Indicador ODS 11.3.1

Fondo

Nota

Fuente: ONU-Hábitat (2019) Indicador ODS 11.3.1 Módulo de capacitación: Eficiencia del uso de la tierra. Programa de las Naciones Unidas para el Asentamiento Humano (ONU-Hábitat), Nairobi.

Los asentamientos humanos, en todas sus diversas formas, se apropian de la tierra de diversas maneras. Al igual que los organismos vivos, los asentamientos urbanos (ciudades) evolucionan, se transforman, se adaptan, innovan y cambian con las tendencias emergentes. Los asentamientos urbanos se expanden, reducen, densifican, intensifican, envejecen y, a veces, sus funciones incluso migran a áreas que son más propicias para su supervivencia. Todas estas tendencias en los asentamientos urbanos están estrechamente asociadas con factores tales como los cambios en la población, el potencial económico y la productividad, las condiciones físicas y sociales prevalecientes, la presencia de políticas habilitadoras, entre otras cosas.

Un país que maximiza los muchos beneficios asociados con la urbanización es uno que puede comprender, medir y predecir las tendencias de crecimiento de sus áreas urbanas; y, a su vez, implementa las acciones / intervenciones necesarias para aprovechar los beneficios de dicho crecimiento, al tiempo que minimiza los desafíos igualmente diversos asociados con la urbanización no planificada. La planificación proactiva, que es un requisito previo importante para la urbanización sostenible, requiere que las autoridades de la ciudad y otros actores relevantes predigan la dirección del crecimiento de una ciudad y / o den forma a este crecimiento al proporcionar las instalaciones, servicios y políticas legales y legales necesarios. Marcos por delante del desarrollo. Esto se traduce en un crecimiento planificado y equitativo en el que la mayoría de los residentes de la ciudad tienen acceso a los servicios básicos, oportunidades económicas y sociales, y donde prevalece la sostenibilidad ambiental. En el centro de todo esto está la necesidad de generar y difundir datos actualizados y precisos sobre las tendencias de crecimiento en las ciudades y los asentamientos urbanos.

La meta 11.3 tiene como objetivo mejorar la urbanización inclusiva y sostenible y la capacidad para la planificación y gestión de asentamientos humanos participativos, integrados y sostenibles en todos los países para 2030. Para monitorear el progreso hacia el logro de la meta 11.3, la ONU estableció el indicador 11.3.1, que mide la eficiencia con que las ciudades utilizan la tierra, que se mide como una proporción de la tasa a la que las ciudades consumen espacialmente la tierra en comparación con la tasa de crecimiento de su población. La evidencia empírica ha demostrado que las ciudades compactas utilizan la tierra de manera más eficiente y están mejor ubicadas para proporcionar bienes públicos y servicios básicos a un menor costo. Estas ciudades pueden consumir menos energía, administrar mejor los residuos y es más probable que maximicen los beneficios asociados con la economía de la aglomeración. Por otro lado, las ciudades en expansión (ciudades no compactas) experimentan una mayor demanda de movilidad; mayor consumo de energía; degradación ambiental; aumento del costo de la prestación de servicios básicos per cápita (por ejemplo, agua, saneamiento, drenaje); aumento del costo de la infraestructura per cápita; reducción de las economías de aglomeración; y disminución de la productividad urbana.

Al medir la velocidad a la que las ciudades consumen tierra en función de su tasa de crecimiento de la población, las autoridades de la ciudad y los encargados de tomar decisiones pueden proyectar la demanda de bienes y servicios públicos, identificar nuevas áreas de crecimiento e influir de manera proactiva en el desarrollo urbano sostenible. Esto es necesario para proporcionar infraestructura, servicios y servicios adecuados para mejorar las condiciones de vida de todos. Por lo tanto, la generación y difusión de datos sobre este indicador no solo es crucial para comprender la dinámica del crecimiento urbano y la formulación de políticas y directrices informadas, sino que también constituye el núcleo de la promoción de la urbanización sostenible.

Justificación para el monitoreo

Nota

Fuente: ONU-Hábitat (2019) Indicador ODS 11.3.1 Módulo de capacitación: Eficiencia del uso de la tierra. Programa de las Naciones Unidas para el Asentamiento Humano (ONU-Hábitat), Nairobi.

