SIG 2 - LABORATORIO 3

(Interpolación espacial)
Qué es la Interpolación.
La interpolación es un procedimiento matemático utilizado para predecir el valor de un
atributo en una ubicación específica, basándose en valores del atributo obtenidos de puntos
vecinos ubicados dentro de la misma región. Este proceso permite transformar un número
finito de observaciones en un espacio continuo, de manera que el patrón espacial de las
observaciones puntuales pueda compararse con los patrones espaciales de otras variables
bajo consideración. Por otro lado, la extrapolación se refiere a la predicción de valores para
lugares fuera de la región cubierta por las observaciones.

En el contexto de un SIG, la interpolación se utiliza para estimar valores desconocidos para

cualquier dato de punto geográfico, como elevación, precipitación, concentraciones químicas
y niveles de ruido. Este proceso es esencial para convertir datos de muestra geográficos
precisos en superficies continuas que pueden ser analizadas y comparadas.

Existen dos tipos de muestras en la recolección de datos para la interpolación: la muestra

densa y la muestra no densa. Una muestra densa implica una mayor cantidad de puntos de
datos cercanos entre sí, proporcionando una representación más detallada de la superficie.
En contraste, una muestra no densa tiene puntos de datos más dispersos, lo que puede
resultar en una menor precisión.

Las superficies continúas obtenidas mediante métodos de interpolación pueden ser utilizadas
en un SIG tanto como capas temáticas, que permiten el análisis conjunto de varias variables,
como ser visualizadas individualmente para un estudio más detallado de una variable
específica. Es importante destacar que, aunque una superficie interpolada muestra
variaciones en los ejes X e Y (coordenadas geográficas) y el eje Z (valor del atributo
interpolado), estas superficies no son consideradas una representación en tres dimensiones
(3D), ya que su propósito principal es representar variaciones continuas en un espacio
bidimensional.

La hipótesis básica de la interpolación espacial es:

"La observación común que, en promedio, da valores a un atributo dentro de una vecindad en
el espacio tienen una fuerte probabilidad de ser similares (variables regionalizadas y
dependencia espacial) y que esta probabilidad disminuye respecto a valores de una vecindad
separados por una gran distancia".
Ejemplos de aplicaciones de interpolación
A continuación, se muestran algunos ejemplos típicos de aplicaciones de las herramientas de
interpolación. Las ilustraciones adjuntas mostrarán la distribución y los valores de los puntos
de muestra y el ráster generado a partir de ellos.

Interpolando una superficie de lluvia

La entrada aquí es un conjunto de datos puntuales de valores de niveles de lluvia conocidos,
como se muestra en la ilustración de la izquierda. La ilustración de la derecha muestra un
ráster interpolado a partir de estos puntos. Los valores desconocidos se predicen con una
fórmula matemática que utiliza los valores de puntos conocidos cercanos.

Entrada de datos de puntos de lluvia Superficie de lluvia interpolada

Interpolar una superficie de elevación
Un uso típico de la interpolación de puntos es crear una superficie de elevación a partir de un
conjunto de mediciones de muestra. En el siguiente gráfico, cada símbolo en la capa de
puntos representa una ubicación donde se midió la elevación. Al interpolar, se predecirán los
valores de cada celda entre estos puntos de entrada.

Introducir datos del punto de elevación Superficie de elevación interpolada

Interpolar una superficie de concentración
En el siguiente ejemplo, las herramientas de interpolación se utilizaron para estudiar la
correlación de la concentración de ozono con las enfermedades pulmonares en California. La
imagen de la izquierda muestra las ubicaciones de las estaciones de monitoreo de ozono. La
imagen de la derecha muestra la superficie interpolada y proporciona predicciones para cada
ubicación en California. La superficie se obtuvo mediante kriging.

