105499 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Análisis espacial en la evaluación sostenible de vecindarios para la planificación urbana, Cuenca, Ecuador. Spatial Neighborhood Sustainability Assessment for urban planning, Cuenca, Ecuador. by/por

Jessica Mariela Ortiz Fernández 1322638

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS) Advisor ǀ Supervisor: (Leonardo Zurita, PhD)

Cuenca - Ecuador, 07 de febrero 2022

COMPROMISO DE CIENCIA

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Cuenca 7 de febrero de 2022 (Lugar, Fecha)

Firma

Agradecimientos Al proyecto de investigación “Contextualización de Indicadores Sustentables para Vecindarios en la ciudad de Cuenca - Ecuador”, ganador del XVII Concurso Universitario de Proyectos de Investigación de la Dirección de Investigación de la Universidad de Cuenca “DIUC”, por permitirme el acceso a información de su herramienta.

Dedicatoria A mi papá, Felipe y Catrina.

Resumen Los procesos acelerados de urbanización producen una ocupación explosiva del suelo, creando ciudades dispersas, con grandes demandas de infraestructura y altos consumos de materias primas y energía, afectando los territorios naturales e incrementando la emisión de contaminantes. La ciudad de Cuenca-Ecuador, no es ajena a esta problemática, pues refleja un crecimiento disperso hacia las periferias que ha ocasionado una expansión de la mancha urbana. La situación expuesta hace necesaria una planificación sostenible, que contribuya en la toma de decisiones para identificar dónde y qué medidas son necesarias implementar para regular el crecimiento de la ciudad. En tal virtud, la presente investigación propone la combinación del conjunto de indicadores de una herramienta NSA local (Neighborhood Sustainability Assessment) con el análisis espacial de los SIG, a fin de que se pueda ampliar la evaluación de la sostenibilidad a escala de ciudad, como apoyo para la planificación urbana de Cuenca. Con este propósito se planteó una metodología de 3 etapas: selección de indicadores sostenibles, evaluación del desempeño sostenible y diseño de un modelo que integre SIG+NSA, las cuales, permitieron incorporar el análisis espacial en la evaluación sostenible de vecindarios, mediante el diseño de un modelo adaptado a Cuenca. Este modelo se compone de 15 variables, 12 indicadores y 4 categorías de evaluación, que entregan como resultado el nivel de desempeño sostenible de 149 sectores de planeamiento. Los resultados se presentaron por indicador, categoría y evaluación global, y permiten plantear políticas efectivas sobre sectores prioritarios para prever y remediar diferentes situaciones urbanas. El modelo desarrollado posibilita automatizar los procesos de análisis, y generar un complemento a las herramientas de geoprocesamiento de ArcGIS para la evaluación de la sostenibilidad urbana, como un instrumento de apoyo para urbanistas y tomadores de decisiones en los procesos de planificación de la ciudad.

Palabras clave Evaluación sostenible urbana, NSA, análisis espacial, SIG, modelo de evaluación.

Abstract The accelerated processes of urbanization produce an explosive occupation of the land, creating scattered cities, with great demands for infrastructure and high consumption of raw materials and energy, affecting natural territories and increasing the emission of pollutants. The city of Cuenca-Ecuador is no stranger to this problem, as it reflects a dispersed growth towards the peripheries that have caused an expansion of the urban landscape. The above situation requires sustainable planning, which contributes to decision-making in order to identify where and what measures are needed to regulate the growth of the city. Accordingly, the present research proposes the combination of the set of indicators of a local NSA tool (Neighborhood Sustainability Assessment) with the spatial analysis of GIS, so that the assessment of sustainability can be extended at the city level, as support for urban planning in Cuenca. For this purpose, a 3-step methodology was proposed: selection of sustainable indicators, evaluation of sustainable performance, and design of a model that integrates SIG+NSA, which allowed incorporating spatial analysis in the sustainable assessment of neighborhoods, by designing a model adapted to Cuenca. This model consists of 15 variables, 12 indicators, and 4 evaluation categories, which result in the sustainable performance level of 149 planning sectors. The results were presented by indicator, category, and overall evaluation, and allowed effective policies on priority sectors to anticipate and remedy different urban situations. The developed model makes it possible to automate the analysis processes and to generate a complement to the ArcGIS geoprocessing tools for the evaluation of urban sustainability, as a support tool for planners and decision-makers in city planning processes.

Keyword Urban sustainable assessment, NSA, spatial analysis, GIS, assessment model.

Índice de Contenidos RESUMEN .................................................................................................................................................... I PALABRAS CLAVE ........................................................................................................................................... I ABSTRACT .................................................................................................................................................... II KEYWORD .................................................................................................................................................... II I.

INTRODUCCIÓN ............................................................................................................ 1 1.1. 1.2. 1.3. 1.4. 1.5. 1.6.

II.

ANTECEDENTES .......................................................................................................................... 2 OBJETIVOS .................................................................................................................................. 3 PREGUNTA DE INVESTIGACIÓN .................................................................................................. 4 HIPÓTESIS ................................................................................................................................... 4 JUSTIFICACIÓN ........................................................................................................................... 4 ALCANCE..................................................................................................................................... 6 REVISIÓN DE LITERATURA .......................................................................................... 7

2.1.

MARCO TEÓRICO ........................................................................................................................ 8 2.1.1. Desarrollo Sostenible Urbano .................................................................................. 8 2.1.2. Ciudades intermedias y el desarrollo sostenible .................................................... 11 2.1.3. Vecindarios sostenibles ......................................................................................... 13 2.1.4. Indicadores sostenibles.......................................................................................... 15 2.2. MARCO HISTÓRICO................................................................................................................... 18 2.2.1. Evaluación del Desarrollo Sostenible Urbano ........................................................ 18 2.2.2. El análisis espacial en la evaluación sostenible urbana ........................................ 21 2.3. MARCO METODOLÓGICO ......................................................................................................... 23 2.3.1. Las Herramientas NSA (Neigborhood Sustainability Assessment)........................ 23 2.3.2. Métodos de Análisis Espacial ................................................................................ 29 2.3.2.1. Análisis de cluster: Getis-Ord Gi* .................................................................................. 32 2.3.2.2. Suma ponderada ........................................................................................................... 34

2.3.3.

III. 3.1. 3.2. 3.3. 3.4. 3.5.

Diseño de Modelos ................................................................................................ 35

METODOLOGÍA ............................................................................................................ 38 DESCRIPCIÓN DEL ÁREA DE ESTUDIO........................................................................................ 39 DEFINICIÓN DE LA UNIDAD DE ANÁLISIS................................................................................... 41 FLUJOGRAMA ........................................................................................................................... 42 ADQUISICIÓN DE DATOS........................................................................................................... 44 PROCESO METODOLÓGICO ...................................................................................................... 44 3.5.1. Selección de Indicadores Sostenibles ................................................................... 45 3.5.2. Evaluación del Desempeño Sostenible.................................................................. 49 3.5.2.1. Análisis de cluster: Getis-Ord Gi* .................................................................................. 52 3.5.2.2. Cálculo de la Sostenibilidad por Categorías y Global: Suma ponderada ....................... 53

3.5.3.

IV.

Diseño de un modelo que integre SIG + NSA ....................................................... 54

RESULTADOS .............................................................................................................. 57

4.1. 4.2.

SELECCIÓN DE INDICADORES SOSTENIBLES .............................................................................. 58 EVALUACIÓN DEL DESEMPEÑO SOSTENIBLE ............................................................................ 59 4.2.1. Análisis de cluster: Getis-Ord Gi*........................................................................... 60 4.2.2. Cálculo de la Sostenibilidad por categorías y global: Suma ponderada ................ 60 4.3. DISEÑO DE UN MODELO QUE INTEGRE SIG + NSA .................................................................... 64 4.4. DISCUSIÓN DE RESULTADOS..................................................................................................... 64 V.

CONCLUSIONES .......................................................................................................... 74 REFERENCIAS ......................................................................................................................................... 78 ANEXOS ................................................................................................................................................. 89

Índice de Imágenes

Imagen 1. Población urbana y rural mundial, 1950-2050. ........................................................... 8 Imagen 2. Los tres pilares del desarrollo sostenible .................................................................... 9 Imagen 3. Proporción de población urbana del mundo, clasificada por tamaño de asentamiento urbano, 2018............................................................................................................................... 11 Imagen 4. Componentes de un indicador sostenible: ejemplo de un indicador de transporte... 17 Imagen 5. Algunas Herramientas de Evaluación Sostenible existentes en el mundo ............... 21 Imagen 6. Estructura jerárquica de una herramienta NSA. ....................................................... 25 Imagen 7. Niveles de desempeño de la herramienta NSA local. ............................................... 26 Imagen 8. Esquema de evaluación de la herramienta NSA local. ............................................. 28 Imagen 9. Puntuación z y valor p asociados a una distribución normal estándar. .................... 33 Imagen 10. Cómo funciona suma ponderada ............................................................................ 34 Imagen 11. Un ejemplo de lenguaje de programación visual utilizando el Modelador de Procesamientos de QGIS. .......................................................................................................... 36 Imagen 12. Ubicación de la ciudad de Cuenca en provincia del Azuay, Ecuador. .................... 40 Imagen 13. Límite de la zona urbana de la ciudad de Cuenca. Imagen Google Satellite. ........ 41 Imagen 14. Sectores de planificación de la zona urbana de Cuenca. ....................................... 42 Imagen 15. Metodología de investigación.................................................................................. 43 Imagen 16. Escala de evaluación Sí/No/Tal vez........................................................................ 50 Imagen 17. Conversión a escala propuesta de 7 intervalos. ..................................................... 52 Imagen 18. Pasos para el diseño de un Modelo que integre SIG+NSA .................................... 56 Imagen 19. Diagrama de entradas y salidas de datos. .............................................................. 58 Imagen 20. Mapas temáticos con los resultados de la evaluación del nivel de desempeño sostenible de los indicadores I1-I12. Elaboración Propia. .......................................................... 61 Imagen 21. Mapas temáticos con los resultados de la evaluación del nivel de desempeño sostenible de las categorías E, I, T, A. Elaboración Propia. ....................................................... 62 Imagen 22. Mapa temático con los resultados de la evaluación del nivel de desempeño sostenible global. Elaboración propia. ......................................................................................................... 63 Imagen 23. Modelo de Evaluación del nivel de desempeño Sostenible urbano para Cuenca. . 65

Índice de Tablas

Tabla 1. Ámbitos de agrupación de indicadores de las diferentes organizaciones.................... 19 Tabla 2. Composición de los indicadores................................................................................... 26 Tabla 3. Métodos de análisis espacial empleados por diferentes investigaciones. ................... 30 Tabla 4. Indicadores seleccionados con sus respectivas variables de evaluación. ................... 49 Tabla 5. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados. ... 51 Tabla 6. Resultados obtenidos de la evaluación para cada variable. ........................................ 59

Tablas de Anexos Tabla A1. 1. Indicadores seleccionados con sus respectivas variables de evaluación, de la Categoría Ecología, Uso y Ocupación del Suelo........................................................................ 89 Tabla A1. 2. Indicadores seleccionados con sus respectivas variables de evaluación, de la Categoría Infraestructura y Equipamientos. ............................................................................... 91 Tabla A1. 3. Indicadores seleccionados con sus respectivas variables de evaluación, de la Categoría Transporte y Movilidad............................................................................................... 92 Tabla A1. 4. Indicadores seleccionados con sus respectivas variables de evaluación, de las Categorías Recursos y Energía, Participación y Bienestar social, y Ambiente del Vecindario. . 93

Tabla A2. 1. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Ecología, Uso y Ocupación del Suelo. .............................................................. 94 Tabla A2. 2. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Infraestructura y Equipamientos. ...................................................................... 97 Tabla A2. 3. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Transporte y Movilidad. ..................................................................................... 98 Tabla A2. 4. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Ambiente del vecindario. ................................................................................... 99

Abreviaturas A AEMA:. Agencia Europea de Medio Ambiente AHP:. Analytic Hierarchy Process B BREEAM-CM:. Building Research Establishment Environmental Assessment Method Community C CASBEE-UD:. Comprehensive Assessment System for Built Environment Efficiency - Urban Development CEPAL:. Comisión Económica para América Latina CIMES:. Ciudades Intermedias E EAE:. Evaluación Ambiental Estratégica ECOCITY:. Ecociudades en Europa EIA:. Evaluación del Impacto Ambiental ESDA:. Exploratory Spatial Data Analysis EUROSTAT:. Oficina de Estadística de la Comisión Europea H 2

HQE R:. Haute Qualité Environnementale et Economique Rehabilitation I ISO:. International Organization for Standarization L LEED-ND:. Leadership in Energy and Environmental Design - Neighborhood Development N NSA:. Neighborhood Sustainability Assessment O OCDE:. Organización para la Cooperación y el Desarrollo Económico ODS:. Objetivos de Desarrollo Sostenible ONU UN. Organización de Naciones Unidas S SA:. Sustainability Assessment SADE SDSS. Sistemas de Apoyo a la Decisión Espacial SIG:. Sistemas de Información Geográfica U UNESCO:. United Nations Educational, Scientific and Cultural Organization

I . I NT RO D UC C IÓ N 1.1.

ANTECEDENTES

1.2.

OBJETIVOS

1.3.

PREGUNTAS DE INVESTIGACIÓN

1.4.

HIPÓTESIS

1.5.

JUSTIFICACIÓN

1.6.

ALCANCE

1.1.

ANTECEDENTES

El término “desarrollo sostenible” ha sido ampliamente adoptado por la sociedad desde la década de 1970 luego del informe de Brundtland, en el cual, se establece que el desarrollo sostenible implica satisfacer las necesidades del presente sin comprometer las necesidades de las futuras generaciones (Brundtland, 1987). El concepto propone conciliar dos asuntos: el ambiental y el desarrollo humano (Dawodu, Akinwolemiwa, y Cheshmehzangi, 2017). Respecto al desarrollo humano, este se concentra en las urbes, por lo que, varios actores políticos, académicos y profesionales proponen la necesidad de abordar la sostenibilidad a nivel urbano y suburbano (Boyle, Michell, y Viruly, 2018). En consecuencia, si se considera a los vecindarios como los bloques de construcción de las ciudades, por ser los espacios en donde se lleva a cabo la mayor parte del desarrollo, se podría exponer que la sostenibilidad general de las urbes depende de la sostenibilidad de sus vecindarios (Choguill, 2008). En este sentido, se vuelve importante reconocer el nivel de sostenibilidad que tienen los vecindarios. Es así como surgen a nivel mundial conjuntos de indicadores sostenibles propuestos por diferentes herramientas de evaluación de la sostenibilidad de vecindarios o conocidas por sus siglas en inglés como NSA (Neigborhood Sustainability Assessment). Entre las NSA más reconocidas se encuentran LEED-ND, BREEAM-CM, CASBEE-UD, HQE2R, ECOCITY, entre otras. Las NSA son herramientas constituidas como sistemas de evaluación multicriterio, que suelen estar representadas por un conjunto de indicadores que se agrupan por categorías y abordan diferentes temas de la sostenibilidad urbana (Sharifi y Murayama, 2013). Los indicadores entregan puntos con base en el nivel de cumplimento que se alcance, y luego se entrega una calificación global al vecindario, que certifica su nivel de desempeño sostenible. Sin embargo, las NSA han sido criticadas por su enfoque tecnocrático de “talla única”, ya que los indicadores que proponen pretenden ser aplicados en contextos diferentes para los que fueron creados (Sharifi y Murayama, 2014). En países en vías de desarrollo el problema es mayor, ya que, a lo anterior se suma la reproducción de modelos de construcción tomados de países desarrollados y que se comercializan como sostenibles, pero sin evaluar su resultado de sostenibilidad en un entorno local (Yigitcanlar, Kamruzzaman, y Teriman, 2015). Es por ello que se exhorta a que las herramientas NSA se deriven de las realidades urbanas de cada lugar o contexto particular (Boyle et al., 2018).

INTRODUCCIÓN

Visto desde un enfoque de abajo hacia arriba, evaluar el nivel de desempeño sostenible de los vecindarios posibilitaría también evaluar el nivel de desempeño sostenible de una ciudad. Sin embargo, se debe considerar que las NSA evalúan los vecindarios como un proyecto único, y no conectado con la ciudad, con las relaciones espaciales que esto comprende, constituyendo una limitación para las NSA, ya que no incorporan el análisis espacial. En este campo, los sistemas de información geográfica (SIG) han sido ampliamente utilizados en la planificación urbana como soporte para la recopilación y almacenamiento de datos espaciales basados en sus coordenadas geográficas (Pedro, Silva, y Pinheiro, 2019). De esta manera, la presente investigación propone la combinación de los SIG con las herramientas NSA para evaluar el nivel de desempeño sostenible de la ciudad de Cuenca – Ecuador y contribuir con su planificación urbana, basado en el conjunto de indicadores propuesto por una NSA local, y las herramientas de análisis espacial que ofrecen los software SIG.

1.2.

OBJETIVOS

Objetivo General: Incorporar el análisis espacial en la evaluación sostenible de vecindarios que proponen las Neighborhood Sustainability Assessment (NSA), como apoyo para la planificación urbana de la ciudad de Cuenca, Ecuador.

Objetivos Específicos: 1. Seleccionar un conjunto de indicadores sostenible, con base en una herramienta NSA local, que sirva para la evaluación de los sectores de planeamiento urbano de la ciudad de Cuenca. 2. Evaluar el nivel de desempeño sostenible de los sectores de planeamiento de la ciudad de Cuenca, utilizando el análisis espacial SIG y el conjunto de indicadores de la NSA local. 3. Diseñar un modelo de evaluación del desempeño sostenible urbano adaptado a la ciudad de Cuenca, a partir de la integración del análisis espacial SIG con una NSA local.

INTRODUCCIÓN

1.3.

PREGUNTA DE INVESTIGACIÓN

El estudio se plantea en torno a la interrogante ¿Cómo incorporar el análisis espacial en la evaluación sostenible de vecindarios que proponen las Neighborhood Sustainability Assessment (NSA), como apoyo para la planificación urbana de la ciudad de Cuenca, Ecuador? Y se plantean las siguientes tres preguntas de investigación específicas que contribuirán a dar respuesta al cuestionamiento principal: 1. ¿Cuáles indicadores, con base en una herramienta NSA local, se deben seleccionar para la evaluación del nivel de desempeño sostenible de la ciudad de Cuenca? 2. ¿Cuál es el nivel de desempeño sostenible de los sectores de planeamiento de la ciudad de Cuenca?, basado en el análisis espacial SIG y el conjunto de indicadores de la NSA local. 3. ¿Cuáles son los flujos de entradas y salidas de un modelo de evaluación del desempeño sostenible urbano, adaptado a la ciudad de Cuenca que integre el análisis espacial SIG con una NSA?

1.4.

HIPÓTESIS

El análisis espacial integrado a una Neigborhood Sustainability Assessment (NSA) local posibilita ampliar la evaluación del desempeño sostenible a la escala de la ciudad de Cuenca, Ecuador.

1.5.

JUSTIFICACIÓN

La ciudad de Cuenca – Ecuador, al igual que varias ciudades del mundo, refleja un rápido proceso de urbanización que ejerce presión sobre la infraestructura y recursos necesarios para abastecer a toda la población (UN, 2016). Esta presión se refleja en la ocupación explosiva del suelo, urbanizando territorios que estaban destinados a usos agrícolas y naturales; y en la demanda de grandes cantidades de materias primas con sus consecuentes emisiones de contaminantes (Rueda et al., 2007). Con el impacto de la COVID-19, esta situación se ha vuelto más devastadora, especialmente en las zonas

INTRODUCCIÓN

urbanas pobres y en barrios marginales, donde el hacinamiento dificulta cumplir con las medidas de distanciamiento social (Naciones Unidas, 2020), dejando al desnudo la inequidad presente en las ciudades. Este panorama hace que la planificación urbana se convierta en una herramienta esencial para definir políticas que encaminen hacia el desarrollo sostenible local. Por esta razón, los Objetivos de Desarrollo Sostenible, ya no son un conjunto de metas a alcanzar en un futuro lejano, son los objetivos mínimos que necesitamos para garantizar un hábitat más seguro y sostenible (ONU, 2020). Para lo cual ha quedado claro que la información y, en particular, los indicadores cuantitativos y la evaluación sostenible, desempeñan un papel importante en la toma de decisiones para alcanzar objetivos sostenibles (Ameen, Mourshed y Li, 2015; Hák, Janoušková y Moldan, 2016). Desde esta perspectiva, la planificación sostenible se considera como un problema de decisión espacial que requiere seleccionar dónde y qué medidas implementar (Pedro, Silva y Pinheiro, 2019). Para contribuir a responder el “dónde”, los Sistemas de Información Geográfica (SIG) se han utilizado ampliamente en la planificación urbana, como soporte para el manejo de datos georreferenciados, sin embargo, tienen capacidades limitadas para representar el “qué”, entendido como la elección y la prioridad de indicadores sostenibles (Malczewski y Rinner, 2015). En este sentido, las herramientas Neighborhood Sustainability Assessment “NSA” han desarrollado conjuntos de indicadores que permiten evaluar el desempeño sostenible de vecindarios a través de estándares (Quesada, 2018), no obstante, estas herramientas no son espaciales y se enfocan en la evaluación del proyecto único, por lo cual, al extenderlas a una escala mayor (sectores de planificación urbana), sus sistemas de evaluación se vuelven insuficientes, debido a que no permiten responder preguntas como ¿qué tan lejos se encuentran los sectores de cumplir o no con los estándares de sostenibilidad? o ¿cuáles tienen más probabilidad de cumplir o no con estos estándares?, imposibilitando la identificación de sectores de intervención prioritaria (Pedro et al., 2019). Lo expuesto refleja la posibilidad de una complementación de las herramientas NSA con las SIG para solventar las debilidades de cada una, a fin de que permitan contribuir con una planificación urbana sostenible, a través de apoyar la selección de medidas (el qué) y áreas de intervención en las ciudades (el dónde). Con esta base se plantea la presente investigación, que consiste en tomar un conjunto de indicadores sostenibles propuesto por una NSA local, desarrollada en el proyecto de investigación de la Universidad de Cuenca INTRODUCCIÓN

“Contextualización de indicadores sustentables para vecindarios de la ciudad de Cuenca – Ecuador”, y ampliar su evaluación de escala de vecindario a ciudad, mediante la incorporación del análisis espacial SIG. El aporte fundamental del estudio se encuentra en determinar el aspecto procedimental que permita una combinación exitosa de los SIG con las NSA, y posibilite evaluar el desempeño sostenible de la ciudad de Cuenca. Esto permitirá identificar sectores de intervención prioritaria, contribuyendo a una planificación sostenible de la ciudad.

1.6.

ALCANCE

El estudio se realizará en el área urbana de la ciudad de Cuenca, Ecuador. La unidad de análisis serán los sectores de planificación urbana de la ciudad. El estudio consiste en incorporar el análisis espacial en la evaluación sostenible de vecindarios que proponen las Neighborhood Sustainability Assessment (NSA), a través de la propuesta de un modelo adaptado al contexto local con sus respectivos flujos de trabajo, determinado a partir de la aplicación del conjunto de indicadores de una NSA local en la ciudad de Cuenca. Mediante el desarrollo del estudio, se pretende alcanzar lo siguiente: 1. Mapas con la evaluación del nivel de desempeño sostenible de la ciudad de Cuenca, por categorías y global. 2. Los mapas permitirán identificar sectores de intervención prioritaria, como apoyo en la toma de decisiones y diagnóstico para la planificación urbana de la ciudad de Cuenca. 3. Propuesta de un modelo adaptado al contexto local, que contiene los flujos de trabajo y datos de entrada, para la integración de las herramientas SIG con las NSA que permitan evaluar la sostenibilidad de la ciudad. El modelo que se propone desarrollar podrá ser utilizado por diferentes actores, desde académicos hasta funcionarios públicos, como apoyo en la toma de decisiones en los procesos de planificación de la ciudad. Además, se podrá aplicar en diferentes ciudades que posean características similares, para ser observados como casos de estudio, a fin de que el modelo puede ser adaptado a otros contextos.

INTRODUCCIÓN

II . R E VI S IÓN D E L IT E R AT U RA 2.1.

MARCO TEÓRICO

2.2.

MARCO HISTÓRICO

2.3.

MARCO METODOLÓGICO

2.1.

MARCO TEÓRICO

En este apartado se presenta una revisión conceptual para establecer el marco de estudio de la presente investigación.

2.1.1. Desarrollo Sostenible Urbano A nivel mundial se observa un rápido crecimiento de las ciudades, así lo manifiestan los datos de las Naciones Unidas, que en 1950 muestran un 30% de la población mundial viviendo en ciudades, mientras que, en 2018 este porcentaje subió a 55%, y se prevé que para 2050 suba cerca del 68% (United Nations, 2019). Este porcentaje representa alrededor de 7 mil millones de habitantes urbanos para el año 2050 (Imagen 1). La situación recae en una creciente demanda de recursos para dotar de la infraestructura y los servicios necesarios a las ciudades, a fin de que puedan acoger a toda la población en aumento.

