Creacion - Capas - Raster

13/4/2020 volaya.github.io/libro-sig/chapters/Creacion_capas_raster.
html
Creación de capas ráster

El formato ráster es la base para un gran numero de algoritmos de análisis. No obstante, una buena parte de los métodos de
obtención de información geográfica no generan capas ráster con una estructura regular, sino información distribuida de forma
irregular. La creación de una estructura regular a partir de datos irregularmente distribuidos se lleva a cabo mediante métodos
diversos, entre los cuales tienen especial presencia los métodos de interpolación.
En este capítulo estudiaremos estos métodos, tanto aquellos que utilizan exclusivamente la variable a interpolar como aquellos que
se basan en métodos estadísticos y permiten la incorporación de variables de apoyo. Por último, veremos cómo utilizar la
información tomada en puntos aislados para generar capas ráster de densidad. Con todo ello, sentaremos la base para la creación
de capas ráster a partir de información vectorial.
Para seguir el capítulo debes dominar los conceptos básicos de la estadística espacial (Capítulo Estadistica_espacial), así como de
estadística general, pues ambas se usan con cierta profundidad en gran parte de los desarrollos a tratar.
Introducción
Una buena parte de los análisis geográficos se realizan sobre capas en formato ráster. Estas, por sus propias características, se prestan
mejor a cierto tipo de análisis, y la implementación de estos resulta más sencilla, por lo que lo habitual es encontrarlos
implementados para ser empleados con capas ráster.
La información de la que disponemos no siempre se encuentra en este formato, pero ello no significa necesariamente que no
podamos utilizarla. A partir de información en otros formatos podemos generar capas ráster (este proceso lo denominaremos
rasterización) que reúnan las características para ser analizadas mediante dichos algoritmos. El problema es en todos los casos la
creación de una estructura regular a partir de información que no es regular, tal como la contenida en un TIN, una capa de polígonos,
una de líneas, o una capa de valores puntuales.
Si disponemos de una capa de polígonos y estos cubren la totalidad del territorio, este proceso no es difícil. Basta ver dentro de qué
polígono cae la coordenada que define cada celda, y asignar a esta el valor de uno de los atributos de la capa de polígonos, el cual
contenga la variable a recoger en la capa ráster. En el caso del TIN es similar, ya que cada uno de los triángulos permite el cálculo de
valores en sus puntos, y puede igualmente establecerse una relación entre estos y las celdas de una malla ráster que cubra el mismo
espacio geográfico.
Si tenemos una capa de líneas la cosa no es muy distinta. Basta ver por qué celdas pasan esas líneas y asignar el valor de estas a
dichas celdas. Pueden existir ambigüedades a la hora de considerar cuánto ha de recorrer una linea a través de una celda para
considerar que pasa por esta y asignarle el valor correspondientes, como se muestra en la figura 1. No obstante, y salvando estos
aspectos, no resulta difícil rasterizar una capa de líneas y tener una capa ráster válida.
Formas distintas de rasterizar una línea en función del criterio empleado.
(1)
Por último, para el caso de una capa de puntos, la conversión en una capa ráster es aún más sencilla. Basta con asignar los
correspondientes valores a aquellas celdas en las que se sitúen los puntos. Las restantes, y puesto que no existe información al
respecto, deberán llevar el valor que codifica la ausencia de datos.
Sin embargo, estas formas de rasterización pueden no ser idóneas según las circunstancias. En los dos últimos casos (líneas y
puntos), y especialmente para el caso de puntos, la situación que se recoge en la capa ráster puede no ser la óptima para el análisis, y
volaya.github.io/libro-sig/chapters/Creacion_capas_raster.html 1/19
13/4/2020 volaya.github.io/libro-sig/chapters/Creacion_capas_raster.html
realmente no estaremos aprovechando las capacidades del modelo de datos ráster a pesar de haber llevado a cabo una conversión.
Por ejemplo, si las líneas que rasterizamos son curvas de nivel, van a indicar la elevación en las mismas. Fuera de ellas, la capa ráster
generada no tendrá datos, pero en realidad esas celdas sí que tienen una elevación concreta. Del mismo modo sucede si medimos esa
elevación en una serie de puntos en lugar de en líneas y después rasterizamos la capa, o si medimos cualquier otra variable en un
número dado de localizaciones puntuales y hacemos lo propio.
Para aprovechar la buena disposición del modelo ráster para el análisis, y especialmente en el caso de variables continuas, debemos
tener una capa que contenga información en todas sus celdas, incluso si originalmente solo hemos medido los valores de la variable
estudiada en una serie de celdas. Será en base a los valores de esas celdas como obtengamos posteriormente los valores en las
restantes.
Los métodos de interpolación que veremos en este capítulo permiten rellenar esas celdas restantes a partir de los valores puntuales
conocidos, realizando estimaciones. Para ello, aplican conceptos de estadística espacial más o menos complejos según su
formulación particular, de tal modo que los puntos cercanos a cada celda son los que determinan el valor estimado de esta. Este
hecho es una aplicación directa de la ley de Tobler, que establece que los puntos cercanos tiene mayor probabilidad de tener valores
similares que aquellos separados por una distancia mayor.
En términos generales, un método de interpolación es una herramienta que permite el cálculo del valor de una variable en una
coordenada para la cual dicho valor no es conocido, a partir de los valores conocidos para otra serie de coordenadas. En el caso
particular de la creación de una capa ráster, las coordenadas (x, y) donde han de calcularse los valores desconocidos son los centros
de las celdas sin dato recogido.
El número de métodos distintos es muy amplio, y es importante reseñar que la bondad o no de uno u otro va ligada no solo al método
en sí, sino también a la variable interpolada y al uso que se dé posteriormente a la capa resultante.
La aplicación de los métodos de interpolación es, asimismo, muy diversa. Casos habituales son, por ejemplo, la realizada a partir de
datos de elevación tomados en campo mediante GPS o estación total, o de los datos climatológicos de precipitación y temperatura
registrados en los observatorios de una red. Resulta imposible recoger valores para cada una de las celdas de una capa ráster que
cubra el territorio a estudiar, pero estas variables, por ser continuas, se manejarán mejor y serán más útiles si se dispone de ellas en
formato ráster. Los métodos de interpolación son los encargados de convertir esos datos puntuales en mallas regulares.
Otro ejemplo claro es la realización de calicatas para la medida de las propiedades del suelo tales como porcentajes de arcilla o limo.
Resulta de igual modo inviable muestrear todo el suelo, pero tomando un numero dado de muestras puede crearse una capa ráster de
toda una zona a través del uso de métodos de interpolación.
En general, cualquier variable recogida mediante muestreo puede ser el punto de partida para la aplicación de dichos métodos.
En algunos de los casos anteriores, los valores en las celdas guardan una dependencia no solo con los puntos que contienen la
variable interpolada, sino también con otras variables de las que puede o no disponerse de información. Por ejemplo, para el caso de
la temperatura, esta se encuentra influenciada por la elevación. De igual modo, las características del suelo tendrán relación con
parámetros del relieve tales como la pendiente o índices relacionados con la humedad topográfica (Capítulo Geomorfometria).
Estas variables, que denominamos variables de apoyo o predictores, puede incorporarse como datos de partida a algunos métodos de
interpolación, aumentando así su precisión. En general, se requiere que dichas variables de apoyo estén recogidas en formato ráster.
