Qué mide este indicador
Superficie del Distrito Metropolitano de Quito clasificada como suelo urbanizado, en kilómetros cuadrados por año, y su tasa anual de expansión.
El indicador cierra la brecha 2015 – presente de la serie vectorial histórica del DMDU (CRECIMIENTO_URB_1760_2015.shp), aplicando teledetección satelital con metodología reproducible y de costo cero. La serie publicada cubre 2019 – 2024 a resolución de 10 m por píxel; el construido nuevo de 2025 se confirma con la imagen de 2026.
Se compone de dos sub-indicadores:
Σ suma de los píxeles de 10 m clasificados como urbanos · 0,0001 área de un píxel de 10 × 10 m, en km² · t año · t−1 año anterior
MU_02 publica la variación de la huella consolidada frente al año anterior; como resumen de la ventana completa se da además la tasa promedio anual compuesta de 2019 a 2024 (5,1 %). La consolidación del construido filtra el ruido espectral que tendrían las diferencias año a año de la clasificación sin consolidar (ver Bloque F).
Su lectura combinada con los indicadores de déficit habitacional (DH_01 y DH_02) y total de hogares (CT_01) permite contrastar el crecimiento físico de la ciudad con la demanda habitacional efectiva. Una expansión sostenida con déficit creciente indica baja eficacia de la política de vivienda.
¿Quieres ver el indicador en acción? Abre el tablero interactivo → con mapa interactivo, slider temporal 2019–2024 y comparación contra ortofoto histórica ESRI Wayback.
Qué son las franjas Sentinel-2
Las "franjas" o bandas son rangos del espectro electromagnético que el sensor del satélite capta por separado. Cada material refleja distinto en cada banda, y eso es lo que permite distinguir lo urbano de la vegetación o del suelo desnudo.
El indicador usa 6 bandas de Sentinel-2 SR Harmonized (Copernicus / ESA): tres del espectro visible, una del infrarrojo cercano y dos del infrarrojo de onda corta. Las dos SWIR se remuestran de 20 m a 10 m para alinear con la grilla de trabajo.
Banda auxiliar de calidad
Se utiliza adicionalmente la banda SCL (Scene Classification Layer) de Sentinel-2 para enmascarar nubes: los valores 3, 8, 9 y 10 (sombra de nube, nube media, nube alta y cirros finos) se descartan antes del cómputo.
Para Quito se trabaja la ventana seca junio–septiembre con un umbral inicial de CLOUDY_PIXEL_PERCENTAGE < 30 %. Si en algún año no hay suficientes imágenes, el sistema amplía automáticamente a abril–noviembre y/o sube el umbral a 50 %.
Qué son los índices espectrales
Combinaciones aritméticas de bandas que amplifican la firma de un material específico. Cada índice ataca un confundidor distinto: NDBI distingue construido de vegetación, BSI separa suelo desnudo de urbano, MNDWI aísla agua, etc.
El indicador calcula 10 índices por imagen y se los entrega completos a XGBoost; el modelo aprende las combinaciones óptimas, en vez de imponer una fórmula compuesta tipo IBI a priori.
| Índice | Fórmula (bandas S2) | Categoría |
|---|---|---|
| NDBI Normalized Difference Built-up Index (Zha et al., 2003) | (B11 − B8) / (B11 + B8) | Urbano |
| BAEI Built-up Area Extraction Index (Bouzekri et al., 2015) | (B4 + 0,3) / (B3 + B11) | Urbano |
| UI Urban Index (Kawamura et al., 1996) | (B12 − B8) / (B12 + B8) | Urbano |
| NDVI Normalized Difference Vegetation Index | (B8 − B4) / (B8 + B4) | Vegetación |
| EVI Enhanced Vegetation Index | 2,5·(NIR−RED)/(NIR+6·RED−7,5·BLUE+1) | Vegetación |
| GRNDVI Green Red NDVI | (NIR − (GREEN+RED)) / (NIR + (GREEN+RED)) | Vegetación |
| SAVI Soil-Adjusted Vegetation Index (Huete, 1988) | 1,5·(NIR−RED) / (NIR + RED + 0,5) | Vegetación |
| MSAVI2 Modified Soil-Adjusted VI v2 | [2·NIR+1 − √((2·NIR+1)² − 8·(NIR−RED))] / 2 | Vegetación |
| BSI Bare Soil Index | (B2 + B4 − B3) / (B2 + B4 + B3) | Suelo |
| MNDWI Modified Normalized Difference Water Index (Xu, 2006) | (B3 − B11) / (B3 + B11) | Agua |
Estadísticas temporales
Cada banda y cada índice se reducen a tres estadísticas sobre las imágenes de la ventana seca anual: media, desviación estándar y rango (max − min). Esto captura no solo el estado promedio del píxel sino su estabilidad temporal: un urbano permanente tiene baja desviación; un cultivo varía mucho mes a mes.