Imagen 1. Población urbana y rural mundial, 1950-2050. Fuente: United Nations (2019)

Como respuesta se plantea el concepto de desarrollo sostenible en las ciudades, el cual se remonta a la conferencia de Estocolmo sobre el Medio Ambiente Humano en 1972, donde por primera vez se reconoce que existe un conflicto entre “medio ambiente” y “desarrollo”, conceptos que no pueden ser tratados aisladamente, ya que, el medio ambiente es el lugar donde vivimos y el desarrollo es lo que hacemos para intentar mejorar ese lugar (Robert, Parris, y Leiserowitz, 2005). Más tarde en 1987, en el informe de Brundtland se establece que el desarrollo sostenible consiste en satisfacer las necesidades del presente sin comprometer las necesidades de las futuras generaciones (Brundtland, REVISIÓN DE LITERATURA

1987). El informe también afirma, respecto a “desarrollo” que, las necesidades humanas son básicas y esenciales; y que el crecimiento económico y la equidad (a través de una participación ciudadana efectiva) son necesarios para sustentar esas necesidades. Sobre el “medio ambiente” manifiesta que se deben considerar algunas limitaciones que están impuestas por el estado actual de la tecnología y la organización social sobre los recursos ambientales, así como por la capacidad de la biosfera para absorber los efectos de las actividades humanas (Robert et al., 2005). El concepto propone conciliar dos asuntos: el ambiental y el desarrollo humano (Dawodu et al., 2017). La definición de desarrollo sostenible que presenta el informe de Brundtland es tal vez la más conocida, sin embargo, existen más de 200 definiciones, lo que demuestra que la dificultad no está en definir el término, sino en ponerlo en práctica (Parkin, 2000). Entonces, ¿cómo debería implementarse el desarrollo sostenible?, el gobierno de Reino Unido sugirió en 1999 que para alcanzar el desarrollo sostenible se deben cumplir 4 objetivos: progreso social que reconoce las necesidades de todos, protección del medio ambiente, uso prudente de los recursos naturales y, mantenimiento de niveles altos y estables de crecimiento económico y empleo (Environment Agency, 2001). Estos objetivos abarcan 3 dimensiones, la social, económica y ambiental, que constituyen los pilares de la sostenibilidad (Imagen 2).

Imagen 2. Los tres pilares del desarrollo sostenible Fuente: Espinosa-Ruiz, Muyulema-Allaica, Sánchez-Macías, y Usca-Veloz (2019).

Posteriormente, en 2015 la ONU propone a través de la Agenda 2030, 17 objetivos para transformar el mundo y alcanzar el Desarrollo Sostenible, los ODS. Dentro de estos REVISIÓN DE LITERATURA

objetivos se contempla el de Ciudades y Comunidades Sostenibles (Objetivo 11), que busca hacer que las ciudades y los asentamientos humanos sean inclusivos, seguros, resilientes y sostenibles. Para lograrlo, plantea 7 ejes; el primero es asegurar el acceso a la vivienda y servicios básicos, seguros y asequibles; el segundo, proporcionar acceso a sistemas de transporte seguros, asequibles, accesibles y sostenibles, en particular, mediante la ampliación del transporte público; el tercero, aumentar la urbanización inclusiva y sostenible, y la capacidad para la planificación y la gestión participativa; el cuarto, aumentar los esfuerzos para proteger y salvaguardar el patrimonio cultural y natural; el quinto, reducir el número de muertes por desastres, así como las pérdidas económicas, haciendo hincapié en la protección de los pobres y personas en situación de vulnerabilidad; el sexto, reducir el impacto ambiental negativo per cápita de las ciudades; y el séptimo, proporcionar acceso universal a zonas verdes y espacios públicos seguros, inclusivos y accesibles (Naciones Unidas, 2020). Cada uno de los objetivos se plantean con un conjunto de indicadores, que permiten el monitoreo de los ODS, pero se recalca que las naciones deberán desarrollar sus propios indicadores a nivel regional, nacional y subnacional de manera que, tengan en cuenta las condiciones y circunstancias de cada localidad (UNHabitat, 2016). De esta manera, el desarrollo sostenible urbano implica la construcción de ciudades que permitan una verdadera armonía entre el hombre y la naturaleza, en las que se considere no solo la supervivencia del hombre en un entorno natural, sino su calidad de vida dentro de ese entorno, además de que se aseguren condiciones de equidad y justicia, con los mínimos impactos al medio ambiente, reconociendo que la capacidad de la naturaleza para absorber los impactos negativos producidos por el hombre es limitada. Dentro de este marco, considerando que el desarrollo humano se concentra en las urbes, es necesario que las ciudades integren en sus gobiernos políticas encaminadas a alcanzar un desarrollo sostenible, ya que, la planificación del territorio provoca una serie de impactos ambientales directos e indirectos que, con las prioridades actuales, están claramente en desacuerdo con los requisitos de un desarrollo sostenible. Además, la planificación debe responder a las problemáticas de cada ciudad y región, ya que, los retos sostenibles para los países ricos, son diferentes de los retos para los países en vías de desarrollo (Næss, 2001).

REVISIÓN DE LITERATURA

2.1.2. Ciudades intermedias y el desarrollo sostenible Cerca de la mitad de la población urbana mundial vive en ciudades con menos de 500.000 habitantes, y un 10% vive en ciudades entre 500.000 y 1 millón de habitantes (Imagen 3). Se prevé que esta dinámica demográfica continúe, por lo que, las proyecciones para 2030, presentan a más de la mitad de los habitantes urbanos viviendo en ciudades de este tamaño (United Nations, 2019). A este tipo de ciudades se las ha denominado como ciudades intermedias. Los datos muestran que las ciudades intermedias concentran la mayor proporción de población urbana del planeta, por lo cual, se ha incrementado el estudio sobre ellas, evidenciando que sus características y potencialidades pueden ofrecer una fórmula válida para conseguir la configuración de un sistema urbano más sostenible (Llop, 1999).

Imagen 3. Proporción de población urbana del mundo, clasificada por tamaño de asentamiento urbano, 2018. Fuente: United Nations (2019)

La definición de ciudad intermedia ha sido objeto de estudio desde finales de 1980 (Llop, Iglesias, Vargas, y Blanc, 2019). En la declaración de Lleida sobre las Ciudades Intermedias y la Urbanización Mundial en 1999, se estableció que las ciudades intermedias o CIMES “[…] se caracterizan por presentar una cierta complejidad funcional, por tener un grado significativo de centralidad y por poseer elementos significativos de simbología REVISIÓN DE LITERATURA

histórica y/o arquitectónica de referencia territorial. En definitiva, las CIMES se configuran no solo como centros que articulan su propio territorio a una escala más local o regional, sino que, además, representan el nodo a partir del cual se accede a otros centros del sistema urbano global” (Adjuntament de Lleida, 1999, p. 1). De acuerdo con las Naciones Unidas, una ciudad intermedia se puede conceptualizar respecto a 3 enfoques: 1. Por su tasa de población, son aquellas que oscilan entre 20.000, 100.000 y 500.000 habitantes, pero siempre menor a 1 millón. 2. Conforme al rol que desempeñan, son ciudades intermediarias de las relaciones, en términos de flujo de bienes y gestión de la información, entre las zonas rurales y urbanas, y, 3. De acuerdo a las áreas de influencia que cubren, las ciudades intermedias son aquellas que inciden en la formación de regiones, existiendo algunas que sobrepasan los límites de sus jurisdicciones políticas y administrativas (UN-Habitat, 2015a). A lo anterior se puede agregar que, el concepto de ciudad intermedia rompe el status quo existente, ya que, cuestiona las jerarquías de los sistemas urbanos, permitiendo nuevos espacios de cooperación territorial (Llop et al., 2019). Desde esta perspectiva, el concepto de ciudad intermedia, representa grandes oportunidades para el desarrollo sostenible de las urbes, es por ello que su visibilidad ha incrementado, a través de la participación en agendas nacionales y globales. Así se ha observado que, los países que presentan excesiva concentración de producción económica en sus grandes ciudades, aumentan la vulnerabilidad económica nacional, por el contrario, los países en los que existe una amplia distribución geográfica y jerárquica de ciudades (grandes, intermedias, pequeñas), además de altos niveles de conectividad y comercio entre ellos, reflejan economías más equilibradas y eficientes. En este contexto, el desarrollo de un sistema de ciudades intermedias, ofrece la oportunidad de fomentar vínculos que generen un patrón de crecimiento nacional más sostenible (Global Experts Group Meeting, 2015). Las ciudades intermedias por su tamaño, ofrecen beneficios para una gobernanza y gestión eficaces, además pueden mejorar la cohesión social y el sentido de identidad y REVISIÓN DE LITERATURA

pertenencia, al tiempo que mantienen una relación armoniosa con el entorno natural circundante (Ilustre Municipalidad de Cuenca, 2015). Estas ciudades representan ventajas para impulsar patrones que configuren sistemas urbanos más equilibrados y sostenibles. Un ejemplo de esto es la proximidad de distancias de recorrido, ya que en ciudades de hasta 650.000 habitantes, el 70% de la población en promedio, convive con distancias cercanas en un radio de 3,9 km, las cuales puede ser recorridas a pie o en bicicleta (Azan, 2018). En este sentido, el fortalecimiento de redes de ciudades intermedias, de la mano de iniciativas de los gobiernos centrales y locales, puede evitar la expansión caótica en las urbes, y la reproducción de problemas existentes en ciudades grandes y metrópolis (Jordan y Simioni, 1998). En el caso de Latinoamérica, las ciudades intermedias tienen un rol determinante en el desarrollo socioeconómico de la región, ya que, constituyen una forma de revertir las dinámicas concentradoras, y ponen en valor el potencial socioeconómico de centros urbanos alternativos. Además, su carácter articulador entre la población rural y urbana, ofrece mejores condiciones de vida, mayores oportunidades laborales, y entornos menos contaminados para sus habitantes (UN-Habitat, 2015a).

2.1.3. Vecindarios sostenibles En las ciudades intermedias, las necesidades y las aspiraciones de sus ciudadanos se manifiestan a través de una intensa vida de vecindario (Llop, 1999). Por ello, escalas pequeñas, como la de barrio, se muestran cada vez más como un nivel apropiado para implementar los principios de sostenibilidad en los procesos de transformación urbana (Lützkendorf y Balouktsi, 2017). Existen varias definiciones de vecindario, algunas la establecen como un área donde la gente vive e interactúa entre sí, o como distritos que se conforman por la comunidad dentro de un pueblo o ciudad, también se lo define como un conjunto de vecinos de un municipio de una población o de parte de ella (National Geographic, 2011; Oxford English Dictionary, 2021; Real Academia de la Lengua Española, 2001). Un aspecto común en las definiciones es que el vecindario es principalmente a los ojos del espectador, y que no se plantea un tamaño específico de territorio o de población. Desde una perspectiva mas sociológica, los barrios son más que una subzona de la ciudad, son conjuntos de vecinos que comparten valores y necesidades comunes que los lleva a crear vínculos entre ellos (Choguill, 2008).

REVISIÓN DE LITERATURA

Los vecindarios, por su tamaño, se han convertido en una unidad geográfica significativa de análisis y de intervención, ya que, son lo suficientemente grandes como para agregar los componentes interrelacionados presentes en una comunidad urbana, pero también lo suficientemente pequeños como para lograr resultados en un período de tiempo previsible. Esto genera acciones más rápidas a pequeña escala, a diferencia de políticas aplicadas en toda la ciudad (UN Environment Programme, 2020). El concepto que implica un vecindario, representa ventajas para alcanzar el desarrollo sostenible de las ciudades, por lo que, no es de extrañarse que cada vez más, se observen a los vecindarios como la primera línea en la batalla por la sostenibilidad. De hecho, se afirma que ninguna ciudad puede contribuir a la sostenibilidad general si se determina que sus propios componentes, no son sostenibles (Choguill, 2008). De esta manera, si consideramos a los vecindarios como los bloques de construcción de las ciudades, por ser los espacios en donde se lleva a cabo la mayor parte del desarrollo, se podría exponer que la sostenibilidad general de las urbes depende de la sostenibilidad de sus vecindarios (Choguill, 2008). A escala de vecindario no existe una definición clara de desarrollo sustentable, sin embargo, debe enmarcarse en la búsqueda por equilibrar los requisitos sociales, económicos y ambientales vinculados con las medidas de desarrollo urbano (Dehghanmongabadi, Önal Hoşkara, y Shirkhanloo, 2014). En este punto, es necesario diferenciar al vecindario sostenible como la meta u objetivo, mientras que, el desarrollo sostenible del vecindario, es el proceso que, con el tiempo, permitirá alcanzar esa meta. La construcción de vecindarios sostenibles requiere la adopción de principios de planificación que encaminen hacia el desarrollo sostenible. En este tema, ONU-Hábitat, recomienda 5 principios fundamentales (UN-Habitat, 2015b): 1. Espacio adecuado para las calles y una red de calles eficiente, 2. Alta densidad, 3. Uso mixto del suelo, 4. Mezcla social, y 5. Especialización limitada del uso del suelo, es decir limitar el uso de la zonificación funcional para fomentar estrategias mixtas de uso de suelo. Estos cinco principios mejoran la habitabilidad de las personas en los vecindarios y permiten su crecimiento y desarrollo sostenible, dando lugar a las 3 características clave REVISIÓN DE LITERATURA

que debe presentar un vecindario sostenible (Dehghanmongabadi et al., 2014; UN-Habitat, 2015b): 1. Vida vibrante en la calle, al proporcionar condiciones para que se realicen diferentes actividades; 2. Accesibilidad a pie, con distancias caminables y seguras; y 3. Asequibilidad, fomentando la cercanía y la disminución de los costos y construyendo servicios para diferentes clases de usuarios.

2.1.4. Indicadores sostenibles Se ha establecido que, para medir el progreso hacia el estado deseable de sostenibilidad, se necesitan indicadores medibles que evalúen los esfuerzos urbanos (Choguill, 1993). Pero ¿qué es un indicador? No existe una definición única sobre lo que es un indicador, puesto que, dependiendo del contexto en el que se utilice, el término indicador adquiere diferentes formas de entenderse. Sin embargo, su definición puede referirse a cualquier característica observable de un fenómeno, pudiendo ser objetivo (cuantitativo) o subjetivo (cualitativo), aunque generalmente se aplica a aquellas características que puedan ser medidas cuantitativamente (Binder, Wyss, y Massaro, 2020; Cecchini, 2005; CEPAL, 2004). De acuerdo con la CEPAL (2004) “se denomina indicador a una observación empírica que sintetiza aspectos de un fenómeno que resultan importantes para uno o más propósitos analíticos y prácticos” (p. xxvi). O desde una perspectiva más sencilla, indicador es un signo o señal que entrega cierta información esencial, que permite entender de mejor forma la realidad del fenómeno que se analiza (Castro Bonaño, 2004). Los indicadores de sostenibilidad por su parte, además de lo anterior, llevan intrínseca la definición de desarrollo sostenible, y por lo tanto, están encargados de medir las complejas relaciones entre las 3 dimensiones de la sostenibilidad: social, económica y ambiental. Respecto a la dimensión social, los indicadores deben captar las condiciones individuales y colectivas, así como las condiciones de acceso y control de los recursos, con el objetivo de alcanzar la equidad social. Respecto a la dimensión económica, los indicadores deben medir el crecimiento económico, la calidad de vida y la calidad del ambiente, con el fin de encontrar un equilibrio entre los sistemas económicos y ambientales. Y respecto a la dimensión ambiental, los indicadores deben ser capaces de captar las condiciones de riesgo que representa el desarrollo de las actividades humanas para el medio ambiente (Ministerio de Fomento, 2000). En definitiva, los indicadores sostenibles son signos que REVISIÓN DE LITERATURA

nos informan si las actividades humanas y el consumo de recursos pueden considerarse sostenibles, es decir, permiten medir la brecha existente entre el desarrollo actual y el desarrollo sostenible (Opschoor y Reijnders, 1991). Sin embargo, para que los indicadores puedan ser utilizados, deben cumplir una serie de características que pueden resumirse en las 3 siguientes (Morduchowicz, 2006): 1. Ser fácilmente medibles, ya que esto permite construir indicadores cuantitativos, que tienen la ventaja de ser objetivos, estandarizables y cuantificables a través del tiempo. 2. Ser claros, específicos y tener un marco temporal, por lo que deben definir un grupo objetivo, una unidad de medición, un cronograma de seguimiento, una línea base para la comparación, y un lugar de monitoreo. 3. Poseer información cuantitativa vinculante, es decir, la métrica del indicador debe ser capaz de reflejar la información que busca brindar. Además, los indicadores se estructuran a través de componentes, los cuales pueden variar en número, dependiendo del área o tema en el que se utilicen (García, 2021; Morduchowicz, 2006; Mujica de Gonzalez y Perez de Maldonado, 2009), sin embargo, existen algunas coincidencias, como por ejemplo la necesidad de establecer un objetivo, y cumplir con una función informativa y evaluativa que permita conocer si el curso de los acontecimientos de un fenómeno constituye un progreso o un deterioro. En el marco de la presente investigación y con base en el estudio de los indicadores propuestos por distintas herramientas de evaluación de la sostenibilidad (GLobal, 2012; JSBC. Japan Sustainable Building Consortium, 2014; USGBC, 2018), se definen 6 elementos como los componentes de los indicadores sostenibles (Imagen 4). Estos son: 1. Nombre del indicador, que cumple la función de identificar al indicador. 2. Objetivo del indicador, que indica qué es lo que se quiere medir y para qué. 3. Unidad de medida, que hace referencia a la forma en que se expresará el resultado de la medición. 4. Metodología de evaluación, que define el procedimiento para medir los datos, así como algunas fuentes de consulta, con el fin de que la información sea verificada. 5. Niveles de desempeño, que se puede definir también como benchmarks, puesto que los diferentes niveles establecen exigencias que miden el rendimiento del indicador. REVISIÓN DE LITERATURA

6. Calificación o puntuación, que constituye la escala de valoración que, a su vez, es consecuente con los niveles de desempeño y está representada por puntos.

Imagen 4. Componentes de un indicador sostenible: ejemplo de un indicador de transporte. Fuente: GLobal (2012). Elaboración propia.

El uso de indicadores posibilita, a través de sus componentes, evaluar el nivel de desempeño sostenible que tiene un fenómeno. Por esta razón, pensar en un conjunto de indicadores amplía el alcance, dando lugar a un sistema de indicadores, el cual provee información que es mayor y distinta de la que puede ofrecer cada una de sus partes, por lo que, viabiliza la descripción de situaciones que no son fácilmente medibles. Es decir, un sistema de indicadores sostenibles contribuye a lograr una visión más integradora del complejo concepto de sostenibilidad. Además, permite realizar no solo una evaluación en momentos específicos, sino también un monitoreo como actividad permanente (Castro Bonaño, 2004; Morduchowicz, 2006).

REVISIÓN DE LITERATURA

En general, los indicadores sostenibles son instrumentos para medir el avance hacia la sostenibilidad, y han mostrado ser útiles para la evaluación del desempeño de políticas públicas, al punto que son considerados como instrumentos directos para la toma de decisiones, ya que constituyen puntos de referencia para conocer el nivel de bienestar y sostenibilidad que tiene un lugar a diferentes escalas, ya sea país, ciudad o vecindario. A esto se debe, que varios países e instituciones en el mundo se encuentren desarrollando indicadores de desarrollo sostenible, que respondan a las necesidades y condiciones propias de cada contexto.

2.2.

MARCO HISTÓRICO

2.2.1. Evaluación del Desarrollo Sostenible Urbano La evaluación de la sostenibilidad es uno de los tipos más complejos de evaluación, y se utiliza generalmente para apoyar la toma de decisiones y el desarrollo de políticas con el objetivo de hacer que la sociedad sea más sostenible (Sala, Ciuffo, y Nijkamp, 2015). Además, puede emplearse para conceptualizar y definir mejor la sostenibilidad a escala urbana, la cual generalmente se centra en la identificación y medición de indicadores, por esta razón, existe una gran producción de conjuntos de indicadores urbanos desde sus inicios (Cohen, 2017). Realizando un análisis histórico, los primeros aportes para la evaluación de la sostenibilidad urbana, se proponen desde los años 30 con un enfoque tradicional basado en indicadores sociales, destacándose las aportaciones realizadas por la Escuela de Chicago en el campo de la Ecología Urbana (Castro Bonaño, 2004). Desde la década de 1970, como resultado de los esfuerzos por controlar los problemas relacionados al cambio climático, se producen importantes avances en el desarrollo de indicadores para la evaluación ambiental, dando origen en Estados Unidos, a la primera generación de herramientas de evaluación de Impacto Ambiental (EIA) a escala de proyecto, las siguientes generaciones de Evaluación Ambiental Estratégica (EAE) y de Evaluación de la Sostenibilidad (SA) se introdujeron a finales de las décadas de 1980 y 1990 respectivamente (Quesada, 2018; Sharifi y Murayama, 2013). Sin embargo, es en 1992 que se produce un auge considerable en el desarrollo de indicadores de evaluación de la sostenibilidad urbana, debido al lanzamiento de la Agenda 21 en la conferencia de las Naciones Unidas sobre el medio Ambiente y el Desarrollo o REVISIÓN DE LITERATURA

“Cumbre de la Tierra” celebrada en Río de Janeiro (Bustos y Chacón, 2009; Castro Bonaño, 2004).

La Agenda propone un conjunto de políticas y programas para alcanzar un

desarrollo más sostenible, aplicable universal, nacional y localmente por las organizaciones del Sistema de Naciones Unidas y los gobiernos de más de 178 países que firmaron la declaración de Río (Naciones Unidas, s.f.). Los países se comprometieron a elaborar e introducir en sus gobiernos leyes y normas que contribuyan a mitigar los problemas ambientales y a reducir las emisiones de gases de efecto invernadero (Usón, Fumado, y Vives, 2014). Este contexto impulsa a varias organizaciones y autores a desarrollar instrumentos para evaluar la sostenibilidad urbana. Uno de los primeros intentos lo proponen Wackernagel y Rees (1996), a través del concepto de huella ecológica de una población, que se refiere al área requerida para abastecer de todos los recursos necesarios a la población urbana, así como para absorber el CO2 y los residuos que esta genere. Paralelamente, distintas organizaciones proponen nuevos conjuntos de indicadores de desarrollo sostenible agrupados en distintos ámbitos, entre ellas se encuentran ONU (Organización de las Naciones Unidas) con 40 indicadores agrupados en 6 ámbitos, EUROSTAT (Oficina de Estadística de la Comisión Europea) con 43 indicadores agrupados en 4 ámbitos, AEMA (Agencia Europea de Medio Ambiente) con 55 indicadores agrupados en 16 atributos urbanos, OCDE (Organización para la Cooperación y el Desarrollo Económico) con 72 indicadores agrupados en 14 temas, ISO (Organización Internacional de Normalización) con 112 indicadores agrupados en 19 temas de evaluación, entre otras (Castro Bonaño, 2004) (Tabla 1). Simultáneamente la generación de nuevas normativas dieron paso a la creación de Herramientas de Evaluación de la Sostenibilidad, con el fin de volver pragmáticos los objetivos ambientales planteados (Quesada, 2018). Estas herramientas, se presentan como modelos de evaluación multicriterio, que están constituidas por un conjunto de indicadores que se agrupan por categorías y abordan diferentes temas de la sostenibilidad, lo cual les da un amplio alcance y les permite adoptar una visión más holística y menos reduccionista del concepto de Desarrollo Sostenible (Bond, Morrison-Saunders, y Pope, 2012).

REVISIÓN DE LITERATURA

Tabla 1. Ámbitos de agrupación de indicadores de las diferentes organizaciones EUROSTAT

OCDE

ISO

Desarrollo Socioeconómico

Económico

Población urbana

Cambio climático

Economía

Infraestructuras

Social

Suelo urbano

Destrucción de la capa de ozono

Educación

Transportes

Ambiental

Áreas abandonadas

Eutrofización

Energía

Gestión medioambiental

Institucional

Áreas recuperadas urbanas

Acidificación

Ambiente y cambio climático

Gobierno local

Movilidad urbana

Contaminación tóxica

Finanzas

Vivienda

Agua

Calidad del medio urbano

Gobernanza

Energía

Biodiversidad/ Paisaje

Salud

Materiales y productos

Residuos

Vivienda

Residuos

Recursos naturales

Población y condiciones sociales

Calidad del agua

Recursos Hídricos

Recreación

Calidad del aire

Recursos Forestales

Seguridad

Calidad sonora

Recursos Pesqueros

Residuos sólidos

Seguridad de Tráfico

Degradación de suelos

Deporte y cultura

Calidad de Vivienda

Indicadores generales

Telecomunicación

Ámbitos

ONU

Organizaciones AEMA

Accesibilidad a zonas verdes

Transporte

Calidad de vida salvaje urbana

Agricultura urbana y seguridad alimentaria Planificación Urbana Aguas residuales Agua

Fuente: Castro Bonaño (2004). Elaboración propia.

Inicialmente, las Herramientas de Evaluación de la Sostenibilidad crearon sus conjuntos de indicadores con un enfoque a escala de edificios, surgiendo en 1990 BREEAM la primera herramienta de evaluación y certificación de la construcción sostenible del mundo (Global, 2009). Posteriormente, amplían sus límites espaciales de evaluación para integrar el REVISIÓN DE LITERATURA

entorno, y diseñan a inicios del siglo XXI las Herramientas de Evaluación Sostenible con enfoque a escala de Vecindarios o también denominadas NSA por sus siglas en inglés (Neighborhood Sustainability Assessment). Actualmente, las NSA se han convertido en instrumentos dominantes para la gestión urbana y la gobernanza ambiental (Elgert, 2018), y son consideradas por algunos autores como la última generación de las herramientas de Evaluación de Impacto (Sharifi y Murayama, 2013). De esta manera, desde el año 2000 el número de Herramientas de Evaluación de la Sostenibilidad se ha multiplicado considerablemente en el mundo (Imagen 5), debido a que, en el contexto actual en el que es necesario establecer metas y objetivos, y realizar seguimientos del progreso hacia los resultados de la sostenibilidad (Cohen, 2017), constituyen un medio eficaz para evaluar, comparar y comunicar el desempeño sostenible. Estas herramientas constituyen modelos multicriterio que proporcionan conjuntos de indicadores esenciales para abordar diferentes temáticas que ayuden a enfrentar el agotamiento de los recursos naturales y el aumento del consumo energético y emisiones de gases de efecto invernadero (Ameen y Mourshed, 2019).