Estaciones de monitoreo del ozono Superficie de predicción interpolada

Fuentes de datos para la interpolación espacial

Las fuentes de datos más comunes para efectuar interpolaciones son:
• Sensores remotos Lidar y Radar
• Muestras puntuales de un atributo obtenidas directa o indirectamente en el terreno
usando diferentes tipos de patrones de adquisición de datos.
• Mapas que han sido digitalizados o información secundaria

La gran mayoría de los datos susceptibles de ser interpolados son obtenidos usando
diferentes patrones de adquisición de datos; estos patrones producen valores del atributo
buscando solamente un número finito de puntos en el espacio. Este tipo de datos recibe el
nombre de datos duros ó "hard data". Si la información es escasa, además de los datos
básicos, resulta muy útil disponer de información adicional indirecta relacionada con el
proceso físico que determina el atributo estudiado. Este tipo de información adicional recibe
el nombre de información liviana "soft information". Esta información puede incluir también
supuestos relativos al grado de variación de la variable y supuestos relacionados con las
propiedades estadísticas del atributo o la variable bajo consideración.
Patrones de adquisición de datos
La ubicación del lugar donde los datos se obtienen puede ser un factor determinante en el
análisis de los datos. Idealmente, debería efectuarse un patrón que ofrece una cobertura
total y uniforme de la región. Sin embargo, hay que mencionar que patrones uniformes
pueden inducir a falsos resultados si ellos coinciden en su período con algún fenómeno
regular presente en el terreno. Por esta razón, patrones de adquisición de datos que no
ofrecen casi ningún grado de uniformidad son comúnmente utilizados. La Figura 1 presenta
los diferentes tipos de patrones que son comúnmente utilizados en el proceso de adquisición
de datos.

Figura 1. Patrones de adquisición de datos para la Interpolación Espacial

Clasificación de los métodos de interpolación

Un método que predice, para una determinada localización, un valor del atributo que es
idéntico al valor medido en esta posición se lo llama un método preciso o exacto. Todo otro
tipo de método se lo llama inexacto. La diferencia (absoluta o cuadrada) entre el valor
observado y el valor estimado es en la gran mayoría de los casos usada como indicador de la
calidad de la interpolación inexacta. Desde un punto de vista más general, los métodos de
interpolación se los clasifica en dos grandes grupos:

• Métodos globales o geoestadísticos

• Métodos locales o determinísticos
Métodos de interpolación Globales

Los métodos globales utilizan todo los datos disponibles para efectuar una estimación válida
para toda la región de interés; en cambio los métodos locales determinísticos operan dentro
de una pequeña zona alrededor de la ubicación donde se desea obtener un valor interpolado.
Los métodos globales son utilizados más bien para examinar y eliminar posibles tendencias
presentes en los datos tanto más que para efectuar una interpolación. Una vez que los
efectos globales han sido eliminados, los valores residuales de las variaciones globales son
interpolados usando un método local. Como ejemplos de este grupo podemos citar la
clasificación usando información externa, superficies que poseen una tendencia en sus
coordenadas, modelos de regresión y métodos de análisis espectral. Otra aproximación al
problema de interpolación viene dada por la teoría de los métodos geoestadísticos. Esta
metodología se basa en la correlación espacial de los datos geográficos. Es usada
principalmente cuando la variación del atributo es tan irregular y la densidad de puntos es tan
grande que los dos métodos mencionados anteriormente no se pueden aplicar. La
geoestadística proporciona estimaciones probabilísticas de la calidad de la interpolación.
Permite también hacer predicciones por superficies o volúmenes más grandes. Pueden
también incorporar en el cálculo datos livianos con el fin de mejorar la precisión de la
interpolación, los métodos globales son.