Cómo se entrena el modelo
El modelo aprende a clasificar cada píxel en cuatro coberturas (construido, agua, vegetación y otros) a partir de un ejemplo: Dynamic World v1 de Google AI, que produce a 10 m la cobertura y la probabilidad de cada clase de manera independiente para cada año.
Todo el proceso se orquesta en Python: la extracción y composición de imágenes (Sentinel-2 + Dynamic World) mediante la API de Google Earth Engine para Python, un servicio gratuito de Google, y el entrenamiento y la predicción raster con librerías libres de aprendizaje automático.
Un modelo independiente se entrena para cada año (2019, 2020, 2021, 2022, 2023, 2024, 2025) usando como referencia la cobertura de Dynamic World del mismo año; el construido cuenta solo donde su probabilidad built es de 0,6 o más. Esto evita el problema de las pseudoetiquetas propagadas (el modelo de un año aprendería a copiar al ancla en vez de detectar urbano real).
Imágenes Sentinel-2
Filtra la colección S2 SR Harmonized sobre el AOI en la temporada seca (junio a septiembre), con menos de 30 % de nubes por escena; si faltan imágenes, amplía a abril–noviembre y hasta 50 %.
Máscara SCL
Enmascara píxeles con sombra de nube, nube media, alta y cirros (valores 3, 8, 9, 10 de la SCL).
Features anuales
Calcula 6 bandas + 10 índices por escena, reduce a media, desviación y rango sobre el año.
Ground truth DW
Carga Dynamic World v1 del año exacto, agrega como mediana anual y umbraliza al 60 % de probabilidad built.
XGBoost multiclase
Modelo independiente por año, 4 clases. Split 75 / 25 sobre 5 millones de píxeles. El construido se etiqueta con el umbral built≥0,6 de Dynamic World (corrige el sobre-mapeo del argmax).
Raster anual + estabilización
Predice el raster de 4 clases por año, luego suavizado temporal (veg/otros) y consolidación por persistencia del construido para la serie oficial.
Paso 07 · Consolidación del construido
Cada modelo se entrena de forma independiente por año, lo que es metodológicamente correcto (sin propagación de errores) pero produce ruido inter-anual: un mismo píxel puede oscilar entre construido y no construido en años consecutivos por variaciones espectrales (cobertura de nubes, ángulo solar, humedad de techo). Un OR acumulativo fijaría cada falso positivo para siempre, así que el construido se consolida en dos pasos:
1. Confirmación bi-temporal: un píxel entra a la huella el primer año t en que sale construido en t y en t+1, lo que filtra los parpadeos de un solo año. 2. Monotonía: una vez consolidado, se mantiene, porque la urbanización del DMQ es prácticamente irreversible.
∨ «o»: basta una de las dos condiciones · ∧ «y»: se cumplen las dos · t año; t−1 y t+1, el año anterior y el siguiente
Por eso el año t necesita la imagen de t+1: la huella de 2025 se publica con la imagen de 2026. La huella consolidada es la serie oficial (MU_01) y la que se muestra en el tablero interactivo; la serie sin consolidar se conserva como métrica del modelo.
