puede ver la tendencia entre estas
tres variables. En donde altos valores de NDVI corresponden a bajos valores de LST y altos
valores de NDBI se tienen los más altos valores de LST.
Figura 5.17: Gráfico 3D, LST, NDVI y NDBI
Las variables y el intercepto son estadı́sticamente significativos, el estimado de la varia-

ble NDVI (vegetación) sugiere que un aumento en una unidad de esta variable disminuye
la temperatura del suelo en 4º C, mientras que la variable NDBI (construcciones) con un
incremento en una unidad significarı́a un incremento en 14º C, el R cuadrado del modelo
es del 50 % es decir que explica la mitad de la variabilidad de la temperatura en función de
estas variables.
Para descartar que este modelo presenta autocorrelación espacial en los residuos se reali-
zaron una prueba estadı́stica a partir del ı́ndice de Moran, en donde se tomaron los residuos
y se les calculó el I de Moran, esto confirmó que los residuos presentan una estructura de
autocorrelación, es decir que un modelo lineal no es suficiente para estudiar la influencia
del suelo urbano y áreas verdes en la variación de temperatura.
Figura 5.18: Mapa de residuos - Modelo clásico
Se realizó un mapa con los residuos del modelo clásico (figura 5.18), el cual muestra los
errores asociados a cada polı́gono tras la predicción, este mapa permite ver que los residuos
tienen un comportamiento no aleatorio lo que nos podrı́a indicar que estos presentan una
estructura de autocorrelación espacial, este análisis se realizó para determinar si el cálculo
de un básico lineal es suficiente para estudiar este fenómeno o por el contrario es necesario
realizar el ajuste de un modelo espacial siendo la mejor manera de cuantificar la variabili-
dad de la temperatura ya que se tiene en cuenta las relaciones en el espacio dadas por una
matriz de pesos espaciales. Para determinar esto se usó el estadı́stico de Moran para medir
la autocorrelación de los residuos.
Tabla 5.18: I de Moran para los residuos
I de Moran - Residuos
I de Moran Z(I) P-Valor
0.813717 43.057 2.2e-16
La probabilidad del estadı́stico I de Moran fue cercana al cero (tabla 5.18) lo cual indicó
que los residuos del modelo lı́nea presentan autocorrelación en el espacio.
A partir de la confirmación estadı́stica de la autocorrelación espacial de los residuos del

modelo clásico se planteó realizar un modelo espacial para los datos de 1997, se toman estos
datos porque los datos de 2018 tienen la influencia de una nube al sur de la ciudad y esto
puede afectar los resultados. El modelo espacial calculado en esta investigación fue posible
en gran medida por los equipos del Centro para Computación de Alto Rendimiento (CE-
CAD) infraestructura perteneciente al doctorado de ingenierı́a de la Universidad Distrital,
por la cantidad de datos estos equipos facilitaron el trabajo.
Para determinar el mejor modelo se realizó la prueba AIC (tabla 5.19) que también se
utilizó para determinar la matriz de pesos espaciales y que para este modelo fue selecciona-
da como matriz de pesos espaciales la Triangulación Delaunay.
Tabla 5.19: AIC para modelos espaciales
Modelo AIC
Spatial Lag 2812.374
Spatial Error 2721.926
SARAR 2707.764
Durbin Spatial 2708.606
El AIC determinó que el mejor modelo es el SARAR o modelo autorregresivo espacial

con perturbaciones autorregresivas.
Tabla 5.20: Modelo SARAR
Modelo espacial SARAR

Variables Estimado P-Valor
λ 0.97454 2.22e-16
ρ -0.27904 2.5508e-5
Intercepto 25.3185 2.2e-16
NDVI -3.6803 1.465e-6
NDBI 16.3166 2.2e-16
Pseudo R 0.900242
Shapiro test 0.001217
Breusch Pagan test 0.3371
Los resultados del modelo (tabla 5.20) determinan que las variables y sus parámetros son
significativos estadı́sticamente el pseudo R cuadrado como se conoce es considerablemente
alto considerando que un valor 1 ı́ndica un ajuste completo. El modelo pasa la prueba de
heterocedasticidad evaluada por el test de Breusch Pagan pero al evaluar si los errores del
modelo siguen una distribución normal el test de Shapiro Wilk determina que estos no la
siguen, por tal razón fue necesario realizar una transformación a la variable LST.
Figura 5.19: Histograma LST
El histograma de la variable LST no muestra una distribución normal para sus datos, por
lo tanto se realizó una transformación a la variable para lograr esto. A los datos se les aplicó
la transformación de Anamorfosis Gaussiana la cual hizo que los datos de la variable LST
tuvieran un comportamiento descrito por una función normal (figura 5.19).
Figura 5.20: Residuos modelo SARAR
Los resultados de la transformación muestran una variable en la que sus datos siguen
una distribución normal, con esta variable transformada se calculó de nuevo el modelo. Al
calcular de nuevo el modelo SARAR (tabla 5.21) con la variable LST transformada los resi-
duos tuvieron una mejor distribución (figura 5.20) los cuales pasan la prueba de normalidad.
Tabla 5.21: Modelo SARAR - LST transformada
Modelo espacial SARAR - LST transformada

Variables Estimado P-Valor
λ 0.95805 2.2e-16
ρ -0.37823 1.4457e-7
Intercepto -1.42854 0.0001020
NDVI -1.28540 0.0003365
NDBI 5.70776 2.2e-16
Pseudo R 0.90046
Shapiro test 0.0729
Breusch Pagan test 0.2053
Tabla 5.22: Análisis de impactos del modelo
Análisis de impactos del modelo SARAR