Comprender cómo una ciudad / área urbana se expande espacialmente contra su tasa de cambio de población es fundamental para determinar, entre otras cosas, la naturaleza del crecimiento de los asentamientos humanos (formal frente a informal) y la velocidad de conversión de las tierras periféricas a funciones urbanizadas. Estos dos elementos tienen implicaciones significativas en la demanda y el costo de la prestación de servicios, así como en la preservación y conservación del medio ambiente.

Para lograr un desarrollo sostenible, los países deben comprender qué tan rápido están creciendo sus áreas urbanas y en qué dirección. Esto no solo les ayudará a comprender las tendencias de crecimiento y atender eficazmente la demanda de servicios básicos, sino que también ayudará a crear políticas que fomenten el uso óptimo de la tierra urbana, protegiendo efectivamente otros usos de la tierra (entornos naturales, tierras de cultivo, etc.). Además, el logro de una urbanización inclusiva y sostenible requiere que los recursos se utilicen de una manera que pueda acomodar el crecimiento de la población a partir de la migración y el aumento natural, al tiempo que preserva las áreas ambientalmente sensibles del desarrollo.

El propósito de monitorear el progreso contra el indicador 11.3.1 de los ODS es, por lo tanto, proporcionar información necesaria y oportuna a los tomadores de decisiones y las partes interesadas para acelerar el progreso hacia una urbanización inclusiva y sostenible mejorada. El objetivo de la reunión 11.3 para 2030 requiere, como mínimo, reducir la expansión urbana y, si es posible, garantizar que la compacidad de las ciudades se mantenga o aumente con el tiempo.

Indicador y necesidades de datos.

El indicador 11.3.1 se define como la relación de la tasa de consumo de la tierra con respecto a la tasa de crecimiento de la población (Figura 1). Para calcular este indicador, se necesita información sobre la extensión urbana y la población en al menos dos momentos, e incluso más si estamos interesados en evaluar el cambio en el indicador a lo largo del tiempo.

Figura 1: el indicador de meta de desarrollo sostenible (ODS) 11.3.1 se calcula como la relación entre la tasa anual de consumo de tierra (ALCR) y la tasa anual de crecimiento de la población (APGR) entre los tiempos 1 y 2. Ln: logaritmo natural, Urb: área urbana, pop: población, t: tiempo en años.

Evaluación de cambios en ODS 11.3.1. a lo largo del tiempo requiere una cantidad significativa de información, ya que requiere conocer la extensión urbana y el conteo de la población durante varios años. Los datos de observación de la Tierra nos permiten estimar la extensión del área construida dentro de una ciudad, y luego, utilizando algoritmos de análisis espacial, estimamos la extensión de los diferentes elementos dentro del entorno urbano (por ejemplo, edificios, espacios abiertos, cuerpos de agua, etc.). En hemos adoptado el flujo de trabajo a continuación (Figura 2) para facilitar el proceso. Haciendo uso de las súper computadoras de Google Earth Engine, el archivo completo de Landsat entre 1997 y 2019, y el conjunto de datos GMIS (Brown de Colstoun et al 2017), computó una serie de índices de superficie impermeable a nivel mundial disponibles a una resolución de 30 m para informar sobre la extensión urbana para los años 2000, 2005, 2010 y 2015. Combinada con los datos de población y de entrada del usuario, la herramienta calcula ODS 11.3.1, tanto en forma de mapas y tablas para facilitar la interpretación y presentación de informes.

Figura 2: flujo de trabajos de Trends.Earth a la computación ODS 11.3.1. Los índices de superficie impermeables de 30 m globales se han calculado previamente y están disponibles para que los usuarios los exploren en el Trends.Earth Urban Mapper donde el usuario define la extensión construida simplemente asignando una serie de umbrales.

Consumo de tierra

Para estimar el consumo de tierra en , una serie de tiempo precalculada de indicadores de superficie impermeable está disponible a nivel mundial con una resolución de 30 m. En la sección a continuación, aprenderá cómo se calcularon los indicadores y algunas recomendaciones sobre cómo usarlos para calcular el indicador para ODS 11.3.1.