• Método Tendencia (Trend)

• Método Kriging

Métodos de interpolación locales

Los métodos de interpolación locales usan la información proveniente de los vecinos para
calcular el valor del atributo. Esto significa:
➢ Definir una región alrededor de la ubicación donde el valor del atributo debe ser
calculado
➢ Determinar cuántos vecinos se encuentran al interior de esta región
➢ Encontrar una función matemática que representa la variación de este conjunto
➢ Evaluar esta variación por puntos en una malla regular (Raster)

Estos tipos de métodos de interpolación se encuentran disponibles en la mayoría de los

programas SIG. Este procedimiento debe ser repetido hasta que todos los puntos en la malla
regular hayan sido calculados. Los métodos de interpolación locales son:
• Método Inverse Distance Weighted (IDW)
• Método Vecino Natural (Natural Neighbor)
• Método Spline
• Método Densidad Cartográfica
INVERSE DISTANCE WEIGHTED (IDW)

La interpolación ponderada por distancia inversa (IDW) determina los valores de celda
utilizando una combinación ponderada linealmente de un conjunto de puntos de muestra. El
peso es función de la distancia inversa. La superficie que se interpola debe ser la de una
variable dependiente de la ubicación (ej. temperatura, precipitación, innumerables
fenómenos).

Barrio IDW para el punto seleccionado

Este método supone que la influencia de la variable que se está mapeando disminuye con la
distancia desde su ubicación muestreada. Por ejemplo, al interpolar una superficie de poder
adquisitivo del consumidor para un análisis de un sitio minorista, el poder adquisitivo de una
ubicación más distante tendrá menos influencia porque es más probable que las personas
compren más cerca de casa.

Puntos utilizados para la interpolación

Las características de la superficie interpolada también se pueden controlar limitando los

puntos de entrada utilizados en el cálculo de cada valor de celda de salida. Limitar la cantidad
de puntos de entrada considerados puede mejorar la velocidad de procesamiento. Considere
también que los puntos de entrada alejados de la ubicación de la celda donde se realiza la
predicción pueden tener una correlación espacial pobre o nula, por lo que puede haber
motivos para eliminarlos del cálculo. Número de puntos: valor entero que especifica el
número de puntos de muestra de entrada más cercanos que se utilizarán para realizar la
interpolación. El valor predeterminado en ArcGIS es 12 puntos.
Distancia

Cada punto de la muestra ejerce una influencia sobre el punto a determinar y disminuye en
función de la distancia. Así cada punto vecino contará con un "peso" en la determinación de
la cota del punto a interpolar, que será mayor cuanto más cerca se encuentre, siguiendo el
principio de correlación espacial. IDW se presenta en Spatial Analyst como dos opciones: Con
un radio de búsqueda fijo y un radio de búsqueda variable.

Radio de búsqueda variable

Con un radio de búsqueda variable, se especifica el número de puntos utilizados en el cálculo

del valor de la celda interpolada, lo que hace que la distancia del radio varíe para cada celda
interpolada, dependiendo de qué tan lejos tiene que buscar alrededor de cada celda
interpolada para alcanzar el número especificado de puntos de entrada. Por lo tanto, algunas
vecindades serán pequeñas y otras grandes, dependiendo de la densidad de los puntos
medidos cerca de la celda interpolada. También puede especificar una distancia máxima (en
unidades de mapa) que el radio de búsqueda no puede exceder. Si el radio de un vecindario
en particular alcanza la distancia máxima antes de obtener la cantidad especificada de
puntos, la predicción para esa ubicación se realizará sobre la cantidad de puntos medidos
dentro de la distancia máxima. Generalmente se utilizarán vecindades más pequeñas o un
número mínimo de puntos cuando el fenómeno tenga una gran variación. El valor por
defecto es la longitud de la diagonal de la extensión.

Radio de búsqueda fijo

Un radio de búsqueda fijo requiere una distancia de vecindad y un número mínimo de

puntos. La distancia dicta el radio del círculo del vecindario (en unidades de mapa). La
distancia del radio es constante, por lo que, para cada celda interpolada, el radio del círculo
utilizado para encontrar los puntos de entrada es el mismo. La cantidad mínima de puntos
indica la cantidad mínima de puntos medidos que se usarán dentro del vecindario. Todos los
puntos medidos que caen dentro del radio se utilizarán en el cálculo de cada celda
interpolada. Cuando hay menos puntos medidos en la vecindad que el mínimo especificado,
el radio de búsqueda aumentará hasta que pueda abarcar el número mínimo de puntos. El
radio de búsqueda fijo especificado se utilizará para cada celda interpolada (centro de celda)
en el área de estudio; por lo tanto, si los puntos medidos no están distribuidos por igual (lo
que rara vez ocurre), es probable que se utilicen diferentes números de puntos medidos en
las diferentes vecindades para las distintas predicciones. El radio por defecto es cinco veces el
tamaño de celda del ráster de salida
Power (Potencia)

IDW se basa principalmente en la inversa de la distancia elevada a una potencia matemática.