Variable Directo Indirecto Total
NDVI -1.83848 -11.46353 -13.30201
NDBI 12.01024 7.88785 19.89809
Por último se realizó el análisis de impactos del modelo (tabla 5.22), estos impactos de-
terminan las variaciones que tiene la variable de estudio en este caso la temperatura de
superficie en función del NDVI y NDBI y se calculan como directos e indirectos, los directos
hacen referencia a la variación de la variable respuesta en una unidad geográfica mientras
que los indirectos se determinan a partir de los impactos que generan otras regiones a una
región dada y sumando estos impactos se obtiene el impacto total.
El resultado del modelo espacial que mide la variación de la temperatura en función del
contenido de vegetación y urbanización dio los siguiente resultados; una unidad de NDVI
en una zona de la ciudad de Bogotá representa una disminución de 13 º C este resultado
no es alejado de lo que se veı́a en el mapa de distribución de temperatura superficial ya
que esta es la diferencia aproximada de temperatura entre los cerros orientales y el centro
urbanizado de la ciudad. Por otro lado una unidad de NDBI representa un aumento de casi
20º C en la temperatura del suelo este resultado confirma los resultados previos y es de gran
importancia para conocer el impacto de la urbanización en la generación del fenómeno de
islas de calor en la ciudad de Bogotá.
5.5. Cambio climático local en Bogotá

Con el fin de identificar si el fenómeno de islas de calor en la ciudad de Bogotá han gene-
rado un microclima urbano fueron procesadas 14 imágenes satelitales, a cada imágen se le
calculó el valor de la media, mediana, moda y los valores de los máximos y mı́nimos (tabla
5.23).
Tabla 5.23: Estadı́sticas imágenes de serie de tiempo en ºC
Estadı́sticas de las imágenes procesadas en Google Earth Engine

Fecha 1985/03/22 1988/03/22 1989/12/22 1991/01/10 1997/08/30
Mı́n 11,8850 11,8346 10,9089 9,9731 10,9246
Max 39,5563 36,7307 34,8442 30,5737 36,4465
Mean 25,4589 24,9119 23,2600 21,6598 23,4039
Median 25,4050 25,3267 23,6756 21,5711 23,6855
Mode 25,405 26,1476 24,0921 21,1457 24,1174
Fecha 2001/01/29 2004/01/30 2005/02/01 2007/02/07 2007/02/23
Mı́n 3,4509 -2,2318 -3,5297 6,4030 6,4027
Max 35,6367 37,3001 35,9149 37,3113 39,1195
Mean 22,3559 23,2905 22,6431 23,9934 25,8025
Median 22,8015 23,8636 22,8394 24,3660 26,3662
Mode 22,8015 24,3677 22,3292 24,8696 26,8618
Fecha 2009/12/29 2013/03/27 2015/02/21 2018/12/30
Mı́n 2,7928 5,8100 5,9252 9,8132
Max 36,3922 38,2250 39,9137 35,0483
Mean 21,7233 25,8457 26,8727 25,9200
Median 21,8249 26,3714 27,3764 26,3131
Mode 22,8485 26,8675 28,3738 27,4385
Visualmente es posible identificar la variación de la temperatura y una concentración de

temperatura en el centro de la ciudad en el tiempo. Es posible también ver las altas tempe-
raturas que generan algunas parcelas de suelos desnudos (figura 5.21) para las imágenes de
las primeras fechas, sin embargo a medida que la ciudad fue urbanizada estas áreas dejaron
de ser puntos calientes. La serie de datos para los últimos periodos (figura 5.22) permite ver
la consolidación de un patrón de temperatura de islas de calor tal como fue presentado en
la sección 5.4.1, para la imagen de 2018 esta configuración es mucho más detallada. Este
análisis visual permite ver una tendencia de aumento de temperatura del suelo para la ciu-
dad, sin embargo los valores media presentan altos valores para los periodos de 1985, esto
podrı́a deberse a la presencia de suelos desnudos.
Figura 5.21: Serie temporal de imágenes Landsat 1985-2004

Figura 5.22: Serie temporal de imágenes Landsat 2005-2018

Los datos del ONI (tabla 5.24) dejan ver una caracterı́stica oscilatoria (figura 5.24) de este
fenómeno climático diferente al comportamiento de los valores de media, moda y mediana
extraı́dos de las imágenes de temperatura (figura 5.23). Para el periodo 2009/12/29 hubo un
ONI de 1.467 lo cual indica un fuerte periodo del Niño, pero si se compara este valor con la
media de temperatura de la imagen del mismo periodo esta fue de 21.72 ºC, siendo la más
baja.
Tabla 5.24: Valores de ONI para datos de serie de tiempo
Valores - Oceanic Niño Index

ONI AÑO ONI AÑO
-0,80 1985/03/22 0,533 2005/02/01
0,10 1988/03/22 0,333 2007/02/07
-1,233 1989/12/22 0,333 2007/02/23
0,367 1991/01/10 1,467 2009/12/29
1,867 1997/08/30 -0,233 2013/03/27
-0,633 2001/01/29 0,60 2015/02/21
0,367 2004/01/30 -0,90 2018/12/30
Figura 5.23: Estadı́sticas de la LST - Serie de tiempo