ISI en Trends.Earth

Dada la falta de disponibilidad de una serie temporal de conjuntos de datos superficiales impermeables a una resolución espacial fina para captar los cambios urbanos a nivel mundial, calculamos uno utilizando el mejor conjunto de datos superficiales impermeables disponibles, la superficie impermeable artificial global para el año 2010 (GMIS, Brown de Colstoun et al 2017) para capacitar una serie de modelos de bosques aleatorios globales (Breiman 2001) en Google Earth Engine (Gorelick et al 2017) utilizando 2,3 millones de imágenes Landsat (1.15 Peta-bytes de datos) entre los años 1997 y 2019. Para asegurarnos de que los modelos se entrenaron solo con datos de alta calidad, combinamos GMIS con los datos de cobertura terrestre de la ESA CCI para el año 2010 como se indica en la Figura 3. Este conjunto de datos nos permitió entrenar modelos forestales al azar, que luego se aplicaron a un conjunto de 24 pilas de bandas derivadas de los datos de reflectancia de la superficie Landsat para generar indicadores de superficie impermeables para los años 1998, 2000, 2005, 2010, 2015 y 2018. Se ejecutaron una serie de 846 modelos, uno por cada región ecológica según lo define el RESOLVER conjunto de datos (Dinerstein et al 2017).

Figura 3: se ejecutaron una serie de 846 modelos de bosques aleatorios. Cada modelo se entrenó utilizando los conjuntos de datos GMIS y ESA CCI, y luego se aplicó a un conjunto de 24 bandas derivadas de imágenes Landsat para predecir la superficie impermeable para los años 1998, 2000, 2005, 2010, 2015 y 2018.

Como la disponibilidad de imágenes es limitada, en algunas áreas, incluimos para cada año imágenes de los años anteriores y posteriores (por ejemplo, la pila para 2005 incluye imágenes de 2004, 2005 y 2006). Cada una de las 24 pilas de bandas contenía las 7 bandas de reflectancia (mediana para el período de 3 años), 15 índices de diferencia normalizados que representan todas las combinaciones posibles de las 7 bandas originales y luego 2 bandas específicas de NDVI que representan el máximo y la desviación estándar de NDVI. para cada píxel particular durante el período de 3 años. Seis de estas pilas se generaron para 1998, 2000, 2005, 2010, 2015 y 2018, y fueron la entrada a los modelos de bosques aleatorios.

Figura 4: Descripción de las bandas en la pila de 24 bandas utilizada en los modelos de bosques aleatorios.

Es difícil evaluar la precisión de este conjunto de datos, dada la falta de datos de referencia o conjuntos de datos comparables a nivel mundial. Comparamos los resultados del conjunto de datos ISI de 2010 con el conjunto de datos original de GMIS para un subconjunto de ciudades a nivel mundial para evaluar su precisión. Encontramos que el error de la raíz cuadrada media (RMSE) osciló entre 9.9 y 14.4%, lo que para un indicador que varía entre 0% (superficie no impermeable) y 100% (completamente impermeable) es un resultado muy aceptable. Sin embargo, instamos a los usuarios a que evalúen los resultados inspeccionando visualmente el Mapeador urbano de Tendencias.Earth por su área de interés.

De ISI a la edificación.

Para estimar el área ocupada por superficies impermeables en una ciudad, necesitamos convertir el índice de superficie impermeable continua (ISI) en un mapa binario que separa las áreas construidas de aquellas que no están construidas. Este proceso se realiza mediante la definición de una serie de valores de umbral en el Mapeador urbano de Tendencias.Earth, que variará según la región.

Figura 5: En Trends.Earth Urban Mapper el usuario tiene control sobre cómo se realizará la conversión del Índice de Superficie Impermeable (ISI, derecha) al mapa de área construido en binario (construido, izquierda) para su ciudad de interés.

