CARACTERIZACIÓN DE PATRONES ESPACIALES DE CRECIMIENTO URBANO MEDIANTE ÍNDICES ESPACIO-TEMPORALES DE LOS USOS DEL SUELO

M. Sapena1 y L.A. Ruiz1

1 Grupo de Cartografía GeoAmbiental y Teledetección, Universitat Politècnica de València. marsamo@upv.es, laruiz@cgf.upv.es

RESUMEN

La caracterización del tipo de crecimiento urbano es crucial para la toma de decisiones en la planificación urbana, su sostenibilidad y el control del impacto ambiental. El objetivo de este trabajo es caracterizar los patrones espaciales de crecimiento urbano a partir de índices espacio-temporales de los usos del suelo. Mediante modelos de simulación de evolución urbana se han creado escenarios con distinto grado de dispersión-compacidad para un desarrollo del 25% del área metropolitana de Valencia. Posteriormente, se han evaluado los escenarios mediante los índices y se ha estimado su relación con la compacidad del modelo. Además, se han clasificado los patrones espaciales de crecimiento urbano y se ha analizado brevemente su repercusión ambiental. Se evidencia el potencial de los índices espacio-temporales en la caracterización de los patrones de crecimiento urbano y su utilidad en la monitorización y la actuación anticipada en la planificación urbana.

Palabras clave: expansión urbana; patrones espaciales; índices espacio-temporales; modelos de simulación; IndiFrag; FUTURES

ABSTRACT

Urban growth requires its characterization and taking decisions about urban planning to control its sustainability and environmental impacts. We aim to characterise the spatial patterns of urban growth based on land use spatio-temporal metrics. Using urban simulation models we created scenarios with different levels of compactness-dispersion for a development of 25% of the urban area of Valencia. Then, we analysed the different scenarios using spatio-temporal metrics, and we assessed the relation between the compactness degree and computed metrics. Moreover, we classified urban growth patterns and their environmental repercussions were briefly analysed. This study highlights the potential of spatio-temporal metrics in the characterization of urban growth patterns, allowing for its monitorization and the anticipation in urban planning measures.

Keywords: urban growth; spatial patterns; spatio-temporal metrics; simulation models; IndiFrag; FUTURES

1. INTRODUCCIÓN

Actualmente, la población mundial continúa creciendo de forma progresiva, especialmente en los países en desarrollo, mientras que en Europa se prevé su disminución en los próximos años (UN, 2017). Sin embargo, tanto en Europa como en España se espera que la población urbana supere el 80% en 2050 debido al desplazamiento de población desde las zonas rurales (UN, 2014), lo que generalmente supone un aumento del consumo de suelo en áreas urbanas y periurbanas (UN-Habitat, 2016).

El crecimiento urbano de baja densidad, conocido también como dispersión urbana descontrolada (urban sprawl), ha estado presente en Europa en los últimos años (EEA, 2016; Haase et al., 2013) y tiene serias repercusiones medioambientales, económicas y sociales (EEA, 2016). Por ello, es importante la correcta gestión y planeamiento de las áreas urbanas para lograr ciudades más compactas, integradas, conectadas, sostenibles y, en definitiva, con mayor calidad de vida (EC, 2016; UN-Habitat, 2014; UN-Habitat, 2016).

1

Según el Programa de las Naciones Unidas para los Asentamientos Humanos (2014), los patrones espaciales de planeamiento urbano pueden definirse en función de la densidad y los usos del suelo. Estos dos factores definen tres patrones: (i) el patrón compacto, con un uso del suelo mixto, extensivo y densidades medio-altas que forman una huella urbana continua; (ii) el patrón fragmentado, con áreas construidas de alta densidad y un uso monofuncional con grandes zonas inutilizadas; y (iii) el patrón disperso, de baja densidad y con un único uso de suelo residencial que suele relacionarse con la dispersión urbana descontrolada y consume gran cantidad de suelo per cápita. El patrón espacial determina la sostenibilidad del crecimiento, por ello, es necesario tomar decisiones bien documentadas sobre el tipo de desarrollo a planificar para dar cabida al aumento de la población (UN-Habitat, 2014). La monitorización de la dinámica urbana y la anticipación de sus necesidad y efectos resulta en soluciones más efectivas.