Figura 5.24: Valores Oceanic Niño Index - Serie de tiempo
Correlacionando los valores de ONI con la media y moda de las imágenes se encuentra
que existe una baja relación y negativa (tabla 5.25) entre estos datos. Esto a pesar de ser
una sencilla prueba estadı́stica permite entender el panorama de cambio climático de tipo
local en la ciudad, con este análisis se está confirmando que la ciudad de Bogotá por in-
fluencia directa de la urbanización está cambiando su clima urbano. Aunque la ciudad de
Bogotá no tenga una estación de verano marcada, en un periodo Niño de altas temperaturas
el fenómeno de islas de calor podrı́a intensificarse.
Tabla 5.25: Resultado coeficiente Pearson ONI-LST
Coeficiente de Pearson
ONI-MEAN -0.29127
ONI-MODE -0.24105
Conclusiones y recomendaciones
En la actualidad la ciudad es el hogar de una parte importante de la población en el mun-

do y se podrı́a esperar que esta cifra aumente rápidamente en las próximas décadas. Tenien-
do en cuenta que la economı́a mundial está establecida en las ciudades y es dependiente en
cierto grado del crecimiento de estas, es necesario optar por un desarrollo sostenible para
la ciudad con una urbanización y arquitectura sostenibles, sistemas de transporte basados
en energı́as renovables y uso racional de los recursos naturales. Esta es una discusión que se
está dando alrededor del mundo con una disposición al cambio, replanteo de modelos y la
implementación de planes de desarrollo con componentes de cambio climático y desarrollo
sostenible.
El fenómeno de islas de calor en la ciudad de Bogotá debe ser monitoreado con detalle
en los próximos años y en la ciudad se tendrá que discutir un mejor modelo de crecimiento
urbano que sea sostenible a largo plazo, basado este en estudios e investigaciones académi-
cas que permitan cuantificar los impactos de las polı́ticas.
Conclusiones
Se determinó una variación de las cubiertas en la ciudad de Bogotá en los últimos 29
años, destacando el aumento del suelo urbano del 18,5 % y una disminución de las
áreas verdes del 57,56 %, urbanización con un patrón de cambios de usos del suelo
hacia el occidente de la ciudad el cual fue frenado por el rı́o Bogotá y hacia el norte de
la ciudad que también fue frenado por la Reserva Forestal Thomas van der Hammen.
Las imágenes de temperatura de superficie muestran una diferencia de temperaturas

entre suelo urbano y bosque hasta de 15º C. En cuanto al registro temporal se encontró
un aumento de temperatura en zonas de la ciudad con alta densidad de construcción
(en su mayorı́a zonas centrales de la ciudad) hasta de 4º C.
El análisis espacial con el ı́ndice de Moran confirmó una autocorrelación espacial de

la temperatura de superficie, mostrando clusters espaciales en el centro de la ciudad,
esta metodologı́a de análisis de patrones espaciales de temperatura evidencia que en
la ciudad de Bogotá desde los últimos 29 años se ha estado concentrando mayores ni-
veles de temperatura del suelo en el centro de la ciudad.
El Moran Bivariado de tipo local determinó una relación estadı́stica de tipo positiva
entre la temperatura de superficie y el NDBI y de tipo negativa con el NDVI, demos-
trando que el tipo de cubierta tiene relación con la temperatura del suelo urbano. De
77
Conclusiones y recomendaciones 78
esta manera se determina en esta investigación patrones de temperatura en la ciudad

de Bogotá asociados a islas de calor relacionadas con procesos de urbanización en la
ciudad.
La aplicación de criterios estadı́sticos permitió definir un modelo espacial que cuan-

tificara el efecto que tienen las cubiertas urbanas en el aumento de la temperatura de
hasta 20º C en un área y la disminución de la temperatura de hasta 13º C en cuanto a
una cubertura verde.
A partir del coeficiente de Pearson se demostró que la temperatura del suelo es inde-
pendiente al clima regional. Esto muestra que la ciudad puede tener un micro clima
urbano con una tendencia creciente, en un contexto de cambio climático este fenómeno
podrı́a intensificarse.
Recomendaciones
En futuros trabajos resultarı́a mejor usar una imagen de mejor resolución espacial de
las que aquı́ fueron usadas si se quisiera usar el método orientado a objetos, ya que se
tendrá menos errores de tipo temático en la clasificación.
Se recomienda hacer pruebas con otros ı́ndices espectrales que sirvan para extraer in-
formación de las cubiertas presentes en el suelo urbano.
Para hacer un mejor análisis espacial resultarı́a mejor realizarlo con un ShapeFile que
tenga un polı́gono de menor tamaño, ya que una capa vectorial de barrios puede ho-
mogeneizar en gran medida los datos, perdiéndose información.
Bibliografı́a
[1] Akaike, H. (1974). A new look at the statistical model identification. In Selected Papers
of Hirotugu Akaike (pp. 215-222). Springer, New York, NY.
[2] Akbari, H., Cartalis, C., Kolokotsa, D., Muscio, A., Pisello, A. L., Rossi, F., ... & Zinzi, M.
(2016). Local climate change and urban heat island mitigation techniques–the state of
the art. Journal of Civil Engineering and Management, 22(1), 1-16.
[3] Alcaldı́a Mayor de Bogotá. (2014). Bogotá ciudad de estadı́sticas: Proyecciones de pobla-
ción por localidades para Bogotá 2016-2020. Bogotá: Secretarı́a distrital de planeación.
[4] Alcaldı́a Mayor de Bogotá. (2017). Informe anual de Calidad del Aire en Bogotá 2016.
Bogotá: Red de monitoreo de Calidad del Aire de Bogotá.
[5] Alcaldı́a Mayor de Bogotá. (2017). Revisión General Plan de Ordenamiento Territorial:
Diagnóstico POT Bogotá. Bogotá: Alcaldı́a Mayor de Bogotá.
[6] Andrews, D. G. (2010). An introduction to atmospheric physics. Cambridge University

