Técnicas y Métodos de Análisis

Espacial
Seminario Análisis Espacial
Nathaly de los Ángeles Mazo
Septiembre 16 de 2010
Consideraciones iníciales para el análisis espacial
Abstracción (Transformación)
• El análisis espacial se vale de
un conjunto de herramientas y
técnicas que sólo pueden dar
respuesta a una parte de la
dinámica del espacio, mas no a
su totalidad.
• El análisis espacial requiere de
una discretización del espacio
(idealización).
• Reducción de del mundo a un
número finito de entidades
geométricas por lo general
como puntos, líneas y
polígonos
• Esto implica una pérdida
inevitable de información
debido a la variabilidad
espacial, la suavización de los
valores y atributos y la
simplificación de los objetos.
Dato espacial
• Las entidades resultantes del
proceso de abstracción
(Transformación) se expresan
como dato espaciales o
georeferenciados
• Los datos espaciales tienen
propiedades, algunas
derivadas de la naturaleza
fundamental de la realidad
geográfica y otras del proceso
de abstracción.
• Deben estar bien definidos
• Ser internamente
homogéneos
• Atributos definidos por una
locación espacial y temporal
determinada
• Se clasifican por el nivel de
medición obtenida: nominal,
ordinal de intervalo o de
razón.
• El nivel de medición determina
qué operaciones se pueden
realizar y qué procedimientos
aplicar
• El nivel de incertidumbre
expresa la calidad de los datos
Matriz de datos espaciales
• Los datos espaciales son
capturadas en una matriz de
origen y destino o Matriz de
datos espaciales
• El modelo de la matriz datos
espaciales, el tipo datos que se
necesitan, la escala y su
configuración, responde al tipo
de preguntas, los problemas
de inferencia y los modelos
espaciales utilizados para
comprender el mundo.
Problema de las Unidades
de Área Modificable
Problema práctico causado por la
escala o la agrupación de los
datos
Está definido por:
– la escala
– la orientación
– el origen de la
regionalización
– el número de zonas
• Efecto de escala: al calcular una
estadística a diferentes escalas,
se obtengan resultados
distintos
• Efecto de la división en zonas: al
reagrupar los datos en sistemas
de zonas diferentes aunque a la
misma escala, se obtengan
distintos valores para una
misma estadística
• Falacia ecológica: al cambiar de
un sistema de zonas a los datos
individuales, el análisis
estadístico da resultados
diferentes
Análisis Espacial
Comprender la distribución espacial de los datos de los fenómenos que
ocurren en el espacio constituye hoy un gran reto para el esclarecimiento de
cuestiones centrales en diversas disciplinas.
Con el uso y aplicación de las TIGs se establece un marco de intercambio que
permite visualizar los distintos procesos que ocurren en el espacio, en un
tiempo determinado, los cuales permiten la visualización espacial de variables
tales como las poblaciones individuales, la calidad de vida o los índices de
ventas de las compañías en una región, mediante el uso de mapas.
Es por esto que la percepción visual de la distribución espacial del fenómeno,
es muy útil para traducir los patrones existentes en consideraciones objetivas
y medibles.
Algunos interrogantes que busca resolver el uso del análisis espacial,
apuntan a identificar:
• Distribución espacial de fenómenos
• Patrones espaciales
• Asociaciones y concentración
• Estimación o predicción
• Elección de variables
Tipos de datos y problemas en el análisis espacial
Fuente: Câmara, Gilberto et all. Spatial Analysis and GIS: A Primer
Conceptos básicos en Análisis Espacial
• Dependencia espacial
La dependencia espacial es un concepto clave en la comprensión y el
análisis de un fenómeno espacial.
“Todo está relacionado con todo lo demás, pero las cosas cercanas están más
relacionadas de cosas lejanas” (Tobler, Waldo).
“La dependencia espacial está presente en todos dirección y se debilita aún más la
dispersión en los aumentos de los datos de localización” (Cressie, Noel).
