Introducción
Desde sus inicios, la humanidad fue ocupando y generando cambios permanentes en el territorio (Silva y Rubio, 2013), pero desde fines del siglo XIX se produjo una explosión demográfica sin precedentes acompañada de un proceso urbanizador, que alteró los asentamientos humanos de todos los continentes y todos los países (Hernández e Hidalgo, 2020). La urbanización es el proceso que más cambios produjo (y produce) en el territorio y el ambiente (Merlotto el al, 2012), y es considerada como señal de prosperidad económica y social (Hernández e Hidalgo, 2020). Sin embargo, debido a los impactos que esta produce, se está debatiendo acerca de su real beneficio (Dávila el al, 2020).
A nivel mundial, el 54% de la población es urbana (Sandoval y Sarmiento, 2018), y una de las regiones con mayor porcentaje de esto es América Latina y el Caribe (80%) (Gómez y Ramírez, 2019).
En Argentina, el 91% de la población es urbana (INDEC, 2010), y en la provincia de Buenos Aires se asienta el cordón poblacional y urbano más importante del país, conocido como el Área Metropolitana de Buenos Aires (AMBA). El AMBA limita con el Río de la Plata (RDLP), y su centro es la Ciudad Autónoma de Buenos Aires (CABA), la cual es una de las seis megaciudades (de 10 millones o más de personas) presentes en América Latina (Buzai y Montes, 2020).
Las áreas costeras, históricamente, fueron estratégicas por la disponibilidad de recursos y el transporte de mercancías, por lo que en ellas se concentraron las ciudades y el crecimiento demográfico (León y Sánchez, 2020).
El proceso de urbanización no planificado en áreas costeras conlleva la degradación de los ecosistemas por su impacto paisajístico, la descarga de aguas residuales, procesos erosivos, alteraciones en los nutrientes y eutrofización en estuarios y costas abiertas (Barragán y De Andrés, 2016). En los países en desarrollo, la falta de planificación y la informalidad definen el modo de ocupación del territorio (Iturraspe el al, 2021). Los terrenos públicos o vacantes, como los espacios y bordes costeros, son, generalmente, objeto de ocupación informal y la dinámica urbano-rural genera espacios periurbanos heterogéneos, dispersos, derivados del crecimiento de las ciudades, que presentan grandes problemas ambientales y territoriales, en zonas expuestas a desastres ambientales, contaminación y degradación de los recursos, con dificultades en el acceso a infraestructura y servicios (Hernández e Hidalgo, 2020).
En Buenos Aires y en los partidos del AMBA, la ocupación de las costas es un fenómeno relativamente reciente en la historia (Dadón y Matteucci, 2006), donde se han densificado e impermeabilizado tierras inundables sin las previsiones requeridas en cuanto a desagües, se han rellenado bajos naturales que actuaban como amortiguadores durante las crecidas del río, exponiendo a los habitantes a situación de riesgo hídrico (Borthagaray, 2002).
La línea de costa del lado argentino del RDLP tiene una longitud de alrededor de 400 km, las costas son bajas y anegadizas, con escasa pendientes, características de la pampa deprimida, bordeadas en sectores por una barranca de hasta 10m de altitud (Dadón y Matteucci, 2006). Esta área de costas bajas forma parte del AMBA, donde habita el 32% de la población de Argentina y el 85% de la población de la provincia de Buenos Aires (INDEC, 2010). En la costa del RDLP se encuentra la mayor proporción de habitantes de bajos recursos (Dadón y Matteucci, 2006) y es un área expuesta al fenómeno climático-hidrológico de las sudestadas, el cual se basa en tormentas con fuertes vientos del sudeste que arrastran las aguas hacia el interior del RDLP. Dichos vientos producen mareas muy altas, y son la causa de inundaciones a lo largo de las costas bajas (Barros, 2005).
La cobertura del suelo es un indicador biofísico, que describe los materiales que cubren un territorio determinado (Borràs el al, 2017). Los cambios en la misma, por mucho tiempo, fueron considerados un asunto ambiental local, pero en la actualidad es un tema de importancia mundial, debido a las múltiples transformaciones globales que generan, como los consumos energéticos, demanda de recursos, contaminación, residuos, pérdida de la biodiversidad, ecosistemas y servicios ecosistémicos (Iturraspe el al, 2021). El crecimiento urbano y los cambios en la cobertura del suelo son parte inherente del desarrollo urbano (Merlotto el al, 2012) y el estudio de la dinámica e impactos de los mismos, este es un factor clave para la planificación territorial (Dávila el al, 2020).
