Application of predictive models for territorial planning in Pasto, Colombia
DOI:
https://doi.org/10.56294/la2024110Keywords:
Data mining, expansion, prediction, urban planning, planningAbstract
The research analysed urban growth in the city of Pasto between 2000 and 2022. The need to properly manage large volumes of data using technological tools that would allow for the organisation, analysis and prediction of urban expansion behaviour was identified. To this end, a predictive model was implemented, supported by software developed with open-source technologies such as Python and Laravel, with an interface based on HTML and CSS. This software facilitated the identification of growth patterns through data mining and multi-criteria analysis techniques. The project received institutional support from the University of Nariño, as well as the participation of teachers and researchers from the fields of engineering and architecture. In addition, data was collected both digitally and through fieldwork in order to build a reliable repository to feed the information system. The study showed that urban growth is a multifactorial process influenced by social, economic, demographic and political variables. Finally, it was concluded that the predictive model made it possible to determine interactive scenarios of urban expansion and offered an effective tool for territorial planning. The results confirmed that it is possible to apply methodologies such as EMC and information systems to support strategic decisions in urban planning.
References
1. Apablaza M, Henriquez C. URBAN PLANNING AND GROWTH: dislocations and URBAN SUSTAINABILITY CHALLENGES OF REGIONAL SANTIAGO, METROPOLITAN. Rev electron geogr cienc soc. 2010;14.
2. Ulloa-Espíndola R, Pérez-Albert Y. Validación de un modelo de predicción del crecimiento urbano en Quito (Ecuador). EURE (Santiago). 2022;48(144):1–27. Disponible en: https://www.scielo.cl/scielo.php?pid=S0250-71612022000200006&script=sci_arttext
3. González et al. Análisis del crecimiento urbano en las zonas de expansión de Pasto 2000-2022. Convocatoria Universidad CESMAG; 2022.
4. Antonio L. Un modelo de crecimiento urbano vertical con factores característicos basado en inteligencia artificial. Uaemex.mx; 2021. Disponible en: http://ri.uaemex.mx/handle/20.500.11799/112219
5. Santos D. 20 ejemplos de páginas interactivas excepcionales. Hubspot.es; 2022. Disponible en: https://blog.hubspot.es/website/ejemplos-paginas-interactivas
6. Ley 388 de 1997. Disponible en: https://www.minambiente.gov.co/wp-content/uploads/2021/08/ley-388-1997.pdf
7. González et al. Análisis del crecimiento urbano en las zonas de expansión de Pasto 2000-2022. Convocatoria Universidad CESMAG; 2022.
8. González et al. Análisis del crecimiento urbano en las zonas de expansión de Pasto 2000-2022. Convocatoria Universidad CESMAG; 2022.
9. Cañas EA, Díaz IC. Estrategias para la gestión de grandes volúmenes de datos por medio de Big Data. MVM Ingeniería de Software.
10. El Tiempo. Ahora se puede predecir el crecimiento urbano de las ciudades. 2021. Disponible en: https://www.eltiempo.com/colombia/medellin/innovacion-paisa-permite-predecir-el-crecimiento-urbano-de-las-ciudades-593757
11. Universidad EAFIT. Investigadores de EAFIT pronostican el crecimiento urbano y la demanda de agua en las ciudades. Disponible en: https://www.eafit.edu.co
12. González et al. Análisis del crecimiento urbano en las zonas de expansión de Pasto 2000-2022. Convocatoria Universidad CESMAG; 2022.
13. Blei AM, Angel S, Civco DL. Urban Expansion in a Global Sample of Cities, 1990–2014. Working Paper WP18AB2. Lincoln Institute; 2018.
14. Haller A. Los impactos del crecimiento urbano en los campesinos andinos. Espacio y Desarrollo. 2023.
15. Principi N. Evaluación multicriterio aplicada a la expansión urbana en Luján. UNLu. 2021.
16. Bravo Cobeña CM, Valdivieso Guerra PEA, Arregui Pozo R. Propuesta de modelos predictivos en la planificación territorial. Rev Electr Geogr Cienc Soc. 2007;XI(245).
17. Gómez Delgado CM. Diseño de un modelo basado en agentes para simular el crecimiento urbano. Boletín A G E. 2016;(70).
18. Abrego Almazán D, Medina Quintero JM, Sánchez Limón ML. Los sistemas de información en el desempeño organizacional. Investig Adm. 2015;(115):7–23.
