Modelos predictivos, crecimiento urbano, autómatas celulares, Aglomeración Urbana de Granada

Transcripción

1 EXPLORANDO EL CRECIMIENTO EN LA AGLOMERACIÓN URBANA DE GRANADA: UN MODELO BASADO EN AUTÓMATAS CELULARES AGUILERA BENAVENTE, F.; SORIA LARA, J. A.; VALENZUELA MONTES, L. M. Laboratorio de Urbanismo y Ordenación del Territorio (L.U.O.T.) Universidad de Granada. Edificio Politécnico. Campus Universitario de Fuente Nueva S/N. C.P Granada. RESUMEN Son muchas las referencias acerca de modelos predictivos de crecimiento urbano que emplean herramientas complejas, como son los autómatas celulares, multi-agentes, técnicas estadísticas, etc. Aunque pocas encontramos que hagan referencia a zonas urbanas como las existentes en el ámbito Mediterráneo. En este artículo presentamos un modelo predictivo del crecimiento urbano basado en autómatas celulares, diseñado para una ciudad de este ámbito: la Aglomeración Urbana de Granada. Para ello se ha elaborado en primer lugar la cartografía de evolución del crecimiento de la aglomeración para el período , distinguiendo entre distintas categorías de ocupación (residencial disperso, residencial compacto, industrial y comercial) que serán las empleadas por el modelo. A continuación el modelo, elaborado mediante el software IDRISI KILIMANJARO, ha sido calibrado mediante simulaciones ex-post para el período , y comparados los resultados obtenidos con la situación real. Palabras clave Modelos predictivos, crecimiento urbano, autómatas celulares, Aglomeración Urbana de Granada ABSTRACT There are many references about predicitive-urban-growth models using complex tools as cellular automata, multi-agent based models, statistical techniques, etc. However, we have not found much less references to urban areas in the Mediterranean region. In this paper we present a predictive urban growth model based on cellular automata. This model has been developed for a city of the Mediterranean area: Granada Metropolitan Area. First, an urban growth dynamic cartography has been elaborated for the period, considering different categories (residential sparse, residential compact, commercial and industrial). Then we have implemented the model in IDRISI KILIMANJARO GIS, and we have calibrated it using ex-post simulations for the period that allow us to compare the real situation with the results of our model. Keywords Predictive models, Urban growth, Cellular automata, Granada metropolitan area. 1. INTRODUCCIÓN Los modelos predictivos de cambios de usos del suelo han experimentado un desarrollo espectacular en los últimos años, siendo especialmente relevantes aquellos que se han ocupado de modelizar procesos dinámicos complejos, como son los sistemas urbanos (Verburg et al. 2004), para los que encontramos múltiples referencias en la bibliografía. 3