Asimismo, pueden plantearse análisis de regresión mediante los cuales, y sin necesidad de utilizar la componente espacial, puedan
estimarse los valores en las celdas problema a partir de los valores de la variable en los puntos conocidos y los valores de los
predictores tanto en dichos puntos como en las celdas a rellenar.
Junto con lo anterior, la información de una determinada variable cuantitativa tomada en ciertos puntos puede servir para estimar
densidades de dicha variable (tales como, por ejemplo, individuos de una especie) y crear superficies continuas. Este análisis se lleva
a cabo no con métodos de interpolación o regresión, sino con otra serie de algoritmos habituales en los SIG que veremos al final del
capítulo.
Interpolación
Un método de interpolación permite el calculo de valores en puntos no muestreados, a partir de los valores recogidos en otra serie de
puntos.
Supongamos el siguiente ejemplo sencillo:
Los cuatro puntos señalados han sido muestreados y se dispone de un valor en ellos. Adviértase que no han de encontrarse
necesariamente en el centro de las celdas. Queremos estimar los valores en las celdas de la malla, en particular en la celda marcada
con un interrogante.
La lógica nos indica que el valor en esta celda debe estar alrededor de 10, ya que este valor sigue la tendencia natural de los valores
recogidos, que tiene todos ellos un valor de esa magnitud. Si aplicamos cualquiera de los métodos de interpolación que veremos a
continuación, el valor que obtengamos será con seguridad muy aproximado a esa cifra.
Otro ejemplo sería el siguiente:
En este caso, la lógica nos indica que el valorá ser inferior a 10, y también probablemente a la media de los valores muestrales (9), ya
que la celda problema se sitúa más cerca de los valores inferiores que de los superiores a ese valor medio. Razonando de este modo,
aplicamos el hecho de que la proximidad incrementa la semejanza de valores. Es decir, que existe autocorrelación espacial para la
variable interpolada.
El caso siguiente ya es algo distinto:
En este caso, no parece tan sencillo «adivinar» el valor que corresponde. Esto es así no porque las operaciones sean más complejas,
sino porque no existe de la misma forma que en los ejemplos anteriores la autocorrelación espacial de la variable, y esa lógica no
resulta tan obvia. Utilizando los distintos métodos de interpolación, puede ser que estos den valores distintos, ya que se comportarán
de forma diferente ante tal situación.
Estos sencillos ejemplos numéricos tienen como objetivo el dar otra imagen distinta de lo que el proceso de interpolación conlleva, y
que puede resultar más intuitivo al analizarlo sobre un conjunto reducido de puntos. A pesar de sus diferencias, grandes en muchos
casos, todos parten de ideas comunes que lo único que pretenden es replicar de forma lo más precisa posible un campo a partir de un
conjunto definido de puntos con valores de este.
Existen muchos métodos de interpolación, de los cuales algunos cuentan con más presencia en los SIG por estar más adaptados al
tipo de dato que se maneja. Su aplicación habitual dentro de un SIG es bidimensional, ya que una capa ráster es una entidad
bidimensional. Hablamos, por ello, de interpolación espacial. No obstante, estos métodos no han de restringirse al plano, y pueden
extenderse a un numero superior de dimensiones para reflejar otras variables tales como la profundidad (por ejemplo, para construir
un modelo tridimensional de las características del suelo entre dos profundidades establecidas y con un intervalo dado), o bien el
tiempo.
Podemos clasificar los distintos métodos de interpolación según varios criterios [Burrough1986Oxford].
Según los puntos considerados para el cálculo de valores. Algunos métodos consideran que todos los puntos de los que
disponemos tienen influencia sobre el valor a calcular en una celda. Estos modelos se conocen como globales. En otros,
denominados locales, solo se considera un conjunto restringido de estos. Este conjunto puede establecerse por medio de un
umbral de distancia (todos los situados a una distancia menor que el umbral), de conteo (los n puntos más cercanos), o bien
ambos.
La selección de este conjunto de puntos más cercanos (los de más influencia) es un aspecto importante en el rendimiento de
los métodos de interpolación de este tipo. Cuando se trabaja con un número de puntos elevado, se hace inviable el cálculo de
las distancias entre todos esos puntos para seleccionar los más cercanos. El uso de índices espaciales y otras estructuras
semejantes (véase Indices_espaciales) se hace necesario para poder aplicar eficientemente estos métodos de interpolación
sobre dichos conjuntos con tal número de puntos.
En realidad, un método global puede entenderse como uno local con un umbral infinito, no existiendo una dicotomía estricta
entre ambas clases.
Según su valor en los puntos de partida. En algunos métodos, denominados exactos, los valores asignados a las coordenadas
correspondientes a los puntos de origen son exactamente los recogidos en dichos puntos. En los métodos aproximados, el valor
en esas celdas es el que corresponde al mejor ajuste, y no ha de coincidir necesariamente con el valor original.
Según la inclusión o no de elementos probabilísticos. Diferenciamos entre métodos estocásticos (aquellos que emplean
elementos probabilísticos) y métodos determinísticos (aquellos que no los emplean).
Por vecindad
El método más sencillo de interpolación es el de vecindad o vecino más cercano. En él se asigna directamente a cada celda el valor
del punto más cercano. No existe formulación matemática que emplee las distancias entre puntos o los valores de estos, sino que el
valor resultante es sencillamente el del punto más próximo.
Se trata, por tanto, de un método local, exacto y determinístico.
El resultado es una capa con saltos abruptos (tanto como lo sean las diferencias entre los valores de puntos cercanos), con un aspecto
«aterrazado» (Figura 2). El conjunto de celdas con el mismo valor (dentro de la misma terraza) representa el lugar geométrico de las
celdas cuyo punto más cercano de entre los de partida es uno dado.
Superficie obtenida mediante interpolación por vecindad.
(2)
La interpolación por vecindad no es adecuada para el trabajo con variables continuas, pero sí para variables categóricas. Por ejemplo,
para un conjunto de puntos cada uno de los cuales esté identificado con un código numérico, la interpolación por vecindad de ese
valor da como resultado una capa donde los valores de las celdas identifican el punto más cercano. Esto puede utilizarse para
calcular la influencia de cada uno de ellos en el espacio representado.
Este tipo de razonamientos ha sido empleado tradicionalmente para calcular los denominados polígonos de Thiessen, de uso habitual
en el análisis climatológico, asociando a cada zona los valores de la estación meteorológica más cercana. Estos polígonos de
Thiessen conforman una estructura conocida como teselación de Voronoi, que puede también calcularse de forma vectorial, como
veremos en el capítulo Creacion_capas_vectoriales. La teselación de Voronoi está íntimamente ligada a la denominada triangulación
de Delaunay, base para la construcción de TIN como en su momento detallaremos.
Métodos basados en ponderación por distancia
Los métodos basados en ponderación por distancia son algoritmos de interpolación de tipo local, aproximados y determinísticos. El
valor en una coordenada dada se calcula mediante una media ponderada de los puntos de influencia seleccionados (bien sea la
selección por distancia o por número de estos). Su expresión es de la forma [Shepard1968ACM]
n k
∑ pi z
i=1 i
ẑ = (3)
n k
∑ p
i=1 i
siendo pi el peso asignado al punto i--ésimo. Este peso puede ser cualquier función dependiente de la distancia.
La función más habitual es la que da lugar al método de ponderación por distancia inversa, de la forma
1
pi = (4)
k
d
i
donde el exponente k toma habitualmente el valor 2.
Otra función habitual es la de la forma