Press.
[7] Ángel, L., Ramı́rez, A., & Domı́nguez, E. (2010). Isla de calor y cambios espacio-
temporales de la temperatura en la ciudad de Bogotá. Rev. Acad. Colomb. Cienc,
34(131), 173-183.
[8] Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis,

27(2), 93-115.
[9] Aslami, F., & Ghorbani, A. (2018). Object-based land-use/land-cover change detection
using Landsat imagery: a case study of Ardabil, Namin, and Nir counties in northwest
Iran. Environmental monitoring and assessment, 190(7), 376.
[10] Åström, D. O., Åström, C., Rekker, K., Indermitte, E., & Orru, H. (2016). High summer
temperatures and mortality in Estonia. PloS one, 11(5), e0155045.
79
BIBLIOGRAFÍA 80
[11] Avdan, U., & Jovanovska, G. (2016). Algorithm for automated mapping of land surface
temperature using LANDSAT 8 satellite data. Journal of Sensors, 2016.
[12] Beltrán, J. P. (2005). Bogotá Región: Crecimiento urbano en la consolidación del

territorio metropolitano. JPB, Historia Ambiental de Bogotá en el siglo XX. Bogotá.
[13] Beuf, A. (2012). Concepción de centralidades urbanas y planeación del cre-

cimiento urbano en la Bogotá de siglo XX. Consultado en: http://www. ub.
edu/geocrit/coloquio2012/actas/07-A-Beuf. Pdf.
[14] Buscail, C., Upegui, E., & Viel, J. F. (2012). Mapping heatwave health risk at the
community level for public health action. International journal of health geographics,
11(1), 38.
[15] Caballero Dı́az, F. F. (2011). Selección de modelos mediante criterios de información

en análisis factorial. Aspectos teóricos y computacionales. Granada: Universidad de
Granada.
[16] Carlson, T. N., Dodd, J. K., Benjamin, S. G., & Cooper, J. N. (1981). Remote estimation
of surface energy balance, moisture availability and thermal inertia. Journal of Applied
Metalworking, 20, 67 – 87.
[17] Carrizosa, J. (2012). Desarrollo regional y cambio climático en la Región Capital.

PRICC.
[18] Carslon, T. N., & Sanchez-Azofeifa, G. A. (1999). Satellite remote sensing of land use
changes in and around San Jose, Costa Rica. Remote Sens- ing of Environment, 70, 247
– 256.
[19] Chandler, T. J. (1962). London’s urban climate. The Geographical Journal, 128(3),
279-298.
[20] Chen, X. L., Zhao, H. M., Li, P. X., & Yin, Z. Y. (2006). Remote sensing image-based
analysis of the relationship between urban heat island and land use/cover changes.
Remote sensing of environment, 104(2), 133-146.
[21] Christopher, J. (2016). The 2015 Paris climate change conference: COP21. Science
progress, 99(1), 97.
[22] Chuvieco, E. (2010). Teledetección ambiental: la observación de la tierra desde el

espacio. Barcelona, España. Ariel.
BIBLIOGRAFÍA 81
[23] Chuvieco, E. (2016). Fundamentals of satellite remote sensing: An environmental

approach. CRC press.
[24] Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and
psychological measurement, 20(1), 37-46.
[25] Congedo, L. (2019). From GIS to Remote Sensing: User Manual of the Semi-
Automatic Classification Plugin. Obtenido de From GIS to Remote Sensing:
https://fromgistors.blogspot.com/p/user-manual.html?spref=scp consultado el 7
de junio de 2019.
[26] Dash, P., Göttsche, F. M., Olesen, F. S., & Fischer, H. (2002). Land surface temperature
and emissivity estimation from passive sensor data: theory and practice-current trends.
International Journal of remote sensing, 23(13), 2563-2594.
[27] de Faria Peres, L., de Lucena, A. J., Rotunno Filho, O. C., & de Almeida França, J. R.
(2018). The urban heat island in Rio de Janeiro, Brazil, in the last 30 years using remote
sensing data. International Journal of Applied Earth Observation and Geoinformation,
64, 104-116.
[28] De Maesschalck, R., Jouan-Rimbaud, D., & Massart, D. L. (2000). The mahalanobis
distance. Chemometrics and intelligent laboratory systems, 50(1), 1-18.
[29] Deosthali, V. (2000). Impact of rapid urban growth on heat and moisture islands in
Pune City, India. Atmospheric Environment, 34(17), 2745-2754.
[30] Dimoudi, A., & Nikolopoulou, M. (2003). Vegetation in the urban environment:
microclimatic analysis and benefits. Energy and buildings, 35(1), 69-76.
[31] Dingle Robertson, L., & King, D. J. (2011). Comparison of pixel-and object-based
classification in land cover change mapping. International Journal of Remote Sensing,
32(6), 1505-1529.
[32] Dwivedi, A., & Khire, M. V. (2018). Application of Split-Window Algorithm to study
Urban Heat Island Effect in Mumbai through Land Surface Temperature approach.
Sustainable Cities and Society.
[33] Figueroa, M., Zuleny, T., & Fiquitiva, I. (2017). Análisis espacio-temporal de variables
que inciden en la generación de isla de calor urbana en la localidad de Kennedy.
[34] Flanders, D., Hall-Beyer, M., & Pereverzoff, J. (2003). Preliminary evaluation of eCog-
nition object-based software for cut block delineation and feature extraction. Canadian
Journal of Remote Sensing, 29(4), 441-452.
BIBLIOGRAFÍA 82
[35] Forero, L. V. G., & Rodrı́guez, C. C. (2013). Estudio del Crecimiento Urbano con
respecto al Efecto Isla de Calor para establecer Lineamientos de Gestión Energético
Ambiental en Bogotá. Universidad de la Salle, Bogotá.
[36] Forero, L. V. G., & Rodrı́guez, C. C. (2013). Estudio del Crecimiento Urbano con
respecto al Efecto Isla de Calor para establecer Lineamientos de Gestión Energético
Ambiental en Bogotá. Universidad de la Salle, Bogotá.
[37] Garcı́a Arbeláez, C ., G .Vallejo, M .L . Higgings y E .M .Escobar .2016 .El Acuerdo