2 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG En cualquier caso, el interés por estos modelos de cambio no es una cuestión muy reciente, como describe Batty (1997), que sitúa en los años 50 los primeros intentos de construir modelos matemáticos de los sistemas urbanos, siendo la introducción de los computadores uno de los hechos que hizo comenzar la auténtica revolución en el desarrollo de estos modelos, al incrementarse enormemente la capacidad de análisis y cómputo existente hasta entonces (Berling-Wolff y Wu, 2004). Sin embargo, uno de los hechos que sí ha caracterizado los modelos predictivos desarrollados en los últimos años, es el empleo de herramientas matemáticas complejas, como son los autómatas celulares desarrollados tiempo atrás por John Von Neuman y Stanislaw Ulam, y mundialmente conocidos gracias al popular Game of life, publicado en 1970 por John Conway. Los autómatas celulares son capaces de modelizar dinámicas espaciales reproduciendo los patrones complejos que muestran las ciudades, como señalan White et al. (1997) o Frankhauser (1998), y además presentan la particularidad de reproducir dichos patrones estando compuestos de elementos sencillos (Wolfram, 1984). Por ello han sido ampliamente utilizados en la generación de simulaciones de crecimiento en múltiples ciudades, como son Dublín, Cincinatti, o incluso en regiones como Holanda (White y Engelen, 2000), la isla de Sta Lucía (White, 1996) o áreas metropolitanas de países en vías de desarrollo como Lagos en Nigeria (Barredo et al. 2004). Por otra parte, existe otro hecho que coincide con el creciente interés por la modelización de los procesos urbanos, que a su vez es uno de los principales factores de interés por los mismos, y que es el importante desarrollo de nuevos patrones de crecimiento urbano difuso-disperso que están experimentando estos sistemas urbanos en toda Europa, como señalan Font et al. (2004), lo que se traduce para el caso de España en los importantes crecimientos de las principales ciudades, aglomeraciones urbanas y áreas metropolitanas de nuestro país. Este proceso de crecimiento del suelo urbanizado y de construcción de infraestructuras, afecta a los paisajes naturales (muchos de ellos con importantes valores ambientales y naturales), productivos (zonas agrícolas periurbanas), tradicionales, etc., en los que se produce el proceso de expansión, ocasionando su disminución en tamaño o su fragmentación y alteración (Berling-Wolff y Wu, 2004), dando como resultado la homogeneidad del paisaje, la pérdida de diversidad regional (Antrop, 2000), la desaparición de zonas agrícolas productivas, etc. Este contexto de creciente interés internacional por la modelización de dinámicas complejas de cambio espacial (Verburg et al. 2004), como son los procesos de expansión urbana, no ha tenido, sin embargo, una amplia aplicación aún para el caso de las áreas urbanas españolas Por ello creemos necesario el desarrollo de dichos modelos adaptados a las características de nuestros ámbitos urbanos y metropolitanos, detectando las pautas y tendencias de los procesos de crecimiento, para así construir modelos de predicción. No con el objetivo único de obtener simulaciones, más o menos realistas de las tendencias actuales y futuras, sino con el horizonte de tratar de comprender mejor las dinámicas de cambio en zonas urbanas, generándose herramientas de simulación que permitan evaluar las distintas actuaciones y propuestas planteadas por los masterplan s o políticas sectoriales, y así estar en condiciones de poder conjugar mejor las nuevas formas de ocupación espacial del territorio por parte de la ciudad, comparando diversos escenarios. Considerando las posibilidades apuntadas planteamos el desarrollo de un modelo predictivo del crecimiento urbano para la Aglomeración urbana de Granada (AUG), la más grande en extensión de Andalucía oriental (Jaén, Granada y Almería), basado en autómatas celulares, todo ello integrado en el software SIG IDRISI KILIMANJARO. El 4

3 EXPLORANDO EL CRECIMIENTO EN LA AGLOMERACIÓN URBANA DE GRANADA: UN MODELO BASADO EN AUTOMATAS CELULARES autómata diseñado para este caso es mucho más complejo que los ya clásicos del Game of Life (con una vecindad de 8 celdas) y ha sido diseñado para tratar de reproducir las características del sistema urbano, como señalan White et al. (1997). Esta mayor complejidad se traduce en un mayor número de posibles estados, así como en una vecindad extendida de 121 celdas (11x11) de 50 x50 m, lo que implica un vecindad de más de 500 m alrededor de cada celda. Para el desarrollo de este modelo, ha sido necesaria la elaboración de la cartografía del crecimiento de la AUG para el período comprendido entre 1977 y 2003, obteniéndose cartografías de la situación urbana en 1977, 1984, 1999 y 2003 así como de la evolución manifestada entre dichas fechas. 2. AREA DE ESTUDIO. CARTOGRAFÍA DEL CRECIMIENTO URBANO El área de estudio seleccionada comprende la mayor parte del territorio conocido como la Vega de Granada, situado en la depresión del río Genil y en las faldas de Sierra Nevada, en el Sureste de la península Ibérica. Este territorio se ha caracterizado históricamente por ser uno de los lugares agrícolas más importantes de la península Ibérica (Ocaña, 1974; Menor, 1998), que sin embargo en la actualidad sufre problemas de falta de rentabilidad agrícola y de presión urbanística, que la han llevado a convertirse en un espacio agrario periurbano en creciente regresión. La figura 1 muestra el ámbito empleado para el desarrollo del presente artículo. Figura 1. Área de estudio. Fuente: Elaboración propia Para esta área, se ha elaborado la cartografía de evolución del crecimiento urbano en el período , con la serie Las etapas correspondientes a 1977 y 1984 se han elaborado mediante la digitalización de fotografía aérea, previamente escaneada y referenciada, y la correspondientes a 1999 a partir de la digitalización de la ortofotografía del Instituto cartográfico de Andalucía. Ambos procesos de referenciación y digitalización se ha llevado a cabo mediante el software ArcGIS 9.0, con una escala de digitalización en todos los casos de mayor detalle que la 1:5000. El resultado de este proceso es una cartografía (figura 2) que muestra la evolución urbana de la comarca de Granada hacia una situación de Aglomeración, con importantes procesos de conurbación tanto en la zona Norte como en la Sur, y con importantes crecimientos tanto residenciales como industriales, especialmente en los núcleos urbanos de la denominada como primera corona. (Menor, 1998; Fernández, 2003; Aguilera, 2006) 5

