Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Publicado
Relación entre pobreza multidimensional y morfología urbana a partir de imágenes satelitales: un caso de estudio para Cúcuta, Colombia
Relationship between multidimensional poverty and urban morphology based on satellite images: a case study for Cúcuta, Colombia
Relation entre pauvreté multidimensionnelle et morphologie urbaine à partir d'images satellites: une étude de cas pour Cúcuta, Colombie
Relação entre pobreza multidimensional e morfologia urbana a partir de imagens de satélite: um estudo de caso para Cúcuta, Colômbia
DOI:
https://doi.org/10.15446/bitacora.v36n1.120123Palabras clave:
Pobreza, Espacio urbano, Ciencias del espacio, Teledetección, Sistema de información geográfica (es)Poverty, Urban space, Space sciences, Remote sensing, Geographic information system (en)
Pauvreté, Espace urbain, Sciences spatiales, Télédétection, Système d'information géographique (fr)
Pobreza, Espaço urbano, Ciências espaciais, Teledeteção, Sistema de informação geográfica (pt)
Descargas
La pobreza urbana trasciende el ingreso económico, manifestándose como una morfología social de exclusión en el territorio. Este estudio se cuestiona: ¿es posible identificar zonas de pobreza multidimensional a través de la lectura de atributos físicos del territorio mediante imágenes satelitales? El objetivo fue analizar la relación dialéctica entre pobreza y forma urbana en la comuna 8 de Cúcuta, Colombia. Mediante teledetección y estadística espacial, se modeló la asociación entre el Índice de Pobreza Multidimensional (IPM) y tres variables físicas: Índice de Vegetación (NDVI), materialidad vial y geometría de manzanas, con Sistemas de Información Geográfica (SIG). Los resultados sugieren que la irregularidad del trazado y la precariedad material no son aleatorias, sino patrones espaciales de la desigualdad. Se concluye que las imágenes satelitales permiten develar la invisibilidad cartográfica de la inequidad, validando una metodología para focalizar políticas de justicia territorial.
Urban poverty transcends economic income, manifesting as a social morphology of exclusion within the territory. This study questions: Is it possible to identify areas of multidimensional poverty by analyzing the physical attributes of the territory using satellite imagery? The objective was to analyze the dialectical relationship between poverty and urban form in Commune 8 of Cúcuta, Colombia. Using remote sensing and spatial statistics, the association between the Multidimensional Poverty Index (MPI) and three physical variables—Non-Density Vegetation Index (NDVI), road materials, and block geometry—was modeled with Geographic Information Systems (GIS). The results suggest that the irregularity of the urban layout and material deprivation are not random, but rather spatial patterns of inequality. It is concluded that satellite imagery allows us to reveal the cartographic invisibility of inequity, validating a methodology for targeting territorial justice policies.
La pauvreté urbaine transcende le revenu économique et se manifeste comme une morphologie sociale d'exclusion sur le territoire. Cette étude pose la question suivante : est-il possible d'identifier des zones de pauvreté multidimensionnelle à partir de la lecture des attributs physiques du territoire à l'aide d'images satellites? L'objectif était d'analyser la relation dialectique entre la pauvreté et la forme urbaine dans la commune 8 de Cúcuta, en Colombie, à l'aide de la télédétection et des statistiques spatiales. L'association entre l'indice de pauvreté multidimensionnelle (IPM) et trois variables physiques (indice de végétation (NDVI), matérialité routière et géométrie des pâtés de maisons) a été modélisée à l'aide de systèmes d'information géographique (SIG). Les résultats suggèrent que l'irrégularité du tracé et la précarité matérielle ne sont pas aléatoires, mais constituent des modèles spatiaux d'inégalité. Il est conclu que les images satellites permettent de révéler l'invisibilité cartographique de l'inégalité, validant ainsi une méthodologie pour cibler les politiques de justice territoriale.
A pobreza urbana transcende a renda econômica, manifestando-se como uma morfologia social de exclusão dentro do território. Este estudo questiona: é possível identificar áreas de pobreza multidimensional analisando os atributos físicos do território por meio de imagens de satélite? O objetivo foi analisar a relação dialética entre pobreza e forma urbana na comuna 8 de Cúcuta, Colômbia. Utilizando sensoriamento remoto e estatística espacial, a associação entre o Índice de Pobreza Multidimensional (IPM) e três variáveis físicas — Índice de Vegetação Não Denso (NDVI), materiais das vias e geometria dos quarteirões — foi modelada com Sistemas de Informação Geográfica (SIG). Os resultados sugerem que a irregularidade do traçado urbano e a privação material não são aleatórias, mas sim padrões espaciais de desigualdade. Conclui-se que as imagens de satélite permitem revelar a invisibilidade cartográfica da desigualdade, validando uma metodologia para o direcionamento de políticas de justiça territorial.