Por un lado, las métricas espacio-temporales se han utilizado no sólo para monitorizar y caracterizar el crecimiento urbano, sino también para comparar los patrones espaciales de distintas ciudades (Reis et al., 2015). Por otro lado, los modelos de simulación de cambios en los usos del suelo tienen varias aplicaciones, una de ellas es la simulación del crecimiento urbano para predecir la sostenibilidad del desarrollo. Varios autores han utilizado estos modelos para crear escenarios alternativos con distintos patrones urbanos. Por ejemplo: la predicción del crecimiento urbano en Dublín siguiendo cuatro escenarios de planificación urbana y su comparación mediante métricas espaciales (Van De Voorde et al., 2016), la creación de tres escenarios siguiendo ciertas estrategias políticas para prever su impacto y posibles soluciones (Pickard et al., 2017), o la comparación del impacto en los servicios ambientales de Gran Bretaña que presentan dos escenarios alternativos con patrones de crecimiento opuestos (Eigenbrod et al., 2011).

En este contexto, los objetivos de este trabajo son: analizar los diferentes escenarios obtenidos mediante la aplicación modelos de simulación de crecimiento urbano controlados en el área metropolitana de Valencia y su relación con índices espacio-temporales; comprobar el potencial de los índices para cuantificar el grado de compacidad-dispersión y caracterizar los patrones espaciales de crecimiento urbano.

2. DATOS Y MÉTODOS

2.1 Mapa de usos del suelo y factores del modelo de simulación

En este trabajo se ha utilizado la base de datos Urban Atlas del programa europeo de observación de la Tierra Copernicus. En concreto, el mapa de usos del suelo del área metropolitana de Valencia para 2012. Además, se ha utilizado el modelo digital de elevaciones europeo (EU-DEM v1.1) de 25 metros de resolución espacial (Copernicus, 2018).

El pre-procesado de los datos se ha realizado con el software libre GRASS (GRASS Development Team, 2017). En primer lugar, se ha adaptado la leyenda de los usos del suelo para adecuarla al análisis de los patrones espaciales. La nueva leyenda está formada por siete clases: urbano (formada por el uso residencial, comercial, industrial y recreativo de la leyenda Urban Atlas), carretera, zonas verdes, suelo desnudo, agrícola, natural (vegetación herbácea y forestal) y agua (Figura 1). En segundo lugar, al tratarse de una base de datos en formato vectorial (con una unidad mínima representable de 0,25 ha) se ha realizado una conversión a formato raster con una resolución de 10 metros/píxel por considerarse una resolución adecuada para el análisis de patrones y porque el modelo requiere datos de entrada raster. Para ello, se ha utilizado el método del centroide, que asigna a cada píxel la clase a la que pertenece su centro.

Los modelos de simulación se basan en variables, que denominaremos factores, a partir de los cuales se estima el potencial de cambio. Estos pueden ser geográficos, económicos, sociales,

2

etc. Los factores utilizados en este trabajo son mapas generados a partir de la base de datos de usos del suelo y del modelo de elevaciones. Se describen a continuación (Figura 1):

Presión urbana: es la presión que ejerce el suelo urbano sobre el nuevo desarrollo. Este factor se actualiza en cada iteración del modelo, de manera que el nuevo desarrollo genera más desarrollo. Se ha calculado mediante el método gravitacional (Meentemeyer et al., 2013) que sigue la ecuación (1)

Presión j=∑i=1

n j

( píxelid ij0,5 ) (1)

donde j es el píxel que se evalúa, n j es el número de píxeles en el vecindario del píxel j ( 100 píxeles de radio, equivalentes a 1 km), píxeli es una variable binaria que será uno si la clase es urbano, d ij es la distancia entre los dos píxeles i y j.