4 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG Figura 2. Cartografía de crecimiento urbano en la Aglomeración Urbana de Granada. Fuente: Elaboración propia Igualmente, se han dividido las distintas zonas identificadas como urbanizadas en diversas categorías de ocupación, concretamente en zonas residenciales compactas, residenciales dispersos, zonas industriales, zonas comerciales, espacios libres y zonas verdes, y equipamientos. Este proceso de identificación de categorías/tipologías de ocupación se ha llevado a cabo mediante interpretación de las fotografías aéreas y ortoimágenes citadas anteriormente. La figura 3 muestra la cartografía resultado de este proceso de interpretación. Figura 3. Cartografía de categorías de ocupación del suelo urbanizado en la Aglomeración Urbana de Granada. 6

5 EXPLORANDO EL CRECIMIENTO EN LA AGLOMERACIÓN URBANA DE GRANADA: UN MODELO BASADO EN AUTOMATAS CELULARES 3. MODELO DE AUTÓMATAS CELULARES Una vez que se ha dispuesto de la información necesaria acerca de la evolución urbana, se ha procedido a la integración de dicha información cartográfica en el software IDRISI KILIMANJARO. Para ello se ha procedido a su rasterización con un tamaño de celda de 50 metros. Hemos considerado este tamaño de celda adecuado tras el análisis de varios modelos de este tipo elaborados por White et al. (1997), White y Engelen (2000) y Barredo et al. (2003, 2004), etc. En Aguilera (2006) se puede encontrar con mayor detalle una comparativa de distintos modelos de este tipo así como de tamaños de celda empleados en cada uno de ellos. La razón de la rasterización de la cartografía elaborada y su incorporación en un SIG raster es sencilla: tener la información en un modelo de datos basado en la división del espacio en una malla regular, lo cual es perfectamente integrable con un autómata celular, ya que los autómatas celulares emplean por definición, como uno de sus componentes básicos, un espacio n-dimensional dividido en teselas homogéneas (Muñoz, 1996; Torrens, 2000), que en nuestro caso y en general para las aplicaciones espaciales, está constituido por celdas bidimensionales. De esta forma, podemos implementar en IDRISI el modelo diseñado, que se basa conceptualmente en el descrito por White et al. (1997) para la ciudad de Cincinnati (EEUU). Sin embargo han sido introducidas diversas modificaciones en lo referente a tamaños de celda, vecindad, y por supuesto, valores de calibración. Además, presenta la particularidad de emplearse para simular el crecimiento en una Aglomeración Urbana, al igual que el desarrollado por Barredo et al. (2003) para la región metropolitana de Dublín. Desde el punto de vista metodológico, podemos decir que el modelo consta de 4 componentes diferenciadas: 1. Un parámetro de vecindad, constituido por el autómata celular. Éste se encuentra definido para un malla regular de metros de tamaño de celda, compuesta por 121 celdas (lo cual permite incrementar de forma importante el radio de influencia de cada celda con respecto a las 4 u 8 celdas de los autómatas clásicos), con dos tipos de estados diferentes: estados fijos, que no sufren cambios y que se emplean para representar elementos que se suponen permanecen estables (zonas verdes, equipamientos y red viaria); y estados dinámicos, que son susceptibles de cambio: suelo residencial, compacto, disperso, suelos industriales y suelos comerciales. Aunque los usos con estado fijo no cambian, si que influyen en el cambio de los usos dinámicos. 2. Este autómata se combina con un valor de aptitud del territorio para cada celda, obtenido para cada uso dinámico (a partir de valores de pendientes y de las zonas delimitadas como urbanizables en el planeamiento metropolitano). De esta forma tenemos una imagen de aptitud territorial para cada uno de los usos dinámicos descritos anteriormente. 3. Igualmente consta de un parámetro de accesibilidad, que se obtiene como la distancia euclidiana a diferentes elementos de la red viaria. Estos elementos varían en función del uso en cuestión. Así, para el uso comercial son los Principales nudos aquellos elementos de la red viaria que hemos considerado más influyentes, mientras que para el resto de usos dinámicos hemos considerado la red de carreteras. 7