Imagen 5. Algunas Herramientas de Evaluación Sostenible existentes en el mundo Fuente: Quesada (2021)

REVISIÓN DE LITERATURA

2.2.2. El análisis espacial en la evaluación sostenible urbana En el marco de la sostenibilidad urbana, algunos autores han afirmado que su evaluación debe mirar más allá de las 3 dimensiones o pilares de la sostenibilidad (social, económico y ambiental), exhortando a considerar otras dimensiones como la espacial, temporal y lógica (Ding, Zhong, Shearmur, Zhang, y Huisingh, 2015). Las dimensiones temporal y lógica de alguna manera se consideran en las herramientas antes estudiadas (NSA), debido a que sus conjuntos de indicadores son determinados a través de metodologías de selección robustas. No así, la dimensión espacial, que hace referencia al estudio del patrón o trama espacial de las áreas urbanas, con el fin de alcanzar ciudades compactas, las cuales representan varias ventajas para la sostenibilidad urbana, como favorecer la cercanía a los servicios y propiciar actividades de interacción social y vida en comunidad (Ding et al., 2015). El análisis espacial tiene sus orígenes en la geografía cuantitativa, entre la década de 1950 y 1960, la cual, introdujo métodos estadísticos avanzados y tecnologías informáticas que permitieron que la geografía tradicional evolucione hacia una disciplina más científica. En los años 1970 y 1980, esta perspectiva experimenta un declive. Sin embargo, en 1990 resurge una reconsideración por las técnicas de análisis espacial, producto de las mejoras tecnológicas para el procesamiento de grandes volúmenes de datos, la reducción de costos de hardware y la masificación de los Sistemas de Información Geográfica (SIG) (Fuenzalida y Cobs, 2018). Esto ha permitido, hasta la actualidad, que se incremente el interés de diversos analistas, por desarrollar una variedad de aplicaciones de modelos espaciales apoyados en SIG. El análisis espacial se enfoca en el estudio de los componentes del espacio, definiendo sus elementos constitutivos y su comportamiento bajo ciertas condiciones (Madrid Soto y Ortiz López, 2005). Para esto combina los métodos cuantitativos con las representaciones geográficas, a través de una serie de técnicas matemáticas, estadísticas y de clasificación que pueden aplicarse a diferentes datos, de los cuales se conoce su posición geográfica. Mediante el análisis espacial se pueden procesar los datos de entrada y generar nueva información, para descubrir patrones y relaciones territoriales desconocidas (Buzai, 2009; Castellanos-Barrero, 2010; Zhang, 2021). De allí su importancia para la planificación urbana, ya que, en función de las condiciones del contexto y las relaciones espaciales de los territorios, se efectúa la toma de decisiones (Castellanos-Barrero, 2010).

REVISIÓN DE LITERATURA

Los SIG consideran como su núcleo al Análisis Espacial, posibilitando la exploración de las relaciones espaciales de los datos. Las herramientas de análisis espacial integradas en los SIG, permiten al usuario realizar análisis complejos entre diferentes entidades geográficas, a través de métodos analíticos simples, para crear nueva información a partir de datos existentes (Ding et al., 2015; Howard, 2008). Son capaces de integrar el análisis estadístico de las bases de datos, con los beneficios de visualización y análisis geográfico de los mapas (Molina, López, y Villegas, 2005). Por esta razón han sido ampliamente utilizados como Sistemas de Apoyo a la Planificación urbana (Planning Support System) en la recopilación, almacenamiento, gestión y visualización de datos espaciales, análisis y resolución de problemas urbanos, así como en la toma de decisiones (Pedro et al., 2019). Dentro de la planificación, uno de los temas destacados de investigación es la sostenibilidad urbana, ya que, cada vez más se observan estudios que se apoyan en el análisis espacial de los SIG, para gestionar grandes volúmenes de información georreferenciada, con el objetivo de resolver problemas urbanos que conlleven a alcanzar ciudades más sostenibles. Así por ejemplo, un estudio realizado en Arabia Saudita, evalúa la sostenibilidad urbana de la ciudad de Damman, con un enfoque basado en SIG (Alshuwaikhat y Aina, 2006). De igual manera, una investigación en Chile emplea el análisis espacial para valorar la sostenibilidad urbana del modelo territorial de la ciudad de Tomé, a través de indicadores sostenibles aplicados en SIG (Rojas Quezada, Díaz Muñoz, y Jaque Castillo, 2008). Otro estudio en esta línea, realiza un mapeo de techos verdes y solares para una evaluación del paisaje de tejados que contribuyen al desarrollo sostenible de una ciudad (Wu y Biljecki, 2021). Así se observa una variedad de investigaciones que emplean el análisis espacial para el estudio de temas concernientes a la sostenibilidad urbana, apoyados en los SIG, ya que, estos permiten optimizar los procesos y reducir los tiempos de análisis. En este sentido, el análisis espacial de los SIG, se presenta como un instrumento de gran aptitud para la evaluación de la sostenibilidad urbana, ya que, consiste en una serie de procedimientos y métodos que pueden contribuir a profundizar el conocimiento sobre el nivel de sostenibilidad que tiene un territorio, y colaborar en la toma de decisiones hacia un planeamiento más respetuoso con el medio ambiente y que mejore la calidad de vida de los ciudadanos.

REVISIÓN DE LITERATURA

2.3.

MARCO METODOLÓGICO

2.3.1. Las Herramientas NSA (Neigborhood Sustainability Assessment) Como se ha mencionado, para medir el progreso hacia el desarrollo sostenible, son necesarios los indicadores. Es así, como surgen a nivel mundial conjuntos de indicadores sostenibles propuestos por diferentes herramientas de evaluación de la sostenibilidad de vecindarios o conocidas por sus siglas en inglés como NSA. Entre las más reconocidas se encuentran LEED-ND, BREEAM-CM, CASBEE-UD, ECC, HQE2R, y ECOCITY, las cuales, han sido aplicadas en vecindarios de varios países para obtener un reconocimiento de alta calidad y valor de sostenibilidad de los proyectos. Las NSA han surgido y han logrado posicionarse durante la última década (Ameen, Mourshed, y Li, 2015; Braulio-Gonzalo, Bovea, y Ruá, 2015) por presentar sistemas de evaluación que proporcionan pautas para la inclusión de medidas de sostenibilidad junto al proceso de desarrollo de proyectos de vecindarios a construir (Pedro, Silva, y Pinheiro, 2018). Son herramientas de evaluación constituidas como modelos multicriterio, ya que se estructuran por categorías y subcategorías de evaluación, que permiten a través de comparaciones pareadas medir la relación entre las distintas categorías y subcategorías, así como definir su nivel de importancia mediante pesos o ponderaciones (Mayor, Botero, y González-Ruiz, 2016). Del mismo modo que un modelo multicriterio, las NSA suelen estar representadas por un conjunto de indicadores de evaluación que se agrupan por categorías con sus respectivas ponderaciones y abordan diferentes temas de sostenibilidad urbana (Sharifi y Murayama, 2013). Las NSA mantienen una estructura jerárquica por niveles, que integran un sistema de calificación. Estos niveles, se componen de categorías, indicadores y puntuación. El sistema de puntuación se estructura a partir de los indicadores que entregan puntajes con base en el nivel de cumplimento que se alcance. Como siguiente paso, se asignan los pesos o ponderaciones a los puntajes obtenidos, tanto para indicadores, como para las categorías. La mayoría de estas herramientas, tienden a asignar pesos solo a las categorías. Como resultado final, se entrega una calificación global al vecindario, certificando su nivel de desempeño sostenible (Pedro et al., 2018; Quesada, 2014). Los sistemas de evaluación que presentan las NSA han sido ampliamente aceptados, constituyendo herramientas evidentemente necesarias para la monitorización de la REVISIÓN DE LITERATURA

sostenibilidad de un vecindario. Sin embargo, debido a la gran área geográfica y variedad regional, la aplicación internacional de estas herramientas se ha convertido en un problema. Siendo duramente criticadas, por tratar de aplicarse en ciudades diferentes para las que fueron creadas, ya que su conjunto de indicadores no responde a las necesidades y problemáticas de cada contexto (Kamble y Bahadure, 2020; Komeily y Srinivasan, 2015; Sharifi y Murayama, 2014). Esta situación se evidencia todavía más entre países desarrollados y países en vías de desarrollo, ya que, existen diferencias contextuales, pues como ya se ha mencionado los retos sostenibles para los países ricos, son diferentes de los retos para los países en vías de desarrollo. Es por ello que se exhorta a que las herramientas NSA se deriven de las realidades urbanas de cada lugar o contexto particular (Boyle et al., 2018).

Estructura jerárquica de una NSA En este apartado se detallan los elementos de la estructura de una herramienta NSA, a partir del estudio de la NSA local desarrollada por Quesada (2021).

Imagen 6. Estructura jerárquica de una herramienta NSA. Fuente: Quesada (2021). Elaboración propia.

La estructura jerárquica de una herramienta NSA se puede representar en 3 niveles: 1. Categoría, 2. Indicador y 3. Puntuación (Imagen 6). REVISIÓN DE LITERATURA

1. Categorías Constituyen las especificaciones del objetivo en forma de temáticas. Estas abordan las diferentes áreas de evaluación de la sostenibilidad.

2. Indicadores Respecto a la composición de los indicadores, se establecen 3 elementos que son el método de evaluación, las unidades de medición y los niveles de desempeño, como se muestra en la tabla 2. Tabla 2. Composición de los indicadores. Elementos

Descripción

Método de evaluación

Procedimiento para evaluar los objetivos que plantea el indicador.

Unidades de medición

Estandarización que determina la magnitud de los diferentes aspectos evaluados.

Niveles de desempeño

Establecen las exigencias que se deben cumplir para lograr el mejor rendimiento.

Fuente: Quesada (2021). Elaboración propia.

3. Puntuación Respecto al sistema de puntuación, las herramientas NSA proponen diferentes niveles de desempeño. En este caso se establecen 3: estándar, mejores prácticas y prácticas superiores. De esta manera, cada indicador puede asignar de 1 a 5 puntos, de acuerdo al nivel de exigencia que se cumpla (Imagen 7).

Imagen 7. Niveles de desempeño de la herramienta NSA local. Fuente: Quesada (2021). Elaboración propia.

REVISIÓN DE LITERATURA

Ponderación Los puntajes obtenidos por cada indicador, según el nivel de desempeño alcanzado, se multiplican por coeficientes de ponderación propuestos para cada indicador y categoría. Las ponderaciones son determinadas a través de diferentes técnicas para analizar criterios de decisión complejos, como AHP (Analytic Hierarchy Process). De esta manera, la herramienta NSA local propone 35 indicadores repartidos en 6 temáticas diferentes que son: 1. Ecología, uso y ocupación del suelo, 2. Infraestructura y equipamientos, 3. Transporte y Movilidad, 4. Recursos y Energía, 5. Participación y bienestar social, y 6. Ambiente del vecindario. La estructura de evaluación de la herramienta se define siguiendo la metodología propuesta por Quesada, Calle, Guillén, Ortiz, y Lema (2018). Y aplica la técnica de evaluación multicriterio AHP (Analytic Hierarchy Process), a un total de 75 expertos en campos afines o con experiencia en el ámbito del desarrollo sostenible, provenientes de 3 grupos: académicos, funcionarios públicos, y profesionales independientes, para determinar los pesos de cada indicador y categoría. La sumatoria de los porcentajes obtenidos en todas las categorías, entrega la calificación final. La Imagen 8, muestra el esquema de evaluación de la herramienta NSA local, con sus respectivas ponderaciones, expresadas en porcentaje.

REVISIÓN DE LITERATURA

Imagen 8. Esquema de evaluación de la herramienta NSA local. Fuente: Quesada (2021). Elaboración propia.

REVISIÓN DE LITERATURA

2.3.2. Métodos de Análisis Espacial En consonancia con la acelerada velocidad con que se desarrollan las ciudades en el mundo, los métodos de análisis espacial que ofrecen los SIG se han presentado como instrumentos de planificación espacial que conducen de forma más rápida a respuestas acertadas y fundamentalmente oportunas, debido a que han logrado optimizar y reducir los tiempos en los procesos de análisis y gestión de datos (Castellanos-Barrero, 2010). En el ámbito de la planificación urbana, existen diferentes posibilidades de métodos que se pueden aplicar en función del objetivo que se busca alcanzar o de la problemática que se quiere resolver, influyendo también el tipo de datos con los que se trabajará, por ello, varios autores han presentado distintas alternativas de Métodos de Análisis Espacial con SIG aplicados al estudio de situaciones urbanas de interés (Tabla 3). Así se mencionan algunos como: -

método de análisis espacio-temporal, “[…] que permite evaluar tendencias de crecimiento, mutaciones de usos, el efecto de los llamados proyectos detonantes, y fundamentalmente determinar acciones que puedan potenciar o revertir los hechos urbanos detectados” (Castellanos-Barrero, 2010, p. 46).

método de clasificación espacial, estudia las distribuciones y asociaciones espaciales, algunos ejemplos, son el método de clasificación por superposición, y los métodos de clasificación exploratoria de los SIG, conocidos como ESDA, que pueden estudiarse dependiendo del número de variables que se considere (univariada, bivariada y multivariada) (Humacata, 2014). ESDA emplea al método gráfico como fuente de información y representación por excelencia (mapas coropléticos). Los mapas constituyen uno de los resultados de ESDA, ya que facilitan representar las características de cada variable sobre el espacio geográfico, dando lugar a la Cartografía Temática de Variables; pero también es posible obtener otros resultados como Histogramas de frecuencias, gráficos de cajas (box-plot), mapas de cajas (box-map) y diagramas de dispersión (scatter-plot) (Buzai, 2019; Humacata, 2014).

métodos para los Sistemas de Apoyo a la Decisión Espacial (SADE), que se fundamentan en tecnologías SIG, pero además, desarrollan procedimientos específicos que se adaptan a las características y necesidades de cada problema en particular (Bosque Sendra, Gómez Delgado, Moreno Jiménez, y Dal Pozzo, 2000).

REVISIÓN DE LITERATURA

Tabla 3. Métodos de análisis espacial empleados por diferentes investigaciones. Investigación

Objetivo

Martínez y Moreno (2005)

Realizar una caracterización estadístico-cartográfica de los niveles de ruido de Madrid por periodos temporales y por distritos.

Dávila Rodríguez, Alatorre Cejudo, y Bravo-Peña (2021)

Monitorizar el cambio de patrones en la distribución espacial del uso del suelo urbano de Chihuahua, durante el periodo comprendido entre 1995 y 2015.

Saleem, Ahmad, y Butt (2020)

Evaluar el riesgo de deslizamientos de tierra de la sub-región Himalaya de Pakistán.

Humacata (2010)

Identificar las distribuciones y asociaciones espaciales de variables referidas a características socioeconómicas y demográficas de la Provincia de Buenos Aires.

Buzai (2019)

Descubrir los patrones espaciales de las condiciones socioespaciales de la salud en la cuenca del río Luján, Argentina.

Pedro et al. (2018) y Pedro et al. (2019)

Identificar áreas y parámetros prioritarios de intervención, a través de la evaluación del desempeño sostenible de la ciudad de Lisboa.

Métodos

Método de análisis espaciotemporal

Herramientas SIG empleadas Tecnología SIG vectorial para: - Cartografía digital - Gestión de datos de niveles sonoros a través de puntos muestrales - Representaciones gráficas para visualizar la geoinformación sonora - Estadísticos descriptivos y desagregación por distritos. Tecnología SIG Raster, técnicas de teledetección para: - Procesar imágenes satelitales: corrección geométrica, calibración radiométrica y corrección por terreno. - Clasificación supervisada para las imágenes Landsat TM. - Cálculo de métricas de análisis de ecología del paisaje.

Método de clasificación espacial por superposición

- Tecnología SIG Raster, técnicas de teledetección. - Superposición ponderada de capas ráster para desarrollar un mapa acumulativo de zonas de susceptibilidad. Se determinan 3 zonas: de alto riesgo, de riesgo. Moderado y de riesgo bajo.

Método de clasificación espacial por agrupamiento utilizando ESDA*

- Análisis univariado mediante gráficos box-plot, que resalta datos espaciales atípicos, y da como resultado un mapa de cuartil box-map. - Análisis bivariado mediante scatter-plot. Los valores se transforman a puntajes estándar (z) para clasificar el espacio geográfico en 4 cuadrantes y determinar la existencia de correlación. Coeficiente de correlación de pearson (r). - Análisis univariado para el estudio de distribuciones espaciales de variables (Box-plot y Box-map). - Análisis bivariado, mediante el gráfico de dispersión (scatter diagram). - Análisis de concentración a través del estudio de autocorrelación espacial: I de Morán, determinación de cluster, hot-spots y cold-spots.

Método para SADE** integrando SIG + modelos multicriterio NSA***

- Método de clasificación por clustering de datos: Getis-ORD. - Determinación de clusters, hot-spots y cold-spots, para identificar las subsecciones de la ciudad con mayor o menor probabilidad de cumplir con todos los requisitos. - Suma ponderada para la estimación del puntaje global de desempeño sostenible.

*ESDA: Análisis Exploratorio de Datos Espaciales. **SADE: Sistemas de Apoyo al a Decisión Espacial. ***NSA: Herramientas para la Evaluación Sostenible de Vecindarios.

Fuente: Elaboración propia. REVISIÓN DE LITERATURA

En el presente estudio se dará mayor énfasis a los métodos de Sistemas de Apoyo a la Decisión Espacial (SADE) o por sus siglas en inglés SDSS, ya que permiten una variedad de combinación de métodos y herramientas para dar respuesta a problemas específicos.

Métodos para los Sistemas de Apoyo a la Decisión Espacial Las investigaciones presentadas en la tabla 3 reflejan la existencia de diferentes métodos de análisis espacial, que apoyados en herramientas SIG aportan al estudio de una gran variedad de problemas y situaciones espaciales, que contribuyen con los procesos de planificación urbana. Sin embargo, estos métodos de análisis espacial y herramientas SIG, por sí solos, no son capaces de resolver todos los complejos problemas espaciales que se presenten en las urbes, ya que no pueden incluir todos los elementos necesarios para analizar la gran variedad de conflictos que se suscitan. Por ello, se han desarrollado los SADE, que consisten en sistemas interactivos pensados para asistir a los usuarios en el análisis, planeación y toma de decisiones, a través de procesos computarizados que proporcionan un entorno para la adopción racional de decisiones sobre distintos problemas específicos (Bosque Sendra et al., 2000; López Vazquez, Bosque Sendra, y Gómez Delgado, 2008). El objetivo es mejorar la eficacia en la toma de decisiones sobre problemas que no se encuentran estructurados o no tienen soluciones claramente definidas, se trata de problemas que no pueden ser resueltos directamente por procedimientos programables (Bosque Sendra y Gómez Delgado, 2010; Malczewski y Rinner, 2015). Estos tipos de problemas son muy comunes en la planificación urbana, lo cual, ha propiciado el diseño de distintas metodologías para los SADE, entre las cuales, se observa un incremento en el desarrollo de métodos multicriterio para afrontar procesos de toma de decisiones, que requieren de la selección de diferentes alternativas en función de la aptitud y capacidad del territorio (Fuenzalida y Cobs, 2018). Un ejemplo de esto es la integración de SIG con modelos multicriterio, tales como las herramientas NSA. Al respecto, en los últimos años se han realizado varios estudios que abordan este tipo de integración (Malczewski y Rinner, 2015). Así se encuentra la investigación de Pedro et al. (2018) que propone un método para la integración de SIG con LEED-ND, para la identificación de áreas y parámetros prioritarios de intervención, en el marco de la Evaluación del Desempeño Sostenible Urbano de la ciudad de Lisboa. El estudio logra identificar 4 recomendaciones de política que son: reducir el riesgo de inundación de agua, aumentar los desarrollos mixtos residenciales y no residenciales, reforzar la adopción de REVISIÓN DE LITERATURA

certificaciones energéticas y crear esquemas similares para el consumo de agua. Un año más tarde los mismos autores aplican una metodología similar para la integración de SIG con BREEAM-CM, como un sistema SADE, y lo aplican sobre la misma ciudad de estudio, Lisboa. En este estudio se identifican áreas de intervención prioritarias para el desarrollo sostenible de la ciudad, como: atraer nuevas empresas al área norte, mejorar los enlaces de transporte público en las áreas norte y oeste, y plantear estrategias de eficiencia energética y de áreas verdes en el casco antiguo de la ciudad (Pedro et al., 2019). Estas investigaciones lograron desarrollar un método de SADE, combinando algunas técnicas de análisis espacial SIG, como son las estadísticas para el análisis de clúster y suma ponderada, las cuales se explican a continuación.

2.3.2.1. Análisis de cluster: Getis-Ord Gi* Los análisis de cluster o también conocidos como análisis de conglomerados, son técnicas estadísticas multivariantes que clasifican objetos formando grupos o conglomerados lo más homogéneos posibles dentro de cada grupo, y lo más heterogéneos posibles entre grupos (Universidad de Granada, 2014). Generalmente se observan dos categorías para este tipo de técnicas: globales y locales, las cuales pueden ser aplicadas a través de software SIG para identificar patrones urbanos y autocorrelación espacial. Los software SIG, como ArcGIS, ofrecen conjuntos de herramientas Analizar Patrones y Asignación de Clusters, para la aplicación tanto de técnicas globales, como locales respectivamente. Las primeras, permiten conocer si existen o no clusters, y, las segundas, posibilitan identificar las ubicaciones de clusters existentes, distinguiendo puntos calientes (valores altos), puntos fríos (valores bajos) y valores atípicos espaciales (ESRI, 2018b). Una de las técnicas locales más utilizadas es Getis-Ord Gi*, que identifica puntos calientes y puntos fríos estadísticamente significativos, a través de la ecuación:

!!∗ (#) =

'# (!# (#) )# '# )#

Donde, Gi*(d) = es el indicador de autocorrelación local calculada para la entidad (i) a una distancia (d) Xj = es el valor de atributo para cada entidad j.

REVISIÓN DE LITERATURA

Wij = es el peso espacial entre la entidad i y j.

Getis-Ord Gi* devuelve para cada entidad del conjunto de datos una puntuación z, un valor p, y un nivel de confianza Gi_Bin. La puntuación z y el valor p son medidas de significancia estadística que indican si se puede rechazar o no la hipótesis nula (hipótesis nula = aleatoriedad), y están asociados con una distribución normal estándar (Imagen 9). El valor p corresponde a la probabilidad estadística, por lo cual, cuando el valor p es muy pequeño, indica que existe poca probabilidad de que el patrón espacial sea resultado de la aleatoriedad. La puntuación z, por su parte, indica desviaciones estándar, por lo cual, puntuaciones muy altas o muy bajas asociados a valores p muy pequeños, indican que es poco probable que el patrón espacial sea aleatorio, con lo cual se puede rechazar la hipótesis nula (ESRI, 2011).

Imagen 9. Puntuación z y valor p asociados a una distribución normal estándar. Fuente: ESRI (2011).

El nivel de confianza Gi_Bin identifica puntos calientes (valores positivos) y puntos fríos (valores negativos) estadísticamente significativos, en una escala de 7 niveles (-3, -2, -1, 0 1, 2, 3) (Imagen 9). Las entidades en los bins +/–3 reflejan un nivel de confianza del 99%, las entidades en los bins +/–2 reflejan un nivel de confianza del 95%, las entidades en los bins +/–1 reflejan un nivel de confianza del 90%, y las entidades en el bin 0 indican que no es estadísticamente significativo (ESRI, 2018a). REVISIÓN DE LITERATURA

Como se observa, esta técnica de análisis permite identificar ubicaciones específicas de clusters para diferentes tipos de variables, por lo cual, se ha empleado en algunos estudios urbanos, como en Pedro et al. (2019) que, a través de Getis-Ord Gi*, logra clasificar las subsecciones de la ciudad de Lisboa de acuerdo a su nivel de desempeño sostenible. Para ello, considera la escala de 7 niveles del análisis Getis-Ord Gi*, y la convierte a una escala también de 7 niveles, pero ordenada de menor a mayor (1, 2, 3, 4, 5, 6, 7), de tal manera que, las subsecciones con el menor nivel de desempeño sostenible correspondan con el valor 1, y las subsecciones con mayor nivel de desempeño sostenible, correspondan con el valor 7.

2.3.2.2. Suma ponderada La herramienta de suma ponderada ofrece la posibilidad de agregar pesos y combinar varias entradas para crear un análisis integrado. Esta herramienta consiste en dos pasos, primero, multiplicar los valores de campo seleccionados para cada ráster de entrada por un peso especificado, y, segundo, sumar todos estos ráster de entrada, para crear un ráster de salida (Imagen 10).

Imagen 10. Cómo funciona suma ponderada Fuente: (ESRI, 2016b).

Esta herramienta es similar a superposición ponderada, pero se diferencian en que suma ponderada admite más tipos de datos de campo (valores enteros y de puntos flotantes), y no reescala los valores resultantes a una nueva escala de evaluación, por lo que el análisis mantiene su resolución. Además, los valores de ponderación pueden ser cualquier valor decimal positivo o negativo y no se restringe o necesita ser igual a 1.0 (ESRI, 2016b).

REVISIÓN DE LITERATURA

Las características de esta herramienta han permitido realizar diferentes aplicaciones en varias investigaciones de carácter multicriterio, ya que, los pesos pueden asignarse para la cantidad de variables necesarias, en virtud del grado de importancia que represente cada una para el análisis. Es por esto, que estas herramientas se utilizan en asociación con técnicas de análisis multicriterio, como AHP, las cuales pueden determinar pesos para cada variable, a través de generar un consenso con los resultados de los juicios de valor emitidos por expertos. Un ejemplo de aplicación de suma ponderada es la realizada por Pedro et al. (2019), donde a través de esta herramienta, logra estimar el puntaje de sostenibilidad global que tienen las subsecciones de la ciudad de Lisboa, aplicando la siguiente ecuación: $

!** = +

!%&

100 ∗ 1! 3 ∗ (! 4 7

Donde, GSS = es el puntaje de sostenibilidad global (0-100%) Pi = es el nivel de rendimiento de cada variable Wi = es el peso asignado para cada variable (1-100%)

Los resultados posibilitaron identificar las subsecciones de la ciudad con mayor o menor nivel de desempeño sostenible, lo cual se traduce a la identificación de áreas de intervención prioritaria para la implementación de políticas urbanas focalizadas que contribuyan a alcanzar el desarrollo sostenible.