−kd i
pi = e (5)
así como la que constituye el método de decremento lineal, con la siguiente expresión:
di
k
pi = 1 − ( ) (6)
dmax
donde k es un parámetro que regula la forma de la función y dmax la distancia máxima de influencia.
En la figura 7 puede verse el efecto del aumento de la distancia sobre los pesos asignados según las ecuaciones 4 y 6.
Variación del peso asignado en función de la distancia mediante ponderación por distancia inversa (trazo punteado) y
decremento lineal (trazo continuo) para valores k = 1 , k = 2 y k = 3 .
(7)
La figura 8 muestra la superficie calculada a partir de datos puntuales de elevación aplicando el método de ponderación por distancia
inversa.
Superficie obtenidas mediante ponderación por distancia inversa
(8)
Los métodos basados en ponderación por distancia solo tienen en cuenta el alejamiento, pero no la posición. Es decir, un punto
situado a una distancia d hacia el Norte tiene la misma influencia que uno situado a esa misma distancia d pero hacia el Oeste.
Igualmente, los métodos basados en distancia no generan valores que se encuentren fuera del rango de valores de los datos de
entrada. Eso causa efectos indeseados en caso de que el muestro de datos no recoja los puntos característicos de la superficie
interpolada. La figura 9 muestra en un caso unidimensional cómo, de no recogerse los valores extremos (tales como cimas o valles),
estos desaparecen y son sustituidos por tramos llanos
La interpolación basada en ponderación por distancia (a) no crea valores extremos si estos no han sido recogidos, lo cual
deriva en un «aplanamiento» de la superficie y la aparición de falsas terrazas. Otros métodos tales como los splines (b)
sí que permiten la aparición de valores fuera del rango muestreado.
(9)
Puede entenderse el método de vecino más cercano como un caso particular de método ponderado por distancia, en el que se emplea
un único punto de influencia, y su peso asignado es p1 = 1 .
Ajuste de funciones. Superficies de tendencia

El ajuste de funciones es un método de interpolación determinístico o estocástico (según el tipo de función a ajustar), aproximado y
global. Puede aplicarse de forma local, aunque esto resulta menos habitual. Dado el conjunto completo de los puntos de partida, se
estima una superficie definida por una función de la forma
ẑ = f(x, y) (10)
El ajuste de la función se realiza por mínimos cuadrados.
Estas funciones son de tipo polinómico, y permiten el cálculo de parámetros en todas las celdas de la capa ráster. Por su propia
construcción, requieren pocas operaciones y son rápidos de calcular. Sin embargo, esta sencillez es también su principal
inconveniente. Los polinomios de grado cero (plano constante), uno (plano inclinado), dos (colina o depresión) o tres, son todos ellos
demasiado simples, y las variables continuas que pueden requerir un proceso de interpolación dentro de un SIG son por lo general
mucho más complejas. Pueden emplearse polinomios de mayor grado que aumentan la precisión del ajuste en los puntos de partida.
Sin embargo, aumenta por igual la oscilación de la función entre puntos, mostrando un mal comportamiento con grados elevados, y
no obteniéndose en ningún caso la fidelidad a la superficie real que se logra con otros métodos..
La fígura 11 muestra superficies con valores de elevación obtenidos mediante ajuste polinómico de grados dos y cinco.
Superficies obtenidas mediante interpolación por ajuste polinómico de segundo (a) y quinto (b) grado.
(11)
El empleo de funciones de ajuste permite incorporar otras variables adicionales hi mediante funciones de la forma
ẑ = f(x, y, h1 , … , hn ) (12)
Esto posibilita la incorporación de variables de apoyo (predictores) que pueden tener una influencia en la variable interpolada,
considerando así no únicamente la posición de los distintos puntos, sino los valores en ellos de dichas variables de apoyo. Para todas
las celdas a rellenar, se dispone de sus coordenadas (x, y) , que son las del centro de la celda. Si se añaden variables de apoyo, es
necesario conocer los valores de estas variables también en todas las celdas, para de este modo aplicar la función estimada. Por ello,
estas variables de apoyo tienen que encontrarse igualmente en formato ráster.
Si bien en muchos casos la superficie interpolada puede no reflejar con precisión una variable, puede emplearse para considerar el
efecto de tendencias globales en la distribución de esta. Una variable puede estar condicionada por efectos globales y efectos locales.
Puesto que el ajuste de una función polinómica tal y como lo hemos visto aquí es un interpolador global, permite la separación de
estos dos tipos de efectos. Este proceso constituye el empleo de las denominadas superficies de tendencia.
Supongamos una capa de temperatura. Esta dependerá de la altura, pero también de la latitud. Existe, por tanto, una tendencia global:
a mayor latitud (supóngase hemisferio norte), menor temperatura. Esta se puede modelizar con una función lineal, y separar el efecto
de ambos factores, altitud y latitud (Figura 13). El efecto local puede entenderse como el residuo de primer orden de la superficie
interpolada.
Separación de una variable en un efecto debido a una tendencia geográfica (en este caso en forma de plano inclinado con
valores mayores la zona este) y un efecto local.
(13)
En la aplicación de predictores debe tenerse en cuenta el principio de parsimonia: mantener el modelo lo más simple posible. La
incorporación de nuevos predictores, si estos se encuentran significativamente correlacionados, conlleva un aumento de la
multicolinearidad [Myers1990PWS]. Esta circunstancia da lugar a un sobreajuste de la función y empeora la calidad de las
estimaciones, especialmente en la predicción de datos fuera del área delimitada por los puntos de partida, es decir, la extrapolación.
Un caso particular de las funciones del tipo señalado en la ecuación 12 son las de la forma
ẑ = f(h1 , … , hn ) (14)
es decir, aquellas que no consideran la componente geográfica y simplemente realizan una regresión en el espacio de atributos.
Puesto que existe autocorrelación espacial, en el caso de considerar el espacio geográfico resulta más conveniente el uso de mínimos
cuadrados generalizados en lugar de mínimos cuadrados ordinarios. En el capítulo Estadistica_avanzada veremos con más detalle los
temas relacionados con regresiones e inferencia estadística basada en datos espaciales.
Curvas adaptativas (Splines)