Fragmento del proceso · entrenamiento por año contra Dynamic World
Cómo se valida
Cada modelo anual se evalúa con un 25 % de píxeles reservado al inicio como conjunto de prueba (1,25 millones de píxeles por año), contra la referencia de Dynamic World del mismo año. Además, se hace un control visual contra la imagen satelital histórica de ESRI (World Imagery Wayback), año por año, y el construido corregido se valida contra un panel de foto-interpretación que nunca entra al entrenamiento (858 observaciones evaluables): esa es la medida frente al terreno.
Las cinco métricas reportadas (Accuracy, Precision, Recall, F1 e IoU) capturan dimensiones distintas de la calidad de un clasificador. A continuación se explica cómo se calculan y cómo interpretarlas.
Paso 1 · Las cuatro categorías de resultado
Para cada píxel del raster, el modelo emite una predicción (urbano o no urbano) que se compara con la referencia (Dynamic World). Hay 4 combinaciones posibles:
"el modelo dijo no urbano,
pero sí lo era"
"el modelo dijo urbano,
y sí lo era"
"el modelo dijo no urbano,
y no lo era"
"el modelo dijo urbano,
pero no lo era"
Los aciertos están en la diagonal verde (VP y VN). Los errores en la antidiagonal roja (FP y FN). De estos cuatro números salen todas las métricas.
Paso 2 · Precision · ¿qué tan confiable es el modelo cuando dice "urbano"?
VP verdaderos positivos · FP falsos positivos · FN falsos negativos (los de la matriz de confusión)
De todos los píxeles que el modelo marcó como urbanos, qué porcentaje lo eran de verdad. Una precision de 0,66, la del construido corregido frente a foto-interpretación, significa que de cada 100 píxeles marcados como construidos, unos 66 lo son de verdad y unos 34 son falsos positivos (bordes periurbanos, suelo desnudo brillante, áreas en construcción).
Paso 3 · Recall · ¿qué tan completo es el modelo detectando lo urbano?
De todo el urbano que existe realmente en el DMQ, qué porcentaje logró el modelo detectar. Un recall de 0,48, el del construido corregido frente a foto-interpretación, significa que el modelo capta cerca de la mitad del construido que se ve en la foto: la corrección de 2026 prefirió menos falsos construido a cambio de esa cobertura.
Paso 4 · Por qué precision y recall compiten entre sí
Si exigimos al modelo ser muy estricto (solo marcar urbano cuando está 99 % seguro) → precision sube pero recall baja (pierde casos dudosos como urbanización dispersa).
Si lo dejamos muy laxo (marcar urbano ante cualquier sospecha) → recall sube pero precision baja (capta muchos falsos positivos).
Casos extremos ilustran el dilema:
| Estrategia | Precision | Recall | Problema |
|---|---|---|---|
| "Todo es urbano" | 0,06 | 1,00 | Detecta todo, pero el mapa es inútil (todo el DMQ pintado de azul) |
| "Solo zonas súper densas" | 0,99 | 0,30 | Lo poco que marca es correcto, pero pierde el 70 % de la huella urbana real |
| Nuestro modelo (corregido 2026) | 0,66 | 0,48 | Corrección built≥0,6: menos falsos construido (UA 0,66), a cambio de algo menos de cobertura |
Paso 5 · F1 · la métrica que fuerza el balance
F1 es la media armónica de precision y recall (no la media aritmética). Su propiedad clave: castiga los desbalances. Para tener F1 alto necesitas que ambas métricas sean altas a la vez:
| Caso | Precision | Recall | Media simple | F1 |
|---|---|---|---|---|
| Perfecto | 1,00 | 1,00 | 1,00 | 1,00 |
| Balanceado bueno | 0,80 | 0,80 | 0,80 | 0,80 |
| Solo precision alta | 1,00 | 0,20 | 0,60 | 0,33 |
| Solo recall alto | 0,20 | 1,00 | 0,60 | 0,33 |
Observación: la media aritmética da 0,60 en los dos casos extremos (engaña pensando que es regular), pero F1 = 0,33 los castiga correctamente. Por eso F1 es la métrica principal para clasificación binaria desbalanceada (como nuestro caso: solo ~14 % del DMQ es urbano).