En | tendencias. Tierra | el usuario debe definir 3 valores de umbral que la herramienta utilizará para estimar el área construida para el área de interés. Esos umbrales son:

• Índice de superficie impermeable (ISI, 0-100): este es un índice que varía entre 0 y 100, donde los valores más altos son indicativos de un mayor porcentaje de superficie impermeable en el píxel de 30 m. Establecer un valor de umbral de ISI más bajo significará que su conjunto de datos de áreas edificadas incluirá áreas con baja densidad de construcción, que generalmente se encuentran en las periferias de las ciudades. Al establecer este valor más alto, la evaluación se centrará en los centros urbanos de alta densidad.

• Índice de luces nocturnas (NTL, 0-100): El índice de superficie impermeable puede, en algunos casos, presentar valores altos para áreas cubiertas con tierra o rocas desnudas y secas, ya que este tipo de superficies tienen propiedades espectrales similares a las de De superficies impermeables hechas por el hombre. Para filtrar estas áreas, usamos luces nocturnas, eliminando áreas con ISI alto y luces nocturnas bajas presentes fuera de los límites de la ciudad. La falta de una serie temporal de luces nocturnas de calibración constante para el período de tiempo considerado (2000-2015) significa que no podemos enmascarar el año con su año correspondiente, por lo que usamos VIIRS Nighttime Day / Night Band Composites Versión 1 para El año 2015 (NOA, 2019). Establecer el valor de umbral de NTL más bajo significará que su conjunto de datos de área acumulados incluirá áreas con baja densidad de luz, que generalmente se encuentran en las periferias de las ciudades. Al establecer este valor más alto, la evaluación se centrará en los centros urbanos de alta densidad.

• Índice de frecuencia del agua (WFI, 0-100): la presencia de agua es una característica muy dinámica del ambiente costero o fluvial, en algunos casos el agua inundará las áreas terrestres y en otros los humanos invadirán los cuerpos de agua para ocupar el espacio. Para capturar algunas de esas dinámicas, hemos integrado en la herramienta un conjunto de datos de frecuencia de agua (Pekel et al 2016). Al ajustar el umbral de frecuencia del agua, el usuario puede elegir resaltar estas áreas dinámicas agua-tierra. Establecer un valor de umbral de frecuencia de agua más bajo significará que su conjunto final de datos de áreas consideradas estará cubierto por áreas de agua con frecuencias de agua más bajas en toda la serie de tiempo, como ríos o lagos intermitentes. Establecer este valor más alto restringirá los cuerpos de agua a áreas con una alta frecuencia de ocurrencia de agua (es decir, ríos y lagos permanentes).

Figura 6: En Trends.Earth Urban Mapper el usuario define una serie de umbrales que van desde el Índice de superficie impermeable continuo (ISI, derecha) al mapa de área construido en binario (construido, izquierda).

Prueba de consistencia

Cuando se clasifican datos de detección remota en productos derivados, como el índice de superficie impermeable calculado por , se producen errores de omisión y comisión. Una de las ventajas de realizar análisis de series de tiempo es que las imágenes de diferentes años se pueden usar para identificar inconsistencias en el análisis. Por ese motivo, las capas ISI de 1998 y 2018 se calcularon en este análisis, para agregar puntos de datos anteriores y posteriores para filtrar posibles errores en las clasificaciones de las series 2000 a 2015.

Los umbrales definidos en la sección anterior (ISI, NTL y WFR) se aplican a cada una de las capas individuales de 1998, 2000, 2005, 2010, 2015 y 2018, generando una serie de mapas binarios. Los seis mapas binarios se combinan posteriormente en un conjunto de datos de series de tiempo que contiene información sobre la naturaleza de cada píxel para cada año como construido o no construido. Una regla principal se aplica más tarde a esa serie:

• Un píxel se considera construido solo si el 50% o más de los puntos de datos después de la primera detección construida identifican la misma área que la construida. Para tales píxeles, la primera detección que se construya se considerará el año de conversión. Las áreas con menos del 50% construido después de la primera detección se considerarán como errores en la clasificación y, como consecuencia, no se construirán. reconocemos que al aplicar esta regla estamos limitando la capacidad del conjunto de datos para detectar transiciones de construidas a no construidas. Sin embargo, dada la baja probabilidad de que esa transición ocurra en entornos urbanos, nos sentimos cómodos al hacer esa suposición. La inspección visual de los resultados apoya el enfoque.