2.3.3. Diseño de Modelos El concepto de Modelo es de carácter polisémico, sin embargo, en el ámbito de las ciencias, puede definirse un rasgo común, y es que un modelo constituye un sustituto sintetizado de una realidad compleja (Adúriz-Bravo y Izquierdo i Aymerich, 2009). Es decir, un modelo consiste en un marco simplificado de la realidad (con diferentes grados de aproximación) que se enfoca en las relaciones esenciales, y omite los factores que son marginales (White y Sabarwal, 2016). El diseño de un modelo tiene por objetivo proporcionar un medio para analizar el comportamiento de un sistema en específico, por lo tanto, la solución obtenida del modelo REVISIÓN DE LITERATURA

será útil solo para ese sistema. Además, mientras mejor sea representado el sistema por el modelo diseñado, mayor precisión tendrá, produciendo soluciones válidas y óptimas para el sistema original (Taha, 2012). En esta línea, algunos software SIG han desarrollado aplicaciones para crear, editar y administrar modelos, algunos ejemplos son ModelBuilder de ArcGIS, y Modelador de Procesamiento de QGIS. Estas aplicaciones consideran a los modelos como flujos de trabajo, permitiendo encadenar conjuntos de herramientas de geoprocesamiento para automatizar procesos (ESRI, 2016a). Además, usan un lenguaje de programación visual, que facilita la comprensión efectiva del modelo (Dobesova, 2020) (Imagen 11).

Imagen 11. Un ejemplo de lenguaje de programación visual utilizando el Modelador de Procesamientos de QGIS. Fuente: Dobesova (2020)

Varias investigaciones han empleado este tipo de aplicaciones para desarrollar modelos con diferentes propósitos que contribuyen con la planificación de las ciudades. Así por ejemplo, Tinoco Meyhuay, Cotos Vera, y Bayona Atúnez (2019) emplean la aplicación ModelBuilder para crear un modelo de evaluación de la vulnerabilidad sísmica de las edificaciones de la zona urbana de Chiquián. El modelo resultado del estudio permitió la automatización y obtención de un mapa de índice de vulnerabilidad sísmica, identificando

REVISIÓN DE LITERATURA

4 clases: viviendas de vulnerabilidad baja, media, alta y muy alta. Otra investigación desarrollada por Javier Silva y Alcántara Boza (2018) emplea ModelBuilder para el diseño de un modelo cartográfico que determine áreas óptimas de expansión urbana del distrito de Huánuco. El modelo propuesto alcanza una eficiencia entre 50-60% para la localización de áreas óptimas. Y Durango Vanegas y Castro Castro (2009) proponen la creación de un modelo automatizado elaborado en ModelBuilder, para la obtención de mapas de ubicación de elementos patrimoniales (casa de cultura, bibliotecas, edificios representativos, zonas culturales, monumentos históricos, entre otros), como apoyo a la administración del patrimonio cultural e histórico de la ciudad de Medellín. Resumiendo lo planteado, los modelos pueden desempeñar un rol importante para la planificación urbana, ya que permiten estructurar lógicamente aspectos complejos de un problema, y presentar varias alternativas de decisión. En este sentido, las aplicaciones SIG ofrecen grandes facilidades para el desarrollo de modelos específicos que respondan a las necesidades de problemas urbanos particulares, a través de la construcción de flujos de trabajo que encadenan secuencias de herramientas de geoprocesamiento.

REVISIÓN DE LITERATURA

I II . M ETO DO L OG ÍA 3.1.

DESCRIPCIÓN DE ÁREA DE ESTUDIO

3.2.

DEFINICIÓN DE LA UNIDAD DE ANÁLISIS

3.3.

FLUJOGRAMA

3.4.

ADQUISICIÓN DE DATOS

3.5.

PROCESO METODOLÓGICO

3.1.

DESCRIPCIÓN DEL ÁREA DE ESTUDIO

Se definió como área de estudio para la presente investigación a la zona urbana de la ciudad de Cuenca, Ecuador. En las imágenes 12 y 13 se muestra el área de estudio con mayor detalle. La ciudad de Cuenca, oficialmente Santa Ana de los cuatro Ríos de Cuenca (denominada así por el hecho de que la ciudad se encuentra atravesada por 4 ríos: Tomebamba, Tarqui, Yanuncay y Machángara), se sitúa en la provincia del Azuay, al sur de la sierra ecuatoriana. En coordenadas aproximadas, de acuerdo a su centroide, se ubica a 2° 53′ 51″ S y 79° 00′ 16″ O, con una altitud media de 2550 m.s.n.m. Es considerada la tercera ciudad más importante, así como la tercera más poblada del Ecuador. Cuenta con una población menor a 1 millón, de aproximadamente 637.000 habitantes según las proyecciones para el año 2020 del Instituto de Estadísticas y Censos, INEC (INEC, 2017), y se estima que para 2050, alcance los 901.499 habitantes (UNHabitat, 2015a). Se caracteriza por ser el centro económico de la sierra austral del país, lo que le da incidencia sobre algunas ciudades de la región fuera de sus límites políticos. Estas características fueron consideradas por la ONU para que la declararan Ciudad Intermedia en 2015, lo cual refleja que es una ciudad con más relaciones interpersonales directas a nivel de barrio y de ciudad (El Universo, 2015; Habitat III, 2015) y que posee un sistema de gobierno equilibrado y sostenible en relación con el número de habitantes que posee (Habitat III, 2015). Además, se distingue por su Centro Histórico (CH) y traza urbana que fueron algunos de los elementos considerados para que la UNESCO la declarara Patrimonio Cultural de la Humanidad en 1999 (Instituto Nacional de Patrimonio Cultural, 2017). De acuerdo con el documento “Intermediate Cities: Urban Renewal and Growth”, desarrollado como resultado de las conferencias temáticas establecidas en el proceso preparatorio de la cumbre mundial Habitat III en Quito, Ecuador, se estableció que Cuenca es una de las pocas ciudades en el país, que es ejemplo de los procesos de planificación que ha alcanzado importantes logros, en temas como la dotación de infraestructura, servicios básicos y reconocimiento de su patrimonio cultural y arquitectónico (UN-Habitat, 2015a). Esto ha permitido que se la considere como una de las ciudades con mejor calidad de vida del Ecuador, además de convertirse en uno de los principales destinos a nivel mundial. METODOLOGÍA

Sin embargo, como se observa en otras ciudades ecuatorianas, los problemas de crecimiento desordenado, exclusión social, fragmentación territorial y presión sobre suelos vulnerables y agro-productivos, productos del acelerado crecimiento poblacional urbano (UN-Habitat, 2015a), no son ajenos a Cuenca, ya que, aspectos como el acceso a vivienda para sectores vulnerables, el aumento del costo del suelo o el fenómeno de la periurbanización, que genera un desbordamiento de los límites urbanos establecidos en los planes de ordenamiento, no han sido resueltos y sus repercusiones empiezan a manifestarse sobre temas referidos a movilidad, aumento del parque automotor y el tráfico (Ilustre Municipalidad de Cuenca, 2019). A pesar de estos problemas, las características de ciudad intermedia de Cuenca, la convierten en una localidad que representa grandes oportunidades para el desarrollo sostenible, debido a sus ventajas para impulsar patrones de sistemas urbanos más equilibrados, y a su carácter articulador entre las áreas rurales y urbanas.

Imagen 12. Ubicación de la ciudad de Cuenca en provincia del Azuay, Ecuador. Elaboración propia.

METODOLOGÍA

Imagen 13. Límite de la zona urbana de la ciudad de Cuenca. Imagen Google Satellite. Elaboración propia.

3.2.

DEFINICIÓN DE LA UNIDAD DE ANÁLISIS

El presente estudio consideró como unidad de análisis los sectores de planeamiento local establecidos en el plan de ordenamiento de la ciudad de Cuenca, debido a que constituyen las unidades geográficas y urbanísticas oficiales para la planificación de la ciudad, definidas a partir de la identificación de características físico-espaciales homogéneas del suelo (Ilustre Municipalidad de Cuenca, 2003), las cuales, pueden ser de tipo geomorfológico, ambiental, paisajístico, urbanístico, socioeconómico, histórico-cultural, entre otras (Asamblea Nacional de la República del Ecuador, 2016). Se distinguen 179 sectores de planeamiento. El estudio se enfocó en áreas urbanas de la ciudad de Cuenca, en donde existan o se permitan implementar proyectos de construcción o urbanización. Por ello, se excluyeron sectores donde la construcción está prohibida o restringida, según lo estipulado por el Plan de Ordenamiento de la ciudad (Ilustre Municipalidad de Cuenca, 2003). De esta manera, se omiten los sectores destinados para uso forestal por limitaciones topográficas, inestabilidad geológica o áreas inundables; los sectores destinados a industria de alto METODOLOGÍA

impacto; y los sectores especiales que corresponden a instalaciones militares, lagunas de oxidación de alcantarillado de la ciudad, y predios de universidades. Por esta razón 30 sectores de planeamiento fueron excluidos, dejando un total de 149 sectores de análisis (Imagen 14).

Imagen 14. Sectores de planificación de la zona urbana de Cuenca. Elaboración propia.

3.3.

FLUJOGRAMA

Como se observó en las investigaciones revisadas (Tabla 3), la aplicación de uno u otro método de análisis espacial está en función del objetivo que se plantea para la investigación, del mismo modo las herramientas SIG se seleccionan considerando las prestaciones que ofrecen para la ejecución del método elegido y para alcanzar el objetivo de estudio. Por lo consiguiente, para el cumplimento de los objetivos del presente estudio, fue pertinente el uso de un Método para los Sistemas de Apoyo a la Decisión Espacial (SADE), que integre el análisis espacial SIG con una herramienta de evaluación de la sostenibilidad de vecindarios (NSA local). La selección de una NSA local permitirá la evaluación de

METODOLOGÍA

indicadores que respondan a características propias del contexto de la ciudad de Cuenca. En consecuencia, se planteó utilizar la metodología descrita por Pedro et al. (2019) debido a que, ya se ha aplicado en otra ciudad de estudio con el uso de diferentes NSA (Pedro et al., 2018), y ha logrado generar resultados importantes para apoyar la planificación urbana sostenible de la ciudad. La aplicación de esta metodología permitió, diseñar un modelo adaptado, que evalúa el nivel de desempeño sostenible de la ciudad de Cuenca, posibilitando identificar áreas y parámetros prioritarios de intervención. Se plantearon 3 etapas, como se observa en la Imagen 15.

Imagen 15. Metodología de investigación. Elaboración propia.

METODOLOGÍA

3.4.

ADQUISICIÓN DE DATOS

Los datos para el análisis de las variables requeridas para cada indicador y categoría de la NSA local, se obtuvieron mayoritariamente de la Ilustre Municipalidad de Cuenca (Direccion General de Planificacion Territorial, s.f.), y en algunos casos se utilizaron los datos descargados de OpenStreetMap (OSM) (© Colaboradores de OpenStreetMap, s.f.) para la ciudad de Cuenca. Todos los datos fueron recopilados, clasificados y procesados, con el apoyo del software SIG. Además, se obtuvo información demográfica social y económica de la ciudad, determinada por el INEC, correspondiente al último censo de población y vivienda realizado en el año 2010 (INEC, 2010). Por otra parte, el conjunto de indicadores de la NSA local, así como sus métodos de evaluación, unidades de medición y niveles de desempeño, fueron proporcionados por el grupo de investigación del proyecto “Contextualización de Indicadores Sustentables para Vecindarios en la ciudad de Cuenca - Ecuador” (Quesada, 2021), el cual fue ganador del XVII Concurso Universitario de Proyectos de Investigación de la Dirección de Investigación de la Universidad de Cuenca “DIUC”.

3.5.

PROCESO METODOLÓGICO

El proceso metodológico se desarrolló en tres etapas, las cuales están en correspondencia con cada uno de los objetivos específicos de la investigación. De esta manera: -

En la Primera Etapa - Selección de Indicadores Sostenibles, se realizó la selección de un conjunto de indicadores, con base en una herramienta NSA local, lo que permitió crear un inventario de datos para la evaluación de los sectores de planeamiento, y obtener como resultado un diagrama de entradas y salidas.

En la Segunda Etapa - Evaluación del Desempeño Sostenible, se realizó la evaluación del desempeño sostenible de los sectores de planeamiento de la ciudad de Cuenca, utilizando las herramientas de análisis espacial SIG: Análisis de clúster Getis-Ord Gi* y Suma Ponderada, y el conjunto de indicadores de la NSA local. Se obtuvo como resultado cartografía temática con los niveles de desempeño obtenidos por cada indicador, categoría y evaluación global.

En la Tercera Etapa – Diseño de un modelo que integre SIG + NSA, se realizó el diseño de un modelo de evaluación del desempeño sostenible urbano adaptado a la ciudad de Cuenca, que integra el análisis espacial SIG con los indicadores de la NSA local.

METODOLOGÍA

3.5.1. Selección de Indicadores Sostenibles Selección de una NSA Se seleccionó la NSA desarrollada por el proyecto de investigación “Contextualización de Indicadores Sustentables para Vecindarios en la ciudad de Cuenca - Ecuador”, debido a que responde a las condiciones propias del contexto local. La NSA seleccionada consta de 35 indicadores agrupados en 6 categorías (1. Ecología, Uso y Ocupación del Suelo, 2. Infraestructura y Equipamientos, 3. Transporte y Movilidad, 4. Recursos y Energía, 5. Participación y Bienestar social, 6. Ambiente del vecindario) (Imagen 8).

Selección de indicadores Se seleccionaron los indicadores para el análisis, con base en dos criterios: a. La característica del indicador (si es prescriptivo o descriptivo) - Un indicador es prescriptivo cuando se enfoca en el proceso y proporciona una guía para la evaluación paso a paso. - Un indicador es descriptivo cuando se enfoca en el resultado (Pedro et al., 2019). La presente investigación descartó los indicadores prescriptivos, ya que, proponen procedimientos (paso por paso) para la evaluación, lo cual requiere de información muy detallada, que no es posible conseguir a ese nivel de resolución o no se encuentra disponible. Debido a esto, se analizaron únicamente los indicadores de características descriptivas (Anexo 1), pues se enfocan en el resultado o nivel de desempeño, independientemente del procedimiento que se siga. Estos indicadores se detallan en el siguiente apartado, Inventario de Datos. b. La disponibilidad de datos Se considera este criterio debido a que, los indicadores de la NSA están enfocados en una evaluación a escala de proyectos de vecindarios, la cual es más pequeña que un sector de planeamiento. Por lo tanto, requiere de información muy detallada. Esto representa una problemática, primero, respecto a la disponibilidad de datos a una escala mayor, ya que, en muchos casos, los datos no se encuentran levantados, o no están actualizados; y segundo, por la falta de acceso a este tipo de información, ya que, no todas las instituciones permiten acceder a sus datos.

METODOLOGÍA

Inventario de Datos Con estos criterios, se determinó un inventario de datos estructurado por las categorías e indicadores de la NSA local. 1. Para la Categoría de Ecología, Uso y Ocupación del Suelo se consideró el análisis de los indicadores de la siguiente manera: -

I1-E. Indicador de ecología y conservación: cálculo del número de áreas donde está prohibida la construcción (V1) y el porcentaje de área de construcción sobre sitios no desarrollados (V2), con base en la información del Plan de Ordenamiento de la ciudad (Ilustre Municipalidad de Cuenca, 2003).

I2-E. Indicador de protección de pendientes y relieve: cálculo del porcentaje de áreas de construcción en pendiente (V3) utilizando la información proporcionada por el Municipio de Cuenca (Direccion General de Planificacion Territorial, s.f.).

I3-E. Indicador de utilización del suelo: se evalúa considerando el porcentaje de área de construcción sobre sitios no desarrollados (V2), y el cálculo de la densidad (V4) utilizando información del último censo de Población y Vivienda del INEC (INEC, 2010).

I4-E. Indicador de protección del suelo: se evalúa considerando el porcentaje de área de construcción sobre sitios no desarrollados (V2) mencionado anteriormente, y el cálculo de distancias caminables a mercados de productores locales (V5) (Direccion General de Planificacion Territorial, s.f.).

I5-E. Indicador de evaluación del riesgo de inundación: cálculo del porcentaje de construcción en sitios con riesgo de inundación (V6) (Direccion General de Planificacion Territorial, s.f.).

I6-E. Indicador de usos mixtos de suelo: considera el cálculo de la densidad (V4) mencionado anteriormente, el cálculo del número de equipamientos (V7) para un radio de 900m, el número de servicios afines a la vivienda dentro de un radio de 300 metros (V8) y la conectividad por intersecciones en vías (V9) (Direccion General de Planificacion Territorial, s.f.; INEC, 2010).

2. Para la categoría de Infraestructura y Equipamientos se consideró el análisis de los indicadores de la siguiente manera: -

I7-I. Indicador de acceso a infraestructura básica: determinar la cobertura de seguridad, mediante el cálculo del número de Unidades de Policía Comunitaria

METODOLOGÍA

(UPC) u otro tipo de equipamiento de seguridad existentes en un área de 1km2 (V10). -

I8-I. Indicador de capacidad de respuesta a desastres: para la evaluación se considera el cálculo del porcentaje de área de construcción sobre sitios no desarrollados (V2) y el cálculo del porcentaje de construcción en sitios con riesgo de inundación (V6) (Direccion General de Planificacion Territorial, s.f.).

I9-I. Indicador de acceso a equipamiento público: el cálculo del número de equipamientos (V7) para un radio de 900m, el número de servicios afines a la vivienda dentro de un radio de 300 metros (V8), y la conectividad por intersecciones en vías (V9) (Direccion General de Planificacion Territorial, s.f.).

3. Para la categoría de Transporte y Movilidad se consideró el análisis de los indicadores de la siguiente manera: -

I10-T. Indicador de acceso al transporte público: cálculo del número de paradas de transporte público (V11) en un radio de 400m, y la frecuencia de viajes del transporte público (V12) (Direccion General de Planificacion Territorial, s.f.).

I11-T. Indicador de instalaciones de ciclismo: cálculo de la distancia a una red de bicicletas (V14), y la conectividad de la red de bicicletas en una distancia de 4000m (V15) (Direccion General de Planificacion Territorial, s.f.).

4. Para la categoría de Ambiente del Vecindario se consideró el análisis de los indicadores de la siguiente manera: -

I12-A. Indicador de isla de calor: cálculo del porcentaje de reverdecimiento, considerando la relación entre el área de superficie verde más superficie de agua, para la superficie total (V16) (© Colaboradores de OpenStreetMap, s.f.).

De esta manera, de los 35 indicadores y 6 categorías de la NSA local, se analizaron en este estudio 12 indicadores en 4 categorías, los cuales representan el 36.26 % del peso total que asigna la NSA. Los indicadores restantes se excluyeron con base en los dos criterios de selección explicados en el punto anterior; por un lado, la NSA al tener un enfoque aplicado a una escala menor que la de un sector de planeamiento, requiere de información muy detallada, como ejemplo, el indicador de optimización del rendimiento energético, requiere de realizar una simulación energética completa de cada una de las edificaciones existentes en el sector para determinar su demanda de energía. Sin embargo, no fue posible encontrar datos estadísticos a este nivel de resolución.

METODOLOGÍA

Por otro lado, la NSA propone algunos indicadores de características prescriptivas, es decir, indicadores que proporcionan procedimientos para la evaluación, y no se enfocan en el resultado. Por ejemplo, el indicador de participación de la comunidad requiere de 4 pasos: realizar un plan de consulta, realizar un taller con la comunidad, integrar los cambios propuestos, y volver a realizar un taller para informar sobre las reformas. Este enfoque prescriptivo que puede ser adecuado para una escala de un vecindario, no es factible para una escala mayor pues la información no se encuentra disponible. Por lo tanto, se consideraron únicamente indicadores que tengan características descriptivas, los cuales se enfocan en el nivel de desempeño. Por ejemplo, el indicador de isla de calor, evalúa el porcentaje de reverdecimiento, respecto a la relación entre el área de superficie verde y la superficie total del sector, si esta relación es mayor al 10% se otorga una puntuación, si es menor, no. Así, el estudio excluyó dos categorías en las que no fue posible obtener datos para la evaluación de ninguno de sus indicadores al nivel de detalle requerido, estas categorías fueron Recursos y Energía; y Participación y Bienestar Social. Respecto a los 12 indicadores seleccionados, estos requieren para su evaluación el cumplimiento de una serie de parámetros, a los cuales, se los denominó variables y se les asignó un código (V1, V2, etc.). La Tabla 4 muestra como ejemplo tres indicadores seleccionados de la categoría Ecología, Uso y Ocupación del Suelo, con la descripción de cada una de las variables que intervienen para su evaluación. El listado completo de indicadores se puede revisar en el Anexo 1. Finalmente, como resultado de esta etapa se elaboró un diagrama de entradas y salidas de datos, estructurado por categorías e indicadores, que establece cómo se deben considerar las variables para la evaluación del desempeño sostenible. El diagrama se presenta en el apartado 4.1 del capítulo IV Resultados.

METODOLOGÍA

Tabla 4. Indicadores seleccionados con sus respectivas variables de evaluación. Cód.I.

Ecología, Uso y Ocupación del suelo

I1-E

I2-E

Indicador

Ecología y conservación

Protección de pendientes y relieve

Variables Número de áreas donde está prohibida la construcción

% de área de construcción sobre sitios no desarrollados

% de áreas de construcción en pendiente

% de área de construcción sobre sitios no desarrollados I3-E

Código Unidad Variable

Utilización del suelo Densidad

Lo que evalúa Que no se urbanicen áreas destinadas a uso forestal, según lo que establece el Plan de Ordenamiento Territorial de la Ciudad de Cuenca. Que el proyecto y la zona de impacto de la construcción se encuentre en sitios previamente desarrollados. Que no existan construcciones de cualquier tipo de edificación en sitios con pendientes sobre el 30%. Que el proyecto y la zona de impacto de la construcción se encuentre en sitios previamente desarrollados.

Que se cumpla con el mínimo de densidad por sector de planeamiento Viv/Ha establecido en el plan de ordenamiento territorial de Cuenca.

Fuente: Elaboración propia.

3.5.2. Evaluación del Desempeño Sostenible Esta etapa comprendió la evaluación de los sectores de planeamiento de la ciudad de Cuenca, con base en el marco de indicadores sostenibles seleccionados de la NSA local, y el apoyo del análisis estadístico espacial SIG, para determinar el nivel de desempeño de cada uno de los sectores, por indicador y categoría, así como el nivel de desempeño global, considerando a la ciudad en su totalidad. Para ello, fue necesario primero, determinar una metodología de evaluación que se ajuste a los requerimientos de cada variable, y segundo, con base en los estándares que debe cumplir cada indicador, distinguir sus respectivos criterios de evaluación. Al respecto, se debe considerar que el enfoque de evaluación de la NSA local, es binario, lo que quiere decir que, el cumplimiento de una variable se basa en una escala nominal de sí y no (sí METODOLOGÍA

cumple y no cumple). Por esta razón, los criterios de evaluación propuestos para cada variable también fueron expresados considerando como base esta denominación. Así, se presentan bajo “Sí” los estándares que de ser alcanzados, demostrarían que el sector de planeamiento cumple con las exigencias del indicador; mientras que, se presentan bajo “No” los estándares que de ser alcanzados, demostrarían que el sector de planeamiento no cumple con las exigencias del indicador. Esta asignación de los requerimientos de las variables a “Sí” y “No”, permite evitar confusiones en las escalas de evaluación, debido a que en las variables no siempre los valores altos o bajos son equivalentes a altos o bajos niveles de desempeño sostenible, respectivamente. Por ejemplo, observando la tabla 4, respecto a la variable V4, cuanto mayor sea el valor de densidad, mejor será el nivel de desempeño del sector, lo cual refleja una tendencia positiva. Sin embargo, respecto a la variable V1, cuanto menor sea el número de áreas donde está prohibida la construcción, mejor será el nivel de desempeño del sector, lo cual refleja a una tendencia negativa (Imagen 16). Siguiendo la metodología de (Pedro et al., 2018), a estos términos “Sí” y “No”, se les asignó un valor de 2 y 0 respectivamente, mientras que, para recoger los valores entre estos dos números, se propuso una tercera escala “Tal vez”, la cual recogería todas las demás opciones posibles, es decir todas aquellas que se encuentran fuera de los estándares establecidos para “Sí” y “No”, y se le asignó un valor de 1 (Imagen 16).

Imagen 16. Escala de evaluación Sí/No/Tal vez. Elaboración propia.

La tabla 5 presenta como ejemplo tres indicadores seleccionados de la categoría Ecología, Uso y Ocupación del Suelo, con la descripción del método y criterio de evaluación determinado para cada una de las variables. El listado completo de los métodos y criterios de evaluación para los 12 indicadores seleccionados se puede revisar en el Anexo 2.

METODOLOGÍA

Tabla 5. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados. Indicador

Código Variable

I1-E

Ecología y conservación

Protección de I2-E pendientes y relieve

I3-E

Unid

Utilización del suelo

Método utilizado

a) Determinar los sectores donde está prohibida la construcción, con base en el Plan de Ordenamiento de la ciudad. b) Calcular la variable V1 con respecto al número de áreas, existentes dentro de cada sector, donde está prohibida la construcción por estar destinadas a uso forestal, debido a limitaciones topográficas e inestabilidad geológica a) Determinar los sectores donde está prohibida la construcción, con base en el Plan de Ordenamiento Territorial de la ciudad de Cuenca b) Realizar un buffer de 50m a partir de los límites de todos los sectores de planeamiento c) Mediante la herramienta intersección, determinar las áreas que se superponen. d) Calcular la variable V2 % de área (dentro del buffer de 50m) que se encuentre en sectores donde está prohibida la construcción por limitaciones topográficas e inestabilidad geológica, con respecto al área total del sector de planeamiento. a) DEM de la zona urbana de la ciudad. b) Selección de las áreas con pendientes mayores a 30% mediante calculadora ráster. c) Convertir raster de pendientes a vector. d) Intersección con capa de predios construidos y calcular las áreas. e) Calcular V3 % de áreas con construcción en pendientes superiores al 30%, con respecto al área total del sector de planeamiento.