Presión de las carreteras: es la presión que ejerce la proximidad a la red de carreteras en el desarrollo urbano. Sigue la ecuación (1) pero con un vecindario de 50 píxeles de radio y píxeli será igual a uno si la clase es carretera.

Elevaciones: el modelo digital de elevaciones remuestreado mediante interpolación bilineal a 10 m/píxel.

Pendientes: es la pendiente de cada píxel expresada en porcentaje, se calcula a partir de las elevaciones en un vecindario de 3 píxeles.

Distancia a un uso: Se han calculado las distancias a los siguientes usos: residencial, comercial e industrial, zonas verdes, usos recreativos y suelo agrícola. Se trata de factores sociales y económicos que pueden influir en el desarrollo urbano.

Zona excluida: se han establecido restricciones al modelo para que las clases carretera, zonas verdes y agua no puedan urbanizarse, debido a su baja probabilidad de

urbanización.

Todas las variables, excepto la presión urbana que se retroalimenta en el modelo, se han re-escalado a un intervalo de 0 a 1 para que la magnitud de las unidades no afecte al modelo.

2.2 Modelo de simulación de cambios en los usos del suelo

3

Figura 1. Mapa de usos del suelo del área metropolitana de Valencia y factores del modelo de simulación

Para obtener los diferentes escenarios de desarrollo urbano se ha empleado el modelo de simulación de cambios en los usos del suelo FUTURES (FUTure Urban-Regional Environment Simulation) (Meentemeyer et al., 2013). Se trata de un modelo estocástico, multi-nivel y basado en autómatas celulares. Requiere datos de entrada en formato raster, en concreto una máscara binaria de suelo urbano y un conjunto de factores geográficos y socio-económicos con los que predecir el cambio. Está implementado como un módulo del software GRASS (r.futures) (Petrasova et al., 2016). Se ha utilizado por considerarse adecuado para analizar la fragmentación del paisaje, al estar orientado al objeto y poderse controlar la dispersión de la simulación resultante (Sapena et al., 2017).

El modelo FUTURES está formado por varios sub-modelos (Meentemeyer et al., 2013). El primero, calcula el potencial de urbanización (P) mediante el método estadístico de regresión logística binaria. El segundo sub-modelo estima la demanda de suelo a urbanizar, que es la superficie en píxeles que va a desarrollarse en cada iteración, en este caso es el 25% de la superficie urbana en 2012, siendo una superficie de 5200 ha, 1733 ha en cada iteración. Por otro lado, se pueden calibrar el tamaño y la forma de los objetos urbanos con la máscara urbana para ser utilizados en la asignación. Por último, el algoritmo de asignación determina la posición de un píxel semilla, mediante el método de Montecarlo, donde se localizará el objeto urbano nuevo en función del potencial, la demanda y la calibración previamente calculados. Además, el grado de dispersión del modelo se puede modificar mediante el coeficiente

4

Figura 2. Transformación del potencial (P) variando el coeficiente de incentivo (IP). Valores (IP < 1) aumentan el potencial de cambio flexibilizando el modelo y resultando más disperso. Valores (IP > 1) reducen el potencial restringiendo el modelo y resultando más compacto. Cuando IP = 1, el modelo sigue la tendencia calculada según el modelo estadístico.

Figura 3. Flujo de trabajo para crear los escenarios controlando el grado de dispersión mediante el coeficiente de incentivo (IP). En naranja aparecen los datos y procesos previos a la simulación, en azul el coeficiente IP, en gris el modelo estadístico que calcula el potencial (P) y que será alterado por el IP (P IP), en verde los procesos internos del modelo y en blanco la iteración para crear el escenario con tres intervalos de tiempo recalculando la presión urbana. Finalmente, tras tres iteraciones se genera el escenario simulado n.

incentivo del potencial (IP, incentive power) al que está elevado el potencial de urbanización previamente calculado (PIP). Con el fin de disponer de una muestra suficiente con la que realizar análisis estadísticos se han calculado 25 valores de IP, de forma que las curvas de variación del potencial son equidistantes. La variación del potencial y los coeficientes se muestran en la Figura 2.