Paso 6 · Resumen de qué mide cada métrica
- Accuracy · porcentaje total de píxeles bien clasificados. Engañoso en clases desbalanceadas: si solo 14 % es urbano, predecir "todo es no urbano" da accuracy = 86 % aunque el modelo no sirva.
- Precision · cuán confiable es cada predicción positiva. Castiga falsos positivos.
- Recall · cuán completo es detectando los positivos reales. Castiga falsos negativos.
- F1 · balance entre precision y recall. Mide el acuerdo con la referencia de entrenamiento (Dynamic World), no con el terreno.
- IoU (Intersection over Union) · solapamiento espacial entre la predicción y la verdad. Más estricta que F1: en el ejemplo de "perfecto" da 1,00 pero penaliza más los errores. Métrica complementaria.
¿Qué cambió con la corrección de 2026?
El modelo anterior, binario, se medía contra Dynamic World: recall de 0,93 a 0,96 y precision de 0,61 a 0,67. Priorizaba sobre-detectar urbano para no perder tejido disperso, pero frente a foto-interpretación sobre-mapeaba el construido. La corrección de 2026 exige una probabilidad built de 0,6 o más en la referencia: los falsos construido bajan 60 %, la exactitud de usuario sube a 0,66 y el recall baja a 0,48. La dirección de la expansión es robusta; su magnitud se lee como cota superior, porque incluye la detección más reciente y la comisión residual del construido.
La métrica que mejor resume la calidad del producto corregido es la exactitud de usuario del construido, UA = 0,66, validada contra foto-interpretación. Es la clase validada; agua, vegetación y otros son indicativas (semáforo de aptitud).
Resultados del modelo · imágenes 2019–2025, huella consolidada hasta 2024 (corrección 2026, validación por foto-interpretación)
Serie por año · construido corregido (sin consolidar) vs huella consolidada reportada
| Año | Construido por año km² (sin consolidar) | Huella consolidada km² (oficial, MU_01) | Nuevo consolidado km² |
|---|---|---|---|
| 2019 | 436,2 | 381,1 | 381,1 |
| 2020 | 424,7 | 403,5 | 22,4 |
| 2021 | 432,2 | 434,0 | 30,6 |
| 2022 | 459,6 | 462,1 | 28,1 |
| 2023 | 465,6 | 478,0 | 15,9 |
| 2024 | 462,5 | 488,8 | 10,8 |
| 2025 | 455,3 | pendiente | pendiente |
Nota: "Construido por año" es la salida corregida del modelo (built≥0,6) sin consolidar, sujeta a ruido inter-anual en el dominio común de 2.434 km². "Huella consolidada" aplica la persistencia (confirmación bi-temporal + monotonía) y es la métrica reportada como MU_01. La exactitud de usuario del construido es UA 0,66 (validación por foto-interpretación); la magnitud de la expansión es una cota superior. El construido nuevo de 2025 se confirma con la imagen de 2026: hasta entonces, la huella consolidada llega a 2024.
¿Hay un threshold de decisión?
El modelo multiclase asigna a cada píxel la clase más probable, sin un umbral de decisión propio. El único umbral está en la referencia: para entrenar, un píxel cuenta como construido solo si Dynamic World le da una probabilidad built de 0,6 o más (paso 05).
El modelo binario anterior (hasta junio de 2026) sí usaba un corte de decisión, porque XGBoost entrega una probabilidad continua: se elegía por año con un barrido de 0,20 a 0,80 que maximizaba el F1 en validación, y quedaba entre 0,74 y 0,80, con un F1 de 0,79 a 0,83. Ese F1 mide el acuerdo con Dynamic World, no con el terreno.
¿Por qué se descartó WorldCover como referencia principal?