6 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG Finalmente también se compone del denominado parámetro estocástico o de aleatoriedad. Este parámetro tiene como objetivo generar un grado de desorden real, similar al que caracteriza, en cierta medida, a la distribución y cambio de los procesos espaciales urbanos. En lo que respecta al parámetro de vecindad, podemos decir que el autómata funciona de una forma relativamente sencilla: para cada celda obtiene un valor de potencialidad de cambio hacia cada uso dinámico, en función de los usos presentes en las celdas adyacentes que componen su malla regular, al igual que en el ya mencionado Game of Life de Conway. Determinados usos funcionarán como atractores de unos usos u otros usos, mientras que otros lo harán como repulsores, y lo harán con mayor o menor importancia en función de la distancia a la celda en cuestión. Por ejemplo los usos industriales repelen a los residenciales, y de una forma más contundente cuanto más cerca se encuentren de ellos. Este efecto de disminución de la atracción-repulsión es conocido en la literatura como distance-decay effect, y como se señalan en White et al. (1997) aparece como un carácter común a la mayoría de las ciudades 1. Posteriormente, entran en juego los parámetros de accesibilidad y de aptitud del territorio, que se combinan con el parámetro de vecindad, así como con el parámetro estocástico, de tal forma que en cada iteración del modelo se obtienen un conjunto de potenciales de transición para cada uso y para cada celda. Al final de la iteración, se seleccionan aquellos píxeles de potencial más alto y se convierten en el uso para el que tuvieran el mayor potencial. El número total de píxeles que se seleccionan viene dado por la tasa de crecimiento anual del suelo urbano para el período contemplado en la simulación (340 celdas/año), de tal forma que cada iteración se puede asimilar al crecimiento de un año. Así pues, el número de celdas que experimentarán cambio en cada iteración se obtiene de forma exógena al modelo, únicamente teniendo en cuenta la tasa de crecimiento correspondiente para la fecha en cuestión. De esta forma comienza una nueva iteración, en la que las nuevas celdas que se han convertido son tenidas en cuenta en el cálculo del nuevo parámetro de vecindad. Desde un punto de vista formal, podemos decir que los potenciales de transición para cada iteración se calculan de acuerdo con la fórmula siguiente: Donde: P j = v s j a j ( m ) (1) k, i, d kd P j es el potencial de transición de cada celda al uso j. Es el resultado de la combinación de los parámetros de vecindad, accesibilidad, aleatoriedad y aptitud. v es el parámetro estocástico o de perturbación aleatoria. Este parámetro se emplea para tratar de replicar el grado de aleatoriedad inherente a los procesos sociales. Se puede obtener de acuerdo con la ecuación: ( ln( )) υ = 1 + rand (2) rand es un número aleatorio entre 0 y 1 1 Este comportamiento es genérico, y no se cumple en todos los casos, porque es posible que determinados usos muestren un crecimiento en la atracción a partir de cierta distancia, como le puede ocurrir a los usos industriales, que pueden repeler a distancias cercanas a usos residenciales, y a distancias mayores pueden comenzar a atraerlos. 8