Donde la mayoría de los acontecimientos, naturales o sociales, se
presentan entre una relación que depende de la distancia.
Conceptos básicos en Análisis Espacial
• Autocorrelación Espacial
La expresión de cálculo del concepto de dependencia espacial es la
autocorrelación espacial. Este término proviene del concepto
estadístico de correlación, que sirve para medir la relación entre dos
variables aleatorias. La preposición "auto" indica que la medición de la
correlación se hace con la misma variable aleatoria, medida en
distintos lugares en el espacio.
Podemos usar diferentes indicadores para medir la autocorrelación
espacial, todos ellos basados en comprobar cómo varía la dependencia
espacial mediante la comparación de los valores de una muestra y de
sus vecinos.
Conceptos básicos en Análisis Espacial
• Inferencia Estadística de Datos Espaciales
Una consecuencia importante de la dependencia espacial es que las
inferencias estadísticas sobre este tipo de datos no son tan eficientes como
en el caso de muestras independientes del mismo tamaño. En otras palabras,
la dependencia espacial lleva a una pérdida de poder explicativo.
Se deben considerar los datos espaciales no como un conjunto de muestras
independientes, sino como una realización de un proceso estocástico. En el
caso de un proceso estocástico todas las observaciones se utilizan de manera
combinada para describir el patrón espacial del fenómeno estudiado. Es
necesario determinar una hipótesis acerca de la estabilidad del proceso
estocástico.
Procesos de Análisis Espacial
El análisis espacial se compone de un conjunto de procedimientos encadenados cuyo
objetivo es elegir un modelo inferencial que considere explícitamente la actual
relación espacial del fenómeno.
Los procedimientos iníciales de análisis incluyen el conjunto de métodos genéricos de
análisis exploratorio y la visualización de datos, en general a través de mapas.
Los modelos espaciales inferenciales se presentan generalmente en tres grandes
grupos:
 Variación continua: Consideran un procesos estocástico cuyos valores pueden ser
conocidos en todos los puntos del área de estudio.
 Variación discreta: Se refieren a la distribución de eventos cuya localización se asocia a las
zonas delimitadas por los polígonos. Objetivo: modelar el patrón de distribución espacial
del fenómeno geográfico.
 Procesos puntuales: Conjunto de puntos distribuidos en un terreno, cuya ubicación fue
generado por un mecanismo estocástico. Objetivo: comprensión del mecanismo
generador de dicha localización.
Consideraciones
• No existe un único o “correcto” modelo o para cada problema.
• Muchas veces será necesario combinar los diferentes enfoques
(procesos puntuales, la variación continua y la variación
discreta) para agregar información al problema estudiado.
• Es por ello que la necesidad de combinar diferentes modelos
inferenciales y tener un sólido conocimiento de las diferentes
técnicas se deriva de la propia naturaleza del espacio
geográfico.
Principales Enfoques del Análisis Espacial
1. Estadística Espacial y Geoestadística
– Análisis exploratorio de datos espaciales
– Autocorrelación espacial
– Agrupaciones espaciales o Cluster
– Filtros espaciales
– Variograma y Kriging
2. Econometría Espacial
– Modelos econométricos espaciales
– Modelos de panel de datos espaciales
– Métodos para modelación de origen destino de flujos
– Modelo multinivel
– Método de expansión, dependencia y multimodelación
Análisis Espacial: Estadística espacial y Geoestadística
• 1. Exploratory Spatial Data Analysis
Análisis exploratorio de datos espaciales (ESDA) como se usa en estadística
espacial, geoestadística y la econometría espacial, es desarrollado a partir del
análisis exploratorio de datos (AED). En particular, dos temas que son
fundamentales la importancia de los datos, y la importancia de los gráficos
de análisis en la representación de características seleccionadas de los datos.
• Exploración de los patrones de punto
• Exploración geoestadística
• Diagnostico de la localización
• Direccionalidad
Gran parte de la literatura sobre análisis exploratorio de datos espaciales se
ha centrado en la exploración de los datos de áreas con respecto a la
asociación espacial.