El parámetro Potencia le permite controlar la importancia de los puntos conocidos en los
valores interpolados en función de su distancia desde el punto de salida. Puede ser cualquier
número real mayor que 0, pero los resultados más razonables se obtendrán utilizando valores
de 0,5 a 3. Es ArcGIS número el valor predeterminado es 2. Un “Power” más alto pone más
énfasis sobre los puntos cercanos, creando una superficie que tiene más detalle, pero es
menos suave. Un “Power” bajo tiene más influencia para rodear puntos de aquellas áreas
más lejanas, creando una superficie más suave.

Dado que la fórmula IDW no está vinculada a ningún proceso físico real, no hay forma de
determinar que un valor de potencia en particular sea demasiado grande. Como pauta
general, una potencia de 30 se consideraría extremadamente grande y, por tanto, de uso
cuestionable. También tenga en cuenta que, si las distancias o el valor de potencia son
grandes, los resultados pueden ser incorrectos.

Barriers (barreras)

La opción de barreras es un conjunto de datos de polilíneas que se sabe que interrumpen la

continuidad de la superficie. Estas características no tienen valores z. Acantilados, fallas y
terraplenes son ejemplos típicos de barreras. Las barreras limitan el conjunto seleccionado de
puntos de muestra de entrada utilizados para interpolar los valores z de salida a aquellas
muestras en el mismo lado de la barrera que la celda de procesamiento actual. La separación
por una barrera se determina mediante el análisis de la línea de visión entre cada par de
puntos. Esto significa que no se requiere separación topológica para que dos puntos queden
excluidos de la región de influencia del otro. Los puntos de muestra de entrada que se
encuentran exactamente en la línea de barrera se incluirán en el conjunto de muestra
seleccionado para ambos lados de la barrera.

CAPÍTULO 1

Ejercicio 1: Creación de una superficie mediante IDW con

un radio fijo.
IDW tiene dos opciones: un tipo de radio de búsqueda Fijo y un tipo de radio de búsqueda
Variable. Con un radio Fijo, el radio del círculo utilizado para encontrar puntos de entrada es el
mismo para cada celda interpolada. Especificando un recuento mínimo, puede asegurarse de
que, dentro del radio fijo, se utilizará al menos un número mínimo de puntos de entrada en el
cálculo de cada celda interpolada.
Tiempo estimado de finalización: 20 minutos.

Paso 1: descargue los datos

Para instalar los datos, debe extraerlos del archivo ZIP a la carpeta :\EsriTraining.

Paso 2: iniciar el análisis de ruta

En este escenario, utilizara puntos de estaciones meteorológicas con atributos mensuales de
temperatura de enero a diciembre. Su próxima tarea es comenzar a trabajar en ArcGIS Pro con
estos datos.

• Inicie ArcGIS Pro.

• En New project, haga clic en Map.

• En Name, escriba Interpolaciones.

• Para Location, vaya a donde extrajo los datos:\EsriTraining\ProOptimizedRoutes

y luego haga clic en Aceptar.
• Desmarque la casilla Create A Folder For This Project.
• Haga clic en Aceptar.

En el panel Catalog, expanda Carpetas y luego expanda Interpolacion.

Consejo: Si no puede ver el panel Catalog, haga clic en la pestaña View y, en el grupo

Windows, haga clic en Catalog Pane.