7 EXPLORANDO EL CRECIMIENTO EN LA AGLOMERACIÓN URBANA DE GRANADA: UN MODELO BASADO EN AUTOMATAS CELULARES α es un parámetro que nos permite ajustar el grado de perturbación. En nuestro caso hemos ajustado en principio el valor de α al valor de la dimensión radial (la pendiente de la relación entre el tamaño de un objeto y su diámetro) calculada para la región del área metropolitana de Granada, al igual que realizan Barredo et al. (2003) para el caso de Dublín en Irlanda. Posteriormente, como se describe en un trabajo previo a este (Aguilera, 2006) el parámetro se ha ajustado a valores de 0,3 que permitían un mayor grado de similitud en las simulaciones generadas. s j es el parámetro de aptitud del territorio para el uso j, función de las pendientes y del régimen del suelo para el uso en cuestión a j se trata del parámetro de accesibilidad, el cual se obtiene como la distancia euclidiana a los elementos de la malla viaria. m kd hace referencia al parámetro de atracción/repulsión para las celdas con el estado k en la zona de distancia d. Para poder implementar el modelo en IDRISI, hemos empleado el constructor de modelos del mismo (MACRO MODELER), insertando en él todas las operaciones necesarias para su funcionamiento. Cabe destacar entonces el hecho de que se ha implementado el modelo totalmente en un SIG, sin tener que recurrir a conexiones entre los datos geográficos de entrada almacenados en un SIG y un modelo externo, todo ello con la ventaja de no ser necesario llevar a cabo tareas de programación, lo que hace fácilmente reproducible el mismo, así como su utilización para el caso de otras ciudades. En este sentido, este hecho resulta una novedad, puesto que los modelos hasta ahora presentes en la literatura consisten en un software específico y generalmente complejo, desarrollados ex profeso y que resulta harto complejo a la hora de implementar para su empleo a una mayor escala en lo que a usuarios se refiere. Por ello, en este artículo presentamos un modelo predictivo relativamente fácil de implementar y usar, mediante su desarrollo en IDRISI KILIMANJARO, software GIS muy extendido y de fácil manejo, que puede ser reproducido con facilidad. El modelo se puede dividir desde el punto de vista metodológico en 5 bloques diferenciados. Los cuatro primeros se corresponden cada uno con el cálculo de la potencialidad de cambio de cada celda para uno de los usos dinámicos (residencial compacto, disperso, industrial y comercial), a partir de los parámetros de vecindad, accesibilidad, potencialidad de uso y parámetro estocástico. La figura 4 muestra el esquema de uno de estos bloques del modelo, concretamente el destinado al cálculo de la potencialidad para uso residencial compacto. Podemos observar en dicha figura como obtenemos el parámetro de vecindad a partir de los efectos de atracción que ejerce cada uno de los distintos usos, tanto activos como no activos, sobre el uso en cuestión y cómo luego se produce la combinación de este parámetro de vecindad con el de accesibilidad, parámetro estocástico y aptitud del territorio, para obtener finalmente la potencialidad de cambio hacia un uso. Un bloque similar a este aparece para cada uno de los usos dinámicos, diferenciándose entre ellos en el efecto de atracción, que diferirán lógicamente en función de los usos en cuestión. El quinto y último bloque del modelo se encarga de seleccionar aquellos píxeles de mayor potencial para cada uso e incorporarlos a las capas de entrada de las distintas categorías de ocupación. Finalmente, la salida de cada iteración pasa a formar parte de una nueva iteración del modelo como entrada. 9

8 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG Figura 4. Esquema conceptual con el diagrama de flujo para el cálculo de la potencialidad de uno de los usos dinámicos. Fuente: Elaboración propia 3.1. Calibración del modelo para la ciudad de Granada. Una vez implementado el modelo, el principal problema es el de la calibración del mismo, es decir, la asignación de los pesos m kd para cada uso y para cada distancia de la celda central, que constituirán los efectos de atracción-repulsión de unos usos con respecto a otros. Para ello, a partir de la cartografía de la Aglomeración Urbana de Granada para fecha de 1984 se ha planteado la calibración del modelo para tratar de simular la situación en 1999, de tal forma que se obtengan unos resultados lo más similares a la situación real en dicha fecha. Inicialmente, como valores de partida se han elaborado unos valores de calibración basados en la interpretación empírica y en los trabajos previos existentes en Aguilera (2006). Sin embargo, este proceso de calibración requiere de un conjunto de pruebas que permitan de manera empírica, mediante ensayoerror ir ajustando los parámetros de calibración a la realidad de la ciudad, tal y como se señala en White et al. (1997) o Barredo et al. (2004). La tabla 1 recoge los primeros valores de calibración empleados, los cuales son preliminares, que han servido de punto de partida para comenzar el proceso de ensayo-error 10