Las curvas adaptativas o splines conforman una familia de métodos de interpolación exactos, determinísticos y locales. Desde un
punto de vista físico pueden asemejarse a situar una superficie elástica sobre el área a interpolar, fijando esta sobre los puntos
conocidos. Crean así superficies suaves, cuyas características pueden regularse modificando el tipo de curva empleada o los
parámetros de esta, de la misma forma que sucedería si se variasen las cualidades de esa membrana ficticia.
La superficie creada cumple la condición de minimizar con carácter global alguna propiedad tal como la curvatura.
Desde un punto de vista matemático, los splines son funciones polinómicas por tramos, de tal modo que en lugar de emplear un
único polinomio para ajustar a todo un intervalo, se emplea uno distinto de ellos para cada tramo. Las curvas definidas por estos
polinomios se enlazan entre ellas en los denominados nudos, cumpliendo unas condiciones particulares de continuidad.
Los splines no sufren los principales defectos de los dos métodos anteriores. Por un lado, pueden alcanzar valores fuera del rango
definido por los puntos de partida. Por otro, el mal comportamiento de las funciones polinómicas entre puntos se evita incluso al
utilizar polinomios de grados elevados. No obstante, en zonas con cambios bruscos de valores (como por ejemplo, dos puntos de
entrada cercanos pero con valores muy diferentes), pueden presentarse oscilaciones artificiales significativas. Para solucionar este
problema, una solución es el empleo de splines con tensión [Schweikert1966JMP]. La incorporación de la tensión en una dirección
permite añadir anisotropía al proceso de interpolación [Mitasova1993MathGeo].
La figura 15 muestra una superficie calculada mediante interpolación con splines.
Superficie obtenida mediante interpolación con splines.
(15)
Kriging
El kriging es un método de interpolación estocástico, exacto, aplicable tanto de forma global como local. Se trata de un método
complejo con una fuerte carga (geo--)estadística, del que existen además diversas variantes.
El kriging se basa en la teoría de variables regionalizadas, la cual fue desarrollada por [Matheron1963EcoGeo] a partir del trabajo
pionero de [Krige1951MsC]. El objetivo del método es ofrecer una forma objetiva de establecer la ponderación óptima entre los
puntos en un interpolador local. Tal interpolación óptima debe cumplir los siguientes requisitos, que son cubiertos por el kriging:
El error de predicción debe ser mínimo.

Los puntos cercanos deben tener pesos mayores que los lejanos.
La presencia de un punto cercano en una dirección dada debe restar influencia (enmascarar) a puntos en la misma dirección
pero más lejanos.
Puntos muy cercanos con valores muy similares deben «agruparse», de tal forma que no aparezca sesgo por sobremuestreo.
La estimación del error debe hacerse en función de la estructura de los puntos, no de los valores.
Junto con la superficie interpolada, el kriging genera asimismo superficies con medidas del error de interpolación, que pueden
emplearse para conocer la bondad de esta en las distintas zonas.
En su expresión fundamental, el kriging es semejante a un método basado en ponderación por distancia. Dicha expresión es de la
forma
n
ẑ = ∑ z i Λi (16)
i=1
siendo Λi los pesos asignados a cada uno de los puntos considerados. El cálculo de estos pesos, no obstante, se realiza de forma más
compleja que en la ponderación por distancia, ya que en lugar de utilizar dichas distancias se acude al análisis de la autocorrelación a
través del variograma teórico (Variogramas). Por ello se requiere, asimismo, que exista un número suficiente de puntos (mayor de
50, como se vio en el capítulo Estadistica_espacial) para estimar correctamente el variograma.
A partir de los valores del variograma, se estima un vector de pesos que, multiplicado por el vector de valores de los puntos de
influencia, da el valor estimado.
En el denominado kriging ordinario, e interpolando para un punto p empleando n puntos de influencia alrededor de este, el
antedicho vector de pesos se calcula según
w1 γ(d11 ) ⋯ γ(d1n ) 1 γ(d1p )

⎛ ⎞ ⎛ ⎞⎛ ⎞
⎜ w2 ⎟ ⎜ γ(d21 ) ⋯ γ(d2n ) 1 ⎟ ⎜ γ(d

2p ) ⎟
⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ ⎟ = ⎜ ⎟⎜ ⎟ (17)
⋮ ⋮ ⋱ ⋮ 1⎟⎜ ⋮
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜w ⎟ ⎜ γ(d 1 ⎟ ⎜ γ(d )⎟
n n1 ) ⋯ γ(dnn ) np
⎝ ⎠ ⎝ ⎠⎝ ⎠
λ 1 ⋯ 1 0 1
siendo dij la distancia entre los puntos i y j, y λ un multiplicador de Lagrange.
El error esperado en la estimación también se obtiene, como se dijo antes, a partir de la estructura de los puntos. Es decir, utilizando
igualmente el variograma. Para ello se emplean los pesos calculados anteriormente, según
n
2
Sp = ∑ wi γ(dip ) + λ (18)
i=1
La aplicación del kriging ordinario implica la asunción de una serie de características de los datos:
Estacionaridad de primer y segundo orden. La media y la varianza son constantes a lo largo del área interpolada, y la
covarianza depende únicamente de la distancia entre puntos.
Normalidad de la variable interpolada.
Existencia de una autocorrelación significativa.
La figura 19 muestra una superficie obtenida mediante kriging ordinario, junto a la capa de varianzas asociada.
Superficie obtenida mediante interpolación por kriging ordinario y capa de varianzas. Nótese que, para lograr una
representación visual mejor, la vista 3D tiene una orientación contraria a la vista 2D.
(19)
Cuando no puede asumirse la estacionariedad de primer orden y existen una tendencia marcada en el valor medio esperado en los
distintos puntos, puede aplicarse un tipo de kriging denominado kriging universal. Además de los valores a interpolar y sus
coordenadas, este método permite el uso de predictores relacionados con dicha tendencia.
El kriging con regresión es similar en cuanto a sus resultados e ideas, aunque la forma de proceder es distinta. Mientras que en el
universal se trabaja con los residuos y la superficie de tendencia conjuntamente, este separa ambas partes y las analiza por separado,
combinándolas después para estimar los valores y los errores asociados.
Existen muchas otras variaciones del kriging tales como el kriging simple, el kriging por bloques o el co--kriging. La aplicación de
los mismos, no obstante, es restringida debido a que no es tan frecuente su implementación. Los SIG habituales implementan por
regla general las variantes básicas anteriores, quedando las restantes para programas mucho más especializados.
Muestreo de datos para interpolación