de Parı́s.Ası́ actuará Colombia frente al cambio climático.1 ed .WWF-Colombia . Cali,
Colombia .52 pp .
[38] Garcı́a, M. D. C. M. (1999). Climatologı́a urbana (Vol. 160). Edicions Universitat

Barcelona.
[39] Gartland, L. M. (2012). Heat islands: understanding and mitigating heat in urban
areas. Routledge.
[40] Gill, S. E., Handley, J. F., Ennos, A. R., & Pauleit, S. (2007). Adapting cities for climate
change: the role of the green infrastructure. Built environment, 33(1), 115-133.
[41] González, R. A. M., & Mendoza, J. A. S. P. (2015). Comunicación y cambio climático en

el ecosistema urbano de Ciudad Juárez, México: Un enfoque preliminar. CULCyT, (50).
[42] Gonzalez, R. C., & Woods, R. E. (2002). Digital image processing second edition.
Beijing: Publishing House of Electronics Industry, 455.
[43] Guo, Q., Kelly, M., Gong, P., & Liu, D. (2007). An object-based classification approach
in mapping tree mortality using high spatial resolution imagery. GIScience & Remote
Sensing, 44(1), 24-47.
[44] Hall, S. J., Learned, J., Ruddell, B., Larson, K. L., Cavender-Bares, J., Bettez, N., ...
& Morse, J. L. (2016). Convergence of microclimate in residential landscapes across
diverse cities in the United States. Landscape ecology, 31(1), 101-117.
[45] Harlan, S. L., Brazel, A. J., Darrel Jenerette, G., Jones, N. S., Larsen, L., Prashad, L.,
& Stefanov, W. L. (2007). In the shade of affluence: the inequitable distribution of
the urban heat island. In Equity and the Environment (pp. 173-202). Emerald Group
Publishing Limited.
[46] Hernandez, J. S., Izquierdo, E. M., & Hidalgo, A. A. (2015). Improving parameters
selection of a seeded region growing method for multiband image segmentation. IEEE
Latin America Transactions, 13(3), 843-849.
BIBLIOGRAFÍA 83
[47] Hu, T., Liu, J., Zheng, G., Li, Y., & Xie, B. (2018). Quantitative assessment of urban
wetland dynamics using high spatial resolution satellite imagery between 2000 and
2013. Scientific reports, 8(1), 7409.
[48] Imhoff, M. L., Zhang, P., Wolfe, R. E., & Bounoua, L. (2010). Remote sensing of the
urban heat island effect across biomes in the continental USA. Remote sensing of
environment, 114(3), 504-513.
[49] Intergouvernemental panel on climate change. Working group 1. (2014). Climate

Change 2013: The physical science basis: Working group I contribution to the fifth
assessment report of the Intergovernmental Panel on Climate Change. Cambridge
University Press.
[50] Jamaruppin, M. E. B., Pebrianti, D., & Bayuaji, L. (2015, August). Land cover classifica-
tion using Landsat data (study area: Pekan district, Pahang state, Malaysia). In Software
Engineering and Computer Systems (ICSECS), 2015 4th International Conference on
(pp. 1-5). IEEE.
[51] Jog, S., & Dixit, M. (2016, June). Supervised classification of satellite images. In
Advances in Signal Processing (CASP), Conference on (pp. 93-98). IEEE.
[52] Karneichyk, V. (2019). Optics for hire. Obtenido de Infrared And Thermal Imaging
Design: http://www.opticsforhire.com/blog/2015/7/15/design-of-ir-lenses. Consulta-
do el 6 de junio de 2019
[53] Kelejian, H. H., & Prucha, I. R. (2010). Specification and estimation of spatial auto-
regressive models with autoregressive and heteroskedastic disturbances. Journal of
Econometrics, 157(1), 53-67.
[54] Kerr, Y. H., Lagouarde, J. P., & Imbernon, J. (1992). Accurate land surface temperature
retrieval from AVHRR data with use of an improved split window algorithm. Remote
Sensing of Environment, 41(2-3), 197-209.
[55] Khadanga, G., Jain, K., & Merugu, S. (2016, September). Use of OBIA for extraction
of cadastral parcels. In Advances in Computing, Communications and Informatics
(ICACCI), 2016 International Conference on (pp. 2226-2230).
[56] Kim, H. H. (1992). Urban heat island. International Journal of Remote Sensing, 13(12),
2319-2336.
[57] Kleerekoper, L., Van Esch, M., & Salcedo, T. B. (2012). How to make a city climate-
proof, addressing the urban heat island effect. Resources, Conservation and Recycling,
64, 30-38.
BIBLIOGRAFÍA 84
[58] Kuhn, T. S. (1987). Black-body theory and the quantum discontinuity, 1894-1912.
University of Chicago Press.
[59] Lee Rodgers, J., & Nicewander, W. A. (1988). Thirteen ways to look at the correlation
coefficient. The American Statistician, 42(1), 59-66.
[60] Li, H., Meier, F., Lee, X., Chakraborty, T., Liu, J., Schaap, M., & Sodoudi, S. (2018).
Interaction between urban heat island and urban pollution island during summer in
Berlin. Science of the Total Environment, 636, 818-828.
[61] Luc Anselin (1998) GIS Research Infrastructure for Spatial Analysis of Real Estate
Markets. Journal of Housing Research: 1998, Vol. 9, No. 1, pp. 113-133.
[62] Maimaitiyiming, M., Ghulam, A., Tiyip, T., Pla, F., Latorre-Carmona, P., Halik, Ü., ... &
Caetano, M. (2014). Effects of green space spatial pattern on land surface temperature:
Implications for sustainable urban planning and climate change adaptation. ISPRS
Journal of Photogrammetry and Remote Sensing, 89, 59-66.
[63] Mas, J. F. (2014). AccurAssess, un complemento de QGIS para la evaluación de la