 • Expanda Interpolacion.gdb.
• Verá el conjunto de datos de distintas entidades busque Temperatura en una clase de
entidad de puntos.
• Expanda el conjunto de datos de entidades y luego arrastre el conjunto de datos de la
red Temperatura al mapa.

Si es necesario, en el mapa, amplíe hasta ver las estaciones, en el Valle del Cauca. Las
estaciones se muestran como puntos en el mapa.

Ahora configurará la interpolación IDW para que haga referencia al conjunto de datos de las
estaciones de Temperatura.

• Haga clic derecho en Atribute Table y observe los atributos, especialmente la fila
PROM, cierre la tabla
• En la cinta, haga clic en la pestaña Analysis.

• Haga clic en la Tools. se abre el panel latera Geoprocessing

Digite IDW, verifique que IDW (Spatial Analyst) esté en la lista ábralo. Se abre la ventana
IDW donde rellenara las siguientes característica.

• En Input point feautures escoja Temperatura.

• En Z value field busque PROM.
• En Haga clic en Output raster. Y escriba Idw_Temperat debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
• En Power (potencia) como se mencionó antes se utiliza el promedio de 2
 • En este ejerció se utilizará un Radio Fijo por loque en Search radius seleccione Fixed
• En Distance el radio por defecto es cinco veces el tamaño de celda del ráster de salida
(500 x5= 2500). Opcionalmente, puede cambiar la Distancia por defecto para el radio
de búsqueda si es necesario, pero en este caso no.
• En Minimum points Número mínimo de puntos. En este caso se deja por defecto
vacío.
• En este caso no utilizaremos barreras Imput barrier por lo que este aspecto se deja
vacío por defecto.

• Haga clic en Run.

Ahora analizara los resultados, acérquese a las 3 estaciones sobre la ciudad de Cali y
seleccione sobre Temperatura, luego Labeling coloque los valores PROM activando el Label

Utilice la herramienta para picar y consultar la información de la interpolación generada

en el ráster Idw_Temperat alrededor de los puntos circundades.

# 1. Tome una captura de pantalla y explique qué ocurrió en este proceso, detallando las
razones detrás de los valores obtenidos.
Ejercicio 2: Creación de una superficie mediante IDW con
un radio variable.
Con un radio variable, el recuento representa el número de puntos utilizados en el cálculo del
valor de la celda interpolada. Esto hace que el radio de búsqueda sea variable para cada celda
interpolada, dependiendo de cuánto tenga que estirarse para alcanzar el número especificado de
puntos de entrada.
• En la cinta, haga clic en la pestaña Analysis.

• Haga clic en la Tools. se abre el panel latera Geoprocessing

Digite IDW, verifique que IDW (Spatial Analyst) esté en la lista ábralo. Se abre la ventana
IDW donde rellenara las siguientes característica.
• En Input point feautures escoja Temperatura.
• En Z value field busque PROM.
• En Haga clic en Output raster. Y escriba Idw_Temperat2 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
• En Power (potencia) como se mencionó antes se utiliza el promedio de 2
• En este ejerció se utilizará un Radio variable por loque en Search radius seleccione
Variable
• En Distance el radio por defecto esta vacio. Opcionalmente, puede cambiar la
Distancia por defecto para el radio de búsqueda si es necesario, pero en este caso no.
• En Minimum points Número mínimo de puntos. En este caso se deja por defecto el
valor de 12.
• En este caso no utilizaremos barreras Imput barrier por lo que este aspecto se deja
vacío por defecto.
 • Haga clic en Run.

Ahora analizara los resultados, acérquese a las 3 estaciones sobre la ciudad de Cali y apague
Idw_Temperat

Utilice la herramienta para picar y consultar la información de la interpolación generada en

el ráster Idw_Temperat2 alrededor de los puntos circundades de Temperatura.

# 2. Tome una captura de pantalla y explique qué ocurrió en este proceso, detallando las
razones detrás de los valores obtenidos. Compare estos resultados con la interpolación de radio
fijo, destacando las diferencias entre ambos métodos.