Referencias
Alcaldía de San José de Cúcuta. (2018). Socialización de la etapa de diagnóstico: comunas 6, 7 y 8. [Presentación]. https://cucutanortedesantander.micolombiadigital.gov.co/sites/cucutanortedesantander/content/files/000083/4144_presentacion-socializacion-diagnostico_comunas-6_7_8_enero-22--de-2018.pdf
Alcaldía de San José de Cúcuta. (2019). Revisión ordinaria del Plan de Ordenamiento Territorial. Comunas. [Mapa]. https://cucuta.gov.co/wp-content/uploads/2022/02/35515_3-comunas.pdf
Babenko, B., Hersh, J., Newhouse, D., Ramakrishnan, A., & Swartz, T. (2017). Poverty mapping using convolutional neural networks trained on high and medium resolution satellite images, with an application in Mexico. arXiv preprint arXiv:1711.06323. https://doi.org/10.48550/arXiv.1711.06323
Blumenstock, J., Cadamuro, G., & On, R. (2015). Predicting poverty and wealth from mobile phone metadata. Science, 350(6264), 1073–1076. https://doi.org/10.1126/science.aac4420
Departamento Administrativo Nacional de Estadística (2020). Predicción del IPM con imágenes satelitales. https://www.dane.gov.co/files/investigaciones/experimentales/ipm/Presentacion-IPM-imagenes-satelitales.pdf
de la Fuente de Val, G. (2023). The effect of spontaneous wild vegetation on landscape preferences in urban green spaces. Urban Forestry & Urban Greening, 81, 127863. https://doi.org/10.1016/j.ufug.2023.127863
Duque, J., Patiño, J., & Betancourt, A. (2017). Exploring the potential of machine learning for automatic slum identification from VHR imagery. Remote Sensing, 9(9), 895. https://doi.org/10.3390/rs9090895
Goodchild, M. (1986). Spatial autocorrelation. (CATMOG No. 47). Geo Books.
Heitmann, S., & Buri, S. (2019). Poverty estimation with satellite imagery at neighborhood levels: Results and lessons for financial inclusion from Ghana and Uganda. World Bank Group. https://www.ifc.org/content/dam/ifc/doc/mgrt/ifc-2019-poverty-estimation-with-satellite-imagery-at-neighborhood-levels.pdf
Jean, N., Burke, M., Xie, M., Davis, W., Lobdell, D., & Ermon, S. (2016). Combining satellite imagery and machine learning to predict poverty. Science, 353(6301), 790–794. https://doi.org/10.1126/science.aaf7894
Kaibarta, S., Alam, E., Al Hattawi, K. S., Mandal, S., Mandal, P., Bhattacharya, S., & Paul, S. (2024). Analyzing morphologic dynamics in poor urban areas through earth observation: The case of Purulia, West Bengal, India. Social Sciences & Humanities Open, 10, 101123. https://doi.org/10.1016/j.ssaho.2024.101123
Luo, F., Zhang, Y., Kong, Z., & Dai, Y. (2025). Which green is more equitable? A multi-indicator urban green space assessment across vulnerable population groups from an environmental justice perspective. Ecological Indicators, 178, 113948. https://doi.org/10.1016/j.ecolind.2025.113948
Mahabir, R., Croitoru, A., Crooks, A. T., Agouris, P., & Stefanidis, A. (2018). A critical review of high and very high-resolution remote sensing approaches for detecting and mapping slums: Trends, challenges and emerging opportunities. Urban Science, 2(1), 8. https://doi.org/10.3390/urbansci2010008
Moreno, R., & Vayá, E. (2002). Econometría espacial: Nuevas técnicas para el análisis regional. Una aplicación a las regiones europeas. Investigaciones Regionales, 1(1), 83–106. https://www.aecr.org/old/images/ImatgesArticles/2007/04-Moreno.pdf?_ga=2.106347329.371640028.1769044457-755011050.1769044457
Nussbaum, M. (2012). Las mujeres y el desarrollo humano: El enfoque de las capacidades. (R. Heraldo Bernet, Trad.). Herder.