Criterios de evaluación

Sí: V1 = 0; V2 = 0% No: V1 > 0; V2 > 0% Tal vez: Todas las demás opciones

Sí: V3 = 0% No: V3 > 0%

Igual que en V2 anterior.

a) Determinar las densidades netas permitidas por sector de planeamiento b) Importar mapa y datos del último censo (2010) de Población y Vivienda del INEC c) Calcular la densidad por sector censal usando la calculadora de campos y luego calcular el promedio de densidad de los Viv/Ha sectores censales por sector de planeamiento usando excel. d) Calcular V4 (número viviendas/superficie total del sector en Ha) con respecto al mínimo permitido para cada sector de planeamiento (Sí: V4 ≥ mínimo (2); No: V4 < mínimo (0)).

Sí: V2 = 0%; V4 = 2 No: V2 > 0%; V4 = 0 Tal vez: Todas las demás opciones

Fuente: Elaboración propia. METODOLOGÍA

Como resultado parcial de esta etapa, se elaboró una tabla con un resumen de los resultados obtenidos en la evaluación de cada variable (valor máximo, mínimo y promedio) en los 149 sectores de planeamiento analizados. Este resultado parcial se presenta en el apartado 4.2 del capítulo IV Resultados.

3.5.2.1. Análisis de cluster: Getis-Ord Gi* Una vez realizada la evaluación de cada indicador sostenible, el siguiente paso fue identificar en qué medida los sectores de planeamiento cumplen las exigencias de los indicadores, es decir, se determinó qué tan lejos o qué tan cerca se encuentra cada sector de alcanzar un “Sí” o un “No”. En este sentido, utilizar una escala binaria no es suficiente, por lo que se planteó usar una escala de intervalos, que capture los valores existentes en la distancia entre los estándares “Sí” y “No”. Este cálculo se realizó mediante el uso de herramientas estadísticas para el análisis de clusters. Siguiendo la metodología de (Pedro et al., 2019) se planteó el uso de la técnica local Getis-Ord G*, ya que, esta permite identificar patrones urbanos y autocorrelación espacial, a través de distinguir puntos calientes y puntos fríos. Se decidió usar una técnica local, debido a que permite conocer no solo la existencia de un cluster, si no también, dónde se encuentra. Getis-Ord G* proporciona una escala de intervalos de 7 niveles (-3, -2, -1, 0, 1, 2, 3). Los niveles positivos representan clusters de valores altos, y los niveles negativos representan clusters de valores bajos. Se realizó para cada variable una conversión de los niveles para que correspondan a una misma escala de 7 niveles (1, 2, 3, 4, 5, 6, 7), donde 1 representa los sectores con el menor nivel de desempeño, y 7 representa los sectores con el mayor nivel de desempeño sostenible (Imagen 17).

Imagen 17. Conversión a escala propuesta de 7 intervalos. Elaboración propia.

METODOLOGÍA

Como resultado de esta etapa se desarrollaron 12 mapas que muestran los resultados de la evaluación del nivel de desempeño sostenible de los sectores de planeamiento, los cuales corresponden a los 12 indicadores de sostenibilidad seleccionados. Estos mapas se presentan en el apartado 4.2.1. del capítulo IV Resultados.

3.5.2.2. Cálculo de la Sostenibilidad por Categorías y Global: Suma ponderada Respecto a la evaluación del nivel de desempeño sostenible por categorías y global, este último considerando a la ciudad en su totalidad, y siguiendo la metodología de (Pedro et al., 2019), se estimó el puntaje de desempeño de los sectores de planeamiento, con base en el cálculo de la Suma Ponderada de los indicadores analizados, aplicando las siguientes fórmulas. Categorías: $

1*5$ = +

!%&

[78! ∗ (! ]

Donde, PSCn = es el Puntaje de Sostenibilidad para cada Categoría (E = Ecología, Uso y Ocupación del Suelo, I = Infraestructura, T = Transporte y Movilidad, A= Ambiente del Vecindario) (0-100%) NDi = es el Nivel de Desempeño de cada indicador (1-7) Wi = es el peso asignado por la NSA local para cada indicador (1-100%)

Global: $

1*! = +

'%&

[1*5$ ∗ (' ]

Donde, PSG = es el Puntaje de Sostenibilidad Global (0-100%) PSCn = es el Puntaje de Sostenibilidad de cada Categoría (E, I, T, A) Wc = es el peso asignado por la NSA local para cada categoría (1-100%)

La primera fórmula requiere el valor ND, en una escala de 1 a 7 puntos, que refleja el nivel de desempeño sostenible alcanzado en cada indicador; y el peso (W) que refleja el grado de importancia que tiene cada indicador, para lo cual, se consideraron las ponderaciones propuestas por la NSA local (Imagen 8).

METODOLOGÍA

La segunda fórmula se aplica con los resultados de la aplicación de la primera fórmula, por lo que, el valor ND se sustituye por el Puntaje de Sostenibilidad de cada Categoría (PSCn), y los pesos de las categorías se toman también los propuestos por la NSA local (Imagen 8). Se decidió usar la herramienta de Suma Ponderada, debido a que, como no se pudo evaluar la totalidad de indicadores de la NSA local, si no solo 12 indicadores, la suma de sus pesos o ponderaciones no entrega un total de 100%. En este sentido, Suma Ponderada admite cualquier valor de ponderación, ya sea un valor decimal positivo o negativo y no se restringe o necesita que su suma sea igual a 1.0 (ESRI, 2016b). De esta manera, la aplicación de suma ponderada posibilitó estimar el puntaje de sostenibilidad de los sectores de planeamiento de la ciudad para cada categoría, así como para la totalidad (global). Como resultado de esta etapa se elaboraron 5 mapas adicionales con los resultados de la evaluación del nivel de desempeño sostenible de los sectores de planeamiento, que corresponden a las 4 categorías de evaluación (E=Ecología, Uso y Ocupación del Suelo, I=Infraestructura, T=Transporte y Movilidad, A=Ambiente del Vecindario) y 1 del desempeño global de la zona urbana de la ciudad. Estos mapas se presentan en el apartado 4.2.2 del capítulo IV Resultados.

3.5.3. Diseño de un modelo que integre SIG + NSA Con base en los procesos realizados durante el desarrollo de la metodología, y con el apoyo de herramientas SIG, se propuso un Modelo de Evaluación del Desempeño Sostenible Urbano, que contiene los flujos de trabajo que encadenan las secuencias de herramientas de geoprocesamiento utilizadas. Estos flujos de trabajo permiten integrar el análisis espacial de los SIG con los indicadores sostenibles de la NSA local. El Modelo SIG+NSA se desarrolló utilizando la herramienta ModelBuilder de ArcGIS Pro, la cual, a través de un lenguaje de programación visual permite explicar de manera efectiva los procesos que se deben seguir para aplicar el modelo. La Imagen 18 muestra la estructura del Modelo que se diseñó, el cual consideró 6 pasos (entradas) representados en color amarillo, con sus respectivas capas-resultado (salidas) representados en color verde, para la evaluación de cada indicador. Y se adicionó un METODOLOGÍA

séptimo paso para la evaluación de las categorías. Como paso previo (capa de entrada) se consideran los resultados de la evaluación de las variables (V1-V15), los cuales, constituyen los datos de entrada del modelo. A partir de estos, se realizó lo siguiente: 1. Se agregó un nuevo campo a la tabla de la capa de entrada para cada indicador, con la denominación del código del indicador (I1-I12). 2. Se evaluó cada indicador utilizando una expresión en lenguaje Python que considere sus criterios específicos de evaluación. Estos criterios corresponden a los expuestos en la columna Criterios de Evaluación de la Tabla 5 y Anexo 2. Como ejemplo, la expresión para el indicador I10_T es: Expresión python: I10(!V11!,!V12!) Code Block: def I10(V11, V12): if (V11>=1 and V12<=15): return 2 elif (V11==0 and V12>15): return 0 else: return 1 3. Con el resultado del indicador evaluado, se realizó un análisis de puntos calientes utilizando la herramienta Getis-Ord Gi*, de la cual se obtiene una capa con una escala -3, -2, -1, 0, 1, 2, 3. 4. En la capa resultante se volvió a agregar un nuevo campo bajo la denominación GiBin_Reclass, el cual contendrá los valores reclasificados. 5. Se realizó un cálculo en el campo GiBin_Reclass, utilizando una expresión en lenguaje Python, a fin de reclasificar los resultados a una escala 1, 2, 3, 4, 5, 6, 7, donde 1 representa el nivel más bajo de desempeño sostenible, y 7 representa el nivel más alto. De este paso se obtienen 12 mapas con los resultados de la evaluación del nivel de desempeño sostenible por cada indicador. 6. La capa resultado se convirtió a raster a fin de que se pueda realizar el siguiente cálculo, debido a que suma ponderada admite solamente capas raster.

METODOLOGÍA

Por último, se realizó el cálculo de Suma Ponderada, utilizando los pesos que la NSA expone para cada indicador y categoría, con lo cual, se pudieron obtener 5 mapas adicionales con los resultados de la evaluación del nivel de desempeño sostenible por categoría y la evaluación global.

Imagen 18. Pasos para el diseño de un Modelo que integre SIG+NSA Elaboración propia.

Como resultado de esta etapa se diseñó un Modelo de evaluación del nivel desempeño sostenible urbano adaptado a la ciudad de Cuenca, que integra SIG+NSA, y se presenta en el apartado 4.3. del capítulo IV Resultados.

METODOLOGÍA

I V. R ES U LTAD O S 4.1.

SELECCIÓN DE INDICADORES

4.2.

EVALUACIÓN DEL DESEMPEÑO

4.3.

DISEÑO DEL MODELO SIG + NSA

4.4.

DISCUSIÓN DE RESULTADOS

4.1.

SELECCIÓN DE INDICADORES SOSTENIBLES

Como resultado de la selección de indicadores sostenibles se desarrolló un diagrama de entradas y salidas, estructurado por categorías e indicadores, el cual sirvió de base para la posterior evaluación del desempeño de los sectores de planeamiento y el desarrollo del Modelo de Evaluación del Nivel de Desempeño Sostenible adaptado a la ciudad de Cuenca. El diagrama elaborado (Imagen 19) contiene 15 variables (V1-V15) para 12 indicadores (I1-I12) con sus respectivos pesos, agrupados en 4 categorías. Las variables constituyen las entradas de datos disponibles para la ciudad de Cuenca a nivel de sector de planeamiento.

Imagen 19. Diagrama de entradas y salidas de datos. Elaboración propia.

RESULTADOS

4.2.

EVALUACIÓN DEL DESEMPEÑO SOSTENIBLE

De la evaluación realizada, se obtuvieron los resultados por cada sector de planeamiento. La Tabla 6 presenta los datos mínimos, máximos y de promedio determinados en la evaluación de cada variable.

Tabla 6. Resultados obtenidos de la evaluación para cada variable. Código Variable

Unidad

Mín.

Máx.

Promedio

148

7,75

Porcentaje de áreas de construcción en pendiente

0,33

Densidad

Viv/Ha

1,50

77,15

17,21

Distancia caminable a mercados de productores locales

249,91

21414,71

6384,85

% de área de construcción en sitios con riesgo de inundación

3,57

Número de equipamientos

466

43,51

Número de servicios afines a la vivienda

767

22,24

Conectividad por intersecciones en vías

u/km2

500

148,09

Cobertura de seguridad

V10

u/km2

0,42

Número de paradas de transporte público

V11

317

27,14

Frecuencia de viajes del transporte público

V12

min

8,41

Red de bicicletas

V13

1,44

V14_E

u escuelas

5,23

V14_P

u paradas

15,39

V14_S

u servicios

119

17,04

8,01

Variables Número de áreas donde está prohibida la construcción Porcentaje de área de construcción sobre sitios no desarrollados

Conectividad de la red de bicicletas

Porcentaje de reverdecimiento

V14

V15

Fuente: Elaboración propia. RESULTADOS

4.2.1. Análisis de cluster: Getis-Ord Gi* Como resultado del análisis Getis-Ord Gi*, se elaboraron mapas temáticos (Imagen 20) con los resultados de la evaluación del nivel de desempeño sostenible. Estos mapas permitieron identificar de manera visual dónde se encuentran los sectores de planeamiento con menor y mayor nivel de desempeño sostenible. Se elaboró un mapa por cada indicador analizado (I1-I12). En total se generaron 12 mapas, con una simbología compuesta por 7 intervalos, que van de menor a mayor (1, 2, 3, 4, 5, 6, 7), representando 1 los sectores de planeamiento con los niveles de desempeño más bajos, y 7 los sectores con niveles de desempeño más altos. La imagen 20 también muestra los pesos de cada indicador expresados en porcentaje.

4.2.2. Cálculo de la Sostenibilidad por categorías y global: Suma ponderada Como resultado del análisis de Suma Ponderada se elaboraron 5 mapas temáticos adicionales con los resultados de la evaluación del nivel de desempeño sostenible, por categorías y global. Se elaboró un mapa por cada categoría (E, I, T, A), y un mapa más con el resultado de la evaluación global. De igual manera, la simbología se compone de 7 intervalos, que van de menor a mayor (1, 2, 3, 4, 5, 6, 7), representando 1 los sectores de planeamiento con los niveles de desempeño más bajos, y 7 los sectores con niveles de desempeño más altos. La Imagen 21 muestra los resultados de las 4 categorías, así como los pesos considerados en cada una. Por otro lado, la imagen 22 muestra los resultados obtenidos de la evaluación global, es decir, incluye la suma de los resultados de todos los indicadores y categorías con sus respectivos pesos. Además, se observa en la imagen los datos de la evaluación de dos sectores de planeamiento, N21-B y CH, que corresponden a los sectores que obtuvieron el menor y mayor desempeño sostenible respectivamente.

RESULTADOS

Imagen 20. Mapas temáticos con los resultados de la evaluación del nivel de desempeño sostenible de los indicadores I1-I12. Elaboración Propia. RESULTADOS

Imagen 21. Mapas temáticos con los resultados de la evaluación del nivel de desempeño sostenible de las categorías E, I, T, A. Elaboración Propia.

RESULTADOS

Imagen 22. Mapa temático con los resultados de la evaluación del nivel de desempeño sostenible global. Elaboración propia.

RESULTADOS

4.3.

DISEÑO DE UN MODELO QUE INTEGRE SIG + NSA

Como resultado de esta etapa se obtuvo un Modelo de evaluación del nivel de desempeño sostenible urbano para la ciudad de Cuenca, que contiene los flujos de trabajo (entradas y salidas) que integran el análisis espacial de los SIG con los indicadores sostenibles de la NSA local. Estos flujos de trabajo encadenan las secuencias de herramientas de geoprocesamiento utilizadas (Getis Ord-Gi* y Suma Ponderada). El Modelo SIG+NSA se desarrolló utilizando la herramienta ModelBuilder de ArcGIS Pro, a través de un lenguaje de programación visual como se observa en la Imagen 23. El Script en lenguaje Python del Modelo se presenta en el Anexo 3.

4.4.

DISCUSIÓN DE RESULTADOS

Los resultados se discuten en torno a las preguntas de investigación e hipótesis planteadas al inicio del trabajo. De esta manera, se presenta primero la pregunta central de la investigación, y se continúa con las preguntas de investigación específicas que contribuyeron a dar respuesta al cuestionamiento principal, de la siguiente manera: Pregunta Central: ¿Cómo incorporar el análisis espacial en la evaluación sostenible de vecindarios que proponen las Neighborhood Sustainability Assessment (NSA), como apoyo para la planificación urbana de la ciudad de Cuenca, Ecuador? Todos los procesos realizados y descritos, permitieron responder la pregunta central de la investigación y comprobar la hipótesis: “El análisis espacial integrado a una Neigborhood Sustainability Assessment (NSA) local posibilita ampliar la evaluación del desempeño sostenible a la escala de la ciudad de Cuenca, Ecuador”. La pregunta es de carácter procedimental “¿cómo?”, por lo que, este cuestionamiento se responde a lo largo de las 3 etapas propuestas en la metodología: selección de indicadores

RESULTADOS

Imagen 23. Modelo de Evaluación del nivel de desempeño Sostenible urbano para Cuenca. Elaboración propia.

RESULTADOS

sostenibles, evaluación del desempeño sostenible y diseño de un modelo que integre SIG+NSA. Para esto, la investigación adopta un Método SADE (Sistemas de Apoyo a la Decisión Espacial) que permitió desarrollar procedimientos específicos que respondan a las características y necesidades del problema de investigación. De esta manera, la hipótesis se comprueba, ya que se integró el análisis espacial SIG con una herramienta de evaluación de la sostenibilidad de vecindarios (NSA local) y ampliar su escala de evaluación a la ciudad de Cuenca. Sin embargo, se observaron algunas limitaciones que también han manifestado investigaciones similares previas (Pedro et al., 2018, 2019), como en la recolección de datos para la evaluación de los indicadores, debido a la falta de disponibilidad de datos y al nivel de detalle requerido. En consecuencia, solo se pudieron evaluar 12 de 35 indicadores, los cuales, representan apenas un 36.26% de la puntuación total que se puede alcanzar en la NSA. La selección de indicadores de la NSA local permitió que la evaluación de la sostenibilidad se encuentre contextualizada a las condiciones de la ciudad de Cuenca, y que sus ponderaciones correspondan con el grado de importancia que tiene cada indicador y categoría para la ciudad. Del mismo modo, las exigencias que propone la NSA para cada indicador constituyeron las variables de entrada, piezas clave del modelo diseñado. Respecto al análisis espacial, fueron de gran utilidad una serie de herramientas de software SIG para el manejo de formatos raster y vectoriales, así como de bases de datos, que facultaron realizar las evaluaciones de las variables e indicadores sostenibles. Además, la aptitud de los SIG para gestionar grandes volúmenes de información, posibilitó realizar varios cálculos en todos los sectores de planeamiento de la zona urbana de Cuenca. Así, se observó que el análisis espacial de los SIG constituyó una herramienta de gran utilidad para la evaluación de la sostenibilidad de la ciudad, y que puede contribuir en los procesos de planificación urbana como ya se ha manifestado en otras investigaciones (Alshuwaikhat y Aina, 2006; Rojas Quezada et al., 2008). Pregunta Específica 1: ¿Cuáles indicadores, con base en una herramienta NSA local, se deben seleccionar para la evaluación del nivel de desempeño sostenible de la ciudad de Cuenca? Se seleccionaron 12 indicadores para la evaluación del nivel de desempeño sostenible de la ciudad de Cuenca, con 15 variables (V1-V15), agrupados en 4 categorías (E=Ecología, RESULTADOS

Uso y Ocupación del Suelo, I=Infraestructura y equipamientos, T=Transporte y Movilidad, A=Ambiente del vecindario). Las variables establecen los criterios de evaluación o exigencias para el cumplimiento de cada indicador y se detallaron en el Anexo 2. El resultado correspondiente a este cuestionamiento se desarrolló en la etapa 1 “Selección de Indicadores Sostenibles”, de la cual se obtuvo un diagrama de entradas y salidas de datos con base en los requerimientos que establece la herramienta NSA local (Imagen 19). Este diagrama muestra cuáles fueron los 12 indicadores seleccionados, y cómo se organizaron las 15 variables para la evaluación de cada indicador. Además, se presentan los pesos de cada indicador y categoría, con base a lo que establece la herramienta NSA local. Las variables determinadas, constituyeron los datos de entrada para el desarrollo del modelo que integre SIG+NSA. En comparación con estudios previos similares, como en Pedro et al. (2018), se seleccionaron para la ciudad de Lisboa 18 indicadores con 25 variables, de 40 indicadores que propone la herramienta BREEAM; o en Pedro et al. (2019) se seleccionaron 10 indicadores con 26 variables para la misma ciudad de Lisboa, de los 12 requisitos previos que propone la herramienta LEED; en el presente estudio se pudieron seleccionar solo 12 indicadores con 15 variables, debido dos factores, por un lado, la falta de disponiblidad de los datos, que se ha observado como una limitante en varias investigaciones, y por otro lado, el nivel de detalle que requieren los indicadores para la evaluación, que hace inviable la adquisición de los datos. Pregunta Específica 2: ¿Cuál es el nivel de desempeño sostenible de los sectores de planeamiento de la ciudad de Cuenca?, basado en el análisis espacial SIG y el conjunto de indicadores de la NSA local. Los niveles de desempeño sostenible que obtuvieron los sectores de planeamiento para los 12 indicadores seleccionados, las 4 categorías y la evaluación global, se presentan en los mapas de las Imágenes 20, 21 y 22, con una simbología de 7 niveles (1, 2, 3, 4, 5, 6, 7), donde 1 representa el menor nivel de desempeño y 7 el mayor nivel de desempeño. Los resultados correspondientes a este cuestionamiento se desarrollaron en la etapa 2 “Evaluación del Desempeño Sostenible”, a través de dos pasos “Análisis de cluster: GetisOrd Gi*”, y “Cálculo de la Sostenibilidad por categorías y global: Suma Ponderada”. Además, los resultados de la evaluación de las 15 variables se presentaron en la Tabla 6.

RESULTADOS

Del análisis de cluster: Getis-Ord Gi* se obtuvo:

En la imagen 20 se observó que respecto al Indicador I1_E, de ecología y conservación, los menores niveles de desempeño (1) se encontraron en los sectores al norte y este de la ciudad, mientras que, los mayores niveles de desempeño sostenible (6 y 7) se encontraron en los sectores al oeste y Centro Histórico (CH). Este indicador consideró para su evaluación las variables V1, número de áreas donde está prohibida la construcción, y V2, porcentaje de área de construcción sobre sitios no desarrollados. La Tabla 6 muestra que en V1 no existieron unidades de áreas donde está prohibida la construcción, mientras que, en V2 los porcentajes de área de construcción sobre sitios no desarrollados variaron de 0 a 148%. Este valor sobre el 100% se observó en un solo sector de planeamiento, el resto de sectores presentaron valores por debajo del 80%. Respecto al indicador I2_E, protección de pendientes, los menores niveles de desempeño sostenible (2 y 3) se encontraron en los sectores al norte y noroeste de la ciudad, y unos pocos sectores al este, mientras que, los mayores niveles de desempeño (6) se observaron en los sectores al sur y suroeste de la ciudad (Imagen 20). Este indicador consideró para su evaluación la variable V3, porcentaje de área de construcción en pendientes, la cual, varió en sus resultados de 0 a 7% (Tabla 6). Respecto al indicador I3_E, utilización del suelo, los menores niveles de desempeño (1 y 2) se encontraron en los sectores al norte y este de la ciudad, mientras que los mayores niveles de desempeño (6 y 7) se encontraron en el Centro Histórico (CH), sur y oeste de la ciudad (Imagen 20). Este indicador evaluó las variables V2, porcentaje de construcción sobre sitios no desarrollados, y V4, densidad. Respecto a V4, los resultados variaron de 1,5 a 77 Viv/Ha (Tabla 6). Respecto al indicador I4_E, protección del suelo, los menores niveles de desempeño (1, 2 y 3) se encontraron en sectores al norte y este de la ciudad, mientras que los mayores niveles de desempeño (6 y 7) se encontraron en el Centro Histórico (CH) y suroeste (Imagen 20). El indicador evaluó las variables V2, porcentaje de construcción sobre sitios no desarrollados, y V5, distancia caminable a mercados de productores locales. Respecto a V5, los resultados variaron de 259 a 21414m (Tabla 6). Respecto al indicador I5_E, evaluación del riesgo de inundación, se observó algunos sectores con menor nivel de desempeño (2 y 3) al este y oeste de la ciudad, sin embargo, RESULTADOS

no se observó ningún sector con el nivel más bajo 1. Por otro lado, los sectores con mayor nivel de desempeño (6 y 7) se observaron en el CH y suroeste (Imagen 20). Este indicador evaluó la variable V6, porcentaje de área de construcción en sitios con riesgo de inundación, el cual varió de 0 a 41% según los datos de la Tabla 6. Respecto al indicador I6_E, usos mixtos del suelo, no se observaron sectores con niveles de desempeño por debajo de 4, mientras que los sectores con mayor nivel de desempeño se reflejaron en el CH y sur de la ciudad (Imagen 20). El indicador evaluó las variables V4, densidad; V7, número de equipamientos; V8, número de servicios afines a la vivienda; y V9, conectividad por intersecciones en vías. Los resultados para V7 variaron de 2 a 466 unidades, para V8 de 0 a 767unidades, y para V9 de 0 a 500 u/km2 (Tabla 6). Respecto al indicador I7_I, acceso a infraestructura básica, los menores niveles de desempeño (1 y 2) se observaron en los sectores al este, sur y suroeste de la ciudad, mientras que los mayores niveles de desempeño (6 y 7) se observaron al CH, norte y parte del este (Imagen 20). Este indicador evaluó la variable V10, cobertura de seguridad, la cual varió de 0 a 3 unidades de policía comunitario UPC u otro tipo de equipamiento de seguridad (Tabla 6). Respecto al indicador I8_I, capacidad de respuesta a desastres, los menores niveles de desempeño (1, 2 y 3) se observaron en los sectores al norte y este de la ciudad, mientras que los mayores niveles de desempeño (6 y 7) se observaron al CH y suroeste (Imagen 20). Este indicador evaluó las variables V2, porcentaje de área de construcción sobre sitios no desarrollados, y V6, porcentaje de área de construcción en sitios con riesgo de inundación. Respecto al indicador I9_I, acceso a equipamiento público, los menores niveles de desempeño (1 y 2) se observaron en los sectores al norte, este y suroeste de la ciudad, mientras que los mayores niveles de desempeño (6 y 7) se observaron al CH y parte del sur y este (Imagen 20). Este indicador evaluó las variables V7, número de equipamientos; V8, número de servicios afines a la vivienda; y V9, conectividad por intersecciones en vías. Respecto al indicador I10_T, acceso al transporte público, los menores niveles de desempeño (1 y 2) se observaron en los sectores al norte, este y suroeste de la ciudad. No se observaron sectores con altos niveles de desempeño, excepto por unos pocos al norte de la ciudad, que alcanzaron un nivel 6. En la mayoría de los sectores se observó un nivel RESULTADOS