En la actualidad, la implementación de las imágenes satelitales como herramienta permite el monitoreo y evaluación de cambios de la cobertura, con niveles de precisión aceptables, en tiempos cortos y con menores recursos económicos (Daga el al,, 2020). Existen diferentes técnicas para la detección de cambios y su análisis a través de imágenes satelitales, pero debido a la heterogeneidad del comportamiento de las áreas urbanas (por su variación espacial y espectral) hacen que la clasificación sea difícil (Thapa y Murayama, 2009), y que no exista un consenso general sobre cuál es la mejor técnica a aplicar. Dicha elección estará condicionada por: disponibilidad de datos, extensión del área de estudio, tiempo, capacidad de los equipos empleados, y el objetivo de la investigación (López y Plata, 2009). Las técnicas para detección de cambios a partir de imágenes satelitales, permiten visualizar, tanto numérica como geográficamente, la evolución de las zonas más densificadas, las áreas que presentan procesos de consolidación y los nuevos asentamientos (León, 2016); sin embargo, para las áreas periurbanas, esta tarea resulta mucho más compleja, ya que los límites de las diferentes coberturas son difusos y suelen ser zonas de transición en constante mutación, susceptibles a nuevas intervenciones (Daga et al, 2020).
Entre las técnicas utilizadas para evaluar cambios en la cobertura del suelo, la clasificación supervisada es una herramienta que requiere el conocimiento previo del terreno y, a partir del mismo, se crean áreas de entrenamiento que definen distintos tipos de coberturas y clases que representan a cada uno de los posibles temas, objeto de estudio en las imágenes (Tarillo, 2019).
Este trabajo tiene como objetivo identificar y analizar la evolución de las distintas coberturas del suelo, con énfasis en la cobertura urbana, en el período 1990-2020, en tres áreas costeras al Río de la Plata, a partir de la técnica de clasificación supervisada.
Área de estudio
Se identificaron y seleccionaron tres áreas urbanas sobre la costa del RDLP con características urbano-natural-rural con gradiente de mayor a menor densidad poblacional, a distintas distancias desde CABA hacia la periferia sur (Figura 1). Estas áreas son: la ribera de Quilmes (RQ) (Figura 2), Punta Lara (PL) (Figura 3) y Atalaya (AT) (Figura 4). Las tres pertenecen a la provincia de Buenos Aires, RQ y PL forman parte del AMBA, y AT es un área rural en las afueras del AMBA, ubicadas a 23, 60 y 106km de CABA respectivamente (Figura 1).
RQ está contenida por las coordenadas geográficas extremas de 34°42’ y 34°43’ S y los 58°13’ y 58°14’ O (Figura 2) en el partido de Quilmes (Figura 1), el cual tiene base económica en actividades comerciales, industriales y prestación de servicios. Quilmes es un partido urbano (Tabla 1) de superficie pequeña, con escasas áreas naturales, altas densidades poblacionales y gran cobertura de servicios (Dadón y Matteucci, 2006).
PL, ubicada entre los 34°47’ y 34°49’ S y los 57°57’ y 57°58’ O (Figura 3), se encuentra en Ensenada (Figura 1) que es un partido con perfil industrial centrado, principalmente, en un polo petroquímico, astilleros e industrias siderúrgicas (Bono et al, 2008), y con algunas actividades comerciales y de prestación de servicios. Ensenada es un partido natural, con tamaño intermedio entre los partidos rurales y urbanos (Tabla 1), con mayor superficie inundable, donde las áreas naturales ocupan entre el 50-99% de la superficie total (Dadón y Matteucci, 2006).
Por último, Atalaya (AT) ubicado entre 35° 1’ S y 57°31’O y los 35° 1’ S y 57°32’ O (Figura 4), se encuentra en Magdalena (Figura 1) que es un partido rural centrado en la prestación de servicios, con menor actividad comercial y mayor presencia de actividades rurales y turísticas; y se caracteriza por la gran extensión territorial, donde el área urbana ocupa menos del 1% de su superficie (tabla 1) (Dadón y Matteucci, 2006).
Partido | Quilmes | Ensenada | Magdalena |
---|---|---|---|
Distancia a CABA | 23 km | 60 km | 106 km |
Superficie del partido | 91,6 km2 | 113, 5 km2 | 1849,8 km2 |
Línea de costa partido | 10,2 km | 12,5 km | 45,6 km |
Superficie urbanizada del partido (km2) * (absoluta y relativa) | 69,3 (75,6%) | 15,1 (13,3%) | 8,9 (0,5%) |
Población del partido 2020 (habitantes) ** | 664.783 | 61.783 | 20.613 |
Densidad (Hab/km2) *** | 9593 | 4091 | 2316 |
Área de estudio seleccionada | RQ | PL | AT |
Superficie área de estudio absoluta (km2) y relativa al partido (%) | 8 km2 (8,7%) | 9,2 km2 (8,1%) | 1,8 km2 (0,1%) |
Línea de costa del área de estudio absoluta (km) y relativa al partido (%) | 4,5 km (44,1%) | 7,3 km (58,4%) | 1,6 km (3,5%) |
* Calculada a partir del Dataset GHS-BUILT-S R2022A (Pesaresi y Politis 2022)
** Proyección INDEC (INDEC, 2015)
*** Calculada a partir de la superficie urbanizada
Fuente: Elaboración propia.
