Análisis clúster con datos satelitales y sociodemográficos para clasificar el territorio salvadoreño
PDF
EPUB

Palabras clave

SIG
Teledetección
Aprendizaje de máquina
Agrupamiento
Indicadores socioeconómicos

Cómo citar

Carranza, F. A., & Aguilar Munguía, M. R. (2025). Análisis clúster con datos satelitales y sociodemográficos para clasificar el territorio salvadoreño. Investigaciones Latinoamericanas En Ingeniería Y Arquitectura, (2), 45–52. https://doi.org/10.51378/ilia.vi2.9659

Resumen

Este estudio explora la posibilidad de subdividir el área rural de El Salvador en grupos de municipios, donde cada uno tenga sus propias características en cuanto a las variables PIB per cápita, consumo eléctrico per cápita, densidad poblacional, tasa de pobreza y luz nocturna. El estudio se hizo de manera horizontal considerando la distribución espacial de la luz. La luz se obtuvo con el procesamiento de imágenes satelitales en software de Sistemas de Información Geográfica (SIG). Con base en la naturaleza de los datos se optó por la aplicación de técnicas estadísticas avanzadas de clustering que apoyadas en las ventajas de la computación permitieran comparar 1000 posibilidades de clusters cambiando los parámetros de clasificación como el método y la distancia utilizados. El estudio concluye que, a nivel exploratorio, la subdivisión con técnica de cluster jerárquico es posible solo al incorporar la luz nocturna y técnicas avanzadas con t-SNE. Se encontró que el mejor modelo de subterritorios se agrupa en nueve categorías donde dos grupos son principalmente municipios con predominancia urbana y el resto con predominancia rural.

PDF
EPUB

Referencias

Cummings, Andrew et al. (2019). Identification and socioeconomic characterization of functional territories urban-rural in El Salvador, Central America.

Keke Chen Ling Liu Cluster Rendering of Skewed Datasets via Visualization College of Computing, Georgia Institute of Technology.df

Nicoleta Rogovschi; Jun Kitazono; Nistor Grozavu; Toshiaki Omori; Seiichi Ozawa t-Distributed stochastic neighbor embedding spectral clustering 2017.

Martin Wattenberg, Fernando Viégas, Ian Johnson. How to Use t-SNE Effectively From https://distill.pub/2016/misread-tsne/

Chen X, Nordhaus W (2011). Using luminosity data as a proxy for economic statistics. The Proceedings of National Academy of Sciences 108(21): 8589-8594. .

Singhal A, Sahu S, Chattopadhyay S, Mukherjee A, Bhanja SN (2020) Using night time lights to find regional inequality in india and its relationship with economic development.

Laveesh Bhandari y Koel Roychowdhury (2011). Night Lights and Economic Activity in india: A study using DMSP-OLS night time images.

Cruz, L., & Penson, E. (2018). Midiendo el desarrollo de República Dominicana desde el espacio. Ciencia, Economía y Negocios, 2(1), 7-9.

Guerrero, Víctor M., Corona F., Mendoza J.A. (2021). Enfoque de big data para generar y analizar datos de actividad económica en México.

Sokal RR, Rohlf FJ. (1962) The comparison of ds.

Jeroen van den Hoven (2016). Clustering with optimised weights for Gower’s metric. Mobiquity (Amstelveen).

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Derechos de autor 2025 Felipe A. Carranza, Metzi Aguilar Munguía (Autor/a)

Métricas

Cargando métricas ...