Por lo tanto, el modelo FUTURES se ha utilizado para generar 25 escenarios de desarrollo urbano simulados en el área metropolitana de Valencia con distintos grados de dispersión y compacidad. A partir del mapa de usos del suelo se extrae la máscara urbana y, para cada valor de IP calculado, se siguen los pasos presentados en la Figura 3.

El modelo de regresión logística binaria sigue la ecuación (2)

log( Ppix1−P pix )=β0+∑i=1

n

β i · x i (2)

donde la variable dependiente es la máscara urbana y las independientes son los factores (x i). Ppix es la probabilidad de que un píxel sea urbano, β0 es la constante del modelo y β i el coeficiente del factor x i. El modelo se ha entrenado con una muestra del 75%, en la que se mantiene la proporción de píxeles urbanos y no urbanos, y se ha evaluado con el 25% restante. La evaluación del modelo presenta un área bajo la curva ROC (AUC) de 0,88. Los coeficientes y factores se recogen en la Tabla 1:

Tabla 1. Variables independientes (factores) y sus coeficientes en el modelo de regresión logística binaria

Factor (x i) Coeficiente (β i) Significancia

Constante β0 -2,67713 <2e-16

Presión urbana β1 0,00179 <2e-16

Presión carreteras β2 -1,25711 <2e-16

Dist. a agrícola β3 0,94462 <2e-16

Dist. a comercial β4 -4,50182 <2e-16

Dist. a zona verde β5 4,00872 <2e-16

Dist. a recreativo β6 -3,11454 <2e-16

Dist. a residencial β7 -6,83111 <2e-16

Elevaciones β8 1,19126 <2e-16

Pendiente β9 -4,33704 <2e-16

2.3 Índices espacio-temporales

Para cada escenario e iteración se ha calculado un conjunto de índices espacio-temporales mediante la herramienta IndiFrag (Sapena y Ruiz, 2015), en concreto aquellos que informan sobre la propiedad de agregación. Dado que el mapa de usos del suelo de partida está representado en formato vectorial -con mayor resolución que los escenarios generados- e IndiFrag trabaja con datos vectoriales, se han combinado los datos y los resultados. En primer lugar, exportando los objetos urbanos simulados (con resolución de 10m/píxel). Posteriormente aplicando un suavizado en la vectorización de dichos objetos. Por último, se han superpuesto en el mapa de usos del suelo original, obteniendo la resolución de partida.

Los índices estrictamente espaciales se calculan para una fecha, mientras que los espacio-temporales se calculan mediante diferencias entre índices de dos fechas distintas. Además, otro tipo de índices espacio-temporales son los que se obtienen directamente a partir de dos fechas. Los índices empleados en este trabajo se describen en la Tabla 2:

5

Tabla 2. Índices espacio-temporales calculados. Las fórmulas están disponibles en el doi: 10.4995/raet.2015.3476

Tipo Índice Descripción

Espacial

Leapfrog (LPF) Proporción de suelo urbano aislado. Se considera aislado cuando a menos de 20 metros no hay otro elemento urbano.

Distancia estándar ponderada (DEP)

Distancia media en metros de los elementos urbanos al centroide urbano, ponderado por su área.

Distancia euclídea media del vecino más próximo (DEM)

Distancia media en metros entre los elementos urbanos más próximos.

Compacidad (C) La relación área-perímetro de la huella urbana.

Espacio-temporal

Intensificación (I) Proporción de crecimiento urbano de tipo intensivo. Un objeto (t2) es intensivo si (≥50%) está rodeado de objetos urbanos (t1)

Expansión (E)Proporción del crecimiento urbano de tipo expansivo. Un objeto (t2) está expandido si está rodeado entre (0>50%) de objetos urbanos (t1)

Dispersión (D) Proporción del crecimiento urbano de tipo disperso. Un objeto (t2) está disperso si no está rodeado de objetos urbanos (t1)

Índice de desagregación (DI) Distancia mínima media entre un objeto urbano (t2) y la huella urbana (t1).