Metodología
Se realizaron recorridas en las tres áreas seleccionadas entre los años 2017 y 2020, y con base en el conocimiento del territorio obtenido de las visitas, se realizó la clasificación supervisada.
Se hizo una delimitación de cada área tomando los radios censales, “unidades geoestadísticas parte de la estructura de relevamiento censal, definida por un espacio territorial con límites geográficos y aproximadamente 400 viviendas” (INDEC, 2019, p.4), que abarcaban la mancha urbana al año 2020, para luego, poder comparar los datos poblacionales con el área urbana (Figuras 2, 3 y 4). En el caso de PL y AT son ciudades que presentan la mancha urbana definida y aislada, pero para el caso de RQ el área urbana es continua en todo el partido, por lo que se tomó como límite del área urbana costera la autopista Buenos Aires-La Plata. Con los polígonos seleccionados, se creó un archivo vectorial y luego se recortaron las imágenes obteniendo un archivo ráster de cada ciudad, para cada corte temporal analizado.
El corte temporal elegido fue de 30 años, desde 1990 hasta 2020, en las tres áreas de estudio, con cortes históricos cada 10 años aproximadamente (1990, 2001, 2009, 2020), en función de la disponibilidad de imágenes. Se seleccionaron como meses de referencia para la búsqueda de imágenes satelitales septiembre, octubre y noviembre, ya que la estación de la primavera se encuentra establecida y, por ende, la vegetación se encuentra vigorosa, permitiendo diferenciar mejor aquellas áreas urbanas de la vegetación y el suelo desnudo. Respecto a la cobertura de nubes en las imágenes seleccionadas, el criterio de selección fue menor al 10% de cobertura, para evitar distorsiones debidas a la nubosidad.
Se efectuó la descarga de las imágenes disponibles en el repositorio del Servicio Geológico de Estados Unidos (USGS), mediante el uso del complemento SCP (Semi-Automatic Classification Plugin) del software QGIS versión 3.22, las cuales ya contaban con calibración radiométrica y corrección geométrica. Las imágenes descargadas corresponden a las siguientes fechas: 08/11/1990 Landsat 5 TM (L5), 10/09/2001 (L5),
12/11/2009 (L5) y 09/10/2020 Landsat 8 OLI (L8). Las imágenes de 1990, 2009 y 2020 pertenecen al Path 224 Row 084, y la del 2001 pertenece al Path 225, Row 084.
Luego se realizó la clasificación supervisada en el SCP, estableciendo cuatro categorías de coberturas: urbana (espacios cubiertos por áreas residenciales, infraestructura urbana, y equipamientos), vegetación (espacios cubiertos por áreas verdes, urbanas y naturales), suelo desnudo (espacios descubiertos de vegetación) y agua (espacios cubiertos por cuerpos de agua tanto naturales como artificiales).
Para identificar y delimitar correctamente las distintas coberturas se utilizaron dos composiciones (Figura 5): la Composición Color Natural (CCN) (Visible), donde se asignan los colores Rojo a la banda roja (Banda 3 en L5, y Banda 4 en L8); verde a la banda Verde (Banda 2 en L5 y Banda 3 en L8), azul a la banda Azul (Banda 1 en L5 y Banda 2 en L8); es decir las bandas respectivas al espectro Visible. Por otro lado la Composición Falso Color Compuesto Estándar (CFCCE) que considera y asigna al rojo la banda del NIR (Infrarrojo Cercano) (Banda 4 en L5 y Banda 5 en L8), al verde la banda roja, y al azul la banda verde.
Se definieron entre 25 y 50 polígonos de entrenamiento (regiones de interés - ROI - por sus siglas en inglés), por imagen y por año. Se eliminaron aquellos ROI cuyas firmas espectrales se solaparon entre sí, con el fin de que la distancia espectral (separabilidad) entre firmas de entrenamiento sea mayor, evitando así que, aquellas clases que fueran demasiado similares causaran errores en la clasificación.