Cartografía temática
• La cartografía temática es una parte importante del análisis exploratorio
de datos con datos espaciales, así como juega un papel vital en la
presentación de resultados del modelo. También es fundamental en la
comunicación de los resultados intermedios y finales de la investigación,
tanto en las pantallas de las aplicaciones y documentos, y en la impresión
Mapas de coropletas condicionados.
• Gráficos enrejados que permiten explorar las relaciones multivariado por
el condicionamiento potencialmente de las variables interesantes (Becker
et al. 1996).
Exploración de los patrones de punto.
• Mientras ESDA es a menudo visto como se aplica a los datos de área, en
los enfoques de hecho el análisis de los datos derivados de EDA se utilizan
en el análisis de datos espaciales.
Geoestadística Exploratoria
• Es probable encontrar más análisis exploratorio de datos espaciales se hace en geoestadística
que en los demás dominios de análisis de datos espaciales. Es fácil comprender por qué la
interpolación depende de manera crucial en la identificación de modelo "correcto", en
cuanto a la selección de los lugares de observación, el ajuste de modelos de autocorrelación
espacial, la selección de covariables útil, y comprobar la idoneidad de los supuestos tales
como la isotropía. Si un modelo serio debajo del nivel óptimo que se elija, tanto las
predicciones y estimaciones propias de la incertidumbre en torno a esos valores no será tan
satisfactoria como se podría haber logrado con los mismos datos. Lloyd (2007) y Müller
(2007) proporcionan más de las técnicas para hacer un buen uso de los datos a mano, y del
diseño de las pautas de los lugares de muestreo para mejorar la predicción.
Diagnostico de la localización
• Debemos intentar agregar una tendencia espacial, o una covariable, debemos prestar
atención de la advertencia dada por Unwin y Wrigley (1987) para utilizar el mismo protocolo
diagnóstico como en cualquier ejercicio de modelización otros.
Variograma de diagnóstico
• El variograma de diagnóstico está vinculado a otras medidas adoptadas en la exploración de
variables en geoestadística. Entre más cerca se den las observaciones son más parecidas
entre sí, y que la similitud disminuye con la distancia.
La mediana de esmalte suavizado
• Cressie (1993) analiza con cierto detalle cómo puede ser suavizado se utiliza para dividir la
variación de los datos en liso y rugoso. Su uso inicial fue descrito por Cox y Jones (1981).
Los indicadores locales de asociación espacial (LISA)
• Si bien las medidas globales nos permiten poner a prueba de patrones espaciales en el área
de estudio, puede ser el caso de que no hay autocorrelación significativa en sólo una sección
más pequeña, que está inundada en el contexto de la totalidad.
2. Spatial Autocorrelation
• La definición más simple del concepto de autocorrelación espacial es que
representa la relación entre las inmediaciones unidades espaciales, como
se ve en los mapas, donde se codifica cada unidad con una realización de
una sola variable.
• Hubert et al. (1981, p.224): "Dado un conjunto S que contiene n unidades
geográficas, autocorrelación espacial se refiere a la relación entre algunas
variables observadas en cada una de las localidades n y una medida de la
proximidad geográfica definida para todo n (n-1) pares seleccionados de
S”.
Los atributos y usos del concepto de autocorrelación espacial
• Una prueba en el modelo de una incorrecta especificación.
• Una medida de la fuerza de los efectos espaciales de cualquier variable.
• Una prueba de hipótesis de estacionariedad espacial y la heterogeneidad espacial.
• Un medio de identificar los grupos espaciales.
• Un medio de identificar el papel que la decadencia distancia o interacción espacial puede tener
en cualquier modelo autorregresivo espacial.
• Una manera de entender la influencia que la geometría de las unidades espaciales tiene en una
variable.
• Una prueba de hipótesis acerca de las relaciones espaciales.
• Un medio de sopesar la importancia de los efectos en el tiempo.