Muchas veces, la información de la que disponemos la obtenemos de una fuente ajena y no queda más remedio que emplearla tal y
como la recibimos. Tal es el caso de una curvas de nivel digitalizadas de un mapa clásico (no podemos disponer de más curvas
porque no existen en el mapa original), o de unos datos de observatorios meteorológicos (no podemos densificar esa red y disponer
de datos medidos en otros puntos).
En otras ocasiones, sin embargo, los datos pueden no haber sido tomados aún y debe plantearse un esquema para ello. Es decir, que
ese conjunto finito de puntos a partir de los cuales obtener una superficie interpolada puede ser creado a voluntad, siempre que nos
mantengamos dentro del marco de limitaciones (temporales, monetarias, etc.) existentes. El diseño del muestreo de forma eficiente
ayuda de forma directa a obtener mejores resultados al interpolar los datos recogidos. Este diseño de muestreo puede realizarse no
solo para obtener un conjunto de datos base, sino para enriquecer uno ya existente, ampliándolo con nuevos puntos.
El objetivo de un muestreo espacial es poder inferir nueva información acerca de una población en la que sus distintos elementos
están georreferenciados, a partir de un subconjunto de dicha población. La razón de llevar a cabo el muestreo es la imposibilidad de
analizar todos los miembros de la población, ya que estos pueden ser muy numerosos (como en el caso de todos los habitantes de un
país) o infinitos (como sucede para variables continuas tales como elevaciones o temperaturas).
Aunque el uso de un muestreo no es exclusivamente la interpolación posterior de sus datos para obtener una superficie continua, sí
que es cierto que la interpolación se ha de basar en un muestreo previo, por lo que ambos conceptos van íntimamente unidos. Por
ello, analizaremos en esta sección algunas de las ideas fundamentales que deben conocerse para diseñar un muestreo, y que
directamente condicionan la calidad de la interpolación aplicada sobre el conjunto de puntos muestreados.
Lógicamente, el trabajar con una fracción reducida de la población introduce un cierto nivel de error. Ese error puede controlarse y
acotarse mediante el diseño del muestreo. Por ello, a la hora de diseñar un muestreo deben plantearse principalmente las siguientes
preguntas [Haining2003Cambridge]:
¿Qué se pretende estimar? Algunas propiedades no poseen componente espacial, y lo importante es el cuánto, no el dónde. Por
ejemplo, la media de una variable. En el caso de la interpolación, sí es de gran importancia el dónde, puesto que, como ya
sabemos, existe autocorrelación espacial y esta es utilizada como concepto inherente a los distintos métodos de interpolación.
¿Que tamaño de muestreo (número n de muestras) se necesita para un nivel de precisión dado? El error esta acotado en
función de los puntos muestrales. En algunos casos se necesita realizar una estimación con un alto grado de precisión, y dentro
de un amplio intervalo de confianza. En otros, sin embargo, no es necesario, y plantear un muestreo demasiado amplio supone
un gasto innecesario de recursos.
¿Dónde tomar esas n muestras? Por la existencia de autocorrelación espacial o por la variación espacial que pueden presentar
otras variables relacionadas, una de las partes más importantes del muestreo es determinar la localización exacta en la que
tomar las muestras. Existen tres modelos básicos de muestreo: aleatorio, estratificado y regular (Figura 20)
Tipos de muestreo. a) regular, b) aleatorio, c) estratificado
(20)
El muestreo aleatorio simplemente sitúa los puntos de muestreo al azar sin obedecer a ningún condición particular. Si se
desconoce el comportamiento de la variable muestreada, un muestreo aleatorio puede ser una buena opción.
El muestreo regular sitúa puntos a intervalos fijos, constituyendo lo que se conoce como una malla de muestreo.
Por último, el muestreo estratificado requiere la presencia de una variable adicional relacionada. Si esta variable se encuentra
zonificada, podemos subdividir el muestreo haciendo uso de las distintas zonas. Por ejemplo, si muestreamos una serie de
parcelas donde estudiamos la altura media de sus árboles y disponemos de información sobre el tipo de suelo, podemos
muestrear por separado para los distintas clases de suelo, ya que este tiene influencia sobre el crecimiento de los pies. Esto
aumenta la precisión del muestreo, ya que en lugar de una única población heterogénea, se tienen un numero de
subpoblaciones más homogéneas, en virtud de la agrupación según un factor común.
Los diseños pueden combinarse para obtener resultados más satisfactorios. Por ejemplo, puede hacerse un diseño estratificado
y en cada uno de los estratos (cada zona definida por la variable adicional) plantear un muestreo regular con un tamaño
particular de malla o incluso con un número de puntos a muestrear distinto en cada estrato.
Aplicando conjuntamente todo lo anterior debe tratar de diseñarse un muestreo que cumpla con lo siguiente:
Explicar la variabilidad de la variable lo mejor posible. Por ejemplo, en el caso de plantear un muestreo que complemente a
uno previo, ya se dispone de información acerca de la variable muestreada. Esta puede emplearse para distribuir
adecuadamente los nuevos puntos de muestreo, aplicando que, por ejemplo, se necesitan más muestras en zonas de alta
variabilidad.
El empleo de los denominados muestreos pilotos es una herramienta para conocer en primera aproximación las propiedades de
la variable a estudiar y diseñar el muestreo acorde con estas.
Ser representativa. Esta representatividad debe ser tanto en el espacio de atributos como en el espacio geográfico, según puede
verse en la figura 21
El muestreo a) es representativo en el espacio de atributos pero no en el geográfico. El b), sin embargo, es representativo
en el espacio geográfico pero no en el de atributos.
(21)
Esta figura muestra también algunas de las principales debilidades que pueden encontrarse en los distintos métodos de diseño de
muestreo. Si la variable exhibe un comportamiento periódico, un muestreo regular puede enmascarar la existencia de dicha
periodicidad y no ser representativo en el espacio de atributos. Ese es el caso del ejemplo a). En general, si existe algún tipo de orden
oculto en la variable a analizar, debe tenerse cuidado a la hora de emplear muestreos sistemáticos, para evitar estos fenómenos. En el
caso de ejemplo a), aunque no es un muestreo sistemático, la estructura de los puntos muestrales es bastante regular, lo que provoca
que no se obtenga la representatividad en el espacio de atributos, dada la estructura periódica de la variable en el eje x.
En el ejemplo b) el muestreo no es representativo del espacio geográfico ya que el diseño deja grandes áreas sin ser muestreadas.
Esto puede suceder al emplear muestreos aleatorios, ya que estos, por su propia aleatoriedad, pueden generar estructuras que dejen
amplias zonas sin ser muestreadas o con una intensidad de muestreo insuficiente.
Elección del método adecuado
Junto a los métodos de interpolación que hemos visto, que son los más comunes y los implementados habitualmente, existen otros
muchos que aparecen en determinados SIG tales como los de vecino natural [Sibson1981Wiley], interpolación picnofiláctica
[Tobler1979JASA], u otros. Además de esto, cada uno de dichos métodos presenta a su vez diversas variantes, con lo cual el
conjunto global de metodologías es realmente extenso. A partir de un juego de datos distribuidos irregularmente, la creación de una
malla ráster regular es, pues, una tarea compleja que requiere para empezar la elección de un método concreto. Este proceso de
elección no es en absoluto sencillo.
No existe un método universalmente establecido como más adecuado en todas situaciones, y la elección se ha de fundamentar en
diversos factores. Al mismo tiempo, un método puede ofrecer resultados muy distintos en función de los parámetros de ajuste, con lo
que no solo se ha de elegir el método adecuado, sino también la forma de usarlo. Entre los factores a tener en cuenta para llevar esto
a cabo, merecen mencionarse los siguientes:
Las características de la variable a interpolar. En función del significado de la variable, las características de un método
pueden ser adecuadas o no. Si, por ejemplo, interpolamos valores de precipitación máxima anual, no es adecuado utilizar
aquellos métodos que suavicen excesivamente la superficie resultante, ya que se estarían perdiendo los valores extremos que,
por la naturaleza del valor interpolado, son de gran interés.
Las características de la superficie a interpolar. Si conocemos a priori algunas características adicionales de la superficie
resultante, algunos métodos permiten la incorporación de estas características. Por ejemplo, variaciones bruscas en puntos de
discontinuidad tales como acantilados en el caso de interpolar elevaciones, son aplicables mediante la imposición de barreras
con métodos como el de distancia inversa, pero no con otros como el kriging.
La calidad de los datos de partida. Cuando los datos de partida son de gran precisión, los métodos exactos pueden tener más
interés, de cara a preservar la información original. Si, por el contrario, sabemos que los datos de partida contienen mucho
ruido, aquellos métodos que suavizan el resultado tal como el kriging son preferibles, de cara a atenuar el efecto de dicho
ruido.
El rendimiento de los algoritmos. Algunos algoritmos como los basados en distancia son rápidos y requieren un tiempo de
proceso aceptable incluso en conjuntos de datos de gran tamaño. Otros, como el kriging, son mucho más complejos y el
tiempo de proceso es elevado. A esto hay que sumar la configuración propia del método, con lo que crear una capa ráster con
algunos métodos puede llevar mucho más tiempo que con otros y requerir un esfuerzo mayor.
El conocimiento de los métodos. Por obvio que parezca, debe conocerse bien el significado del método para poder aplicarlo.
Un método de gran complejidad como el kriging exige una solida base de conceptos geoestadísticos para su aplicación. Más
aún, el elevado número de ajustes que requiere y la alta sensibilidad del método a la variación de estos valores refuerza lo
anterior.
La figura 22 muestra tres capas interpoladas mediante kriging a partir de un conjunto de puntos. El empleo de distintos ajustes
y variogramas(lógicamente, no todos correctos) da lugar a capas completamente diferentes. Si no se emplea correctamente, un
método de interpolación puede producir resultados carentes de sentido, que aunque dan lugar a una capa con datos en todas sus
celdas, dichos datos pueden no ser adecuados.
Distintos resutlados obtenidos por kriging a partir de un mismo juego de puntos, utilizando diferentes ajustes.
(22)
Pese a lo anterior, el kriging es utilizado habitualmente sin considerar estos aspectos, obteniéndose resultados aparentemente
correctos pero con frecuencia erróneos. La experiencia del usuario es un elemento clave en la aplicación de métodos de
interpolación, y debe ponerse gran énfasis en este aspecto.
No debe olvidarse tampoco que algunos métodos asumen que se dan ciertas condiciones de los datos de partida, y esto puede
no ser cierto, o bien requerirse algún tipo de transformación para que así suceda. Es necesario siempre comprobar que se dan
estos supuestos.
El uso de la capa resultante. No es lo mismo utilizar un MDE para crear una vista 3D con una fotografía aérea, que
emplearlo para crear una ortofoto. Los requerimientos de calidad en el primer caso son menores, tan solo de tipo visual, y
cualquiera de los métodos puede sernos válido. Aplicar una metodología compleja y laboriosa como el kriging quizás no sea la
mejor opción en este caso, y sí lo sea el empleo de una ponderación por distancia.
Elección de las características de la capa resultante