9 EXPLORANDO EL CRECIMIENTO EN LA AGLOMERACIÓN URBANA DE GRANADA: UN MODELO BASADO EN AUTOMATAS CELULARES que tiene como objetivo ajustar dichos valores a la realidad del crecimiento urbano en el ámbito de estudio. La tabla se ha dividido en 4 partes, cada una de ellas representando a cada uno de los usos dinámicos contemplados en el modelo. En cada una de esas partes se muestra el efecto de atracción de cada uno de los usos sobre el uso en cuestión, en función de las distancias a la que nos encontremos. Estas distancias se componen de 18 niveles, cada uno de ellos representando un valor de distancia (1, 2, 2, 5, 2 2, etc), y en ellas se puede observar el anteriormente descrito efecto de distance-decay. Tabla 1: Valores de calibración iniciales para el cálculo del parámetro de vecindad (m kd ) Zonas de Distancia Uso Comerc Comercial Industrial Res.Disp Res. Com Esp.Libres Equipamt RedViaria Industrial Comercial Industrial Res.Disp Res. Com Esp.Libres Equipamt RedViaria Res. Disp Comercial Industrial Res.Disp Res.Com Esp.Libre Equipamt RedViaria Res.Com Comercial Industrial Res.Disp Res.Com Esp.Libre Equipamt RedViaria Fuente: Elaboración propia 11

10 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG A modo de ejemplo descriptivo, podemos comentar los valores de calibración preliminar para alguno de los usos. Por ejemplo, dentro del uso comercial, la primera fila hace referencia al efecto de atracción-repulsión que el uso comercial ejerce sobre sí mismo. Podemos observar como para las primeras zonas de distancia (aquellas que se encuentran más cercanas) encontramos unos valores elevados de atracción, para tratar de simular el efecto de agregación de las zonas comerciales en grandes superficies destinadas al uso. Al crecer la distancia el efecto de atracción decae, para transformarse en repulsión, puesto que no encontramos grandes superficies comerciales cercanas unas a otras. De una forma similar podemos entender cada una las filas de la tabla 1, que tratan de reproducir los comportamientos de los usos contemplados. A continuación, aplicando estos coeficientes se han empezado a generar simulaciones, que han ido retroalimentando el proceso de calibrado, de tal modo que en función de los resultados obtenidos se han ido ajustando los coeficientes para asemejar el resultado final lo más posible a la imagen de la situación real en RESULTADOS Una vez definidos los valores preliminares de calibración para el parámetro de vecindad, se han comenzado a generar los resultados del modelo, que a su vez nos servirán de criterio para variar los valores de calibración y adecuarlos al comportamiento real del crecimiento urbano para el período Actualmente aún nos encontramos en la fase de calibración, pero hemos conseguido alcanzar ya unos resultados suficientemente significativos como para ofrecer una idea del potencial del modelo. Los ajustes realizados hasta ahora en los valores de calibración han tendido a: - Disminuir los valores de los parámetros de calibración para los efectos de atracción sobre el suelo comercial, puesto que en las primeras simulaciones generadas encontrábamos un exceso del mismo, debido a unos parámetros de atracción para el cálculo de la vecindad excesivamente elevados. - Incrementar los valores de atracción para el suelo residencial compacto, puesto que su comportamiento para el período contemplado es tendente al crecimiento por agregación a partir de zonas compactas ya consolidadas, cosa que no ocurría en las simulaciones. - Disminuir los valores de atracción del suelo residencial disperso sobre el compacto, puesto que no se suelen generar zonas residenciales compactas a partir de dispersas, al menos para el período contemplado. - Incrementar el efecto de atracción de la red viaria sobre el suelo industrial, puesto que para el período ha existido un fuerte desarrollo de zonas industriales (muchas de ellas de pequeña superficie) en las cercanías de las principales vías de la red de carreteras. - Disminuir el efecto de agregación de las zonas industriales, para tratar de mostrar ese mayor efecto de dispersión sobre el territorio que muestran para el período contemplado. Con estas directrices fundamentales, en el proceso de calibración hemos alcanzado unos resultados preliminares del modelo, que mostramos a continuación junto con la situación real para la el área de estudio en De los métodos empleados por White et al. (1997), Barredo et al. (2003) y Aguilera (2006) entre otros, para la comparación de los resultados de la simulación y la 12

