Mapas de Calor en los Sistemas de Información Geográfica.

Autor: Giovanni Daza. Centro de Procesamiento Digital de Imágenes. CPDI. FIIDT. 

 

INTRODUCCÓN.

  Hoy día los productos cartográficos están conectados al manejo de grandes volúmenes de datos, por lo tanto es necesario implementar nuevas formas de expresión cartográfica. Estos datos necesitan verse y analizarse lo más fácil posible, ante esta inquietud nacen los llamados Mapas de Calor (heatmap) que están incluidos en la mayoría de programas tipo SIG. Esta nota técnica trata de explicar la metodología en si como el correcto uso de las representaciones a fin de lograr un producto que satisfaga al cartógrafo como al usuario común.

Durante el año de 2017 en la Republica Checa se llevó a cabo un estudio que involucraba diversos tipos de datos para ser utilizados por esta técnica, estos datos eran:

  • Accidentes de Trafico
  • Elecciones Políticas
  • Ubicación de Bibliotecas
  • Problemas socio Económicos

Solo vamos a tratar el bloque de datos correspondiente a los accidentes de tráfico, por cuestiones de espacio. En este estudio se comparan los Mapas de Calor contra sus rivales clásicos: Mapas Coropleticos y Mapas de rangos simbólicos. Los mapas de calor aceptan diversas interpretaciones, por lo tanto el estudio fue llevado a cabo con usuarios expertos (cartógrafos) y usuarios comunes (no cartógrafos).

Mapa de Calor.

No existe una definición exacta del Mapa de Calor, simplemente es un método de interpretación cartográfica, así que tomaremos la definición de Dempsey (2015)…“un mapa de calor es un método para mostrar el agrupamiento de un fenómeno” .Pero básicamente un mapa de calor es una representación por concentración de puntos de la tendencia o intensidad de un fenómeno.

Kormac Kinner es considerado el pionero en el uso de esta técnica, lo utilizo para datos de mercados financieros, pero una vasta cantidad de datos pueden ser utilizados por esta técnica.

Los Mapas de Calor han sido usados exhaustivamente por datos biológicos y estadísticos, pero sin duda una de sus novedosas implementaciones es en los datos de transporte. Ya que ayuda a tomar decisiones de planificación y vela por la salud pública. Y una aplicación derivado de esto es trabajar en la predicción de accidentes de tráfico, ya sea localizando áreas de alta frecuencia o tomando alternativas secundarias como el movimiento de animales.

MAPAS DE CALOR EN LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA.(SIG).

Los SIG prevén una serie de herramientas para desplegar mapas de calor, y en especial para nuestro caso de accidentes por tráfico.

Los SIG manejan tres bases de datos:

  • Datos Espaciales
  • Datos Atributivos
  • Metadata

Nos ocuparemos básicamente del uso de Datos Espaciales. Damos una serie de características de los datos (puntos, líneas y polígonos) de un SIG, pero esta vez referidos a los mapas de calor.

-Puntos

En un espacio bidimensional los puntos no tienen ancho, altura o profundidad, es representado por un par de coordenadas y en plano 2D son muy pequeños para ser representados como líneas o polígonos, la mayoría de los mapas de calor son representados por puntos.

-Líneas

Este tipo de data posee ancho pero sin altura o profundidad. Es un objeto de una dimensión y está constituido por una serie de puntos, la representación de mapas de calor por líneas es muy poco usual pero posible, presentamos un ejemplo: áreas de correr en Washington DC, en Figura 1.

Figura 1. Mapa de Calor por líneas. Estas representan pistas o senderos de carrera y trote.
Washington DC.

-Polígonos

Un polígono tiene ancho y altura pero no posee profundidad. Es considerado un objeto de dos dimensiones y de figura cerrada. La representación de mapas de calor con polígonos es muy poco frecuente debido a que llega a convertirse en mapa coropletico al final.

PROGRAMAS Y HERRAMIENTAS.

Los principales programas de SIG ya tienen incorporado esta técnica de Mapas de Calor. El programa ArcGis líder en el mercado así como los programas de uso libre QGis y GvSig vienen con simbologías de este tipo para representar mapas de calor en sus interfaces.

La librería de Python heatmap.py es un muy buena herramienta, o también la WebGLayer como otra herramienta para crear este tipo de mapas (Ver Figura 2); la librería heatmap.js basada en javascript con la cual podemos crear plugin para Google Mapas y OpenLayers es otra herramienta de uso para estos fines, es decir, contamos con una gran variedad de programas y aplicaciones que muestren este recurso.

Figura 2. Mapa de Calor generado en WebGLayer.

Rangos de Color

Los SIG distinguen dos tipos de datos en las simbologías: datos cualitativos y datos cuantitativos, y se expresan en rangos cualitativos cuantitativos respectivamente. Pero los datos cuantitativos son expresados en rangos de colores divergentes y convergentes. En la Figura 3 se muestra ese orden:

Figura 3. Datos cuantitativos expresados en rangos de colores divergentes y convergentes.

Ahora veamos los Mapas de Calor respecto a los accidente de tráfico, interpretados por cartógrafos y no cartógrafos.

Figura 4. Rango de colores preferidos por los Cartógrafos. Fuente: Anderson T.K.2009.

Figura 5.  Rango de colores preferidos por los no Cartógrafos. Fuente: Anderson T.K.2009.

Figura 6. Mapa de Calor de Geolocalización del Delito.
(Fuente: Technically Civic Philadelphia Police Department; Juliana Reyes)

CONCLUSION.

El Mapa de Calor (heatmap) resulta de la representación gráfica de un elemento que utiliza un código de colores para reflejar diferentes estados de actividad. Es una de las técnicas más destacadas, no solo porque ya están al alcance de cualquier mortal, sino porque son razonablemente sencillos de interpretar; se trata de elementos muy visuales que visibilizan eficazmente posibles percepciones para tu web.

El Mapa de Calor se utiliza para conocer qué elementos de tu web reciben más interacción. Sabiendo esto, podemos implementar mejoras para ofrecer una mayor experiencia de usuario o aprovechar las zonas calientes para introducir cambios o botones que mejoren las conversiones de tu interés.

REFERENCIAS BIBLIOGRAFICAS.

  • Anderson T.K. Kernel density estimation and K-means clustering to profile road accident hotspots. 2009. Accident Analysis &Prevention, Volume 41, Issue 3, May 2009.
  • [Dempsey,   2015].   Dempsey   C.   HeatMaps   in   GIS   (2015).   Recuperado   enhttps://www.gislounge.com/heat-maps-in-gis/
  • http://www.elojodigital.com/contenido/17484-geolocalizaci-n-del-delito-y-mapas-de-densidad-en-el-lisis-criminal
  • Longley P.A., Goodchild M., Maguire J.M., Rhind D.W. Geoographic Information Systems and Science, 3 edition. 2010, Wiley, United Kingdom. 560 p. ISBN: 978-0470721445.

Contacto: giodaza90@gmial.com