Los métodos que hemos visto en este capítulo no imponen restricciones sobre la distribución o el número puntos de entrada (si bien
el kriging, por ejemplo, exige un cierto número de puntos para un ajuste fiable del variograma teórico), ni tampoco sobre las
características de la capa ráster resultante. No obstante, resulta claro que existe una relación directa entre ambas, y que la capacidad
de un conjunto de valores puntuales para generar una capa ráster es limitada.
En la práctica, a partir de cualquier capa de puntos podemos obtener cualquier capa ráster, ya que pueden siempre calcularse los
valores en las celdas. Si aplicamos algunos conceptos cartográficos e ideas básicas de teoría de la información, esto es, no obstante,
incorrecto, existiendo unas características idóneas para la capa ráster interpolada, fuera de las cuales no es adecuado interpolar.
Vimos en Modelo_raster que la resolución horizontal o tamaño de celda era uno de los parámetros básicos que definían las
características de una capa ráster. Existiendo relación entre los puntos de origen y la capa interpolada a partir de ellos, debe existir
por igual una relación entre la distribución espacial de los valor puntuales y dicho tamaño de celda, pues ambos elementos definen la
precisión con que se recoge la variable estudiada.
Cuando el número de puntos no es suficiente para ello, crear una capa con una resolución alta (tamaño de celda pequeño) equivale a
generar un resultado cartográficamente incorrecto. Por el contrario, interpolar con un tamaño de celda demasiado grande supone
estar «desperdiciando» parte de la información de partida, lo cual, en el caso de trabajar sobre un muestreo realizado específicamente
para ello, implica un malgasto de medios materiales y humanos en la recogida de datos. La elección del tamaño de celda adecuado
es, por tanto, fundamental en el proceso de interpolación.
Los conceptos que vamos a ver a este respecto pueden emplearse tanto para estimar el tamaño de celda de la capa a interpolar, como
para ayudar en el diseño del muestro previo a la creación de esta. Así, si conocemos de antemano (por ejemplo, por el uso que le
vamos a dar) las características de la capa que necesitamos generar, podemos diseñar de forma más correcta el muestreo haciendo
uso de estas ideas.
[Hengl2006CG] argumenta que el tamaño de celda adecuado de una capa ráster es función de la escala, la capacidad de proceso, la
precisión posicional, la densidad de muestreo, la correlación espacial existente y la complejidad de la superficie a interpolar. Según
estos conceptos, define tamaños mínimos y máximos de celda para cada circunstancia y cada factor considerado de los anteriores.
Asimismo, recomienda una solución de compromiso entre los citados valores extremos.
Para la densidad de muestreo, se considera que, por ejemplo para la toma de datos de suelo, por cada centímetro cuadrado del mapa
debe existir al menos una muestra [Avery1987Soil]. Aplicando los conceptos que vimos en Escala, se llega a una resolución óptima
−−−
A
Δs = 0.0791√ (23)
N
siendo A el área de la zona a interpolar y N el número de puntos disponibles.
Si, en lugar de lo anterior, aplicamos criterios basados en la disposición geométrica de los puntos, se llega a un valor
−−−
A
Δs = 0.5√ (24)
N
La gran diferencia existente entre este tamaño recomendado y el anterior se debe al hecho de que este último es válido únicamente
para patrones de puntos completamente regulares. En el caso de patrones aleatorios o agregados se deben aplicar consideraciones
distintas. Por ejemplo, para el caso de un patrón agregado, la distancia media entre puntos es aproximadamente la mitad de la
existente en un patrón regular con el mismo número de puntos. Por ello, la anterior fórmula quedaría como
−
−−
A
Δs = 0.25√ (25)
N
Aunque resulta imposible dar una cifra exacta para la resolución óptima considerando todos los factores implicados, valores
recomendados como los anteriores son de gran utilidad para poder al menos tener una idea del intervalo en el que el tamaño de celda
a escoger debe encontrarse. Sin constituir «recetas» infalibles a la hora de elegir un tamaño de celda, constituyen herramientas útiles
que deben considerarse antes de interpolar un conjunto de puntos.
Para información más detallada puede visitarse la Web [HenglSpatialAnalyst], donde pueden es posible además descargar materiales
adicionales.
Comprobación del ajuste. Validación
Algunos métodos como el kriging dan una estimación del error además de la capa de valores interpolados. En los métodos
aproximados tales como el ajuste de funciones polinómicas, puede calcularse el residuo cuadrático según
2
ε = (ẑ − z) (26)
Es decir, como el cuadrado de la diferencia entre el valor real y el estimado.
En los métodos exactos, por propia definición, este valor es cero, lo cual no quiere decir, lógicamente, que la capa interpolada sea
«perfecta» (lo es, pero solo en los puntos de partida), ni que no pueda llevarse a cabo una validación.
Una forma habitual de proceder es, si se dispone de un juego grande de datos (con muchos puntos), «reservar» algunos de ellos para
una validación posterior. Se interpola así una capa a partir de la mayor parte de ese conjunto, y se comprueba la diferencia entre los
valores estimados en los puntos restantes y los valores medidos en los mismos. Los valores estimados no han sido influenciados por
los valores reales en dichos puntos, ya que no se han empleado en la interpolación.
Si no disponemos de un conjunto de datos de validación y el juego de datos disponible es reducido y no podemos separar una parte
de él para validar el resultado, podemos llevar a cabo un proceso de validación cruzada. En este proceso, se calculan por
interpolación puntos en cada una de las coordenadas de los puntos de muestreo, empleando en cada caso todos los puntos restantes.
De esta forma, obtenemos un conjunto de pares de valores con los valores reales y estimados en cada punto, que podemos mostrar en
una gráfica como la de la figura 27. De igual modo, podemos efectuar un análisis de regresión y obtener la expresión de la recta de
ajuste, el coeficiente de correlación de esta o el residuo medio cuadrático. El valor representativo en este caso, no obstante, es la
propia expresión de la función. En caso de un ajuste perfecto, la recta debe ser de la forma y = x , por lo que resulta interesante
representar esta recta ideal para poder comparar.
Validación cruzada previa de datos puntuales para interpolación.
(27)
Densidad
Además de los métodos de interpolación, hay otro tipo de operaciones que pueden realizarse sobre capas de puntos, y que dan como
resultado capas ráster.
Supongamos el siguiente caso. Se tiene una capa de puntos como la de la figura 29 que indica los registros de observación de una
determinada especie. Si queremos crear un mapa de densidad de individuos, nos encontramos en un caso similar al que implica la
interpolación: la carencia de datos a lo largo de todo el espacio. En este caso, al igual que entonces, podemos aplicar formulaciones
específicas para calcular dicha densidad.
Como se vio en el apartado Analisis_patrones_puntos, la densidad representa la intensidad (propiedad de primer orden) del patrón de
puntos, que es una realización concreta del proceso de puntos que lo ha generado.
Por simplicidad, ignoraremos por el momento los atributos asociados a cada punto. Es decir, consideraremos únicamente el dato
espacial, que nos dice que en las coordenadas del punto ha sido observada una especie. Asociando a cada punto un área de influencia
(por ejemplo, el radio de movimiento conocido de la especie), podemos calcular la capa de densidad de esta sin más que contar en
cada celda el número de puntos observados cuyo área de influencia incluye a dicha celda, y dividiendo después por la superficie del
área de influencia.
La figura 28 muestra un ejemplo sencillo con la áreas de influencia de dos únicos puntos. Donde ambas áreas intersecan, la densidad
es, lógicamente, mayor. Las celdas que no están en el área de influencia de ningún punto tienen un valor de densidad nulo.
Esquema del cálculo de densidades utilizando un área de influencia fija.
(28)
La elección del área de influencia afecta directamente al resultado obtenido, tal como puede verse en la figura 29, que muestra dos
capas de densidad calculadas para distintos radios de influencia.
Capas de densidad a partir de una capa de puntos. El tamaño del radio de influencia en (b) es el doble que en (a).
(29)
Se asume por defecto que el área de influencia es circular (mismo alcance de dicha influencia en todas direcciones), y que es la
misma para todos los puntos.
En realidad, puede entenderse la creación de una capa de densidades como un histograma bidimensional, siendo por tanto una
función de probabilidad.
La pertenencia o no al área de influencia de cada punto es una función discontinua. Para crear capas de densidad con transiciones
suaves, pueden utilizarse funciones distintas de modo que la influencia varíe con la distancia de forma continua.
En estadística, una función núcleo o núcleo (kernel) es una función de densidad bivariante y simétrica, empleada en la estimación de
funciones de densidad de probabilidad de variables aleatorias. El caso anterior en el que todos puntos de la ventana de influencia
tienen el mismo peso es un caso particular de núcleo, pero existen muchos otros que dan lugar a estimaciones no discontinuas.
La teoría acerca de este tipo de funciones y su uso no se desarrollará aquí, pudiendo consultarse, por ejemplo, en
[Silverman1986Chapman].
Un núcleo de uso frecuente es el mostrado en la figura 31, denominado gaussiano, cuya aplicación resulta en capas suavizadas y
continuas (Figura 32), y cuya expresión es
2
2
h
k(h) = (1 − ) ∀h ≤ r (30)
2
r
donde h es la distancia al punto y r el radio máximo de influencia.
Comparación entre una función núcleo constante (en trazo punteado) y un núcleo gaussiano (en trazo continuo) para un
radio de influencia r = 2 .
(31)
Como puede observarse comparando las figuras 29 y 32, la diferencia entre el uso de uno u otro núcleo es notable, pero la
utilización de radios distintos, independientemente del método empleado, da lugar a resultados muy diferenciados. El radio de
influencia máxima es, pues, el parámetro más importante en la estimación de densidades, y debe seleccionarse de acuerdo con la
distribución de los puntos muestrales.
Capas de densidad a partir de una capa de puntos mediante nucleo gaussiano. El tamaño del radio de influencia en (b) es
el doble que en (a).
(32)
Además de emplear las coordenadas de cada punto para la estimación de densidad, pueden ponderarse estos con los atributos de cada
uno de ellos. Así, partiendo de una capa de puntos que represente núcleos poblacionales, para cada uno de los cuales se disponga de
su número de habitantes, puede obtenerse una capa de densidad de población. O, en el caso de los puntos que representan
observaciones de individuos de una especie, recoger en estos puntos no solo el hecho de que se ha producido un avistamiento, sino
cuántos de ellos.
La figura 33 muestra un ejemplo del cálculo de densidades si se emplea ponderación de los puntos.
Esquema del cálculo de densidades utilizando un área de influencia fija y ponderación según valores. El punto inferior
derecho tiene un peso p = 2 , mientras que el superior izquierdo un peso p = 1 .
(33)
En el caso por ejemplo de las observaciones de una especie, la capa de densidad nos da igualmente una medida de la probabilidad de
encontrar esa especie en cada celda. El cálculo de estas probabilidades es la base para el desarrollo de modelos predictivos más
complejos. Estos modelos incluyen la utilización de variables de apoyo, así como muestreos no solo de presencia, sino también de
ausencia.
Resumen
La información vectorial, en particular la disponible en forma de puntos, puede convertirse en capas ráster a través del uso de
métodos de interpolación. Estos permiten calcular valores en puntos no muestreados, a partir de valores recogidos en una serie de
puntos. De este modo, se puede asignar un valor a cada celda de una capa ráster, y crear una representación continua de la variable
recogida en los puntos de muestreo.
Existen muchos métodos de interpolación distintos, entre los que cabe destacar los siguientes por su implementación habitual en los
SIG:
Vecino más cercano