Índice de expansión ponderado (AWM)

Suma de las proporciones de las adyacencias entre los objetos (t2) respecto a los objetos (t1), ponderando por la superficie.

2.4 Caracterización de los patrones espaciales

Para caracterizar los patrones espaciales del desarrollo urbano en los escenarios simulados se han seguido dos estrategias: (1) estimación del grado de dispersión-compacidad del que depende el patrón de crecimiento urbano; y (2) clasificación del tipo de crecimiento mediante índices espacio-temporales.

El grado de dispersión-compacidad de los modelos viene definido por el coeficiente IP utilizado en la simulación. Se han obtenido modelos de regresión lineales y no lineales y se han evaluado para la predicción del grado de dispersión teórico a partir de los índices espacio-temporales.

Según la bibliografía (UN-Habitat, 2014; Wilson et al., 2003) se definen tres categorías o patrones de crecimiento urbano: (i) intensificación, se construye en suelo no urbanizado en el interior de un núcleo urbano; (ii) extensión, se amplían los límites del núcleo urbano de manera continua; y (iii) dispersión, el desarrollo se produce fuera de un núcleo existente. La combinación de estos desarrollos puede generar distintos patrones espaciales urbanos. Por ello, se han utilizado los índices espacio-temporales: Intensificación (I), Expansión (E), y dispersión (D) para caracterizar los escenarios en patrones espaciales de crecimiento urbano. Se ha realizado una clasificación no supervisada mediante el método de clustering de las K-Medias, basado en el ajuste de los datos en función de las distancias al centroide de cada grupo o clúster. Además, se han representado las distintas proporciones en un diagrama ternario para facilitar su visualización e interpretación.

3. RESULTADOS Y DISCUSIÓN

3.1 Índices espaciales frente al grado de dispersión-compacidad

Se ha analizado el comportamiento de los índices espaciales de la clase urbana en las tres iteraciones de los 25 escenarios, evidenciando así las variaciones que tendrían lugar en el área metropolitana de Valencia causadas por el grado de dispersión-compacidad.

El índice Leapfrog (LPF) muestra dos comportamientos. Los escenarios más dispersos presentan tendencias positivas en las tres iteraciones, sin embargo, a partir de IP8 en la tercera iteración se estabiliza. Mientras que los escenarios compactos (a partir del IP16) están agrupados ya que el crecimiento de tipo disperso tiene una probabilidad muy reducida de

6

producirse. Su tendencia es negativa porque el crecimiento compacto absorbe los objetos que previamente estaban dispersos (Figura 4). Por lo tanto, la evolución de LPF es una buena medida de la variación del grado de dispersión en el desarrollo urbano. La distancia estándar ponderada (DEP) varía en función de la concentración de la clase urbana respecto al centroide urbano. Los escenarios con IP<1, presentan un aumento en las distancias al núcleo y, por lo tanto, pérdida de concentración y mayor dispersión urbana. El escenario IP=1 muestra una tendencia prácticamente nula puesto que no se ha alterado el patrón espacial urbano, y los IP>1 tendencias negativas, pero más suaves (Figura 4). Consecuentemente, la DEP en una fecha informa sobre la concentración de una clase y su variación aporta información sobre la compacidad o segregación del patrón urbano. La distancia euclídea media del vecino más próximo (DEM) evidencia la separación entre objetos dispersos que no pertenecen a ningún

núcleo urbano. Se observan dos patrones diferentes, IP1-13 y IP14-25, ambos con tendencias negativas a lo largo de las iteraciones. Los escenarios IP1-13 presentan un aumento de DEM respecto al dato de referencia debido al desarrollo de objetos dispersos, sin embargo, a lo largo de las iteraciones las distancias se reducen, ya que los nuevos objetos se emplazan en espacio no urbanizado dentro de los límites definidos, reduciendo las distancias entre ellos considerablemente. Por otro lado, los escenarios IP14-25 aumentan la distancia en los más compactos puesto que el crecimiento puramente intensivo y expansivo no modifica las distancias de los objetos que en el escenario de referencia estaban dispersos. Sin embargo, un crecimiento similar al de referencia emplaza los objetos nuevos próximos a objetos urbanos anteriormente dispersos, reduciendo así las distancias (Figura 4). Por ello, la DEM informa sobre la dispersión urbana en un momento dado y permite la comparación entre escenarios con distinto grado de dispersión.