Para evaluar la similitud entre firmas, se utilizó la Distancia de Jeffries-Matusita (JMD), criterio de separabilidad estadística ampliamente utilizado en la bibliografía, la cual calcula la separabilidad de un par de distribuciones de probabilidad. Es un criterio paramétrico, cuyos valores tienden a 0 cuando las firmas son idénticas, y es asintótica a 2 cuando las firmas son completamente diferentes (Congedo, 2021).
Una vez que la clasificación alcanzó niveles satisfactorios, se aplicó el proceso de clasificación utilizando el algoritmo de Distancia Mínima, ya que las áreas analizadas tenían superficies pequeñas (entre 2 y 9 km2). Este proceso se realizó para todos los cortes temporales (1990, 2001, 2009, y 2020) y para cada área (RQ, PL y AT).
Obtenida la clasificación, se calculó el área de cada clase por corte temporal y por área con la herramienta post-procesamiento del QGIS, y se comparó la variación absoluta y relativa por cobertura. La anterior también se comparó con la variación poblacional por medio de datos censales y estimaciones calculadas a partir de la tendencia de datos históricos, ya que, por motivos de la pandemia generada por el Covid-19, no se pudo realizar el censo planificado para 2020.
Debido a que las firmas espectrales difieren por cobertura y por área, para comparar la dispersión de las clasificaciones realizadas por cobertura, se construyó un diagrama de cajas a partir del programa RStudio (versión 2022.07.0+548), reuniendo los datos de todas las clasificaciones por cobertura.
Para evaluar la fiabilidad de la clasificación, se hizo una matriz de error, para obtener así la precisión global (proporción de sitios de referencia que fue mapeado correctamente), y se calculó el índice Kappa. El índice Kappa representa la proporción de acuerdos observados, respecto al máximo acuerdo posible más allá del azar (Borràs et al, 2017), es decir, el grado de exactitud esperada sobre la obtenida por simple azar (Dávila et al, 2020). El índice toma valores entre -1 y +1, y como se espera que la correlación entre la clasificación y los datos de referencia sea positiva, los valores deberían ser mayores a cero (Daga et al, 2020). Cuanto más cercano a 1 sea, mayor será la confiabilidad de la clasificación. A partir de 0,6 la concordancia es considerable, y si es mayor a 0,8 se considera casi perfecta (Rwanga y Ndambuki, 2017).
La evaluación sólo se realizó sobre la clasificación correspondiente al año 2020, tomando como datos de referencia imágenes de alta resolución a través del software Google Earth Pro (Maxar CNES Airbus) (fecha de generación de las imágenes: abril 2021) (Rwanga y Ndambuki, 2017).
Para la evaluación de la precisión de las clases, suelo con vegetación y suelo desnudo se unificaron como “suelo no urbano” para poder compararlas con la imagen de referencia y evitar errores por diferencias con la misma, producto de la fecha de generación. Se generaron 100 puntos en toda el área, mediante el método de muestreo aleatorio simple, a partir del plugin AcATAMa (Accuracy Assessment of Thematic Maps) (Llano, 2022). A partir de la clasificación de estos se generó la matriz de error, y se realizó el cálculo de la precisión y el índice Kappa a través del SCP.
Resultados y discusión
Firmas espectrales
El análisis de separabilidad espectral es un procedimiento importante que determina la similitud que poseen las clases establecidas (Dávila et al, 2020). A su vez, una clasificación no está completa hasta que no haya sido evaluada, ya que, si luego se usará dicha información como base para tomar decisiones y sacar conclusiones, se debe saber acerca de la calidad y precisión de esta información (Rwanga y Ndambuki, 2017). Los resultados aquí obtenidos demostraron buena separabilidad entre firmas espectrales, variabilidad entre sitios para las distintas coberturas y buena precisión en la clasificación.
En la mayoría de las clases, por año y por área, la media de la JMD fue mayor a 1,9 y el desvío estándar menor a 0,06, indicando una buena separabilidad entre firmas y poca variabilidad entre períodos (Figura 6), lo que se traduce en una buena identificación de las coberturas (Dávila et al, 2020). Las mayores confusiones se dieron entre las clases Agua / Urbano y las clases Suelo desnudo / Urbano, específicamente para RQ (Figura 6). El agua en general tiene una firma espectral típica y los casos de confusión son escasos, como suele ser en lugares con alta carga de sedimentos en suspensión (Córdoba et al, 2006). Se observó que en el año 2009, para RQ, la JMD entre las coberturas agua y suelo urbano fue de 0,9 (separabilidad baja), y los valores de reflectancia en el visible para ese año son los más altos de los cuatro períodos, por lo que se podría inferir una influencia de la turbidez del agua, explicando la confusión generada en ese período. Para el resto de los períodos (1991,2001 y 2020) el valor de la JMD fue de 2 (muy buena separabilidad), por lo que la media se vio influenciada por el valor obtenido en 2009, pero en el resto de los períodos la confusión fue despreciable (Figura 6). En el caso de las coberturas Urbano y Suelo desnudo, para RQ se observó que la confusión entre firmas se dio, principalmente, en los años 1991 y 2001, la cual fue disminuyendo progresivamente desde 1991, alcanzando un valor en 2020 de 1,98. Ambas coberturas en RQ fueron las únicas que mostraron mayor variabilidad entre períodos.