• Un enfoque sobre el efecto de una sola unidad espacial en otras unidades y viceversa.
• Un medio de identificar valores atípicos, tanto espaciales como no espaciales.
• Una ayuda en el diseño de una muestra espacial apropiada.
Medidas de autocorrelación espacial y las pruebas
• Las medidas de autocorrelación espacial puede ser diferenciado de las pruebas de
autocorrelación espacial, pero ambas permiten la evaluación de los efectos espaciales
en el análisis de datos georeferenciados.
• Las medidas de autocorrelación espacial y las pruebas se pueden diferenciar por el
alcance o la escala de análisis. Tradicionalmente, se separan en categorías de "global" y
"local".
Medidas globales y las pruebas
– Gamma (Γ).
– Join count
– Moran I.
– Geary S.
– El variograma.
– Función K de Ripley
– Coeficientes de autocorrelación espacial.
Medidas locales y las pruebas
– Estadísticas locales Getis y Ord.
– Los indicadores locales de asociación espacial - LISA.
– Regresión de ponderación geográfica
– Autocorrelación espacial local en la presencia de autocorrelación espacial global.
Problemas en el tratamiento de autocorrelación espacial
• Está claro que la autocorrelación espacial se puede definir con precisión, pero no
siempre está claro si las distintas medidas y pruebas de que acabamos de describir
puede encontrar realmente autocorrelación espacial en los datos
georeferenciados.
• Un área particularmente difícil de la investigación es la selección de pruebas que
puedan resistir los efectos de la simultaneidad de varias pruebas. Especialmente
en las estadísticas locales, por lo general hay pruebas de autocorrelación espacial
para cada sitio de datos. Esto da lugar a un gran número de pruebas que son, de
hecho, dependen unas de otras.
• Muchas pruebas tradicionales requieren la suposición de estacionariedad.
Comprobación de la estacionalidad en el trabajo empírico es una buena práctica.
Spatial autocorrelation software
 GeoDa
 R -Packages
 PPA (Point Pattern Analysis)
 SANET
 STARS (Space-Time Analysis of Regional Systems)
 ArcGIS. Module, Geostatistical Analyst
 ClusterSeer 2
 Le Sage’s Spatial Econometrics Toolbox
 Spatial Statistics and SAS.
3. Spatial Clustering
• El análisis de agrupamiento espacial se ha vuelto común en muchos
campos de la investigación. Un supuesto implícito en el análisis de
conglomerados espaciales es determinar los factores que influyen en la
variable de estudio.
• Las técnicas para este tipo de análisis se pueden dividir en dos categorías:
los que se utilizan para determinar si la agrupación se presente en la
región de estudio, y aquellos que tratan de identificar la ubicación de las
agrupaciones.
 Técnicas globales de agrupamiento, proporcionan una sola estadística que resume el
patrón espacial de la región
 Técnicas de agrupación local.
Medidas globales de la agrupación espacial
• Estos métodos proporcionan un resumen estadístico único que describe el
grado de agrupamiento en la pauta asignada. El valor de la estadística
indica si el patrón está agrupado, al azar, o dispersos
• La hipótesis nula es de aleatoriedad.
Métodos de datos de área
Estadística join-count
Moran I
Ajuste a la varianza heterogenea
Geary C
Getis-Ord G
Métodos de datos de puntos
Análisis cuadrático
Análisis del vecino más próximo
Función K de Ripley
Patrones de punto bivariado
Medidas locales de la agrupación espacial
• Cuando la hipótesis nula de aleatoriedad es rechazado por una prueba
general para la agrupación espacial, dos cuestiones adicionales
planteadas: ¿dónde están los grupos y cuál es su extensión espacial?. Las
Estadísticas de la agrupación local se utilizan para responder a estas
preguntas.
Métodos de datos de área
Getis-Ord Gi and Gi
El scatter plot de Moran and Moran I local
Agrupamientos locales de datos categorizados
Algoritmos de detección de agrupaciones
• Corresponde a procedimientos de búsqueda automatizada y sus correspondientes
estadísticas de prueba. Estas técnicas computacionales implican pruebas de un
gran número de regiones en el área de estudio para el agrupamiento espacial.