3.2 Estimación del grado teórico de compacidad-dispersión

En primer lugar, se ha realizado un análisis de correlación de los índices espacio-temporales, que muestra que todos los índices excepto el DEM tienen una correlación superior al 80%. Esto se debe a que la única variable del modelo que se altera entre los distintos escenarios es el grado de compacidad, por lo tanto, los índices temporales representan únicamente esta variación. Posteriormente, se han ensayado varios modelos de regresión para estimar el coeficiente IP del modelo de simulación. Se han probado modelos lineales, no lineales y diferentes índices no correlacionados entre sí y valorado su ajuste (Tabla 3).

Tabla 3. Modelos de regresión para estimar el coeficiente incentivo (IP) del modelo de simulación a partir de los índices espacio-temporales para el periodo 2012 e iteración 3. Se muestran el estadístico R2 ajustado del modelo y el error medio cuadrático (EMC) de los residuos de los valores del IP.

Var. dependiente Modelo R2ajustado EMCIP -1,5234 + 0,1914·AWM2012-i3+ 0,4367·DEM2012-i3 84.69 0.5243IP 5,3855 + 6813,73·C2012-i3 86.62 0.4639IP 512,772·(DI2012-i3)-1.7117 94.56 0.2644

7

LOG(IP) 5,6726 - 1,5111·LOG(DI2012-i3) 98.03 0.1443

Los modelos que mejor se ajustan son los no lineales. El índice espacio-temporal que mejor permite estimar el coeficiente IP es el índice de desagregación (DI), mediante los modelos doble logarítmico y potencial. De este modo, por ejemplo, el índice DI de la evolución de Valencia en un periodo de tiempo estudiado se podría relacionar con el tipo de crecimiento experimentado si hubiera seguido un modelo de crecimiento teórico.

3.3 Categorización de los patrones de desarrollo urbano

Se han clasificado los patrones de desarrollo urbano de los escenarios simulados en tres grupos en función de los índices espacio-temporales: intensificación, expansión y dispersión, además, se han representado en un diagrama ternario para su interpretación (Figura 5).Como se observa en la Figura 5, valores de IP menores a 0,6 (IP1-IP10) presentan un patrón de

crecimiento urbano de desagregación (clúster 1), ya que más del 50% del desarrollo se ha clasificado como crecimiento de tipo disperso. Por otro lado, valores de IP próximos a la unidad (IP11-IP17) generan patrones con un grado de dispersión y expansión muy variables (clúster 3). Sin embargo, la suma de los tipos de crecimiento intensivo y expansivo supera al disperso, por lo que se pueden considerar patrones más compactos que los anteriores pero con cierto grado de dispersión, por lo tanto son patrones de crecimiento mixtos (Figura 5). Por último, los patrones con alto IP (IP18-IP25) presentan un crecimiento de tipo expansivo similar entre ellos, mientras que el crecimiento intensivo aumenta con el IP, esta combinación resulta en un patrón muy compacto (Figura 5), aunque la intensificación está restringida por la cantidad de suelo disponible en los núcleos urbanos (clúster 2). Los escenarios con patrones de crecimiento compactos pueden presentar crecimiento de tipo disperso debido a las restricciones de crecimiento establecidas en el modelo, que en algún caso puede forzar un crecimiento asilado, y la estocasticidad del modelo, que permite el crecimiento urbano

8

Figura 5. Diagrama ternario donde se representa la proporción de crecimiento urbano de tipo intensivo, expansivo y disperso. Los colores y símbolos indican cada clúster, la cruz señala el centroide del clúster. Se muestran tres ejemplos (IP1, IP13 e IP22) de escenarios con los objetos urbanos clasificados según del tipo de crecimiento en el periodo entre 2012 y la iteración 3.

espontáneo pese a valores reducidos de potencial.

