Support for querying multiple stochastic variables

3.5.1. Sistemas de información geográfica (SIG).

Un SIG se puede definir como aquel método o técnica de tratamiento de la información geográfica que permite combinar eficazmente información básica para obtener información derivada; es una herramienta capaz de combinar información gráfica (mapas) y alfanumérica (estadísticas) para obtener una información derivada sobre el espacio (López, 2011).

24 Los SIG, cuyos antecedentes datan de varias décadas atrás, se han posicionado como una tecnología básica, imprescindible y poderosa, para capturar, almacenar, manipular, analizar, modelar y presentar datos espacialmente referenciados (Moreno, 2007).

La importancia de los SIG radica en la asociación de información descriptiva (atributos) con información geográfica. Con la utilización de los SIG se tienen los beneficios de poder realizar operaciones de bases de datos, visualización de información espacial y análisis geográfico. Dichos beneficios nos permiten responder a preguntas espaciales que con otro tipo de sistemas sería más difícil responder. Los SIG contribuyen a la toma de decisiones y resolución de problemas (Jiménez, 2010).

El SIG se apoya en los sistemas de posicionamiento global (GPS) para la ubicación. El GPS consta de tres componentes básicos: una constelación de satélites, un equipo receptor de señal y finalmente el usuario. El equipo GPS recibe la señal de radio de los satélites que se encuentran orbitando en el espacio y mediante métodos y rutinas de triangulación logra obtener las coordenadas del punto sobre la Tierra (latitud, longitud y altitud).

A partir de la señal de los satélites el GPS usa el modo de cálculo de distancia y el de triangulación para conocer su posición.

Con el objetivo de que la información arrojada por estos sistemas sea confiable, se debe tener en cuenta la calidad de la información a suministrar. Para ello, se recomienda tres etapas fundamentales, para el desarrollo de modelos espaciales que representen cualquier variable (Moreno, 2007)

1. Análisis exploratorio de datos espaciales. 2. Análisis estructural.

3. Predicción de superficies y valoración de los resultados.

25

3.5.1.1. Análisis exploratorio de datos espaciales

El trabajar con datos producto de algún proceso de medición o conteo y de la captura de los mismos, generalmente producen datos “extraños” que pueden ser resultado de errores de captura, o de las operaciones aritméticas de quienes operan con ellos; por ello, el análisis exploratorio (AED) de datos es un conjunto de técnicas estadísticas cuya finalidad es conseguir un entendimiento básico de los datos y de las relaciones existentes entre la variables analizadas. Para conseguir este objetivo, el AED proporciona métodos sistemáticos sencillos para organizar y preparar los datos, detectar fallos en el diseño y recolección de los mismos, tratamiento y evaluación de datos ausentes (missing) e identificación de casos atípicos (outliers) (CVC, 2006). El análisis exploratorio de los datos determina la calidad de la información a utilizar y por ende la calidad de los resultados obtenidos.

3.5.1.2. Predicción de superficies: interpolación a partir de puntos.

El proceso de interpolación espacial consiste en la estimación de los valores que alcanza una variable Z en un conjunto de puntos definidos por un par de coordenadas (X,Y), partiendo de los valores de Z medidos en una muestra de puntos situados en la misma área de estudio (López, 2011), la estimación de valores fuera del área de estudio se

denomina extrapolación.

Cuando se trabaja con un SIG la interpolación espacial suele utilizarse para obtener capas raster que representan la variable a interpolar. En esos casos cada celda de la

capa raster constituye un punto en el que hay que realizar la interpolación.

Lo más habitual es partir de medidas puntuales (variables climáticas, variables del suelo, etc) o de isolineas (curvas de nivel). Aunque los métodos que se utilizan en uno u otro caso son bastante diferentes, todos los métodos de interpolación se basan en la presunción lógica de que cuanto más cercanos estén dos puntos sobre la superficie terrestre, los valores de cualquier variable cuantitativa que sean medidos en ellos serán más parecidos, en otras palabras, las variables espaciales muestran autocorrelación espacial (Cuartas, 2007).

26 En general cuando se usa un software tipo SIG, éste suministra varios métodos de interpolación y ellos dependen básicamente de la densidad y la distancia entre los puntos de observación (Surfer for Windows, 1994).

Los diferentes métodos de interpolación desarrollados pueden dividirse en dos tipos fundamentales:

1. Métodos globales, utilizan toda la muestra para estimar el valor en cada nuevo punto.

2. Métodos locales, utilizan solo los puntos de muestreo más cercanos.

Interpolación local por Splines: El método de Spline ajusta funciones polinómicas en las

que las variables independientes son X e Y. es similar a una interpolación global mediante regresión, pero ahora esta interpolación se lleva a cabo localmente (López, 2011). En general produce resultados muy buenos con la ventaja de poder modificar una serie de parámetros en función del tipo de distribución espacial a trabajar con la variable de estudio.

La forma de la superficie final va a depender de un parámetro de tensión que hace que el comportamiento de la superficie interpolada tienda a asemejarse a una membrana más o menos tensa o aflojada que pasa por los puntos de observación.

La ventaja fundamental del método Splines respecto a los basados en medias

ponderadas es que, con estos últimos, los valores interpolados nunca pueden ser ni mayores ni menores que los valores de los puntos utilizados para interpolar.