Pruebas globales

provides through the Urban Mapper and the QGIS plug-in access to the global 30m time series of impervious surface indices. It is important however understand that the dataset has its limitations, and user’s input and control is needed to assess changes in indicator SDG 11.3.1 accurately. To test the performance of the indicator, we run the analysis on 224 cities globally (200 national capitals + 24 large cities in the Unites States of America, Figure 7). Using the Urban Mapper and visually comparing the product to very high spatial resolution images, we were able to define the thresholds appropriate for each city (ISI, NTL, and WFI) and also assess the quality of the product in a scale from 0 to 5. The results show that for 83% of the cities assessed Trends.Earth data can be used for estimating indicator SDG 11.3.1. The biggest limitation remains in small island states (for which no training data was available), hyper arid areas, and areas with low image availability.

0. Sin datos: ciudades para las cuales no se disponía de datos de entrenamiento para construir el conjunto de datos de superficie impermeable. Estas ciudades representan el 6,2% de la muestra evaluada.

1. Inutilizable: ciudades para las que hay resultados disponibles, pero debido a la baja disponibilidad de imágenes Landsat, impidió la producción de un producto de buena calidad. Estos resultados no deben utilizarse para calcular el indicador ODS 11.3.1. Estas ciudades representan el 0,9% de la muestra evaluada.

2. Problemática: ciudades con resultados de uso potencial para subestimar visualmente los patrones espaciales de expansión de área construida, pero con errores significativos. Estos resultados no deben utilizarse para calcular el indicador ODS 11.3.1. Estas ciudades representan el 4,0% de la muestra evaluada.

3. Algunos problemas: Las ciudades con resultados que muestran algunos problemas que confunden las superficies de suelo desnudo con el área construida, podrían usarse para calcular el ODS 11.3.1 después de una inspección detallada de los datos. Estas ciudades representan el 6,2% de la muestra evaluada.

4. Problemas menores: ciudades con datos de alta calidad pero con la presencia de pequeñas áreas de confusión. Estos datos podrían utilizarse para calcular ODS 11.3.1. Estas ciudades representan el 12,5% de la muestra evaluada.

5. Alta calidad: ciudades con datos de alta calidad que muestran un acuerdo perfecto entre el área construida utilizando los datos de Trends.Earth e imágenes de alta resolución disponibles en Google Earth, alta confianza para estimar ODS 11.3.1. Estas ciudades representan el 70,1% de la muestra evaluada.

Figura 7: Después de realizar pruebas en 224 ciudades grandes de todo el mundo, los resultados muestran que para el 83% de las tendencias evaluadas en Tendencias. Los datos de la Tierra pueden utilizarse para estimar el indicador ODS 11.3.1. La mayor limitación sigue siendo en los pequeños estados insulares (para los cuales no se disponía de datos de entrenamiento), áreas hiperáridas y áreas con baja disponibilidad de imágenes.

Figura 8: Distribución espacial de los parámetros de umbral seleccionados para la muestra de 224 ciudades analizadas. Parte superior: Indicador de área de superficie impermeable, Medio: Indicador de luces nocturnas, y Parte inferior: Indicador de frecuencia de agua.

A partir del análisis de 224 ciudades a nivel mundial, pudimos estimar el rango de parámetros más comúnmente utilizados. Los valores más frecuentes utilizados fueron: ISI = 30, NTL = 10, WFR = 25. Esos fueron los parámetros predeterminados definidos en el Trends.Earth Urban Mapper y el complemento QGIS, pero es importante recordar que para cada ciudad, se debe realizar una inspección cuidadosa del conjunto de datos, a fin de encontrar el conjunto de parámetros que mejor funcionen para cada sitio.

Figura 9: Distribución de frecuencia de los parámetros de umbral seleccionados para la muestra de 224 ciudades analizadas. Izquierda: Indicador de área de superficie impermeable, Medio: Indicador de luces nocturnas, y Derecha: Indicador de frecuencia de agua.