Ponderación por distancia
Ajuste de polinomios
Curvas adaptativas
Kriging
La elección del método a emplear debe realizarse en función del tipo de datos a interpolar, las características de estos, y los
requerimientos y usos previstos de la capa resultante, entre otros factores. Asimismo, es importante elegir una resolución de celda
adecuada y, en caso que los puntos de muestreo no vengan dados a priori, diseñar un muestreo óptimo.
Empleando métodos de validación y validación cruzada, puede comprobarse la bondad de ajuste de la capa interpolada y la validez
de los datos de partida y el modelo empleado.
Junto con los métodos de interpolación, el calculo de densidades permite igualmente la creación de capas ráster a partir de datos
puntuales.
Portada
Índice
capítulo
Índice
general
ÍNDICE GENERAL
Introducción
Parte 1. Fundamentos
Introducción. ¿Qué es un SIG?
Historia de los SIG
Fundamentos cartográficos y geodésicos
Parte 2. Datos
Introducción. ¿Con qué trabajo en un SIG?
Modelos para la información geográfica
Fuentes principales de datos espaciales
La calidad de los datos espaciales
Bases de datos
Parte 3. Analisis
Introducción. ¿Qué puedo hacer con un SIG?
Conceptos básicos para el análisis espacial
Consultas y operaciones con bases de datos
Estadísticas espaciales
Creación de capas raster
Álgebra de mapas
Geomorfometría y análisis del terreno
Procesado de imágenes
Creación de capas vectoriales
Operaciones geométricas con capas vectoriales
Costes, distancias y áreas de influencia
Más estadística espacial
Parte 4. Tecnología
Introducción. ¿Cómo son las aplicaciones SIG?
Herramientas de escritorio
Clientes y servidores remotos. Web mapping
SIG movil
Parte 5. Visualización
Introducción. Los SIG como herramientas de visualización
Conceptos básicos de visualización y representación
El mapa y la comunicación cartográfica
La visualización en términos SIG
Parte 6. Factor organizativo
Introducción. ¿Cómo se organiza un SIG?
Infraestructuras de Datos Espaciales
Metadatos
Estándares