ESA WorldCover solo publica mapas de 2020 y 2021, no una serie anual. Para usar WC como ancla de la serie 2019–2025 había que aplicar pseudoetiquetas: entrenar contra WC 2021 y propagar las predicciones a otros años como referencia sintética. El resultado: los modelos pseudo memorizan al ancla (F1 = 0,999 sospechoso) y producen series sin tendencia real.
Por eso se migró a Dynamic World v1, que sí tiene cobertura anual real desde 2015. Cada modelo entrena contra su propio año, sin propagación de errores. El WC original se mantiene como segunda fuente para corroborar el ancla 2021 (F1 = 0,815 contra WC y F1 = 0,813 contra DW, prácticamente idénticos).
Validación externa contra fuentes
Limitaciones y alcances
Cobertura temporal
Sentinel-2 SR Harmonized no tiene cobertura confiable sobre Ecuador antes de 2019. La serie cubre desde 2019 y hoy se publica hasta 2024. Para extender 2015–2018 debe usarse Landsat 8/9 (30 m) con discontinuidad metodológica.
Nubosidad y cobertura espacial
El compuesto anual cubre el 63,2 % del DMQ (área urbana y periurbana relevante: 95,3 %). El 36,8 % no cubierto corresponde al Chocó andino al norte (San José de Minas, Pacto, Nanegal), una zona con nubosidad > 50 % del año y sin crecimiento urbano significativo.
Incertidumbre en 2019
El año 2019 tiene incertidumbre adicional de ±15 km² por menor disponibilidad de imágenes Sentinel-2 limpias (282 imágenes/año vs. 360 en 2025). Las diferencias 2019–2021 contienen ruido espectral, no pérdida real de huella urbana. Para análisis de tendencia se recomienda el promedio móvil 3 años.
Resolución mínima
El píxel Sentinel-2 de 10 × 10 m define el límite inferior de detección: construcciones aisladas < 100 m² no son detectables. WorldCover sub-reporta urbanización dispersa periurbana; Dynamic World mejora esta detección pero sigue limitado por la resolución del sensor.
Sin tipos de uso
El modelo distingue coberturas (construido, agua, vegetación y otros), no tipos de uso (residencial, comercial, industrial, informal). Para esa desagregación se requieren capas catastrales municipales (STHV) o un modelo de uso del suelo.
Precision vs. recall
La corrección de 2026 prioriza la precisión del construido: exactitud de usuario 0,66 frente a foto-interpretación, con recall 0,48. El modelo anterior hacía lo contrario (recall 0,93–0,96 y precision 0,61–0,67 frente a Dynamic World) y sobre-mapeaba construido. La dirección de la expansión es robusta; su magnitud, una cota superior.
Comparativa metodológica con WorldCover pseudo-labels
Como ejercicio de validación, se generó una serie paralela usando WorldCover 2021 como ancla + pseudoetiquetas propagadas a los demás años. El resultado confirma empíricamente la decisión de migrar a Dynamic World por año:
- WC pseudo reporta áreas oscilantes (550 → 506 → 292 → 546 → 509 → 449 → 334 km²), con variaciones interanuales de hasta +87 %, físicamente imposibles.
- DW por año reporta áreas coherentes (364 → 338 → 325 → 374 → 379 → 380 → 420 km²), con un crecimiento sostenido de +29 % en 5 años (2021–2025).
- Solo el año ancla 2021 coincide entre ambos métodos (294 km² WC frente a 325 km² DW; la diferencia se explica porque DW define lo urbano de forma más amplia).
La serie WC pseudo se conserva como ejercicio pedagógico (disponible en mancha_urbana_*_wc.tif) pero no se usa para el indicador oficial MU_02.
Equivalencias y comparabilidad
El indicador es compatible con el protocolo de monitoreo del ODS 11.3.1 (relación entre la tasa de consumo de suelo y la tasa de crecimiento poblacional, LCRPGR) y con el dataset Global Human Settlement Layer de la Comisión Europea. Los GeoTIFF resultantes son estándar y pueden abrirse en cualquier sistema de información geográfica.