4 de desempeño (Imagen 20). Este indicador evaluó las variables V11, número de paradas de transporte público, y V12, frecuencia de viajes del transporte público. Respecto a V11, los resultados variaron de 0 a 317 unidades, y respecto a V12, de 5 a 20 min (Tabla 6). Respecto al indicador I11_T, instalaciones de ciclismo, los menores niveles de desempeño (1 y 2) se observaron en los sectores al norte, este y suroeste de la ciudad, mientras que los mayores niveles de desempeño (6 y7) se observaron al CH, y en una gran parte de sectores del este, sur y oeste (Imagen 20). El indicador consideró para su evaluación las variables V13, red de bicicletas, y V14, conectividad de la red de bicicletas. La Tabla 6 muestra los resultados para V13, que varió de 0 a 15 unidades de red, mientras que, para V14 varió de 0 a 30 en unidades de escuelas, de 0 a 55 en unidades de paradas de transporte público, y de 0 a 119 en unidades de servicios afines a la vivienda. Respecto al indicador I12_A, isla de calor, los más bajos niveles de desempeño (1 y 2) se observaron en los sectores al CH y suroeste de la ciudad, mientras que los más altos niveles de desempeño sostenible (6 y 7) se observaron al este de la ciudad (Imagen 20). El indicador evaluó la variable V15, porcentaje de reverdecimiento, el cual varió de 0 a 65% en sus resultados (Tabla 6). Los resultados permitieron identificar qué políticas urbanas específicas se necesitan aplicar y cuáles sectores de planeamiento son prioritarios. Por ejemplo, respecto al indicador de protección de pendientes (I2_E), se pueden focalizar políticas urbanas dirigidas a los sectores del noroeste de la ciudad, a través de ordenanzas más estrictas y el mejoramiento del control urbano en esas zonas, a fin de evitar construcciones que a futuro puedan presentar problemas por deslizamientos. En el caso del indicador utilización del suelo (I3_E), las políticas públicas pueden ir enfocadas a aumentar la densidad en algunos sectores específicos del norte y este de la ciudad. Con respecto al indicador acceso a infraestructura básica de seguridad (I7_I), las políticas públicas pueden enfocarse en la dotación de nuevas unidades de policia comunitaria (UPC) en los sectores al suroeste y este de la ciudad. Respecto al indicador de acceso a equipamientos públicos (I9_I), las políticas urbanas pueden enfocarse en la dotación de equipamientos en algunos sectores específicos del norte y este de la ciudad. Así mismo, respecto al indicador de acceso al transporte público (I10_T), pueden plantearse políticas urbanas como la extensión de redes de transporte público y la reducción de frecuencias de viajes en los sectores ubicados a los límites este y suroeste de la ciudad. O en el caso del indicador para evitar la isla de calor (I12_A), las políticas urbanas deben dirigirse al Centro Histórico y en algunos sectores RESULTADOS

ubicados al suroeste de la ciudad, a través de la creación de nuevos parques y jardines públicos, o el planteamiento de proporciones mínimas de área verde en nuevos proyectos de construcción o renovación, entre otras. -

Del cálculo de la sostenibilidad por categorías y global: suma ponderada, se obtuvo:

Los mapas de resultados de la evaluación de los 12 indicadores fueron agrupados por categorías, a través de una suma ponderada, para generar 4 mapas adicionales que se presentaron en la Imagen 21. Respecto a la evaluación de la categoría E, Ecología, Uso y Ocupación del suelo, se agruparon los indicadores I1_E a I6_E con sus respectivos pesos. El mapa resultado mostró que los niveles más bajos de desempeño sostenible (1 y 2) están en los sectores al norte y este de la ciudad; mientras que, los niveles más altos de desempeño (6 y 7) se observaron al CH y suroeste. Respecto a la evaluación de la categoría I, Infraestructura y equipamientos, se agruparon los indicadores I7_I a I9_I con sus respectivos pesos. El mapa resultado mostró que los niveles más bajos de desempeño sostenible (1 y 2) se encuentran al este de la ciudad, mientras que los niveles más altos (5, 6 y 7) se encuentan al CH y los sectores a su alrededor, tanto hacia el norte, sur, este y oeste (Imagen 21). Respecto a la evaluación de la categoría T, Transporte y movilidad, se agruparon los indicadores I10_T a I11_T con sus respectivos pesos. El mapa resultado mostró que los sectores con más bajos niveles de desempeño se encuentraron en los límites urbanos. del este y suroeste de la ciudad; mientras que lo sectores con más altos niveles de desempeño se encontraron en la mayor parte de la ciudad, abarcando sectores del oeste, CH, sur y oeste. Respecto a la evaluación de la categoría A, Ambiente del Vecindario, se consideró un solo indicador, I12_A, el cual se ponderó por su propio peso y se obtuvo un mapa similar al presentado en la imagen 20. Por último, se realizó una segunda suma ponderada de las categorías E, I, T y A, con sus respectivos pesos, para obtener el nivel de desempeño sotenible global para la ciudad de Cuenca (Imagen 22). El mapa resultado refleja un resumen de la evaluación total, donde se observó que el sector con el menor nivel de desempeño sostenible fue uno ubicado al RESULTADOS

norte de la ciudad, con el código N-21B, el cual obtuvo un nivel 1 en el 34% de su evaluación, que correspondió a la categoría E; un nivel 3 en el 51% de su evaluación correspondiente a la suma de los resultados obtenidos en las categorias I y T; y un nivel 4 en el 15% restante de su evaluación, correspondiente a la categoría A. Estas puntuaciones le otorgaron el menor nivel de desempeño de todos los sectores evaluados. Por otro lado, el sector con mayor nivel de desempeño sostenible fue CH. Este sector obtuvo un nivel 7 en el 96% de su evaluación, que corresponde a los resultados sumados de las categorías E, I, y T; y obtuvo un nivel 2 en solo una categoría (A), que representó apenas un 4% de su evaluación total. Por estas puntuaciones este sector obtuvo la mejor evaluación. De manera general se observa que mayoritariamente los más bajos niveles de desempeño se encontraron en los sectores ubicados a los límites norte y este del perfil urbano de la ciudad, mientras que, los niveles más altos se encontraron en el CH y sectores aledaños al centro. Pregunta específica 3: ¿Cuáles son los flujos de entradas y salidas de un modelo de evaluación del desempeño sostenible urbano, adaptado a la ciudad de Cuenca que integre el análisis espacial SIG con una NSA? Los flujos de entradas y salidas necesarias para el diseño de un modelo de evaluación del desempeño sostenible urbano que integre SIG+NSA, y que se encuentre adaptado a las condiciones locales de la ciudad de Cuenca, se presentaron en la Imagen 23 y en el script en lenguaje Python del Anexo 3. El resultado a este cuestionamiento se desarrolló en la etapa 3 “Diseño de un modelo que integre SIG+NSA”. El modelo diseñado se nutrió de los resultados de la evaluación de las 15 variables de entrada (V1-V15). Y se conformó de 6 entradas (representadas en color amarillo) y 6 salidas (representadas en color verde) para cada indicador, las cuales, se agruparon por categorías para alimentar la séptima entrada, que devuelve la evaluación de cada categoría. A su vez, las capas resultado de las categorías se agruparon para alimentar la octava entrada, que devuelve la evaluación del desempeño sostenible global. La secuencia de los flujos de trabajo se realizó desde la capa de entrada que contiene 15 campos correspondientes a las 15 variables (V1–V15), hacia las entradas 1 (agregar un RESULTADOS

nuevo campo), y entradas 2 (evalúa nuevo campo), donde se evalúa cada uno de los 12 indicadores seleccionados. Los resultados alimentan las entradas 3 (análisis Getis-Ord Gi*), y continúan hacia las entradas 4 (agregar un nuevo campo) y 5 (calcula nuevo campo) donde se reclasifica la escala de la simbología. Estos resultados a su vez alimentan las entradas 6 (convertir feature a raster) para entregar 12 mapas con los niveles de desempeño sostenible de cada indicador. A continuación, los mapas resultados se agrupan por categorías y alimentan las entradas 7 (Suma ponderada) que entregan 4 mapas con los niveles de desempeño de las 4 categorías de evaluación. Por último, estos 4 mapas alimentan la entrada 8 (Suma ponderada global) para entregar un mapa con los resultados de la evaluación de la sostenibilidad global, es decir considerando la totalidad de indicadores y categorías para todos los sectores de planeamiento.

RESULTADOS

V . C ON C LU S IO NE S

CONCLUSIONES

Las conclusiones del trabajo se presentan tomando como referencia los objetivos planteados en la investigación de la siguiente manera: Seleccionar un conjunto de indicadores sostenible, con base en una herramienta NSA local, que sirva para la evaluación de los sectores de planeamiento urbano de la ciudad de Cuenca. Del conjunto de indicadores sostenibles que propone la NSA local se seleccionaron 12 indicadores y 15 variables, que corresponden a 4 categorías de sostenibilidad de la NSA local, los cuales permitieron evaluar el nivel de desempeño sostenible de los sectores de planeamiento de la ciudad. La selección de una herramienta NSA local permitió que los indicadores evaluados respondan a condiciones propias del contexto de la ciudad de Cuenca, como recomiendan varios autores e instituciones en la literatura, referente al desarrollo de indicadores. Además, la herramienta NSA al presentar una estructura de evaluación multi-criterio, abordó una combinación de diferentes criterios que permitieron la inclusión de la sostenibilidad urbana en el diseño del modelo de evaluación propuesto. Evaluar el nivel de desempeño sostenible de los sectores de planeamiento de la ciudad de Cuenca, utilizando el análisis espacial SIG y el conjunto de indicadores de la NSA local. La evaluación permitió identificar el nivel de desempeño sostenible de cada uno de los sectores de planeamiento, a través del análisis espacial SIG y los 12 indicadores seleccionados de la NSA local. De esta manera, se pudo establecer cuáles fueron los sectores con menor o mayor nivel de desempeño para la aplicación focalizada de políticas urbanas públicas. Además, los mapas resultado de la evaluación agrupada por categorías y evaluación global, permitieron de manera resumida observar dónde la ciudad está peor o mejor, lo cual, puede contribuir a las autoridades de planificación para identificar sectores de intervención prioritaria. Estos resultados constituyen un aporte importante para el apoyo en la toma de decisiones de planificación urbana de la ciudad, ya que, con políticas efectivas sobre sectores específicos se podrían prever situaciones y también remediar otras que ya se han

CONCLUSIONES

suscitado. Además, estas políticas al ser aplicadas en una ciudad intermedia como Cuenca, permitirían mantener patrones urbanos más equilibrados y sostenibles en su proceso de crecimiento. Diseñar un modelo de evaluación del desempeño sostenible urbano adaptado a la ciudad de Cuenca, a partir de la integración del análisis espacial SIG con una NSA local. Se diseñó un modelo de evaluación del desempeño sostenible urbano, adaptado a la ciudad de Cuenca y que integra el análisis espacial de los SIG con los indicadores de una NSA local. El modelo presentado en la Imagen 23 y Anexo 3, expone las entradas y salidas, así como los flujos de trabajo necesarios para la evaluación de la sostenibilidad de los sectores de planeamiento de la ciudad. Este modelo se nutre de una capa de entrada que contiene 15 variables para la evaluación de 12 indicadores. El modelo se estructura de 6 entradas y 6 salidas que permiten la evaluación y visualización de los resultados de cada indicador. Estos resultados se agrupan por categorías y alimentan una séptima entrada, que devuelve las evaluaciones por categorías, la cuales, a su vez alimentan una octava entrada, que entrega la evaluación del desempeño sostenible global de la ciudad. Este modelo permite la automatización de los procesos de análisis, y se puede utilizar como un complemento “plugin” de las herramientas de geoprocesamiento de ArcGIS para la evaluación de la sostenibilidad de la ciudad de Cuenca, como apoyo para urbanistas y tomadores de decisiones en los procesos de planificación de la ciudad. Además, este modelo puede ser adaptado a otros contextos, remplazando las ponderaciones o pesos de acuerdo a las prioridades y condiciones de cada sitio. Incorporar el análisis espacial en la evaluación sostenible de vecindarios que proponen las Neighborhood Sustainability Assessment (NSA), como apoyo para la planificación urbana de la ciudad de Cuenca, Ecuador. Este fue el objetivo general planteado, el cual pudo consumarse con la metodología propuesta. El aporte fundamental consistió en determinar el aspecto procedimental que permita una combinación exitosa del análisis espacial SIG con los indicadores de la NSA, para generar un modelo de evaluación sostenible adaptado a la ciudad de Cuenca y que sirva como apoyo en los procesos de planificación urbana.

CONCLUSIONES

De esta manera se aplicó el modelo para la evaluación del nivel de desempeño sostenible de 149 sectores de planeamiento de la zona urbana de Cuenca, que permitió identificar los sectores de atención prioritaria, así como las temáticas de sostenibilidad específicas que necesita cada uno. Esto permitió plantear la aplicación de algunas políticas urbanas, como la implementación de ordenanzas más estrictas en los sectores al noroeste de la ciudad, para evitar nuevas construcciones en sitios de protección de pendientes, y de esta manera prevenir posibles problemas futuros relacionados a deslizamientos. O, la ubicación de nuevas UPC en los sectores al suroeste y este de la ciudad, ya que estos sectores se encuentran en mayor desventaja de cobertura, en comparación con el resto de sectores. Y también respecto al transporte público, se observó la necesidad de extender las redes de buses, así como de reducir frecuencias de viajes en sectores ubicados a los límites este y suroeste de la ciudad. Finalmente, se observó la factibilidad del uso de herramientas multicriterio como la NSA local para el análisis de la sostenibilidad de ciudades, así como del análisis espacial de los SIG en la evaluación y gestión de grandes volúmenes de datos, que permitieron desarrollar un modelo ajustado a las características y necesidades del problema planteado en la investigación. Además, los SIG posibilitaron la visualización de los resultados, a través de mapas temáticos que pueden servir para informar a la comunidad y promover la participación ciudadana en asuntos sobre el desarrollo sostenible de su ciudad.

RECOMENDACIONES Como recomendaciones se destaca la adquisición de datos, ya que, si se puede acceder a una mayor cantidad de información, estos se pueden agregar al modelo para que la evaluación de la sostenibilidad puede ser más completa. De esta manera, se insta a las instituciones públicas que den mayor importancia a la recopilación de datos y el acceso a la información, para que se puedan continuar realizando investigaciones con la intención de apoyar la planificación de la ciudad. Otro aspecto a rescatar es que se puede realizar el mismo análisis, utilizando unidades de análisis más pequeñas, ya que esto permitiría tener mayor precisión sobre los resultados, por ejemplo, se pudiesen mapear los límites geográficos de barrios de la ciudad para trabajar con esta escala.

CONCLUSIONES

REFERENCIAS © Colaboradores de OpenStreetMap. (s.f.). OpenStreetMap. Recuperado el 28 de noviembre de 2021: https://www.openstreetmap.org/copyright Adjuntament de Lleida. (1999). Declaración de Lleida sobre las ciudades intermedias y la urbanización mundial. Recuperado de Lleide, España: http://www.ceut.udl.cat/wpcontent/uploads/4C.LLEIDA_ES.pdf Adúriz-Bravo, A., y Izquierdo i Aymerich, M. (2009). Un modelo de modelo científico para la enseñanza de las ciencias naturales. Revista Electrónica de Investigaciín en Educación en Ciencias, 4(3), 40-49. Recuperado de https://dialnet.unirioja.es/servlet/articulo?codigo=2882642 Alshuwaikhat, H. M., y Aina, Y. A. (2006). GIS-based urban sustainability assessment: The case of Dammam city, Saudi Arabia. Local Environment, 11(2), 141-162. doi: 10.1080/13549830600558432 Ameen, R. F. M., y Mourshed, M. (2019). Urban sustainability assessment framework development: The ranking and weighting of sustainability indicators using analytic hierarchy process. Sustainable Cities and Society, 44, 356-366. doi: https://doi.org/10.1016/j.scs.2018.10.020 Ameen, R. F. M., Mourshed, M., y Li, H. (2015). A critical review of environmental assessment tools for sustainable urban design. Environmental Impact Assessment Review, 55, 110-125. doi: http://dx.doi.org/10.1016/j.eiar.2015.07.006 Ley Orgánica de Ordenamiento Territorial, Uso y Gestión de Suelo, (2016). Azan, S. (2018). Ciudades intermedias: trampolín del desarrollo sostenible. Recuperado de https://www.caf.com/es/conocimiento/visiones/2018/08/ciudades-intermediastrampolin-del-desarrollo-sostenible/ Binder, C. R., Wyss, R., y Massaro, E. (2020). Sustainability Assessments of Urban Systems: Cambridge University Press. Bond, A., Morrison-Saunders, A., y Pope, J. (2012). Sustainability assessment: the state of the art. Impact Assessment and Project Appraisal, 30(1), 53-62. doi: 10.1080/14615517.2012.661974 Bosque Sendra, J., y Gómez Delgado, M. (2010). Sistemas de Ayuda a la Decisión Espacial para la Ordenación del territorio. Revista POSTGRADOS UNAH, 1(4), 80-100. Recuperado de REFERENCIAS

http://faces.unah.edu.hn/decanato/images/stories/PDF/Revista_Congreso_Vol1/Si stema_ayuda_decision_espacial.pdf Bosque Sendra, J., Gómez Delgado, M., Moreno Jiménez, A., y Dal Pozzo, F. (2000). Hacia un sistema de ayuda a la decisión espacial para la locallización de equipamientos. Estudios Geográficos, 61(241), 567-598. doi: http://dx.doi.org/10.3989/egeogr.2000.i241.542 Boyle, L., Michell, K., y Viruly, F. (2018). A Critique of the Application of Neighborhood Sustainability Assessment Tools in Urban Regeneration. Sustainability, 10(4), 1005. Recuperado de https://www.mdpi.com/2071-1050/10/4/1005 Braulio-Gonzalo, M., Bovea, M. D., y Ruá, M. J. (2015). Sustainability on the urban scale: Proposal of a structure of indicators for the Spanish context. Environmental Impact Assessment Review, 53, 16-30. doi: https://doi.org/10.1016/j.eiar.2015.03.002 Brundtland, G. (1987). Informe de la Comisión Mundial Sobre el Medio Ambiente y el Desarrollo. Recuperado de Ginebra: Bustos, C., y Chacón, G. (2009). El desarrollo sostenible y la agenda 21/Sustainable Development, Agenda 21. Telos (Venezuela), 11(2). Buzai, G. D. (2009). Análisis espacial con sistemas de información geográfica. Sus cinco conceptos fundamentales. In G. Buzai (Ed.), Geografía y Sistemas de Información Geográfica. Aspectos conceptuales y aplicaciones (Primera ed.). Argentina: Universidad Nacional de Luján. GESIG. Buzai, G. D. (2019). Análisis Exploratorio de Datos Espaciales de los condicionantes sociales de la salud en la cuenca del río Luján, Argentina. Posición(1), 1-16. Castellanos-Barrero, D. F. (2010). Aplicación de los sistemas de información geográfica en el ordenamiento territorial. Ventana Informática(22), 39-53. Castro Bonaño, J. M. (2004). Indicadores de desarrollo sostenible urbano. Una aplicación para Andalucía. Universidad de Málaga, Cecchini, S. (2005). Indicadores sociales en América Latina y el Caribe. Santigao de Chile: CEPAL. CEPAL. (2004). Anuario Estadístico de América Latina y el Caribe 2003. Chile: Naciones Unidas.

REFERENCIAS

Choguill, C. L. (2008). Developing sustainable neighbourhoods. Habitat International, 32(1), 41-48. doi: https://doi.org/10.1016/j.habitatint.2007.06.007 Cohen, M. (2017). A Systematic Review of Urban Sustainability Assessment Literature. Sustainability, 9(11), 2048. Recuperado de https://www.mdpi.com/20711050/9/11/2048 Dávila Rodríguez, A., Alatorre Cejudo, L. C., y Bravo-Peña, L. C. (2021). Análisis de la evolución espacio-temporal del uso de suelo urbano en la metrópolis de Chihuahua. Economía Sociedad y Territorio, 21(65), 1-27. doi: https://orcid.org/0000-00030837-3381 Dawodu, A., Akinwolemiwa, B., y Cheshmehzangi, A. (2017). A conceptual re-visualization of the adoption and utilization of the Pillars of Sustainability in the development of Neighbourhood Sustainability Assessment Tools. Sustainable Cities and Society, 28, 398-410. doi: http://dx.doi.org/10.1016/j.scs.2016.11.001 Dehghanmongabadi, A., Önal Hoşkara, S., y Shirkhanloo, N. (2014). Introduction to Achieve Sustainable Neighborhoods. International Journal of Arts and Commerce, 3(9), 16-26. Recuperado de https://ijac.org.uk/images/frontImages/gallery/Vol._3_No._9/2._16-26.pdf Ding, X., Zhong, W., Shearmur, R. G., Zhang, X., y Huisingh, D. (2015). An inclusive model for assessing the sustainability of cities in developing countries – Trinity of Cities' Sustainability from Spatial, Logical and Time Dimensions (TCS-SLTD). Journal of Cleaner Production, 109, 62-75. doi: https://doi.org/10.1016/j.jclepro.2015.06.140 Direccion General de Planificacion Territorial. (s.f.). Ilustre Municipalidad de Cuenca. Cuenca. Recuperado de http://www.cuenca.gob.ec/?q=content/direcci%C3%B3ngeneral-de-planificaci%C3%B3n-territorial Dobesova, Z. (2020). Evaluation of Effective Cognition for the QGIS Processing Modeler. Applied Sciences, 10(4), 1446. doi: https://doi.org/10.3390/app10041446 Durango Vanegas, C. E., y Castro Castro, C. A. (2009). Administración del Patrimonio Cultural e Histórico utilizando Herramientas de Sistemas de Información Geográfica. Caso de estudio Medellín. Avances en Sistemas e Informática, 6(2), 39-46. Recuperado de https://revistas.unal.edu.co/index.php/avances/article/view/20296 El Universo. (2015). La ONU declaró a Cuenca como ciudad intermedia. El Universo. Recuperado de https://www.eluniverso.com/noticias/2015/11/10/nota/5232608/onu-declarocuenca-como-ciudadintermedia/#:~:text=Seg%C3%BAn%20la%20Organizaci%C3%B3n%20de%20las, permiten%20una%20mayor%20participaci%C3%B3n%20ciudadana. REFERENCIAS

Elgert, L. (2018). Rating the sustainable city: ‘Measurementality’, transparency, and unexpected outcomes at the knowledge-policy interface. Environmental Science & Policy, 79, 16-24. doi: https://doi.org/10.1016/j.envsci.2017.10.006 Environment Agency. (2001). A framework for change: A better quality of life. Almondsbury, UK: Environment Agency. Espinosa-Ruiz, C. G., Muyulema-Allaica, J. C., Sánchez-Macías, R. A., y Usca-Veloz, R. B. (2019). Los retos sostenibilistas de las Pymes textileras de la provincia de Tungurahua-Ecuador. Revista Internacional de Investigación e Innovación Tecnológica RIIIT, 7(38), 1-19. Recuperado de https://riiit.com.mx/apps/site/idem.php?module=Catalog&action=ViewItem&id=2&it em_id=85324 ESRI. (2011). What is a z-score? What is a p-value? ArcGIS Pro. Recuperado de https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/what-is-a-zscore-what-is-a-p-value.htm ESRI.

(2016a). ¿Qué es ModelBuilder? Recuperado https://desktop.arcgis.com/es/arcmap/10.3/analyze/modelbuilder/what-ismodelbuilder.htm

ESRI.