Al comparar la dispersión de las firmas espectrales de cada cobertura entre áreas, se observó que todas las coberturas tienen variabilidad entre sitios, siendo Agua y Suelo desnudo las de mayor variabilidad espectral
(Figura 7), característica común de los suelos desnudos (Antillón et al, 2015). Las cubiertas de Vegetación, Suelo desnudo y Urbano mostraron un comportamiento más selectivo, mientras que Agua una respuesta más uniforme. La cobertura Vegetación, como es de esperar, presentó bajos valores de reflectancia en el espectro visible y más elevados en el NIR. Suelo desnudo y Urbano tuvieron un comportamiento similar entre sí, y más uniforme, en comparación con Vegetación, con una curva espectral más plana, con valores máximos de reflectancia en el NIR, pero de menor magnitud que vegetación. Al tratarse de áreas periurbanas, donde los bordes son difusos entre las distintas coberturas, se observó en las firmas espectrales de cada cobertura esta particularidad. Las coberturas Urbano y Suelo desnudo, tanto en la JMD como en el diagrama de cajas, mostraron un comportamiento similar en la reflectancia que tienen por banda, pero la cobertura urbana tiene una leve diferencia, ya que es superior en sus valores de reflectancia en casi todas las bandas en comparación a la cobertura de Suelo desnudo.
Los cuerpos de agua superficiales en general absorben o transmiten la mayor parte de la radiación óptica recibida, siendo mayor en longitudes de ondas altas. A su vez, al ser cuerpos de agua poco profundos y turbios (con alto contenido de sedimentos), se observa un aumento de la reflectancia en las bandas del visible (azul, rojo y verde) (Figura 7) (Chuvieco, 2008).
Fiabilidad de la clasificación
El valor de precisión global indica la probabilidad para cualquier sitio en el mapa de ser correctamente clasificado (Loya et al, 2013) y, si bien, no hay un rango establecido, se recomienda que los valores superen el 85% (Daga et al, 2020). De la evaluación de la precisión global de la clasificación en los tres sitios, se obtuvieron valores superiores al 87% en todos ellos, indicando una proporción alta de sitios de verificación correctamente clasificados (Rwanga y Ndambuki, 2017). Para el índice Kappa, a partir de 0,75, se corresponde con una muy buena precisión, y se puede aceptar la clasificación (Humacata, 2017). El índice Kappa tuvo valores mayores a 0,80 (casi perfecta) en RQ y AT (Tabla 2), y 0,75 (considerable) en PL, mostrando en los tres sitios buena concordancia entre la clasificación y los sitios de referencia. Es decir, las categorías fueron establecidas correctamente, fuera de un proceso aleatorio (Humacata, 2017).
Tanto la precisión global como el Índice Kappa dieron los valores más altos en Atalaya, y los valores más bajos en Punta Lara (Tabla 2).
Área y año | RQ 2020 | PL 2020 | AT 2020 | |||||||
---|---|---|---|---|---|---|---|---|---|---|
Cobertura | Urbana | No urbana | Agua | Urbana | No urbana | Agua | Urbana | No urbana | Agua | |
Precisión del productor (%) | 95,54 | 90,28 | 75,06 | 84,8 | 90,12 | 64,7 | 89,72 | 95,08 | 100 | |
Precisión del usuario (%) | 82,22 | 95,56 | 100 | 87,8 | 88,46 | 57,1 | 90,91 | 95,65 | 60 | |
Kappa hat | 0,75 | 0,88 | 1 | 0,79 | 0,74 | 0,56 | 0,87 | 0,86 | 0,6 | |
Precisión total (%) | 91,05 | 87,11 | 93,57 | |||||||
Clasificación Kappa | 0,8211 | 0,7526 | 0,852 |
Fuente: Elaboración propia.