Creacion - Capas - Raster

Cargado por

Copyright:

Formatos disponibles

Creacion - Capas - Raster

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Creacion - Capas - Raster

Cargado por

Copyright:

Formatos disponibles

13/4/2020 volaya.github.io/libro-sig/chapters/Creacion_capas_raster.

Creación de capas ráster

Formas distintas de rasterizar una línea en función del criterio empleado.

Supongamos el siguiente ejemplo sencillo:

Otro ejemplo sería el siguiente:

El caso siguiente ya es algo distinto:

Se trata, por tanto, de un método local, exacto y determinístico.

Superficie obtenida mediante interpolación por vecindad.

Métodos basados en ponderación por distancia

donde el exponente k toma habitualmente el valor 2.

Otra función habitual es la de la forma

Superficie obtenidas mediante ponderación por distancia inversa

Ajuste de funciones. Superficies de tendencia

El ajuste de la función se realiza por mínimos cuadrados.

Curvas adaptativas (Splines)

La figura 15 muestra una superficie calculada mediante interpolación con splines.

Superficie obtenida mediante interpolación con splines.

El error de predicción debe ser mínimo.

w1 γ(d11 ) ⋯ γ(d1n ) 1 γ(d1p )

⎜ w2 ⎟ ⎜ γ(d21 ) ⋯ γ(d2n ) 1 ⎟ ⎜ γ(d

siendo dij la distancia entre los puntos i y j, y λ un multiplicador de Lagrange.

Muestreo de datos para interpolación

Tipos de muestreo. a) regular, b) aleatorio, c) estratificado

Elección del método adecuado

Elección de las características de la capa resultante

siendo A el área de la zona a interpolar y N el número de puntos disponibles.

Comprobación del ajuste. Validación

Es decir, como el cuadrado de la diferencia entre el valor real y el estimado.

Validación cruzada previa de datos puntuales para interpolación.

Esquema del cálculo de densidades utilizando un área de influencia fija.

donde h es la distancia al punto y r el radio máximo de influencia.

Vecino más cercano

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.