3.3.1 Impacto ambiental de los patrones de crecimiento urbano

Los efectos causados por el tipo de crecimiento varían en función del contexto paisajístico de cada zona urbana. Por ejemplo, el área metropolitana de Valencia cuenta con grandes superficies agrícolas alrededor de los núcleos urbanos. Por ello, cualquier proceso de

urbanización generará grandes pérdidas de suelo cultivado. Sin embargo, se ha observado que un patrón disperso (IP7) urbaniza un total de 3254 ha de suelo agrícola (63% del total, Figura 6), frente a los 2858 ha (55%) del escenario con un patrón más compacto (IP 22). En este caso la elección de un patrón u otro supondría una diferencia de 396 ha de sellado de suelo agrícola. También se ha observado una variación de 279 ha de pérdida de suelo natural entre los escenarios IP3 (38%) y IP15 (32%) con distinto patrón (Figura 6). Gran parte de este comportamiento depende de la distribución del suelo agrícola y natural en el paisaje, del modelo de simulación y de la disponibilidad de suelo en los núcleos urbanos. En el caso del área metropolitana de Valencia, los escenarios IP23 y IP25 son los que mayor superficie de suelo agrícola y natural conservan tras el desarrollo urbano, ya que un 11% del crecimiento ha tenido lugar en superficies de suelo desnudo frente al 2,5% de los escenarios más dispersos (Figura 6). Además del aumento del consumo de suelo natural y agrícola de los patrones dispersos, los patrones compactos pueden reducir costes, mejorar la accesibilidad a los servicios y disminuir los desplazamientos reduciendo la contaminación. También existen beneficios de integración social en las áreas urbanas compactas (UN-Habitar, 2014)

4. CONCLUSIONES

Se han realizado simulaciones de desarrollo urbano del área metropolitana de Valencia con variaciones del grado de dispersión-compacidad mediante el modelo de simulación FUTURES, resultando en un conjunto de escenarios con distintos patrones espaciales de crecimiento utilizados para realizar el análisis mediante índices espacio-temporales.

Los tres índices espaciales aplicados al caso de Valencia han demostrado ser buenos descriptores del grado de compacidad de los escenarios. El índice Leapfrog mide la variación del grado de dispersión, la distancia estándar ponderada muestra la concentración urbana y la distancia euclídea media sirve para comparar escenarios con distinto patrón. Por tanto, son aptos para monitorizar tanto las variaciones en el tiempo, como para realizar comparaciones de distintas áreas urbanas en un momento dado. También se ha comprobado el potencial de los índices espacio-temporales para predecir el grado teórico de compacidad-dispersión del patrón espacial de crecimiento urbano en Valencia mediante modelos de regresión. El índice de desagregación es el que mejor se ajusta al coeficiente de incentivo del potencial del modelo de simulación. Por otro lado, los índices de intensificación, expansión y dispersión han demostrado ser una medida objetiva para categorizar los patrones espaciales de crecimiento

9

Figura 6. Proporciones del consumo de suelo desnudo, agrícola y natural en el desarrollo urbano en función de la compacidad de modelo entre 2012 y la iteración 3. El 100% corresponde a un total de 5200 ha desarrolladas.

urbano de manera no supervisada en tres patrones (disperso, mixto y compacto).

Además, la monitorización del crecimiento urbano combinado con el uso de modelos de simulación es una herramienta potente para anticipar las necesidades de un área urbana que está en desarrollo y cuantificar las repercusiones que tendrían distintas actuaciones, pudiendo así proporcionar soluciones más efectivas y sostenibles.