(2016b). Suma ponderada. ArcMap. Recuperado de https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/weightedsum.htm

ESRI. (2018a). Análisis de punto caliente (Gi* de Getis-Ord). ArcMap. Recuperado de https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/hot-spotanalysis.htm ESRI. (2018b). Vista general del conjunto de herramientas Asignación de clusters. Recuperado de https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statisticstoolbox/an-overview-of-the-mapping-clusters-toolset.htm Fuenzalida, M., y Cobs, V. (2018). La perspectiva del análisis espacial en la herramienta sig: una revisión desde la geografía hacia las ciencias sociales. Persona y Sociedad, 27(3), 33-52. doi: https://doi.org/10.11565/pys.v27i3.48 García, E. (2021). Componentes de los indicadores de gestión de la industria petrolera venezolana. Revista Enfoques, 4(16), 228 238. doi: 10.33996/revistaenfoques.v4i16.95 Global, B. (2009). BREEAM. Recuperado de http://www.breeam.org/

REFERENCIAS

GLobal, B. (2012). BREEAM Communities Technical Manual (Vol. 1.2). Reino Unido: BRE GLobal Limited. Global Experts Group Meeting. (2015). The role of intermediate cities in strengthening urban-rural linkages towards the new urban agenda. Recuperado de Monteria, Colombia: https://unhabitat.org/the-role-of-intermediate-cities-in-strengtheningurban-rural-linkages-towards-the-new-urban-agenda Habitat III. (2015). La ONU declaró a Cuenca como ciudad intermedia. Recuperado de https://habitat3.org/documents-and-archive/media-archive/media-clippings/la-onudeclaro-a-cuenca-como-ciudad-intermedia-2/ Howard, M. (2008). GIS Spatial Analysis for the Design of Urban Open Space. (Thesis of Master Degree). Texas Tech University, Texas. Retrieved from https://ttuir.tdl.org/bitstream/handle/2346/20367/Howard_Michael_Thesis.pdf?sequence=1&i sAllowed=y Humacata, L. M. (2010). Análisis exploratorio de datos socio-espaciales mediante gráficos interactivos: Aproximación Univariada y bivariada aplicada a la provincia de Buenos Aires (Argentina). GESIG Revista digital del Grupo de Estudios sobre Geografía y Análisis Espacial con Sistemas de Información Geográfica.(2), 135-163. Recuperado de https://revistageosig.wixsite.com/geosig/geosig-2-2010 Humacata, L. M. (2014). Aportes metodológicos del análisis espacial con sistemas de información geográfica a la clasificación espacial en geografía. RED Sociales, 1(3), 118-147. Recuperado de http://www.redsocialesunlu.net/?p=175 Ilustre Municipalidad de Cuenca. (2003). Reforma, actualización, complementación y codificación de la ordenanza que sanciona el plan de ordenamiento territorial del cantón Cuenca. Determinaciones para el Uso y Ocupación del suelo urbano. Cuenca. Ilustre Municipalidad de Cuenca. (2015). Cuenca Declaration for Habitat III “Intermediate Cities: Urban Growth and Renewal”. Recuperado de Cuenca: https://uploads.habitat3.org/hb3/Declaration-Cuenca.pdf Ilustre Municipalidad de Cuenca. (2019). Tomo II. Plan de Movilidad y Espacio Públicos de Cuenca 2015-2025. Cuenca Recuperado de https://hackathon.cedia.edu.ec/dmdocuments/INNOVACION/RETO/www.cuenca.g ob.ec-2.pdf INEC. (2010). Resultados del Censo 2010 de población y vivienda en el Ecuador. Recuperado de Quito: https://www.ecuadorencifras.gob.ec/censo-de-poblacion-yvivienda/

REFERENCIAS

INEC. (2017). Conozcamos Cuenca a través de sus cifras. Recuperado de https://www.ecuadorencifras.gob.ec/conozcamos-cuenca-a-traves-de-suscifras/#:~:text=Cuenca%2C%20tambi%C3%A9n%20conocida%20como%20la,de %2015%25%20en%20siete%20a%C3%B1os. Instituto Nacional de Patrimonio Cultural. (2017). Cuenca. Patrimonios Mundiales. Recuperado de https://www.patrimoniocultural.gob.ec/cuenca/#:~:text=La%20UNESCO%20la%20 reconoci%C3%B3%20entre,12%20de%20abril%20de%201557. Javier Silva, L. A., y Alcántara Boza, F. A. (2018). Modelo cartográfico para determinar áreas óptimas para la expansión urbana del distrito de Huánuco como aporte para la planificación. Revista del Instituto de investigación de la Facultad de minas, metalurgia y ciencias geográficas, 21(42), 3-12. doi: https://doi.org/10.15381/iigeo.v21i42.15783 Jordan, R., y Simioni, D. (1998). Ciudades intermedias de América Latina y el Caribe: Propuestas para la gestión urban: CEPAL. JSBC. Japan Sustainable Building Consortium. (2014). CASBEE for Urban Development. Japón: JSBC. Kamble, T., y Bahadure, S. (2020). Neighborhood sustainability assessment in developed and developing countries. Environment, Development and Sustainability, 22(6), 4955-4977. doi: 10.1007/s10668-019-00412-6 Komeily, A., y Srinivasan, R. S. (2015). A need for balanced approach to neighborhood sustainability assessments: A critical review and analysis. Sustainable Cities and Society, 18, 32-43. doi: http://dx.doi.org/10.1016/j.scs.2015.05.004 Llop, J. M. (1999). Ciudades intermedias y urbanización mundial. Lleida, España: Ajuntament de Lleida, UNESCO, UIA, Ministerio de Asuntos Exteriores. Llop, J. M., Iglesias, B. M., Vargas, R., y Blanc, F. (2019). Las ciudades intermedias: concepto y dimensiones. Ciudades, 22, 23-43. doi: https://doi.org/10.24197/ciudades.22.2019.23-43 López Vazquez, V. H., Bosque Sendra, J., y Gómez Delgado, M. (2008). Flexibilidad de los SIG para asistir a la toma de decisiones espaciales. Actas de XI Coloquio Ibérico de Geografía, Alcalá de Henares. Lützkendorf, T., y Balouktsi, M. (2017). Assessing a Sustainable Urban Development: Typology of Indicators and Sources of Information. Procedia Environmental Sciences, 38, 546-553. doi: https://doi.org/10.1016/j.proenv.2017.03.122

REFERENCIAS

Madrid Soto, A., y Ortiz López, L. M. (2005). Análisis espacial. In Análisis y síntesis en cartografía: algunos procedimientos (Primera edición ed.). Bogotá: Universidad Nacional de Colombia. Malczewski, J., y Rinner, C. (2015). Multicriteria Decision Analysis in Geographic Information Science. New York: Springer, Berlin, Heidelberg. Martínez, P., y Moreno, A. (2005). Análisis espacio-temporal con SIG del ruido ambiental urbano en Madrid y sus distritos. GeoFocus. Revista Internacional de Ciencia y Tecnología de la Información Geográfica(5), 219-249. Recuperado de https://www.geofocus.org/index.php/geofocus/article/view/67 Mayor, J., Botero, S., y González-Ruiz, J. D. (2016). Modelo de decisión multicriterio difuso para la selección de contratistas en proyectos de infraestructura: caso Colombia. Obras y proyectos, 56-74. Recuperado de http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S071828132016000200005&nrm=iso Ministerio de Fomento. (2000). Ciudad y Territorio: Estudios Territoriales. Madrid - España: Centro de Publicaciones. Secretaría General Técnica. Ministerio de Fomento. Molina, A. M., López, L. F., y Villegas, G. I. (2005). Los sistemas de información geográfica (SIG) en la planificación municipal. Revista EIA, 21-31. Recuperado de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S179412372005000200003&nrm=iso Morduchowicz, A. (2006). Los indicadores educativos y las dimensiones que los integran. Recuperado de http://148.202.167.116:8080/xmlui/handle/123456789/198 Mujica de Gonzalez, M., y Perez de Maldonado, I. (2009). Construcción de un indicador de gestión fundamentado en el clima organizacional. Revista Venezolana de Gerencia, 14(47), 393-411. Recuperado de http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S131599842009000300005&lng=es&tlng=pt. Naciones Unidas. (2020). Objetivo 11: Lograr que las ciudades sean más inclusivas, seguras, resilientes y sostenibles. Recuperado de https://www.un.org/sustainabledevelopment/es/cities/ Naciones Unidas. (s.f.). Programa 21. Recuperado https://www.un.org/spanish/esa/sustdev/agenda21/index.htm

Næss, P. (2001). Urban Planning and Sustainable Development. European Planning Studies, 9(4), 503-524. doi: 10.1080/713666490

REFERENCIAS

National Geographic. (2011). Biblioteca de recursos: Entrada Enciclopédica. Recuperado de https://www.nationalgeographic.org/encyclopedia/neighborhood/ ONU. (2020). La crisis provocada del coronavirus, una oportunidad para cumplir con los Objetivos de Desarrollo Sostenible. Noticias ONU. Recuperado de https://news.un.org/es/story/2020/05/1474602 Opschoor, H., y Reijnders, L. (1991). Towards sustainable development indicators. In O. Kuik y H. Verbruggen (Eds.), Environment & Management. In Search of Indicators of Sustainable Development (Vol. 1). doi:https://doi.org/10.1007/978-94-011-32466_2 Oxford

English Dictionary. (2021) Oxford English Dictionary. https://languages.oup.com/research/oxford-english-dictionary/

Recuperado

Parkin, S. (2000). Sustainable development: the concept and the practical challenge. Proceedings of the Institution of Civil Engineers - Civil Engineering, 138(6), 3-8. doi: 10.1680/cien.2000.138.6.3 Pedro, J., Silva, C., y Pinheiro, M. D. (2018). Scaling up LEED-ND sustainability assessment from the neighborhood towards the city scale with the support of GIS modeling: Lisbon case study. Sustainable Cities and Society. doi: https://doi.org/10.1016/j.scs.2017.09.015 Pedro, J., Silva, C., y Pinheiro, M. D. (2019). Integrating GIS spatial dimension into BREEAM communities sustainability assessment to support urban planning policies, Lisbon case study. Land Use Policy, 83, 424-434. doi: https://doi.org/10.1016/j.landusepol.2019.02.003 Quesada, F. (2014). Métodos de evaluación sostenible de la vivienda: Análisis comparativo de cinco métodos internacionales. Revista Hábitat Sustentable, 4(1), 56-67. Recuperado de http://revistas.ubiobio.cl/index.php/RHS/article/view/444 Quesada, F. (2018). Desarrollo de nuevos métodos de Evaluación Sustentable de la edificación a partir de la revisión del Estado del Arte. Architecture, City and Environment, 13(37), 51-70. doi: 10.5821/ace.13.37.4871 Quesada, F. (2021). Contextualización de indicadores sustentables para vecindarios de la ciudad de Cuenca-Ecuador. Proyecto de Investigación ganador del XVII Concurso Universitario de Proyectos de Investigación DIUC. Dirección de Investigación de la Universidad de Cuenca. Universidad de Cuenca. Cuenca, Ecuador. Quesada, F., Calle, A., Guillén, V., Ortiz, J., y Lema, J. (2018). Método de evaluación sustentable de la vivienda en la ciudad de Cuenca, Ecuador. Revista Técnica Energía, 14, 204-212. Recuperado de REFERENCIAS

http://www.cenace.org.ec/index.php?option=com_phocadownload&view=category &id=9:phocatrevtecenergia&Itemid=1# Real Academia de la Lengua Española. (2001) Diccionario de la lengua española (22nd ed.). Recuperado de https://www.rae.es/drae2001/vecindario Robert, K. W., Parris, T. M., y Leiserowitz, A. A. (2005). What is Sustainable Development? Goals, Indicators, Values, and Practice. Environment: Science and Policy for Sustainable Development, 47(3), 8-21. doi: 10.1080/00139157.2005.10524444 Rojas Quezada, C., Díaz Muñoz, M. A., y Jaque Castillo, E. (2008). Sostenibilidad urbana. Tomé: Una propuesta para evaluar los planes reguladores chilenos. Urbano, 11(17), 26-35. Recuperado de http://revistas.ubiobio.cl/index.php/RU/article/view/359 Rueda, S., Cuchí, A., Esteban, M., Sanz, A., Subirats, J., Terradas, J., y Velázquez, I. (2007). Libro Verde de Medio Ambiente Urbano (Vol. Tomo 1): Ministerio de Medio Ambiente. Sala, S., Ciuffo, B., y Nijkamp, P. (2015). A systemic framework for sustainability assessment. Ecological economics, 119, 314-325. doi: https://doi.org/10.1016/j.ecolecon.2015.09.015 Saleem, J., Ahmad, S. S., y Butt, A. (2020). Hazard risk assessment of landslide-prone subHimalayan region by employing geospatial modeling approach. Natural Hazards, 102(3), 1497-1514. doi: 10.1007/s11069-020-03980-3 Sharifi, A., y Murayama, A. (2013). A critical review of seven selected neighborhood sustainability assessment tools. Environmental Impact Assessment Review, 38(0), 73-87. doi: http://dx.doi.org/10.1016/j.eiar.2012.06.006 Sharifi, A., y Murayama, A. (2014). Neighborhood sustainability assessment in action: Cross-evaluation of three assessment systems and their cases from the US, the UK, and Japan. Building and Environment, 72, 243-258. Recuperado de http://www.sciencedirect.com/science/article/pii/S036013231300320X Taha, H. (2012). Investigación de operaciones. Mexico: Pearson Education. Tinoco Meyhuay, T., Cotos Vera, J., y Bayona Atúnez, R. (2019). Evaluación de la vulnerabilidad sísmica de las edificaciones de la zona urbana del distrito de Chiquián, utilizando el model builder del ArcGIS. Aporte Santiaguino, 11(2), 263274. doi: https://doi.org/10.32911/as.2018.v11.n2.580 UN Environment Programme. (2020). The new neighborhood: creating new community around sustainability and social well-being. Recuperado de REFERENCIAS

https://www.unep.org/news-and-stories/story/new-neighborhood-creating-newcommunity-around-sustainability-and-social UN-Habitat. (2015a). Intermediate cities: urban renewal & growth. Recuperado de https://habitat3.org/wp-content/uploads/Note-English.pdf UN-Habitat (2015b). Re: A new strategy of sustainable neighbourhood planning: five principles. Message posted to https://unhabitat.org/sites/default/files/downloadmanagerfiles/A%20New%20Strategy%20of%20Sustainable%20Neighbourhood%20Planni ng%20Five%20principles.pdf UN-Habitat. (2016). SDG goal 11 monitoring framework: Make cities and human settlements inclusive, safe, resilient and sustainable. Recuperado de https://unhabitat.org/sdg-goal-11-monitoring-framework/ United

Nations. (2019). World Urbanization Prospects 2018: Highlights (ST/ESA/SER.A/421). Recuperado de https://population.un.org/wup/Publications/Files/WUP2018-Highlights.pdf

Universidad de Granada. (2014). Práctica 8. Métodos de Análisis Multivariante: Análisis Clúster. Estadística. Recuperado de http://wpd.ugr.es/~bioestad/guiaspss/practica-8/ USGBC, U. S. G. b. C. (2018). LEED v4 for Neighborhood Development. Estados Unidos: USGBC. Usón, E., Fumado, J. L., y Vives, J. (2014). Los edificios de consumo energético casi nulo: propuesta para el centro de tratamiento de residuos sólidos de Mercabarna. ACE: Architecture, City and Environment = Arquitectura, Ciudad y Entorno, 9(25), 13-42. doi: 10.5821/ace.9.25.3620 Wackernagel, M., y Rees, W. (1996). Our ecological footprint: Reducing Human Impact on the Earth. Canada: New Society Publishers. White, H., y Sabarwal, S. (2016). Elaboración de modelos. Methodological Briefs, (13). UNICEF Office of Research-Innocenti, Florence. Wu, A. N., y Biljecki, F. (2021). Roofpedia: Automatic mapping of green and solar roofs for an open roofscape registry and evaluation of urban sustainability. Landscape and Urban Planning, 214, 104167. doi: https://doi.org/10.1016/j.landurbplan.2021.104167

REFERENCIAS

Yigitcanlar, T., Kamruzzaman, M., y Teriman, S. (2015). Neighborhood Sustainability Assessment: Evaluating Residential Development Sustainability in a Developing Country Context. Sustainability, 7(3), 2570. Recuperado de http://www.mdpi.com/2071-1050/7/3/2570 Zhang, J. H. (2021). Urban planning and design strategy based on ArcGIS and application method. Actas de E3S Web of Conferences. International Conference on Energy Resources and Sustainable Development (ICERSD2020), China.

REFERENCIAS

ANEXO 1 Tabla A1. 1. Indicadores seleccionados con sus respectivas variables de evaluación, de la Categoría Ecología, Uso y Ocupación del Suelo. Código Indicador

I1-E

Indicador

Ecología y conservación

Variables Número de áreas donde está prohibida la construcción % de área de construcción sobre sitios no desarrollados

Ecología, Uso y Ocupación del suelo

I2-E

% de áreas de construcción en pendiente % de área de construcción sobre sitios no desarrollados

I3-E

% de área de construcción sobre sitios no desarrollados

I5-E

Unidad

Lo que evalúa

Que no se urbanicen áreas destinadas a uso forestal, según lo que establece el Plan de Ordenamiento Territorial de la Ciudad de Cuenca.

Que el proyecto y la zona de impacto de la construcción se encuentre en sitios previamente desarrollados.

Que no existan construcciones de cualquier tipo de edificación en sitios con pendientes sobre el 30%.

Que el proyecto y la zona de impacto de la construcción se encuentre en sitios previamente desarrollados.

Viv/Ha

Que se cumpla con el mínimo de densidad por sector de planeamiento establecido en el plan de ordenamiento territorial de Cuenca

Que el proyecto y la zona de impacto de la construcción se encuentre en sitios previamente desarrollados.

Que el centro geográfico del proyecto se encuentre a una distancia para caminar de 800m de por lo menos 1 mercado existente o feria itinerante de productos locales.

Utilización del suelo Densidad

I4-E

ANEXOS

Protección de pendientes y relieve

Código Variable

Protección del suelo

Distancia caminable a mercados de productores locales

Calidad del valor ecológico

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Evaluación del riesgo de inundación

% de área de construcción en sitios con riesgo de inundación

Paisaje natural

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Que el 100% del proyecto se encuentre en sitios fuera de áreas con riesgo de inundación, y en el caso de ríos a una longitud mínima de 50m medidos a partir de la orilla.

Densidad

Número de equipamientos

I6-E

Viv/Ha

Que se cumpla con el mínimo de densidad por sector de planeamiento establecido en el plan de ordenamiento territorial de Cuenca

Dentro de 600m la existencia de ≥ 3 tipos de equipamientos comunitario de alcance barrial o parroquial (Educación, cultural, deportivo, bienestar social, abastecimiento, recreación, sanitario público, organización social, seguridad pública, espacios públicos, salud, administración)

Dentro de 300m la existencia de 3 o más tipos de usos de comercio cotidiano de productos de aprovisionamiento, servicios personales y otros servicios afines a la vivienda.

Usos mixtos del suelo

Número de servicios afines a la vivienda

Conectividad por intersecciones en vías

u/km2

Relación entre el número de intersecciones de las vías y el área total de tierra en km2 del vecindario. Debe existir al menos 35 intersecciones por km2.

Certificación sustentable de viviendas

La evaluación de este indicador fue excluida del estudio debido a que los procesos de certificación de edificios se encuentran en etapa de adopción temprana en la ciudad (Al momento solo existen 2 edificios en la ciudad en proceso de certificación).

Armonía con el contexto local

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

*Indicadores no seleccionados.

Fuente: Elaboración propia.

ANEXOS

Tabla A1. 2. Indicadores seleccionados con sus respectivas variables de evaluación, de la Categoría Infraestructura y Equipamientos. Código Indicador

I7-I

Indicador

Acceso a infraestructura básica

Variables

cobertura de seguridad

% de área de construcción sobre sitios no desarrollados

Infraestructura y Equipamientos

I8-I

Capacidad de respuesta a desastres

% de área de construcción en sitios con riesgo de inundación

Número de equipamientos

I9-I

Acceso a equipamiento público

Número de servicios afines a la vivienda

Conectividad por intersecciones en vías

Código Variable

V10

Unidad.

Lo que evalúa

u/km2

Dentro de un área de 1 km2 la existencia de ≥ 1 Unidad de Policía Comunitario (UPC) u otro tipo de equipamiento de seguridad (Bomberos, Jefatura de la Policía, etc.)

Que el proyecto y la zona de impacto de la construcción se encuentre en sitios previamente desarrollados.

Que el 100% del proyecto se encuentre en sitios fuera de áreas con riesgo de inundación, y en el caso de ríos a una longitud mínima de 50m medidos a partir de la orilla.

Dentro de 300m la existencia de 3 o más tipos de usos de comercio cotidiano de productos de aprovisionamiento, servicios personales y otros servicios afines a la vivienda.

u/km2

Relación entre el número de intersecciones de las vías y el área total de tierra en km2 del vecindario. Debe existir al menos 35 intersecciones por km2.

Gestión de desechos residenciales

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Gestión de desechos de construcción

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Preservación de infraestructura histórica

La evaluación de los requisitos de este indicador fue excluida del estudio porque no se tuvo acceso a información sobre el inventario de infraestructura histórica.

Diseño inclusivo

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Infraestructura reciclada y reutilizada

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Fuente: Elaboración propia.

ANEXOS

Tabla A1. 3. Indicadores seleccionados con sus respectivas variables de evaluación, de la Categoría Transporte y Movilidad.

Código Indicador

Transporte y Movilidad

I10-T

* *

Indicador Emisiones de CO2 por transporte

Acceso al transporte público

Tráfico vehicular y peatonal Instalaciones de transporte público

Variables

Unidad

Lo que evalúa

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Número de paradas de transporte público Frecuencia de viajes del transporte público

V11

V12

En un radio de 400m la existencia de por lo menos 1 parada de transporte público.

min

El transporte público dentro del vecindario debe tener un servicio de frecuencia en un día laborable ≤15 minutos.

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala. La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Red de bicicletas

I11-T

Código Variable

V13

Que el proyecto se encuentre a una distancia de 400m de por lo menos 1 red de bicicletas existente.

Que la red de bicicletas determinada en V14 se conecte en una distancia máxima de 4000m desde el límite del proyecto, a al menos uno de los siguientes: - 1 escuela o centro de empleo - 1 parada de transporte público. - 10 servicios afines a la vivienda.

Instalaciones de ciclismo Conectividad de la red de bicicletas

V14

*Indicadores no seleccionados.

Fuente: Elaboración propia.

ANEXOS

Tabla A1. 4. Indicadores seleccionados con sus respectivas variables de evaluación, de las Categorías Recursos y Energía, Participación y Bienestar social, y Ambiente del Vecindario.

Código Indicador *

Ambiente del vecindario

Participación y bienestar social

Recursos y energía

Indicador Reducción del consumo de agua Gestión de aguas residuales

Variables

Código Variable

Unidad

Lo que evalúa

Gestión de aguas lluvias

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Estrategia energética

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

La evaluación de este indicador fue excluida del estudio debido a que Optimización del las simulaciones energéticas de edificios forman parte de los procesos rendimiento de certificación, los cuales se encuentran en etapa de adopción energético temprana en la ciudad (Al momento solo existen 2 edificios en la ciudad en proceso de certificación).

Materiales de bajo impacto

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Provisión de vivienda asequible

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Participación de la comunidad

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Gestión del barrio

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

% de reverdecimiento

La relación de reverdecimiento (área de superficie verde + área de superficie de agua, dividida para el área total del vecindario) expresada en porcentaje debe ser mínimo, del 10%.

I12-A

Isla de calor

Contaminación acústica

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

Contaminación lumínica

La evaluación de los requisitos de este indicador fue excluida del estudio porque no es aplicable a esta escala.

V15

*Indicadores no seleccionados.

Fuente: Elaboración propia.

ANEXOS

ANEXO 2 Tabla A2. 1. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Ecología, Uso y Ocupación del Suelo. Cód.I

Indicador

Cód.V

Ecología, Uso y Ocupación del suelo

I1-E

I2-E

I3-E

ANEXOS

Unid

Método utilizado

a) Determinar los sectores donde está prohibida la construcción, con base en el Plan de Ordenamiento Territorial de la ciudad de Cuenca b) Calcular la variable V1 con respecto al número de áreas, existentes dentro de cada sector, donde está prohibida la construcción por estar destinadas a uso forestal, debido a limitaciones topográficas e inestabilidad geológica

Ecología y conservación

Protección de pendientes y relieve

Utilización del suelo

a) Determinar los sectores donde está prohibida la construcción, con base en el Plan de Ordenamiento Territorial de la ciudad de Cuenca b) Realizar un buffer de 50m a partir de los límites de todos los sectores de planeamiento c) Mediante la herramienta intersección, se determinan las áreas que se superponen. d) Calcular la variable V2 % de área (dentro del buffer de 50m) que se encuentre en sectores donde está prohibida la construcción por limitaciones topográficas e inestabilidad geológica, con respecto al área total del sector de planeamiento. a) DEM de la zona urbana de la ciudad de Cuenca b) Selección de las áreas con pendientes mayores a 30% mediante calculadora ráster. c) Convertir raster de pendientes a vector. d) Intersección con capa de predios construidos y calcular las áreas. e) Calcular V3 % de áreas con construcción en pendientes superiores al 30%, con respecto al área total del sector de planeamiento. a) Determinar los sectores donde está prohibida la construcción, con base en el Plan de Ordenamiento Territorial de la ciudad de Cuenca b) Realizar un buffer de 50m a partir de los límites de todos los sectores de planeamiento c) Mediante la herramienta intersección, se determinan las áreas que se superponen. d) Calcular la variable V2 % de área (dentro del buffer de 50m) que se encuentre en sectores donde está prohibida la construcción por limitaciones topográficas e inestabilidad geológica, con respecto al área total del sector de planeamiento.

Criterios de evaluación

Sí: V1 = 0; V2 = 0% No: V1 > 0; V2 > 0% Tal vez: Todas las demás opciones

Sí: V3 = 0% No: V3 > 0%

Sí: V2 = 0%; V4 = 2 No: V2 > 0%; V4 = 0 Tal vez: Todas las demás opciones

I4-E

I5-E

ANEXOS

Viv/Ha

a) Determinar las densidades netas permitidas por sector de planeamiento b) Importar mapa y datos del último censo (2010) de Población y Vivienda del INEC c) Calcular la densidad por sector censal usando la calculadora de campos y luego calcular el promedio de densidad de los sectores censales por sector de planeamiento, usando excel. d) Calcular V4 (número de viviendas/superficie total del sector en Ha) con respecto al mínimo permitido para cada sector de planeamiento (Sí: V4 ≥ mínimo (2); No: V4 < mínimo (0)).

Protección del suelo

Evaluación del riesgo de inundación

Sí: V2 = 0%; V5 = 2 No: V2 > 0%; V5 = 0 Tal vez: todas a) Mapa de ubicación de mercados y ferias las demás itinerantes de productos de opciones agroproductores del azuay, en la ciudad de Cuenca. b) Descargar mapa de vías de la ciudad de Open Street Map (OSM) c) Calcular los centroides de los sectores de planeamiento. d) Calcular V5 respecto de la ruta más corta o coste distancia desde el centro geográfico de cada sector de planeamiento a los mercados existentes y ferias itinerantes (Sí: V5 ≤ 800 (2); No: V5 > 800 (0)). a) Consultar el mapa de Usos y Ocupación del Suelo los sectores con riesgo de inundación b) Descargar mapa de ríos de la ciudad de Cuenca de Open Street Map (OSM) c) Realizar un buffer de 50m de la capa Sí: V6 = 0% ríos No: V6 > 0% d) Intersección con capa de predios construidos y calcular las áreas. e) Calcular la variable V6 con respecto al % de área de construcción que se encuentre en zonas con peligro de inundación.