Evolución coberturas
En la evolución de las distintas coberturas se observó, para las tres áreas estudiadas, un incremento de la cobertura urbana, el mayor crecimiento absoluto del área urbana se dio en PL (1,8 km2), seguido por RQ (1,1 km2) y, por último, AT (0,3 km2) (Tabla 3). Respecto a la cobertura no urbana (vegetación, suelo desnudo), se observó que la cobertura de vegetación disminuyó en todas las áreas, mientras que suelo desnudo aumentó en RQ y AT, y disminuyó en PL (Tabla 3, Figuras 8 y 9). Ambas coberturas mostraron variaciones temporales, algunos períodos con incremento y en otros con disminución, pero la tendencia general es a la disminución (Tabla 3).
La cobertura agua aumentó en RQ y PL, y en AT se mantuvo estable (Tabla 3, Figuras 8 y 9). En RQ se observó el aumento de la misma en el período 2001 y, posteriormente, las variaciones se estabilizaron, pero sobre el mismo cuerpo de agua (Figura 9). El origen de los cuerpos de agua en RQ puede atribuirse a la construcción de la Autopista Buenos Aires La Plata, que quedó elevada en esa área y se extrajo suelo lindante como material de relleno, lo que generó cavas. En PL el caso es similar, ya que lo que fue identificado como cuerpo de agua en 2001, 2009, y 2020, en 1990 fue identificado como suelo urbano (una cantera que se utilizaba para extracción de tierra y tosca) (Figura 9). Dicha cantera en años posteriores pasó a constituir un cuerpo de agua superficial reconocido como Laguna Los Patos. En AT el caso es distinto ya que limita al oeste con el Arroyo Buñirigo, y al noreste con la selva marginal ribereña compuesta por juncales, pastizales y árboles, la variación en la humedad y anegamiento origina el aumento o depresión de la superficie cubierta por agua (Figura 9).
En síntesis, la tendencia general fue el incremento del área urbana en desmedro de las otras coberturas. En RQ y AT la cobertura urbana, agua y suelo desnudo aumentó en detrimento de la vegetación; mientras que en PL la cobertura urbana avanzó sobre suelo desnudo y vegetación (Tabla 3), las variaciones interperíodos de las coberturas no urbanas, y entre las diferentes áreas costeras, estuvieron asociadas a intervenciones antrópicas sitio específicas.
El crecimiento urbano, sobre ecosistemas del entorno y su resiliencia, genera efectos irreversibles (Buzai y Montes, 2020), y ha sido demostrado por numerosos estudios. En Latinoamérica la expansión de la mancha urbana ocurre en detrimento de tierras productivas o espacios verdes, con la consecuente pérdida de ecosistemas; por ejemplo, en México la expansión urbana ha impactado sobre la cobertura vegetal en la región fronteriza Nogales (Loya et al, 2013) y en el Parque Nacional La Malinche (González y Aguilar, 2021), y en tierras agrícolas en Chihuahua (Dávila et al, 2020). Situaciones similares se han observado en otros países de la región: en Valparaíso, Chile, el crecimiento del área urbana fue sobre áreas naturales, cubiertas de vegetación densa y dispersa, y cultivos. En Florianópolis, Brasil, el crecimiento de la ciudad se dio sobre vegetación y espacios como dunas, manglares, planicies inundables, en ambos casos con la consecuente pérdida de servicios y funciones ambientales, e impermeabilización del suelo (Romero y Medonça, 2009).
En Argentina, la pérdida de áreas naturales ocasionada por el crecimiento del suelo urbano fue notoria en diferentes provincias en las últimas décadas: en Tierra del Fuego, la desaparición de humedales (Iturraspe et al, 2021); en el área metropolitana del Gran Resistencia en Chaco, la degradación de cobertura boscosa; en el área metropolitana de San Miguel de Tucumán, la pérdida de áreas anegables y de alta calidad ambiental (Gómez et al, 2012). En particular, en la provincia de Buenos Aires, la explosión demográfica y la acelerada expansión urbana trajo efectos negativos respecto a la pérdida de suelos en la llanura pampeana y el bosque ribereño, espacios que merecían cuidado por sus servicios ambientales, diversidad de especies y variados paisajes (Baxendale y Buzai, 2011). También, sobre áreas productivas como en Quequén, donde el suelo urbano creció sobre suelos destinados a actividades agroganaderas, mineras e industriales y campos de médanos (Merlotto et al, 2012). En el AMBA, la extensión urbana sobre suelos rurales ocasionó la pérdida de diversidad en cultivos y el deterioro de valiosos ecosistemas, como los bañados de desborde fluvial (López y Rotger, 2020) y cuencas de ríos y arroyos urbanos, como el arroyo el Pescado en La Plata (Rotger y Ressel, 2020).