5. AGRADECIMIENTOS

Este trabajo ha sido financiado por el Ministerio de Economía y Competitividad y del FEDER, en el marco del proyecto CGL2016-80705-R y con el contrato del Fondo de Garantía Juvenil PEJ-2014-A-45358.

6. BIBLIOGRAFÍA

Copernicus (2018): Land Monitoring Service. https://land.copernicus.eu/, 07/02/17.

Eigenbrod, F., Bell, V.A., Davies, H.N., Heinemeyer, A., Armsworth, P.R. y Gaston, K.J. (2011): The impact of projected increases in urbanization on ecosystem services. Proc. R. Soc. B Biol. Sci. 278, 3201-3208.

European Comission (EC) (2016): Urban Europe - statistics on cities, towns and suburbs. Luxembourg.

European Environment Agency (EEA) (2016): Urban Sprawl in Europe.

GRASS Development Team (2017): Geographic Resources Analysis Support System (GRASS) Software, Version 7.2. http://grass.osgeo.org.

Haase, D., Kabisch, N. y Haase, A. (2013): Endless Urban Growth? On the Mismatch of Population, Household and Urban Land Area Growth and Its Effects on the Urban Debate. PLoS One 8, 1-8.

Meentemeyer, R.K., Tang, W., Dorning, M.A., Vogler, J.B., Cunniffe, N.J. y Shoemaker, D.A. (2013): FUTURES: Multilevel Simulations of Emerging Urban–Rural Landscape Structure Using a Stochastic Patch-Growing Algorithm. Ann. Assoc. Am. Geogr. 103, 785-807.

Petrasova, A., Petras, V., Van Berkel, D., Harmon, B.A., Mitasova, H. y Meentemeyer, R.K. (2016): Open source approachto urban growth simulation. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. ISPRS Arch. 41, 953-959.

Pickard, B.R., Van Berkel, D., Petrasova, A. y Meentemeyer, R.K. (2017): Forecasts of urbanization scenarios reveal trade-offs between landscape change and ecosystem services. Landsc. Ecol. 32, 617–634.

Programa de las Naciones Unidas para los Asentamientos Humanos (UN-Habitat) (2014): Planeamiento Urbano Para Autoridades Locales.

Reis, J.P., Silva, E. A. y Pinho, P. (2015): Spatial metrics to study urban patterns in growing and shrinking cities. Urban Geogr. 3638, 1-26.

Sapena, M. y Ruiz, L.Á. (2015): Descripción y cálculo de índices de fragmentación urbana: Herramienta IndiFrag. Rev. Teledección 43, 77-89.

Sapena, M., Ruiz, L.Á. y Joó, K. (2017): Modelos de simulación de expansión urbana a partir de imágenes de satélite : Adecuación al análisis temporal de la fragmentación de los usos del suelo, in: Nuevas Plataformas Y Sensores de Teledetección. XVII Congreso de La AET. pp. 311–314.

United Nations (UN), Department of Economic and Social Affairs, Population Division (2017): World Population Prospects: The 2017 Revision, Key Findings and Advance Tables. Working

10

Paper No. ESA/P/WP/248.

United Nations (UN), Department of Economic and Social Affairs, Population Division (2014): World Urbanization Prospects: The 2014 Revision, Highlights (ST/ESA/SER.A/352).

United Nations Human Settlements Programme (UN-Habitat), 2016. World Cities Report2016 - Urbanization and Development: Emerging Futures, International Journal.

Van De Voorde, T., Van Der Kwast, J., Poelmans, L., Canters, F., Binard, M., Cornet, Y., Engelen, G., Uljee, I., Shahumyan, H., Williams, B., Convery, S. y Lavalle, C. (2016): Projecting alternative urban growth patterns: The development and application of a remote sensing assisted calibration framework for the Greater Dublin Area. Ecol. Indic. 60, 1056-1069.

Wilson, E.H., Hurd, J.D., Civco, D.L., Prisloe, M.P. y Arnold, C. (2003): Development of a geospatial model to quantify, describe and map urban growth. Remote Sens. Environ. 86, 275-285.

11