I6-E

Viv/Ha

a) Determinar las densidades netas permitidas por sector de planeamiento b) Importar mapa y datos del último censo (2010) de Población y Vivienda del INEC c) Calcular la densidad por sector censal usando la calculadora de campos y luego calcular el promedio de densidad de los sectores censales por sector de planeamiento, usando excel. d) Calcular V4 (número de viviendas/superficie total del sector en Ha) con respecto al mínimo permitido para cada sector de planeamiento (Sí: V4 ≥ mínimo (2); No: V4 < mínimo (0)).

a) Importar mapa de equipamientos de la ciudad de Cuenca. b) Trazar buffer de 900m desde los límites de cada sector de planeamiento c) Contar puntos dentro de los polígonos buffer d) Calcular la variable V7 con respecto al número de equipamientos existentes dentro de los 900m.

a) Importar mapa de equipamientos de la ciudad de Cuenca. b) Trazar buffer de 300m desde los límites de cada sector de planeamiento c) Emplear la herramienta "contar puntos en un polígono" con respecto al buffer d) Calcular la variable V8 con respecto al número de servicios afines a la vivienda existentes dentro de los 300m.

u/km2

a) Importar el mapa de vías de la ciudad de Cuenca. b) Emplear la herramienta convertir "vértices en puntos" y "eliminar duplicados por atributo". Luego contar el número de intersecciones dentro de cada sector de planeamiento, mediante la herramienta "contar puntos en un polígono" c) Calcular la variable V9 con respecto a la relación entre el número de intersecciones y el área total en km2.

Usos mixtos del suelo

Sí: V4 = 2; V7 ≥ 3; V8 ≥ 3; V9 ≥ 35/km2 No: V4 = 0; V7 < 3; V8 < 3; V9 < 35/km2 Tal vez: Todas las demás opciones

Fuente: Elaboración propia.

ANEXOS

Tabla A2. 2. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Infraestructura y Equipamientos. Cód.I

I7-I

Indicador

Acceso a infraestructura básica

Cód.V

Unid

V10

a) Importar mapa de equipamientos de seguridad de la ciudad de Cuenca. b) Trazar buffer de radio 565m con respecto a los centroides de cada sector de planeamiento u/km2 c) Emplear la herramienta "contar puntos en un poligono" con respecto a los buffer trazados. d) Calcular la variable V10 con respecto al número de servicios afines a la vivienda existentes en un radio de 300m.

Infraestructura y equipamientos

I8-I

Capacidad de respuesta a desastres

I9-I

Acceso a equipamiento público

Método utilizado

Igual que en V2 anterior

a) Consultar el mapa de Usos y Ocupación del Suelo los sectores con riesgo de inundación b) Descargar mapa de ríos de la ciudad de Cuenca de Open Street Map (OSM) c) Realizar un buffer de 50m de la capa ríos d) Intersección con capa de predios construidos y calcular las áreas. e) Calcular la variable V6 con respecto al % de área de construcción que se encuentre en zonas con peligro de inundación.

a) Importar el mapa de vías de la ciudad de Cuenca. b) Emplear la herramienta convertir "vértices en puntos" y "eliminar duplicados por atributo". Luego contar el número de u/km2 intersecciones dentro de cada sector de planeamiento, mediante la herramienta "contar puntos en un polígono" c) Calcular la variable V9 con respecto a la relación entre el número de intersecciones y el área total en km2.

Criterios de evaluación

Sí: V10 ≥ 1 No: V10 = 0

Sí: V2 = 0%; V6 = 0% No: V2 >0%; V6 > 0% Tal vez: Todas las demás opciones

Sí: V7 ≥ 3; V8 ≥ 3; V9 ≥ 35 No: V7< 3; V8 < 3; V9 <35 Tal vez: Todas las demás opciones

Fuente: Elaboración propia.

ANEXOS

Tabla A2. 3. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Transporte y Movilidad. Cód.I

Indicador

Cód.V

V11

I10-T

Acceso al transporte público

Transporte y Movilidad

V12

I11-T

Unid

min

V13

V14

Instalaciones de ciclismo

Método utilizado a) Importar mapa de ubicación de paradas de transporte público de la ciudad de Cuenca. b) Trazar buffer de 400m desde el límite de cada sector de planeamiento c) Emplear la herramienta "contar puntos en un polígono" con respecto al buffer d) Calcular la variable V11 con respecto al número de paradas de transporte público existentes en un radio de 400m. a) Mapa de rutas de buses en la ciudad de Cuenca con datos de frecuencias. b) Determinar las líneas de buses que atraviesan cada sector de planificación, mediante la herramienta intersección. c) Calcular V12 respecto a la frecuencia registrada de la línea de bus que atraviesa por cada sector de planeamiento: - Cuando existe más de 1 línea de bus que atraviesa el sector se considera la media de todas las frecuencias.

Criterios de evaluación

Sí: V11 ≥ 1; V12 ≤ 15 No: V11 = 0; V12 > 15 Tal vez: Todas las demás opciones

a) Mapa de la red de bicicletas existente en la ciudad de Cuenca. b) Realizar un buffer de 400m desde el límite de cada sector de planeamiento c) Intersectar la capa de red de bicicletas con la capa buffer, luego, mediante una suma en la calculadora de campos, contar las rutas de Sí: V13 ≥ 1; ciclovía que fueron intersectadas. V14_E ≥ 1 c) Calcular V13 con respecto al número de escuela; o, rutas de bicicletas que fueron intersectadas. V14_P ≥ 1 a) Mapa de la red de bicicletas existente en la parada de bus; o, V14_S ciudad de Cuenca. ≥ 10 b) Cargar mapas de escuelas y centros de empleo, paradas de transporte público y de servicios. servicios afines a la vivienda. No: V13 = 0; c) Realizar un buffer a 100m de las redes de V14_E = 0 bicicletas. escuelas; o, d) Utilizando la herramienta seleccionar por V14_P = 0 paradas de localización, identificar los puntos de escuelas, paradas y servicios que conecte la bus; o, V14_S < 10 servicios red, dentro del buffer de 100m. e) Realizar un buffer de 4000m desde el afines a la límite de los sectores de planificación y luego vivienda intersectar con la capa de ciclovías Tal vez: f) A las rutas intersectadas realizar un buffer Todas las de 100m demás g) A través de la herramienta "Contar puntos opciones en un polígono" contar los puntos de escuelas, paradas y servicios que conecten las redes de bicicletas, determinadas en V13. h) Calcular V14 respecto al número de escuelas (V14_E), paradas de bus (V14_P) o servicios afines a la vivienda (V14_S) que conecte la red.

Fuente: Elaboración propia.

ANEXOS

Tabla A2. 4. Métodos y criterios de evaluación para los Indicadores sostenibles seleccionados de la Categoría Ambiente del vecindario.

Ambiente del barrio

Cód.I

I11-A

Indicador

Isla de calor

Cód.V

V15

Unid

Método utilizado

Criterios de evaluación

a) Mapa de OpenStreetMap, descargar los polígonos de parques, bosques, cuerpos de agua y áreas verdes de la ciudad de Cuenca. b) Intersectar las áreas de superficies verdes y superficies de agua existentes con los sectores de planeamiento, y luego sumar las áreas por cada sector. c) Calcular V15 respecto de la relación entre las superficies verdes y la superficie total de cada sector de planeamiento, expresado en %.

Sí: V15 ≥ 10% No: V15 < 10%

Fuente: Elaboración propia.

ANEXOS

ANEXO 3 # -*- coding: utf-8 -*""" Generated by ArcGIS ModelBuilder on : 2022-01-27 15:47:15 """ import arcpy def Modelo_EvaSost(): # Modelo_EvaSost # To allow overwriting outputs change overwriteOutput option to True. arcpy.env.overwriteOutput = False # Check out any necessary licenses. arcpy.CheckOutExtension("spatial") arcpy.CheckOutExtension("ImageAnalyst") Sec_Tesis_10 = "Sec_Tesis_10" # Process: Add Field I1_E (Add Field) (management) Sec_Tesis_10_1_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I1_E", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (Calculate Field) (management) I1_E = arcpy.management.CalculateField(in_table=Sec_Tesis_10_1_, field="I1_E", expression="I1(!V1!, !V2!)", expression_type="PYTHON3", code_block="""def I1(V1, V2): if (V1==0 and V2==0): return 2 elif (V1>0 and V2>0): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I1_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I1_HotSpots" Results_Field, Probability_Field, Source_ID = arcpy.stats.HotSpots(Input_Feature_Class=I1_E, Input_Field="I1_E", Output_Feature_Class=I1_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I2_E (Add Field) (management) Sec_Tesis_10_2_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I2_E", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (2) (Calculate Field) (management) I2_E = arcpy.management.CalculateField(in_table=Sec_Tesis_10_2_, field="I2_E", expression="I2(!V3!)", expression_type="PYTHON3", code_block="""def I2(V3): if (V3==0): return 2 elif (V3>0): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (2) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I2_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I2_HotSpots" Results_Field_2_, Probability_Field_2_, Source_ID_2_ = arcpy.stats.HotSpots(Input_Feature_Class=I2_E, Input_Field="I2_E", Output_Feature_Class=I2_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I3_E (Add Field) (management) Sec_Tesis_10_3_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I3_E", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (3) (Calculate Field) (management) I3_E = arcpy.management.CalculateField(in_table=Sec_Tesis_10_3_, field="I3_E", expression="I3(!V2!,!V4!)", expression_type="PYTHON3", code_block="""def I3(V2,V4): if (V2==0 and V4==2): return 2 elif (V2>0 and V4==0): return 0 else: return 1 """, field_type="TEXT")[0]

ANEXOS

100

# Process: Hot Spot Analysis (Getis-Ord Gi*) (3) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I3_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I3_HotSpots" Results_Field_3_, Probability_Field_3_, Source_ID_3_ = arcpy.stats.HotSpots(Input_Feature_Class=I3_E, Input_Field="I3_E", Output_Feature_Class=I3_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I4_E (Add Field) (management) Sec_Tesis_10_4_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I4_E", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (4) (Calculate Field) (management) I4_E = arcpy.management.CalculateField(in_table=Sec_Tesis_10_4_, field="I4_E", expression="I4(!V2!, !V5!)", expression_type="PYTHON3", code_block="""def I4(V2, V5): if (V2==0 and V5==2): return 2 elif (V2>0 and V5==0): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (4) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I4_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I4_HotSpots" Results_Field_4_, Probability_Field_4_, Source_ID_4_ = arcpy.stats.HotSpots(Input_Feature_Class=I4_E, Input_Field="I4_E", Output_Feature_Class=I4_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I5_E (Add Field) (management) Sec_Tesis_10_5_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I5_E", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (6) (Calculate Field) (management) I5_E = arcpy.management.CalculateField(in_table=Sec_Tesis_10_5_, field="I5_E", expression="I5(!V6!)", expression_type="PYTHON3", code_block=""" def I5(V6): if (V6==0): return 2 elif (V6>0): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (5) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I5_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I5_HotSpots" Results_Field_5_, Probability_Field_5_, Source_ID_5_ = arcpy.stats.HotSpots(Input_Feature_Class=I5_E, Input_Field="I5_E", Output_Feature_Class=I5_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I6_E (Add Field) (management) Sec_Tesis_10_6_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I6_E", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (7) (Calculate Field) (management) I6_E = arcpy.management.CalculateField(in_table=Sec_Tesis_10_6_, field="I6_E", expression="I6(!V4!,!V7!,!V8!,!V9!)", expression_type="PYTHON3", code_block="""def I6(V4, V7, V8, V9): if (V4==2 and V7>=3 and V8>=3 and V9>=35): return 2 elif (V4==0 and V7<3 and V8<3 and V9<35): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (6) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I6_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I6_HotSpots" Results_Field_6_, Probability_Field_6_, Source_ID_6_ = arcpy.stats.HotSpots(Input_Feature_Class=I6_E, Input_Field="I6_E", Output_Feature_Class=I6_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I7_I (Add Field) (management)

ANEXOS

101

Sec_Tesis_10_7_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I7_I", field_type="SHORT", field_precision=None, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (11) (Calculate Field) (management) I7_I = arcpy.management.CalculateField(in_table=Sec_Tesis_10_7_, field="I7_I", expression="I7(!V10!)", expression_type="PYTHON3", code_block="""def I7(V10): if (V10>=1): return 2 elif (V10==0): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (7) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I7_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I7_HotSpots" Results_Field_7_, Probability_Field_7_, Source_ID_7_ = arcpy.stats.HotSpots(Input_Feature_Class=I7_I, Input_Field="I7_I", Output_Feature_Class=I7_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I8_I (Add Field) (management) Sec_Tesis_10_8_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I8_I", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (12) (Calculate Field) (management) I8_I = arcpy.management.CalculateField(in_table=Sec_Tesis_10_8_, field="I8_I", expression="I8(!V2!, !V6!)", expression_type="PYTHON3", code_block="""def I8(V2, V6): if (V2==0 and V6==0): return 2 elif (V2>0 and V6>0): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (8) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I8_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I8_HotSpots" Results_Field_8_, Probability_Field_8_, Source_ID_8_ = arcpy.stats.HotSpots(Input_Feature_Class=I8_I, Input_Field="I8_I", Output_Feature_Class=I8_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I9_I (Add Field) (management) Sec_Tesis_10_9_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I9_I", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (13) (Calculate Field) (management) I9_I = arcpy.management.CalculateField(in_table=Sec_Tesis_10_9_, field="I9_I", expression="I9(!V7!,!V8!,!V9!)", expression_type="PYTHON3", code_block="""def I9(V7, V8, V9): if (V7>=3 and V8>=3 and V9>=35): return 2 elif (V7<3 and V8<3 and V9<35): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (9) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I9_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I9_HotSpots" Results_Field_9_, Probability_Field_9_, Source_ID_9_ = arcpy.stats.HotSpots(Input_Feature_Class=I9_I, Input_Field="I9_I", Output_Feature_Class=I9_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I10_T (Add Field) (management) Sec_Tesis_10_10_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I10_T", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (5) (Calculate Field) (management) I10_T = arcpy.management.CalculateField(in_table=Sec_Tesis_10_10_, field="I10_T", expression="I10(!V11!,!V12!)", expression_type="PYTHON3", code_block="""def I10(V11, V12): if (V11>=1 and V12<=15): return 2 elif (V11==0 and V12>15): return 0 else: return 1

ANEXOS

102

""", field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (10) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I10_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I10_HotSpots" Results_Field_10_, Probability_Field_10_, Source_ID_10_ = arcpy.stats.HotSpots(Input_Feature_Class=I10_T, Input_Field="I10_T", Output_Feature_Class=I10_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I11_T (Add Field) (management) Sec_Tesis_10_11_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I11_T", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (8) (Calculate Field) (management) I11_T = arcpy.management.CalculateField(in_table=Sec_Tesis_10_11_, field="I11_T", expression="I11(!V13!,!V14_E!,!V14_P!,!V14_S!)", expression_type="PYTHON3", code_block="""def I11(V13, V14_E, V14_P, V14_S): if (V13>=1) and (V14_E>=1 or V14_P>=1 or V14_S>=10): return 2 elif (V13==0) and (V14_E==0 or V14_P==0 or V14_S<10): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (11) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I11_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I11_HotSpots" Results_Field_11_, Probability_Field_11_, Source_ID_11_ = arcpy.stats.HotSpots(Input_Feature_Class=I11_T, Input_Field="I11_T", Output_Feature_Class=I11_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field I12_A (Add Field) (management) Sec_Tesis_10_12_ = arcpy.management.AddField(in_table=Sec_Tesis_10, field_name="I12_A", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (9) (Calculate Field) (management) I12_A = arcpy.management.CalculateField(in_table=Sec_Tesis_10_12_, field="I12_A", expression="I12(!V15!)", expression_type="PYTHON3", code_block="""def I12(V15): if (V15>=10): return 2 elif (V15<10): return 0 else: return 1 """, field_type="TEXT")[0] # Process: Hot Spot Analysis (Getis-Ord Gi*) (12) (Hot Spot Analysis (Getis-Ord Gi*)) (stats) I12_HotSpots = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\I12_HotSpots" Results_Field_12_, Probability_Field_12_, Source_ID_12_ = arcpy.stats.HotSpots(Input_Feature_Class=I12_A, Input_Field="I12_A", Output_Feature_Class=I12_HotSpots, Conceptualization_of_Spatial_Relationships="FIXED_DISTANCE_BAND", Distance_Method="EUCLIDEAN_DISTANCE", Standardization="ROW", Distance_Band_or_Threshold_Distance=None, Self_Potential_Field="", Weights_Matrix_File="", Apply_False_Discovery_Rate__FDR__Correction="NO_FDR", number_of_neighbors=None) # Process: Add Field GiBin Reclass I1 (Add Field) (management) I1_HotSpots_2_ = arcpy.management.AddField(in_table=I1_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I1 (Calculate Field) (management) I1_HotSpots_Reclass = arcpy.management.CalculateField(in_table=I1_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block=""" def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0]

ANEXOS

103

# Process: Feature to Raster (Feature to Raster) (conversion) Raster_I1 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I1" arcpy.conversion.FeatureToRaster(in_features=I1_HotSpots_Reclass, field="GiBin_Reclass", out_raster=Raster_I1, cell_size="4") Raster_I1 = arcpy.Raster(Raster_I1) # Process: Add Field GiBin Reclass I2 (Add Field) (management) I2_HotSpots_2_ = arcpy.management.AddField(in_table=I2_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I2 (Calculate Field) (management) I2_HotSpots_Reclass = arcpy.management.CalculateField(in_table=I2_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (2) (Feature to Raster) (conversion) Raster_I2 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I2" arcpy.conversion.FeatureToRaster(in_features=I2_HotSpots_Reclass, field="GiBin_Reclass", out_raster=Raster_I2, cell_size="4") Raster_I2 = arcpy.Raster(Raster_I2) # Process: Add Field GiBin Reclass I3 (Add Field) (management) I3_HotSpots_2_ = arcpy.management.AddField(in_table=I3_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I3 (Calculate Field) (management) I3_HotSpots_Reclass = arcpy.management.CalculateField(in_table=I3_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0""", field_type="TEXT")[0] # Process: Feature to Raster (3) (Feature to Raster) (conversion) Raster_I3 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I3" arcpy.conversion.FeatureToRaster(in_features=I3_HotSpots_Reclass, field="GiBin_Reclass", out_raster=Raster_I3, cell_size="4") Raster_I3 = arcpy.Raster(Raster_I3) # Process: Add Field GiBin Reclass I4 (Add Field) (management) I4_HotSpots_2_ = arcpy.management.AddField(in_table=I4_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I4 (Calculate Field) (management) I4_HotSpots_3_ = arcpy.management.CalculateField(in_table=I4_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0):

ANEXOS

104

return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (4) (Feature to Raster) (conversion) Raster_I4 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I4" arcpy.conversion.FeatureToRaster(in_features=I4_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I4, cell_size="4") Raster_I4 = arcpy.Raster(Raster_I4) # Process: Add Field GiBin Reclass I5 (Add Field) (management) I5_HotSpots_2_ = arcpy.management.AddField(in_table=I5_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I5 (Calculate Field) (management) I5_HotSpots_3_ = arcpy.management.CalculateField(in_table=I5_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (5) (Feature to Raster) (conversion) Raster_I5 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I5" arcpy.conversion.FeatureToRaster(in_features=I5_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I5, cell_size="4") Raster_I5 = arcpy.Raster(Raster_I5) # Process: Add Field GiBin Reclass I6 (Add Field) (management) I6_HotSpots_2_ = arcpy.management.AddField(in_table=I6_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I6 (Calculate Field) (management) I6_HotSpots_3_ = arcpy.management.CalculateField(in_table=I6_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (6) (Feature to Raster) (conversion) Raster_I6 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I6" arcpy.conversion.FeatureToRaster(in_features=I6_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I6, cell_size="4") Raster_I6 = arcpy.Raster(Raster_I6) # Process: Weighted Sum (Weighted Sum) (sa) Categoria_E = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\CategoriaE" Weighted_Sum = Categoria_E

ANEXOS

105

Categoria_E = arcpy.sa.WeightedSum(in_rasters=[[Raster_I1, "VALUE", 13,1], [Raster_I2, "VALUE", 12,1], [Raster_I3, "VALUE", 11,9], [Raster_I4, "VALUE", 11,5], [Raster_I5, "VALUE", 10,2], [Raster_I6, "VALUE", 7,8]]) Categoria_E.save(Weighted_Sum) # Process: Add Field GiBin Reclass I7 (Add Field) (management) I7_HotSpots_2_ = arcpy.management.AddField(in_table=I7_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I7 (Calculate Field) (management) I7_HotSpots_3_ = arcpy.management.CalculateField(in_table=I7_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (7) (Feature to Raster) (conversion) Raster_I7 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I7" arcpy.conversion.FeatureToRaster(in_features=I7_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I7, cell_size="4") Raster_I7 = arcpy.Raster(Raster_I7) # Process: Add Field GiBin Reclass I8 (Add Field) (management) I8_HotSpots_2_ = arcpy.management.AddField(in_table=I8_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I8 (Calculate Field) (management) I8_HotSpots_3_ = arcpy.management.CalculateField(in_table=I8_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (8) (Feature to Raster) (conversion) Raster_I8 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I8" arcpy.conversion.FeatureToRaster(in_features=I8_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I8, cell_size="4") Raster_I8 = arcpy.Raster(Raster_I8) # Process: Add Field GiBin Reclass I9 (Add Field) (management) I9_HotSpots_2_ = arcpy.management.AddField(in_table=I9_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I9 (Calculate Field) (management) I9_HotSpots_3_ = arcpy.management.CalculateField(in_table=I9_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4

ANEXOS

106

elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (9) (Feature to Raster) (conversion) Raster_I9 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I9" arcpy.conversion.FeatureToRaster(in_features=I9_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I9, cell_size="4") Raster_I9 = arcpy.Raster(Raster_I9) # Process: Weighted Sum (2) (Weighted Sum) (sa) Categoria_I = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\CategoriaI" Weighted_Sum_2_ = Categoria_I Categoria_I = arcpy.sa.WeightedSum(in_rasters=[[Raster_I7, "VALUE", 20,3], [Raster_I8, "VALUE", 19,4], [Raster_I9, "VALUE", 12,1]]) Categoria_I.save(Weighted_Sum_2_) # Process: Add Field GiBin Reclass I10 (Add Field) (management) I10_HotSpots_2_ = arcpy.management.AddField(in_table=I10_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I10 (Calculate Field) (management) I10_HotSpots_3_ = arcpy.management.CalculateField(in_table=I10_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (10) (Feature to Raster) (conversion) Raster_I10 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I10" arcpy.conversion.FeatureToRaster(in_features=I10_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I10, cell_size="4") Raster_I10 = arcpy.Raster(Raster_I10) # Process: Add Field GiBin Reclass I11 (Add Field) (management) I11_HotSpots_2_ = arcpy.management.AddField(in_table=I11_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Reclas 7 clases I11 (Calculate Field) (management) I11_HotSpots_3_ = arcpy.management.CalculateField(in_table=I11_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (11) (Feature to Raster) (conversion) Raster_I11 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I11"

ANEXOS

107

arcpy.conversion.FeatureToRaster(in_features=I11_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I11, cell_size="4") Raster_I11 = arcpy.Raster(Raster_I11) # Process: Weighted Sum (3) (Weighted Sum) (sa) Categoria_T = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Categoria_T" Weighted_Sum_3_ = Categoria_T Categoria_T = arcpy.sa.WeightedSum(in_rasters=[[Raster_I10, "VALUE", 23,7], [Raster_I11, "VALUE", 16,1]]) Categoria_T.save(Weighted_Sum_3_) # Process: Add Field GiBin Reclass I12 (Add Field) (management) I12_HotSpots_2_ = arcpy.management.AddField(in_table=I12_HotSpots, field_name="GiBin_Reclass", field_type="SHORT", field_precision=2, field_scale=None, field_length=None, field_alias="", field_is_nullable="NULLABLE", field_is_required="NON_REQUIRED", field_domain="")[0] # Process: Calculate Field (10) (Calculate Field) (management) I12_HotSpots_3_ = arcpy.management.CalculateField(in_table=I12_HotSpots_2_, field="GiBin_Reclass", expression="Reclas7(!Gi_Bin!)", expression_type="PYTHON3", code_block="""def Reclas7(Gi_Bin): if (Gi_Bin==-3): return 1 elif (Gi_Bin==-2): return 2 elif (Gi_Bin==-1): return 3 elif (Gi_Bin==0): return 4 elif (Gi_Bin==1): return 5 elif (Gi_Bin==2): return 6 elif (Gi_Bin==3): return 7 else: return 0 """, field_type="TEXT")[0] # Process: Feature to Raster (12) (Feature to Raster) (conversion) Raster_I12 = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Raster_I12" arcpy.conversion.FeatureToRaster(in_features=I12_HotSpots_3_, field="GiBin_Reclass", out_raster=Raster_I12, cell_size="4") Raster_I12 = arcpy.Raster(Raster_I12) # Process: Weighted Sum (4) (Weighted Sum) (sa) Categoria_A = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Categoria_A" Weighted_Sum_4_ = Categoria_A Categoria_A = arcpy.sa.WeightedSum(in_rasters=[[Raster_I12, "VALUE", 40]]) Categoria_A.save(Weighted_Sum_4_) # Process: Weighted Sum (5) (Weighted Sum) (sa) Sost_Global = "G:\\Otros ordenadores\\Mi MacBook Pro\\Google Drive\\DATOS EDITADOS_T_M_SIG\\ArchivoModeloArcGIS\\Modelo\\Default.gdb\\Sost_Global" Weighted_Sum_5_ = Sost_Global Sost_Global = arcpy.sa.WeightedSum(in_rasters=[[Categoria_E, "VALUE", 22,2], [Categoria_I, "VALUE", 20,3], [Categoria_T, "VALUE", 17,9], [Categoria_A, "VALUE", 9,6]]) Sost_Global.save(Weighted_Sum_5_) if __name__ == '__main__': # Global Environment settings with arcpy.EnvManager(scratchWorkspace=r"G:\Otros ordenadores\Mi MacBook Pro\Google Drive\DATOS EDITADOS_T_M_SIG\ArchivoModeloArcGIS\Modelo\Default.gdb", workspace=r"G:\Otros ordenadores\Mi MacBook Pro\Google Drive\DATOS EDITADOS_T_M_SIG\ArchivoModeloArcGIS\Modelo\Default.gdb"): Modelo_EvaSost()

ANEXOS

108