Olivares, B. O., y López-Beltrán, M. A. (2019). Índice de vegetación de diferencia normalizada aplicado al territorio indígena agrícola de Kashaama, Venezuela. Cuadernos de Investigación UNED, 11(2), 112–121. https://doi.org/10.22458/urj.v11i2.2299
Sapena, M., Wurm, M., Taubenböck, H., Tuia, D., & Ruiz, L. A. (2020). Estimating quality of life dimensions from urban spatial pattern metrics. Computers, Environment and Urban Systems, 84, 101549. https://doi.org/10.1016/j.compenvurbsys.2020.101549
Spicker, P. (2009). Definiciones de pobreza: Doce grupos de significados. En P. Spicker, S. Álvarez & D. Gordon (Eds.), Pobreza: Un glosario internacional (pp. 291–306). CLACSO. https://biblioteca.clacso.edu.ar/clacso/clacso-crop/20140228023858/06spicker.pdf
Steele, J., Sundsøy, P., Pezzulo, C., Alegana, V., Bird, T., Blumenstock, J., Bjelland, J., Engø-Monsen, K., Montjoye, Y. D., Iqbal, A. M., Hadiuzzaman, K. N., Lu, X., Wetter, E., Tatem, A., & Bengtsson, L. (2017). Mapping poverty using mobile phone and satellite data. Journal of the Royal Society Interface, 14(127), 20160690. https://doi.org/10.1098/rsif.2016.0690
Sturtevant, J., McManamay, R. A., Allen-Dumas, M. R., & New, J. R. (2025). Urban morphology from a landscape perspective: How building morphology distribution land models (BMDLM) emulate pattern and process. Human Settlements and Sustainability, 1, 214–226. https://doi.org/10.1016/j.hssust.2025.08.004
Tingzon, S., Orden, A., Sy, S., Sekara, V., Weber, I., Fatehkia, M., Garcia, M., & Kim, D. (2019). Mapping poverty in the Philippines using machine learning, satellite imagery, and crowd-sourced geospatial information. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII(4/W19), 425–431. https://doi.org/10.5194/isprs-archives-XLII-4-W19-425-2019
Wei, S., He, Z., Zhai, W., Zhao, C., & Li, Y. (2025). How does vegetation influence surface temperature across various road types and urban morphology types? Building and Environment, 270, 112511. https://doi.org/10.1016/j.buildenv.2024.112511
Wolch, J. R., Byrne, J., & Newell, J. P. (2014). Urban green space, public health, and environmental justice: The challenge of making cities “just green enough”. Landscape and Urban Planning, 125, 234–244. https://doi.org/10.1016/j.landurbplan.2014.01.017
Xie, M., Jean, N., Burke, M., Lobell, D., & Ermon, S. (2016). Transfer learning from deep features for remote sensing and poverty mapping. Proceedings of the AAAI Conference on Artificial Intelligence, 30(1). https://doi.org/10.1609/aaai.v30i1.9906
Zang, J., Zhang, T., Chen, L., Li, L., Liu, W., Yuan, L., Zhang, Y., Liu, R., Wang, Z., Yu, Z., & Wang, J. (2021). Optimization of modelling population density estimation based on impervious surfaces. Land, 10(8), 791. https://doi.org/10.3390/land10080791
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
El contenido y las opiniones incluidas en los trabajos publicados por Bitácora Urbano\Territorialson de responsabilidad exclusiva de sus autores para todos los efectos, y no comprometen necesariamente el punto de vista de la Revista. Cualquier restricción legal que afecte los trabajos y su contenido (escrito y/o gráfico) es responsabilidad exclusiva de quienes los firman.Bitácora Urbano\Territorial se reserva el derecho de realizar modificaciones al contenido escrito y/o gráfico de los trabajos que se van a publicar, a fin de adaptarlos específicamente a requerimientos de edición.
Bitácora Urbano\Territorial está publicada bajo Licencia de Atribución de Bienes Comunes Creativos (CC) 4.0 de Creative Commons. El envío de colaboraciones a Bitácora Urbano\Territorial implica que los autores conocen y adhieren a las condiciones establecidas en esa licencia.