• Estos métodos no se limitan a una definición fija de barrio, y por lo tanto el
tamaño del clúster, pero están diseñados para detectar grupos de diferentes
tamaños.
 Máquina de Análisis Geográfico (GAM).
 Método de Besag y Newell
 Procedimiento SAT Scan
 Búsqueda de cluster de forma arbitraria
4. Spatial Filtering
• En estadística espacial y econometría espacial, el filtro o filtrado espacial es una metodología
general de apoyo a las conclusiones más sólidas en los datos de los estudios analíticos, y se
basa en una estructura de vinculación postula que une los datos georreferenciados
observaciones.
• El filtro espacial matemáticamente manipula los datos con el fin de corregir las posibles
distorsiones introducidas por factores tales como la escala arbitraria, la resolución y / o
zonificación.
• La principal ventaja de esta metodología es que introduce variables de control, que permiten
identificar y aislar las dependencias estocásticas espaciales entre las observaciones
georeferenciadas, permiten la construcción de modelos de proceder como si estas
observaciones son independientes.
• La metodología de filtrado espacial tiene por objeto dar cuenta de autocorrelación espacial
en los datos georreferenciados de una manera que permite a las técnicas convencionales de
estimación estadística para ser explotados.
Tipos de filtro espacial
Un número limitado de implementaciones de esta metodología en la actualidad
existen para fines de análisis de datos georeferenciados, e incluyen operadores
lineales autorregresivo, especificación Gi-basada de Getis, las combinaciones lineales
de vectores propios extraídos de principales distancia basada en las coordenadas de
las matrices de vecinos y el peso del espacio basada en la topología de matriz de
funciones propias.
 Operadores lineales autorregresivos
 Especificación Gi de Getis
 Combinaciones lineales basada en la matriz topológica de vectores propios.
Se determinan funciones propias de filtros espaciales en relación con:
 Modelos lineales generalizados
 Regresión de ponderacion geográfica
 Interpolación geográfica
 Interacción de datos espaciales
5. The Variogramand Kriging
Estadística espacial y geoestadística se han desarrollado para describir y analizar la variación de
los fenómenos naturales y provocados por el hombre, sobre o debajo de la superficie de la tierra.
Estadística espacial incluye cualquiera de las técnicas formales de que las entidades de estudio
que tienen un índice espacial (Cressie 1993).
La mayoría de las propiedades espaciales varían de forma compleja que la variación no puede ser
definido de manera determinista. Para hacer frente a esta incertidumbre espacial un enfoque
diferente de los métodos tradicionales determinista de análisis espacial se requiere que ser
basado en un enfoque estocástico o probabilístico.
La base de la geoestadística moderna para el tratamiento de la variable de interés como una
variable aleatoria.
• Estimación del variograma
 Método Matheron de momentos (MoM)
 Metodo de máxima verosimilitud residual (REML)
• Características del variograma
 Continuidad
 Creciente monótona
 Umbral y rango
 Efecto agujero y periodicidad
 Límites
 Anisotropía.
 Variación anidada.
Predicción geoestadística: Kriging
• Kriging es un método de predicción o estimación óptima en el espacio
geográfico, a menudo conocido como el mejor predictor lineal insesgado
(BLUP). Es el método geoestadístico de interpolación de procesos
espaciales al azar.
• Kriging proporciona una solución a un problema fundamental que
enfrentan los científicos del medio ambiente de la predicción de valores
de datos de la muestra escasa basado en un modelo estocástico de la
variación espacial.
• Varios métodos matemáticos de interpolación están disponibles, por
ejemplo, polígonos de Thiessen, la triangulación, interpolación vecino
natural, funciones inversas de la distancia, polinomios mínimos cuadrados
(superficie de tendencia) y estrías.

Sign up to vote on this title
UsefulNot useful