Zonas urbanas

La extensión urbana es el área de estudio propuesta que comprende el área urbanizada y el espacio abierto urbanizado de la ciudad, junto con las áreas agregadas por análisis de proximidad (ONU-Hábitat, 2019). ONU-Hábitat sugiere clasificar el área de interés en las 6 clases siguientes para identificar el área que se usará en la estimación de la tasa anual de consumo de tierra (Figura 1):

Las áreas construidas se clasificarán según la densidad dentro de 500 m de cada radio de píxeles:

1. Urbano: > 50% acumulado en el radio de 500 m.

2. Suburbano: 25-50% acumulado en el radio de 500 m.

3. Rural: <25% construido en el radio de 500 m.

Las áreas no construidas se considerarán espacios abiertos (EA), y se clasificarán de la siguiente manera:

4. Espacio franco abierto: espacio abierto a menos de 100 m de zonas urbanas y suburbanas.

5. Espacio abierto capturado: espacio abierto completamente rodeado por espacio abierto.

6. Espacio abierto rural: Todos los demás espacios abiertos.

En , hemos agregado al esquema anterior diferenciando la tierra del espacio abierto del agua, ya que los usos que los ciudadanos pueden hacer de cada espacio son muy diferentes.

7. Espacio abierto de la franja - agua: Espacio abierto de la franja cubierto por el agua

8. Espacio abierto capturado - agua: Espacio abierto capturado cubierto por agua

9. Espacio abierto rural - agua: Espacio abierto rural cubierto por agua

La extensión urbana está determinada por el área combinada de las clases 1, 2, 4, 5, 7 y 8 (urbano, suburbano y de borde y espacio abierto capturado).

Figura 10: Resultado del análisis ODS 11.3.1 que muestra los diferentes elementos que conforman el espacio urbano.

Con esta información, ahora podemos estimar las tasas de expansión urbana a lo largo del tiempo para los períodos 2000-2005, 2010 y 2010-2015 necesarios para estimar la tasa anual de consumo de la tierra.

Crecimiento de la población

Nota

Fuente: ONU-Hábitat (2019) Indicador ODS 11.3.1 Módulo de capacitación: Eficiencia del uso de la tierra. Programa de las Naciones Unidas para el Asentamiento Humano (ONU-Hábitat), Nairobi.

Una vez que se han definido las áreas urbanizadas, el siguiente paso es establecer cuántas personas viven dentro de esas áreas para cada año de análisis. Esta información se utiliza para calcular la tasa de crecimiento anual de la población. La estimación del número de personas que viven dentro de cada área de servicio se puede lograr a través de dos amplios enfoques:

1. Uso de datos de alta resolución de las oficinas nacionales de estadística: En esta opción, los datos del censo se utilizan para agregar el número de personas que viven en todos los hogares dentro de los límites urbanos. Las proyecciones y las extrapolaciones también se pueden emprender fácilmente según las características del hogar a los años de reporte particulares. El proceso es mucho más fácil cuando se utilizan unidades dinámicas de censo para identificar el área urbanizada, particularmente porque están bien alineadas con la arquitectura oficial de datos de la población. Esta opción proporciona los datos de población más precisos y autorizados para el cálculo del indicador y es altamente recomendable.

2. Uso de datos de población en cuadrícula: En esta opción, una cuadrícula de población se realiza distribuyendo la población a toda la unidad administrativa o del área del censo. Los atributos como la presencia de áreas habitables (clases de uso de la tierra) se pueden usar para distribuir la población, de manera que las celdas de la cuadrícula en pistas de tierra no desarrollada o en áreas industriales tendrán menos población que las áreas residenciales de alta densidad. En la cuadrícula resultante, cada celda de la cuadrícula tendrá un valor único, que depende de factores tales como la población total dentro de la unidad administrativa / censal que lo encierra, y el número y / o cantidad de las clases de uso de suelo habitables. La Figura 5 ilustra la lógica general de las cuadrículas de población que usan solo una clase de uso del suelo: las áreas edificadas. La cuadrícula de población siempre debe cubrir un área más grande que los límites urbanos definidos. Una vez que se crean las cuadrículas de población, la estimación de la población que vive dentro de los límites urbanos se puede lograr agregando las poblaciones de las celdas de la cuadrícula encerrada. En ausencia de datos de alta resolución de las OSN, esta opción produce mejores estimaciones para la población, aunque los datos de entrada de alta calidad y el análisis multinivel son esenciales para mejorar la precisión de los datos. Se dispone de conjuntos de datos globales que representan poblaciones de 1km² y 250m de cuadrículas (por ejemplo, GPWv4, GHS-POP, WorldPop); la mayoría de los cuales asumen una distribución equitativa de la población en las clases habitables (por ejemplo, áreas edificadas). Este enfoque se propone para el cálculo del indicador donde los datos de alta resolución de las oficinas nacionales de estadística no están disponibles o no son fácilmente accesibles.

