Professional Documents
Culture Documents
Leer Tesis Importante
Leer Tesis Importante
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
Universidad Distrital Francisco José de Caldas
Modalidad de investigación
Lı́nea de investigación:
Cambio climático
Semillero de investigación en Geociencias y Sensores Remotos (GRSS)
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.
A nuestros amigos, compañeros y cada una de las personas que compartió con nosotros
e influyó en nuestras vidas.
3
Resumen
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
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
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
Conclusiones y recomendaciones 77
Bibliografı́a 79
Índice de figuras
5.1. Segementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2. Clasificación Mahalanobis OBIA 1989 . . . . . . . . . . . . . . . . . . . . . . 44
5.3. Clasificación Mahalanobis OBIA 1997 . . . . . . . . . . . . . . . . . . . . . . 45
5.4. Clasificación Mahalanobis OBIA 2018 . . . . . . . . . . . . . . . . . . . . . . 46
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
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
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.
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.
CAPÍTULO 1. ESTADO DEL ARTE 3
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.
Fundamentación de la investigación
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.
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.
2.3. Objetivos
Marco de referencia
9
CAPÍTULO 3. MARCO DE REFERENCIA 10
c λ−5
Bλ (T ) = 1c2 (1)
π e −1
λT
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)
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-
CAPÍTULO 3. MARCO DE REFERENCIA 11
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).
K2
BT = K1
(5)
ln [( Lλ ) + 1]
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:
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.
CAPÍTULO 3. MARCO DE REFERENCIA 13
!2
N DV I − N DV Is
Pv = (9)
N DV Iv − N DVs
Donde:
Donde:
λ : Emisividad de la superficie.
Pv : Porcentaje de vegetación.
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
CAPÍTULO 3. MARCO DE REFERENCIA 14
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:
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)
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.
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).
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:
pk : Factor de peso
v
t n
X
d(x, y) = (xi − yi )2 (17)
i=1
Donde:
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:
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
CAPÍTULO 3. MARCO DE REFERENCIA 19
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).
CAPÍTULO 3. MARCO DE REFERENCIA 20
n
X
Xii
i=1
OA = n n (20)
XX
Xij
i=1 j=1
Donde:
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
CAPÍTULO 3. MARCO DE REFERENCIA 21
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:
zi = (xi − X̄)
zj = (xj − X̄)
I − E [I]
zI = p (20)
V [I]
Donde:
−1
E [I] = (n−1)
h i
V [I] = E I 2 − E [I]2
n
X
I i = zi wij · zj (21)
j=1
n
X
IiB = zxi wij · zyi (22)
j=1,j,i
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.
y = xβ + λW y + ρW u + ε (23)
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
CAPÍTULO 3. MARCO DE REFERENCIA 24
ayudará a elegir el mejor modelo entre los modelos candidatos y este será el que mayor
aproximación tenga a la realidad.
P P
(Xi − X̄) (Yi − Ȳ )
r= P 1
(25)
[ (Yi − Ȳ )2 (Xi − X̄)2 ] 2
P
Capı́tulo 4
Datos y métodos
25
CAPÍTULO 4. DATOS Y MÉTODOS 26
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
CAPÍTULO 4. DATOS Y MÉTODOS 27
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.
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.
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
CAPÍTULO 4. DATOS Y MÉTODOS 29
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.
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.
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.
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.
4.4. 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.
CAPÍTULO 4. DATOS Y MÉTODOS 32
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.
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:
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.
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.
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.
CAPÍTULO 4. DATOS Y MÉTODOS 36
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.
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.
CAPÍTULO 4. DATOS Y MÉTODOS 39
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.
40
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 41
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 43
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 48
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 50
Tabla 5.6: Los 20 Barrios con más alta LST en Bogotá 2018
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 51
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
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 60
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 62
LST LISA
1989
1997
2018
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 63
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.
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 65
NDBI-LST NDVI-LST
1989
1997
2018
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 66
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:
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 67
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.
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.
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.
I de Moran - Residuos
I de Moran Z(I) P-Valor
0.813717 43.057 2.2e-16
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 69
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.
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.
Modelo AIC
Spatial Lag 2812.374
Spatial Error 2721.926
SARAR 2707.764
Durbin Spatial 2708.606
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 70
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).
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 71
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.
CAPÍTULO 5. RESULTADOS Y ANÁLISIS DE RESULTADOS 72
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.
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.
Coeficiente de Pearson
ONI-MEAN -0.29127
ONI-MODE -0.24105
Conclusiones y recomendaciones
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.
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
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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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
[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.
[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.
[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.
[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.