11 EXPLORANDO EL CRECIMIENTO EN LA AGLOMERACIÓN URBANA DE GRANADA: UN MODELO BASADO EN AUTOMATAS CELULARES situación real (comparación visual, matrices de comparación por pares y medidas del patrón espacial), emplearemos para esta calibración preliminar únicamente el método de la comparación visual entre imágenes, para, una vez calibrado de manera definitiva el modelo (en una fase ulterior, aún pendiente), pasar a emplear igualmente los métodos de matrices de comparación por pares y los análisis de los patrones de ocupación. La figura 5 muestra la imagen de la ocupación urbana en 1999, con las distintas categorías de ocupación identificadas, así como el resultado de la simulación del modelo con la calibración preliminar. (a) (b) Figura 5: Imagen de la AUG en 1999 (a) y del resultado de la simulación generada con el modelo de autómatas celulares (b) Fuente: Elaboración propia. 13

12 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG El resultado de la simulación se asemeja bastante a la situación real, en parte por la presencia de los usos no dinámicos, que son idénticos en ambas imágenes. Para el caso de los usos dinámicos, encontramos una semejanza interesante entre ambas imágenes, aunque aparecen errores apreciables especialmente en lo que respecta a los crecimientos industriales (en tonos naranja). El crecimiento de este uso se caracteriza por una menor agregación que la simulada por el modelo, lo que nos revela la necesidad de variar los pesos de atracción del suelo industrial sobre sí mismo, para evitar dicho efecto de agregación. Para los usos comerciales (en azul) encontramos un patrón de crecimiento similar al real, con su ubicación en los lugares cercanos a los nudos de comunicaciones, en los bordes de las zonas urbanas, aunque el modelo parece sobre-estimar las superficies para este uso. Finalmente, para el caso de los usos residenciales los patrones parecen ser bastante acertados, aunque aparecen demasiadas zonas residenciales compactas (rojo intenso) en aquellos núcleos más alejados de la capital granadina. 5. CONCLUSIONES En este artículo se presenta un modelo predictivo del crecimiento urbano basado en autómatas celulares implementado íntegramente en un SIG comercial (Idrisi Kilimanjaro) de uso ampliamente extendido. Este modelo requiere de un proceso de calibración para la adaptación de los efectos de atracción y repulsión de los distintos usos sobre los demás a la realidad del ámbito de aplicación del mismo, en nuestro caso la AUG. Actualmente encontramos el modelo en fase de calibración por lo que los resultados son preliminares, y como tales deben ser interpretados. Sin embargo, aunque encontramos aún desajustes en los comportamientos de los distintos usos dinámicos, se muestra una clara similitud con la situación real en 1999, lo que nos hace pensar que continuando con el proceso de calibración podemos conseguir simulaciones más ajustadas al ámbito considerado. Podemos decir pues que los resultados obtenidos son estimulantes, puesto que a partir de los valores de calibración iniciales, y después de no demasiadas simulaciones, ya se consiguen obtener imágenes que, cada vez más, se asemejan a la situación real que encontramos en 1999, como muestra la figura 6 De cualquier forma, y como señala White (1996), el cambio es inevitable, y muchas veces, impredecible. Evidentemente resulta imposible predecir cuál será el estado de una región dentro de 40 o 50 años en el futuro, por muy certero que sea cualquier modelo que pudiéramos elaborar. Sin embargo resultados presentados a partir de modelos de este tipo muestran como, para un período de tiempo de años, es posible generar simulaciones que presenten un grado de realismo interesante, y que realmente son estimulantes para tratar de construir modelos de este tipo para diferentes áreas urbanas, no tanto para alcanzar una relativa certidumbre, que en sí misma sería una meta banal, sino sobre todo para poder comprender mejor las dinámicas territoriales existentes en ellas. De ahí, que para tomar decisiones espaciales, los modelos sean tan o más importantes por, cómo se calibran (retroalimentando la comprensión espacial), que, por qué grado de correlación ofrecen entre la realidad y la simulación. Podemos decir finalmente que estos modelos encuentran principalmente su valor en ser herramientas para la exploración heurística del futuro (White, 1996) y para generar escenarios que planteen discusiones acerca de la sostenibilidad de los crecimientos, los impactos de políticas sectoriales como por ejemplo las referentes a infraestructuras, los efectos de los planes generales municipales o supramunicipales en 14