Población en Trends.Earth

En recomendamos a los usuarios que utilicen la opción 1, ya que a la escala de las ciudades la precisión de los datos de alta resolución proporcionados por las oficinas nacionales de estadística siempre será mayor que la obtenida por los productos ráster globales que, en la mayoría de los casos, se produjeron para el análisis a nivel nacional. Sin embargo, reconociendo que en algunas áreas los datos de población no estarán disponibles para la mayoría de los usuarios, proporcionamos datos de la Población del Mundo V4 (GPWv4, CIESIN, 2016) como referencia. Incluso si la opción de usar GPWv4 en , los datos de población pueden reemplazarse fácilmente por datos de alta calidad relevantes localmente simplemente reemplazando las celdas correspondientes en la salida tabular final.

Tendencias en ODS 11.3.1

Los resultados finales de los cálculos ODS 11.3.1 en estarán:

1. Los mapas tal como se presentan en las Figuras 10 y 11, que permitirán una interpretación visual de los cambios ocurridos en el espacio urbano entre 2000 y 2015 a intervalos de 5 años.

2. Una tabla que resume los cálculos de área para los diferentes espacios dentro del espacio de la ciudad (urbano, suburbano y las diferentes clases de espacio abierto), y también los números de población correspondientes. En esta tabla, el ODS 11.3.1 también se calculará automáticamente, y se proporcionará una tendencia del indicador a lo largo del tiempo.

Figura 11: Uno de los resultados finales del análisis ODS 11.3.1 en | trends.earth | es una salida tabular que muestra el área, la población y el indicador de ODS 11.3.1 para la ciudad analizada.

Nota

Para obtener una guía paso a paso sobre cómo ejecutar el análisis en , consulte el siguiente tutorial: ODS 11.3.1 - Tasa de consumo de la tierra.

Citas:

Breiman, L., 2001. Random forests. Mach. Learn. 45, 5–32. https://doi.org/10.1023/a:1010933404324

Brown de Colstoun, E. C., C. Huang, P. Wang, J. C. Tilton, B. Tan, J. Phillips, S. Niemczura, P.-Y. Ling, and R. E. Wolfe. 2017. Global Man-made Impervious Surface (GMIS) Dataset From Landsat. Palisades, NY: NASA Socioeconomic Data and Applications Center (SEDAC). https://doi.org/10.7927/H4P55KKF.

CIESIN. 2016. Gridded Population of the World, Version 4 (GPWv4): Population Density Adjusted to Match 2015 Revision of UN WPP Country Totals. Palisades, NY: NASA Socioeconomic Data and Applications Center (SEDAC). Center for International Earth Science Information Network - Columbia University. https://doi.org/10.7927/H4HX19NJ.

Dinerstein, E., Olson, et al, 2017. An Ecoregion-Based Approach to Protecting Half the Terrestrial Realm. BioScience 67, 534–545. https://doi.org/10.1093/biosci/bix014

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens. Environ., Big Remotely Sensed Data: tools, applications and experiences 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031

Jean-Francois Pekel, Andrew Cottam, Noel Gorelick, Alan S. Belward, High-resolution mapping of global surface water and its long-term changes. Nature 540, 418-422 (2016). https://doi.org/10.1038/nature20584.

NOA. 2019. VIIRS Nighttime Day/Night Band Composites Version 1. Available through: https://developers.google.com/earth-engine/datasets/catalog/NOAA_VIIRS_DNB_MONTHLY_V1_VCMCFG

UN-Habitat (2019) Module 3: Land consumption. Accessed on 05/10/2019 from: https://unhabitat.org/wp-content/uploads/2019/02/Indicator-11.3.1-Training-Module_Land-Consumption_Jan-2019.pdf