Nuestros resultados demostraron que las áreas urbanas estudiadas se encuentran en proceso de crecimiento y expansión, con implicancias ambientales negativas como la ocupación de nuevas áreas costeras bien conservadas, que generan problemas sobre los ecosistemas presentes y aumentan el riesgo frente a inundaciones (Dávila et al, 2020).
Año | 1990 | 2001 | 2009 | 2020 | ||||||||
Cobertura/Área | RQ | PL | AT | RQ | PL | AT | RQ | PL | AT | RQ | PL | AT |
Urbano | 1,67 | 1,85 | 0,23 | 1,54 | 2,05 | 0,30 | 1,84 | 2,71 | 0,38 | 2,81 | 3,69 | 0,51 |
Vegetación | 4,82 | 4,00 | 1,13 | 4,18 | 4,85 | 0,63 | 4,12 | 3,55 | 0,94 | 3,00 | 3,30 | 0,71 |
Suelo desnudo | 1,27 | 3,26 | 0,33 | 1,87 | 1,67 | 0,72 | 1,55 | 2,60 | 0,36 | 1,87 | 1,80 | 0,50 |
Agua | 0,23 | 0,00 | 0,06 | 0,32 | 0,54 | 0,10 | 0,40 | 0,25 | 0,08 | 0,33 | 0,32 | 0,04 |
Fuente: Elaboración propia.
La cobertura urbana en el año 2020 fue de 2,81km2 en RQ, 3,69km2 en PL, y 0,51km2 en AT (Tabla 4). Son áreas urbanas pequeñas, pero en este tipo de ambientes costeros suelen ser las que prevalecen y muestran más dinamismo. Asimismo, al estar próximas entre sí (menos de 50km entre ellas) y próximas a grandes urbes, a partir de fenómenos de conurbación y metropolización, podrían llegar a originar a futuro la unión física y funcional entre ellas, fenómeno común en América Latina y el Caribe (Barragán y De Andrés, 2016).
Según Dadón y Matteucci (2006), los partidos urbanos (como RQ) muestran comportamientos opuestos en sus variables (territoriales, económicas y sociales) a los rurales (como AT), y en algunos casos, los naturales (como PL) se comportan de manera similar a los rurales. En las áreas analizadas se pudo observar esta tendencia, ya que, con relación a la superficie urbana existente en 1990 en cada área, el mayor crecimiento relativo de la cobertura urbana ocurrió en PL y AT, 119,5% y 99,6% respectivamente, mientras que en RQ, un área mucho más consolidada y urbana, si bien hubo crecimiento, este fue menor (68,2%) (Tabla 4).
En cuanto al período de mayor crecimiento de la mancha urbana para las tres áreas estudiadas, se dio entre 2009 - 2020 (Tabla 4). En AT se observó un crecimiento interperíodo, siendo mayor al 25% en los últimos tres períodos; y en PL, en los últimos dos períodos, el crecimiento fue mayor al 30%. En RQ, en el período 1990-2001, hubo un decrecimiento en la mancha urbana, que puede ser explicado por la disminución poblacional promedio observada en los partidos urbanos, producto del auge de los barrios cerrados en partidos alejados a las áreas urbanas (Dadón y Matteucci 2006), y por la construcción de la autopista Buenos Aires - La Plata, obra que comenzó en el año 1985 y se inauguró el tramo Buenos Aires - Quilmes en 1995 (Fariña, 2016), por lo que en 1990 dicha obra se encontraba en pleno desarrollo, pudiendo haberse sobredimensionado la cobertura urbana en este intervalo de tiempo. En el período 2001-2009 se observó un crecimiento interperíodo del 19% y, finalmente, en el período 2009-2020, un crecimiento del 53% (Tabla 4).
Crecimiento interperíodo | Crecimiento total | ||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Área | 1990 | 2001 | 2009 | 2020 | 1990- 2001 | % | 2001- 2009 | % | 2009- 2020 | % | Diferencia entre 1990 y 2020 | % | |
RQ | 1,67 | 1,54 | 1,84 | 2,81 | -0,13 | -7,91 | 0,30 | 19,28 | 0,98 | 53,16 | 1,14 | 68,24 | |
PL | 1,85 | 2,05 | 2,71 | 3,69 | 0,20 | 10,75 | 0,66 | 32,43 | 0,98 | 36,07 | 1,84 | 99,56 | |
AT | 0,23 | 0,30 | 0,38 | 0,51 | 0,07 | 30,08 | 0,08 | 25,53 | 0,13 | 34,45 | 0,28 | 119,53 |
Fuente: Elaboración propia.