13 EXPLORANDO EL CRECIMIENTO EN LA AGLOMERACIÓN URBANA DE GRANADA: UN MODELO BASADO EN AUTOMATAS CELULARES definitiva, como un laboratorio con el que poder generar nuevos argumentos para planificar y valorar posibles consecuencias de lo propuesto (Barredo et al. 2004; Aguilera, 2006). Y es precisamente en este momento cuando encontramos el valor de estos modelos, momento en el que ciencia y planificación se encuentran y permiten, juntas, avanzar hacia una realidad más equilibrada y sostenible BIBLIOGRAFÍA Aguilera, F (2006): Predicción del crecimiento urbano mediante sistemas de información geográfica y modelos basados en autómatas celulares. En prensa. Barredo J, I. Kasanko, M, McCormick, N, Lavalle, C. (2003) Modelling dynamic spatial processes: simulation of urban future scenarios through cellular automata. Landscape and Urban Planning, 64, pp Barredo J, I; Demicheli, L, Lavalle, C; Kasanko, M; McCormick, N (2004). Modelling future urban scenarios in developing countries: an aplication case study in Lagos, Nigeria. Environment and Planning B: Planning and Design, 32, pp Batty, M (1997) Urban Systems as Cellular Automata. Editorial. Environment and Planning B: Planning and Design, 24, pp Fernández, D (2004) Bases para la evaluación ambiental y territorial del Área Metropolitana de Granada. Congreso Nacional de Medio Ambiente. Colegio Nacional de Físicos. Madrid. Font, A. et al. (2004) L'explosió de la Ciutat. Barcelona. COAC i FÒRUM UNIVERSAL DE LES CULTURES BARCELONA. Frankhauser, P (1998) Fractal geometry of urban patterns and their morphogenesis. Discrete Dynamics in Nature and Society, Vol 2, pp Menor, J (1998). La Vega de Granada: Transformaciones recientes de un espacio agrario tradicional. Tesis Doctoral. Universidad de Granada. Muñoz, J.D, (1996). Autómatas celulares y Física Digital. Memorias del Primer Congreso Colombiano de Neuro Computación. Academia Colombiana de Ciencias Exactas, Físicas y Naturales. Santa Fé. Bogotá, D.C Ocaña, C (1974): La Vega de Granada: Estudio Geográfico. Madrid: Instituto de Geografía Aplicada del Patronato Alonso de Herrera. Torrens, P M (2000) How cellular models of urban systems work. CASA working paper series, nº 28. Verburg, P.H., Schot, P., Dijst, M., and Veldkamp, A. (2004): Land use change modelling: current practice and research priorities. Geojournal 61(4), pp White, R (1996). Artificial Worlds: Are they real? The view from cellular dynamics. En Besussi, E y Cecchini, A (Ed) Artificial Worlds and Urban Studies. Venezia, DAEST, pp White, R; Engelen, G; Uljee, I (1997) The use of constrained cellular automata for high resolution modelling of urban land use dynamics. Environment and Planning B: Planning and Design, 24, pp

14 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG White, R; Engelen G; (2000). High-resolution integrated modelling of the spatial dynamics of urban and regional systems. Computers, Environment and Urban Systems, 24, pp Wolfram, S (1984) Cellular Automata as model of Complexity. Nature, 311, pp