fiabilidad de mapas temáticos Instrucciones de instalación y ejemplo de aplicación.
[64] Mas, J. F., Pérez-Vega, A., Ghilardi, A., Martı́nez, S., Loya-Carrillo, J. O., & Vega, E.
(2014). A suite of tools for assessing thematic map accuracy. Geography Journal, 2014.
[65] Mao, X., Zhang, Y., Hu, Y., & Sun, B. (2009, May). Color image segmentation method
based on region growing and ant colony clustering. In Intelligent Systems, 2009.
GCIS’09. WRI Global Congress on (Vol. 1, pp. 173-177). IEEE.
[66] Mather, P., & Tso, B. (2016). Classification methods for remotely sensed data. CRC
press.
[67] Mengel, M., Nauels, A., Rogelj, J., & Schleussner, C. F. (2018). Committed sea-level
rise under the Paris Agreement and the legacy of delayed mitigation action. Nature
communications, 9(1), 601.
[68] Mohammed, A. A., Naugler, C., & Far, B. H. (2015). Emerging business intelligence
framework for a clinical laboratory through big data analytics. Emerging trends in
computational biology, bioinformatics, and systems biology: algorithms and software
tools. New York: Elsevier/Morgan Kaufmann, 577-602.
[69] Mohan, M., & Kandya, A. (2015). Impact of urbanization and land-use/land-cover
change on diurnal temperature range: A case study of tropical urban airshed of India
using remote sensing data. Science of the Total Environment, 506, 453-465.
BIBLIOGRAFÍA 85
[70] Momparler, S. P., & Andrés-Doménech, I. (2008). Los sistemas urbanos de drenaje
sostenible: una alternativa a la gestión del agua de lluvia”. Revista Técnica de Medio
Ambiente. C&M Publicaciones, 124, 92-104.
[71] Moran, P. A. (1948). The interpretation of statistical maps. Journal of the Royal
Statistical Society. Series B (Methodological), 10(2), 243-251.
[72] Mukhopadhyay, A., & Maulik, U. (2009). Unsupervised pixel classification in satellite
imagery using multiobjective fuzzy clustering combined with SVM classifier. IEEE
Transactions on Geoscience and Remote Sensing, 47(4), 1132-1138.
[73] Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, S., & Weng, Q. (2011). Per-pixel
vs. object-based classification of urban land cover extraction using high spatial resolu-
tion imagery. Remote sensing of environment, 115(5), 1145-1161.
[74] Naeem, S., Cao, C., Fatima, K., Najmuddin, O., & Acharya, B. K. (2018). Landscape
greening policies-based land use/land cover simulation for Beijing and Islamabad—An
implication of sustainable urban ecosystems. Sustainability, 10(4), 1049.
[75] Nieuwolt, S. (1966). The urban microclimate of Singapore. Journal of Tropical geo-
graphy, 22(6), 30-37.
[76] Oke, T. R. (1973). City size and the urban heat island. Atmospheric Environment
(1967), 7(8), 769-779.
[77] Owen, T. W., Carlson, T. N., & Gillies, R. R. (1998). An assessment of satellite
remotely-sensed land cover parameters in quantitatively describing the climatic effect
of urbanization. International journal of remote sensing, 19(9), 1663-1681.
[78] Pabón-Caicedo, J. D., Pulido, S. I., Jaramillo, O., & Chaparro, J. (1998). Análisis
preliminar de la isla de calor en la Sabana de Bogotá. Cuadernos de Geografı́a: Revista
Colombiana de Geografı́a, 7(1-2), 87-93.
[79] Parece, T. E., Campbell, J. B., & Carroll, D. (2014, March). Assessing variations in urban
heat island effects within Roanoke, Virginia. In American society of photogrammetry
and remote sensing annual conference. Louisville (pp. 23-28).
[80] Parlow, E. (1999). Remotely-sensed heat fluxes of urban areas. In de Dear, et al. (Eds.),
Biometeorology and urban climatology at the turn of the millennium. WMO Tech. Doc.,
vol. 1026 (pp. 523 – 528). Geneva, Swit- zerland: World Meteorological Organization.
BIBLIOGRAFÍA 86
[81] Pérez Martı́nez, M. E. (2008). La adaptabilidad de pobladores y asentamientos rurales