Relación entre evolución de superficie urbana y población
El término “crecimiento” se asocia a población, mientras que el de
“expansión” a ampliación del uso de suelo urbano, y el de “densificación” al aumento de la población y viviendas por unidad de superficie (Ramírez y Pértile, 2017). Teniendo en cuenta estos conceptos y, al analizar la relación entre población y superficie urbana en las tres áreas costeras estudiadas, en el período 1990 - 2020 se observó que, tanto RQ como PL, transitan un proceso de crecimiento poblacional y densificación del área urbana (PL en menor grado que RQ), mientras que en AT el proceso de crecimiento y densificación es menor, encontrándose en etapa de mayor expansión del suelo urbano. En RQ el crecimiento poblacional fue 2,77 veces mayor que en crecimiento de la superficie urbana (km2), mientras que en PL y AT la relación fue de 1,89 y 1,19 veces mayor (Tabla 5). El patrón de expansión acarrea una serie de desventajas como el alto costo del tendido de las redes de servicios públicos (Ramírez y Pértile, 2017) y el desarrollo de modelos de uso de suelos menos eficientes (Gómez y Ramírez, 2019).
Área | Variable | 1990 | 2020 | Crecimiento relativo interperíodo (%) 1990 - 2020 | Relación entre crecimiento relativo poblacional y crecimiento relativo urbano |
---|---|---|---|---|---|
RQ | Superficie urbana (km2) | 1,67 | 2,81 | 68 | 2,77 |
Habitantes (hab.) * | 5050 | 14583 | 188,8 | ||
Densidad (hab./ km2) | 3018 | 5190 | 71,9 | ||
PL | Superficie urbana (km2) | 1,85 | 2,81 | 51,9 | 1,89 |
Habitantes (hab.) * | 6243 | 12385 | 98,4 | ||
Densidad (hab./ km2) | 3376 | 4407 | 30,6 | ||
AT | Superficie urbana (km2) | 0,23 | 0,51 | 121,4 | 1,19 |
Habitantes (hab.) * | 387 | 946 | 144,4 | ||
Densidad (hab./ km2) | 1680 | 1855 | 10,4 |
* Datos extraídos de censos (INDEC, 2010 e INDEC, 2015) y de De Grande y Rodríguez (2022) Fuente: Elaboración propia.
La relación entre superficie urbana y el crecimiento de la población, también muestra relación con la distancia a la CABA. RQ, que es el área más cercana a ella (23km), es la que transita mayor proceso de densificación, es decir, mayor crecimiento de la población que de la superficie urbana, seguido por PL (a 60km de CABA), que evidencia el mismo proceso, pero en menor medida; finalmente AT, que se encuentra a más de 100km de la CABA, está ubicado en un proceso donde hay crecimiento poblacional, pero a la par de la expansión del suelo urbano, es decir, mantiene su densidad.
Por otra parte, el estuario del RDLP es un área vulnerable al cambio climático, donde se espera que en los próximos 100 años el nivel del río aumente entre 0,6 y 1m, con vientos y ondas de tormenta cada vez más fuertes y frecuentes, e inundaciones más recurrentes (Almansi et al, 2013). La dinámica del crecimiento poblacional, expansión del suelo urbano y densificación en áreas costeras expuestas a amenazas naturales como las mencionadas, incide en el riesgo de dos maneras, ya que modifica los ecosistemas y servicios, y al hacerlo aumenta el riesgo de la población (León y Sánchez, 2020). A su vez, al aumentar la población y el área urbanizada, aumenta la exposición, por lo que estas áreas deberían ser consideradas en función del análisis del riesgo a fin de adoptar medidas de gestión para la prevención y disminución del riesgo frente a las amenazas.
Conclusiones
La clasificación supervisada, a partir de imágenes Landsat, resultó una herramienta útil para identificar las distintas coberturas de suelo, con buena fiabilidad en áreas, tanto urbanas como naturales y rurales.
La disponibilidad de imágenes y uso de software de acceso libre facilitan la obtención y el procesamiento de datos a bajo costo, los cuales permiten generar información valiosa para los tomadores de decisión con escasos recursos para el desarrollo de medidas de gestión ambiental y urbana.
El conocimiento de las coberturas del suelo, y su evolución es un recurso sustancial, que permite tomar acciones para el desarrollo de políticas sustentables de ordenamiento del territorio, y planificar acciones para la gestión y prevención del riesgo frente a amenazas naturales en ciudades costeras.
La expansión de áreas urbanas no planificadas en zonas costeras precarias, pone en situación de vulnerabilidad y riesgo a ecosistemas y habitantes y, atendiendo la vulnerabilidad agravada por el cambio climático en las áreas costeras al río de la Plata, consideramos que en la Ribera de Quilmes, Punta Lara y Atalaya urge adoptar medidas de gestión para la prevención y disminución del riesgo