19. Castillo G. Los sistemas de información gestionando grandes volúmenes de datos. Scielo.org.co. 2023.
20. Moreno-Cevallos JR, Dueñas-Holguín BL. Sistemas de información empresarial: la información como recurso estratégico. Dominio Cienc. 2018.
21. Orellana B, Ormeño S, Rodón Módol J. Impacto de la automatización sobre el desempeño. Esan.edu.pe. 2014.
22. Prieto A, Martínez M. Sistemas de información en las organizaciones. Rev Cienc Soc (Ve). 2004;X(2):322–37.
23. Jaramillo Valbuena S, Cardona SA, Fernández A. Minería de datos sobre streams de redes sociales. Inst Investig Bibliotecológicas. 2015;(33):63–74.
24. Jaramillo A. Aplicación de técnicas de minería de datos para determinar interacciones estudiantiles. Espol.edu.ec. 2023.
25. Bazant J. Procesos de expansión y consolidación urbana de bajos ingresos. Bitácora Urbano Territorial. 2008;13(2):117–32.
26. Lucia O. La evaluación multicriterio social y su aporte a la conservación de bosques. Rev Fac Nac Agron Medellín. 2023;58(1):2665–83.
27. Marcela L, Stevens G. Aplicación de un modelo predictivo para el cambio de cobertura urbana. Udistrital.edu.co. 2022.
28. Enrique J. Acerca de los sistemas de información geográfica. Univ del Valle. 2013.
29. Manuel J, Gitierrez P. Desarrollo de un sistema de información para gestión de proyectos. UCatólica Colombia.
30. Lucía M, Elvirita L. Calidad de la gestión del sistema de información de una IPS. Cuader Lat Admin. 2016;9(17):58–71.
31. Oviedo Carrascal AI, Jiménez Giraldo J. Minería de datos educativos: análisis del desempeño estudiantil. Rev Politécnica. 2019;15(29):128–40.
32. Michele K, Yurani T. Evolución socio-espacial del área urbana de Sotomayor. Udenar.edu.co. 2021.
33. Benitez K, Gomez D. Zonificación por susceptibilidad a fenómenos de inundación. Udenar.edu.co. 2015.
34. Mauricio D, Jaramillo Molina C, Alberto C. Evaluación espacial de centros de distribución de café. Rev EIA. 2022;19(38):10.
35. Lucía M, Elvirita L. Calidad de la gestión del sistema de información de una IPS. Cuader Lat Admin. 2016;9(17):58–71.
36. Carolina L, Sánchez JJ. Mapa de fallas de los volcanes Chiles-Cerro Negro. Bol Geol. 2017;39(3):71–86.
37. Pereira T, Clara. Minería de datos en supervivencia de cáncer cervical. Univ Salud. 2023;14(2):117–29.
38. López GA. ¿Las infraestructuras como proyecto de ciudad? Ciudades (Valladolid). 2023;(11):105–32.
39. Pérez Bustamante L, Salinas Varela E. Crecimiento urbano y globalización en Concepción, Chile. 2007.
40. Herrmann MG, Van Klaveren A. Disminución de participación ciudadana y planificación urbana. EURE. 2016.
41. Vista de Hacia una política pública de desarrollo urbano sostenible en el Perú. Paideia. Disponible en: http://45.231.72.143
42. De Población En et al. Repositorio UC. Disponible en: https://repositorio.uc.cl
43. Rodríguez P, Palomino N, Mondaca J. El uso de datos masivos para políticas públicas. BID. Disponible en: https://publications.iadb.org
44. Modelando el crecimiento de ciudades medias. Google Books. 2014.
45. Carlos J. Análisis de modelos predictivos basados en visión computacional. Unam.edu.pe. 2019.
46. Fernando L, Carlos J. Desarrollo de software educativo sobre Ubuntu 13.10. Unach.edu.ec. 2016.
Published
Issue
Section
License
Copyright (c) 2024 Jheison Edilson Arteaga Quistial , Miguel Ángel Velásquez Bravo , Omar Alexander Revelo Zambrano (Author)
This work is licensed under a Creative Commons Attribution 4.0 International License.
The article is distributed under the Creative Commons Attribution 4.0 License. Unless otherwise stated, associated published material is distributed under the same licence.