en áreas de conurbación: El caso de la ciudad de Bogotá (Colombia). Cuadernos de
desarrollo rural, 5(60).
[82] Prats, J. M. C., Vicente-Serrano, S. M., & Sánchez, M. A. S. (2005). Los efectos de
la urbanización en el clima de Zaragoza (España): La isla de calor y sus factores
condicionantes. Boletı́n de la Asociación de Geógrafos Españoles, (40).
[83] Hart, M. A., & Sailor, D. J. (2009). Quantifying the influence of land-use and surface
characteristics on spatial variability in the urban heat island. Theoretical and applied
climatology, 95(3-4), 397-406.
[84] Rajeshwari, A., & Mani, N. D. (2014). Estimation of land surface temperature of
Dindigul district using Landsat 8 data. International Journal of Research in Engineering
and Technology, 3(5), 122-126.
[85] Rana, T. K., Biswas, A. N., Basu, D., Rana, B., Mukherjee, D., Das, P., & Kumar, B.
(2017, August). Impending impact of climate change on present and future generations.
In Industrial Automation and Electromechanical Engineering Conference (IEMECON),
2017 8th Annual (pp. 22-27). IEEE.
[86] Rao, P. K. (1972). Remote sensing of urban ”heat islands”from an environmental

satellite. Bulletin of the American meteorological society, 53(7), 647-648.
[87] Sagris, V., & Sepp, M. (2017). Landsat-8 TIRS Data for Assessing Urban Heat Island
Effect and Its Impact on Human Health. IEEE Geoscience and Remote Sensing Letters,
14(12), 2385-2389.
[88] Samsudin, N. A., & Bradley, A. P. (2010). Nearest neighbour group-based classification.
Pattern Recognition, 43(10), 3458-3467.
[89] Sánchez Zavaleta, C. A. (2016). Evolution of the climate change concept and its impact
in the public health of Peru. Revista peruana de medicina experimental y salud pública,
33(1), 128-138.
[90] Sobrino, J. A., Jimenez-Munoz, J. C., & Paolini, L. (2004). Land surface temperature
retrieval from LANDSAT TM 5. Remote Sensing of environment, 90(4), 434-440.
[91] Sobrino, J. A., Jiménez-Muñoz, J. C., Sòria, G., Romaguera, M., Guanter, L., Moreno, J.,
... & Martı́nez, P. (2008). Land surface emissivity retrieval from different VNIR and TIR
sensors. IEEE Transactions on Geoscience and Remote Sensing, 46(2), 316-327.
BIBLIOGRAFÍA 87
[92] Sobrino, J. A., Li, Z. L., Stoll, M. P., & Becker, F. (1996). Multi-channel and multi-angle
algorithms for estimating sea and land surface temperature with ATSR data. Internatio-
nal Journal of Remote Sensing, 17(11), 2089-2114.
[93] Streutker, D. R. (2003). Satellite-measured growth of the urban heat island of Houston,
Texas. Remote Sensing of Environment, 85(3), 282-289.
[94] Sultana, S., & Satyanarayana, A. N. V. (2018). Urban heat island intensity during
winter over metropolitan cities of India using remote-sensing techniques: impact of
urbanization. International Journal of Remote Sensing, 1-39.
[95] Sun, R., Xie, W., & Chen, L. (2018). A landscape connectivity model to quantify con-
tributions of heat sources and sinks in urban regions. Landscape and Urban Planning,
178, 43-50.
[96] Tarchópulos, D., & Ramos, O. L. C. (2003). Formas de crecimiento urbano en Bogotá:
patrones urbanı́sticos y arquitectónicos en la vivienda dirigida a sectores de bajos
ingresos. Scripta Nova: revista electrónica de geografı́a y ciencias sociales, 7.
[97] Tejero, I. F. G., Costa, J. M., Lima, R. S. N., Zuazo, V. H. D., Fernández, J. L. M., &
Chaves, M. M. (2014). Aplicaciones de la termografı́a de infrarrojos en la agricultura
moderna. Vida rural, (376), 60-66.
[98] Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit region.
Economic geography, 46(sup1), 234-240.
[99] Unies, N. (2015). World Population Prospects. Key Findings and Advanced Tables. The
2015 Revision. ESA/P/WP. 241, New York.
[100] Wacker, A. G.,& Landgrebe, D. A. (1972). Minimum distance classification in remote

sensing.
[101] Wallace, J. M., & Hobbs, P. V. (2006). Atmospheric science: an introductory survey
(Vol. 92). Elsevier.
[102] Works, W. (2015). Weather Works. Obtenido de The Urban Heat Island Effect:
https://www.weatherworksinc.com/Urban-Heat-Island-Effect Consultado junio de
2019.
[103] Weng, Q., Lu, D., & Schubring, J. (2004). Estimation of land surface temperatu-
re–vegetation abundance relationship for urban heat island studies. Remote sensing of
Environment, 89(4), 467-483.
BIBLIOGRAFÍA 88
[104] WWF (2005). Europe Feels The Heat: The Power Sector and Extreme Weather.
WWF-World Wide Fund For Nature (Formally World Wildlife Fund): PowerSwitch.
[105] Yang, J., Su, J., Xia, J. C., Jin, C., Li, X., & Ge, Q. (2018). The Impact of Spatial
Form of Urban Architecture on the Urban Thermal Environment: A Case Study of the
Zhongshan District, Dalian, China. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing.
[106] Yuan, F., & Bauer, M. E. (2007). Comparison of impervious surface area and norma-
lized difference vegetation index as indicators of surface urban heat island effects in
Landsat imagery. Remote sensing of Environment, 106(3), 375-386.
[107] Zeng, L., Wardlow, B. D., Tadesse, T., Shan, J., Hayes, M. J., Li, D., & Xiang, D. (2015).
Estimation of daily air temperature based on MODIS land surface temperature products
over the corn belt in the US. Remote Sensing, 7(1), 951-970.
[108] Zhang, Y. J. (1997). Evaluation and comparison of different segmentation algorithms.

Pattern recognition letters, 18(10), 963-974.
[109] Zhou, W., Huang, G., & Cadenasso, M. L. (2011). Does spatial configuration matter?
Understanding the effects of land cover pattern on land surface temperature in urban
landscapes. Landscape and urban planning, 102(1), 54-63.

Leer Tesis Importante

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Leer Tesis Importante

Uploaded by

Copyright:

Available Formats

Análisis espacial de islas de calor en la

ciudad de Bogotá: los efectos de la

Cristian Salas Pérez

Universidad Distrital Francisco José de Caldas

Universidad Distrital Francisco José de Caldas

Al profesor Carlos Melo por sus conocimientos compartidos en la cátedra de geoestidı́sti-

Al Centro de Computación de Alto Desempeño (CECAD), laboratorio perteneciente al

El cambio climático representa uno de los mayores retos de la humanidad en la actuali-

Con el fin de cuantificar el efecto de la vegetación y el suelo urbano se realizó un modelo

Desde la plataforma de Google Earth Engine se calculó la temperatura de superficie de

1. Estado del arte 1

5. Resultados y análisis de resultados 40

1.1. Representación gráfica de la isla de calor. . . . . . . . . . . . . . . . . . . . . . 4

3.1. Espectro electromagnético – Infrarrojo térmico. . . . . . . . . . . . . . . . . . 9

4.1. Localización geográfica del área urbana de Bogotá. . . . . . . . . . . . . . . . 25

4.1. Imágenes satelitales descargadas . . . . . . . . . . . . . . . . . . . . . . . . . 28

5.1. Resultados de la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Estado del arte

Hasta ahora se ha mencionado el papel de la urbanización en el aumento de temperatura,

1.2. Cálculo de temperaturas con imágenes satelitales

1.3. El suelo en el infrarrojo térmico

1.4. Islas de calor

Figura 1.1: Representación gráfica de la isla de calor.

Fuente: (Weather Works, https://www.weatherworksinc.com/Urban-Heat-Island-Effect)

En la actualidad la teledetección es de las principales herramientas para el análisis de

1.4.1. Islas de calor en la ciudad de Bogotá

En el trabajo titulado “Islas de calor y cambios espacio temporales de la temperatura

de la temperatura ambiente comparando al mismo tiempo los datos de las estaciones

En la investigación titulada “Análisis preliminar de la isla de calor en la Sabana de

En los documentos consultados (“Islas de calor y cambios espacio temporales de la tem-

En el panorama internacional se evidencia mayor avance en este tema, importantes ciu-

2.1. Justificación de la investigación

El cambio climático es el mayor desafı́o de la humanidad en estos momentos (Rana et

Los efectos que ha tenido el cambio climático en el aumento de la temperatura global

2.2. Pregunta de la investigación

2.3.1. Objetivo general

2.3.2. Objetivos especı́ficos

Realizar un análisis multitemporal de la variación de la temperatura, en correlación

Analizar el efecto de variación de cubiertas en la configuración de islas de calor en la

Identificar y validar los patrones espaciales de islas de calor en la ciudad de Bogotá en

Cuantificar la variación de temperatura de superficie en relación con suelo urbano y

2.4. Hipótesis de la investigación

3.1. Marco teórico

3.2. La teledetección en el infrarrojo térmico

Figura 3.1: Espectro electromagnético – Infrarrojo térmico.

Fuente: (Karneichyk, http://www.opticsforhire.com/blog/2015/7/15/design-of-ir-lenses)

3.2.1. Leyes de la radiación térmica

La radiación emitida por un cuerpo negro está dada por la ecuación 1:

Donde c1 = 3,74 × 10−16 W m2 y c2 = 1,45 × 10−2 mK

λ : La longitud de onda en metros

Ley de Stephen Boltzmann

Donde σ es la constante Stephen Boltzmann y T la temperatura en Kelvin.

peratura, entre otras palabras se puede estimar la irradiancia de un objeto conociendo su

Ley del desplazamiento de Wien

3.2.2. Temperatura de brillo

Donde BT es la temperatura de brillo

K1 y K2 : constantes de las bandas térmicas

Lλ : Radiancia espectral TOA(lı́mite superior de la atmósfera)

3.2.3. Temperatura de superficie

Lλ : Radiancia espectral TOA

ML ∗ Q :Factor de reescalamiento multiplicativo especı́fico de banda.

Qcal : Banda térmica

AL :Factor de reescalamiento aditivo especı́fico de banda.

Calculado (Ecuación 6) se calcula la temperatura del cuerpo negro (Ecuación 5), si la

λ = vλ Pv + sλ (1 − Pv ) + Cλ (10)

vλ : Emisividad para una cubierta con vegetación.

sλ : Emisividad para el suelo desnudo.

λ = 0,004Pv + 0,986 (12)