VECINO NATURAL (NATURAL NEIGHBOR)

El algoritmo utilizado por la herramienta de interpolación Vecino Natural (Natural Neighbor)

encuentra el subconjunto más cercano de muestras de entrada a un punto de consulta y les
aplica pesos basados en áreas proporcionales para interpolar un valor (Sibson 1981). También
se conoce como interpolación Sibson o de "robo de área". La interpolación de vecinos
naturales es una técnica rápida, sólida y confiable para reconstruir una superficie a partir de
puntos de muestra distribuidos irregularmente. La técnica es particularmente útil para los tipos
de datos no estructurados que se encuentran comúnmente en aplicaciones geofísicas. Los
vecinos naturales de cualquier punto son aquellos asociados a los polígonos de Voronoi
(Thiessen) cercanos. Inicialmente, un diagrama de Voronoi se construye con todos los puntos
dados, representados por los polígonos de color verde oliva. A continuación, se crea un nuevo
polígono de Voronoi de color beige alrededor del punto de interpolación (la estrella roja). La
proporción de superposición entre este nuevo polígono y los polígonos iniciales se utiliza
como los pesos.

Por comparación, un interpolador basado en la distancia, por ejemplo, IDW, asignaría pesos
similares al punto situado más al norte y al punto nororiental, en función de su distancia
similar del punto de interpolación. Los vecinos naturales son estrictamente una técnica de
interpolación y solo arroja resultados para puntos que están adecuadamente rodeados por otros
puntos de muestra. No admite la extrapolación. Si alejáramos el mapa, eventualmente
encontraríamos un límite exterior convexo del conjunto de datos. El uso de la interpolación de
vecinos naturales no depende de "parámetros de diseño" o "criterios de decisión"
especificados arbitrariamente para respaldar su funcionamiento. Para hacerlo, dependen de la
especificación de un parámetro de entrada que indica cuántos puntos usar (el "N más
cercano"). En el método de Sibson, la selección de puntos de muestra y factores de
ponderación surgen de forma natural a partir de la configuración geométrica del conjunto de
datos de entrada. A diferencia de otros métodos las elecciones no surgen naturalmente de los
datos, sino que se especifican a través de entradas del usuario o parámetros predeterminados.

Ejercicio 3: Creación de una superficie mediante Natural

Neighbor.

Interpola una superficie ráster a partir de puntos utilizando una técnica de vecino natural. Se
recomienda que los datos de entrada estén en un sistema de coordenadas proyectadas en lugar
de en un sistema de coordenadas geográficas.
• En la cinta, haga clic en la pestaña Analysis.

• Haga clic en la Tools. se abre el panel latera Geoprocessing

Digite Natural Neighbor, verifique que Natural Neighbor (Spatial Analyst) esté en la lista
ábralo. Se abre la ventana Natural Neighbor donde rellenara las siguientes característica.
• En Input point feautures escoja Temperatura.
• En Z value field busque PROM.
• En Haga clic en Output raster. Y escriba Natural_Temp debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
 • Haga clic en Run. Ahora analizara los resultados.

# 3. Tome una captura de pantalla y explique qué ocurrió en este proceso, destacando las
diferencias al compararlo con los mapas generados anteriormente en los mapas 1 y 2.

INTERPOLACIÓN POR MÉTODO SPLINE

Spline estima valores usando una función matemática que reduce al mínimo la curvatura de la
superficial total, dando como resultado una superficie lisa que pasa exactamente a través de los
puntos muestreados. Este método es el mejor para con cuidado variar superficies como la
elevación, alturas de superficie del agua, o concentraciones de contaminación.
Conceptualmente, es como doblar una lámina de goma para que pase por los puntos
minimizando la curvatura total de la superficie. Ajusta una función matemática a un número
especificado de puntos de entrada más cercanos mientras pasa a través de los puntos de
muestra.

Hay dos métodos Spline: Regularizado y tension (Regularized y Tension): El método

Regularizado crea una superficie suave, de manera gradual cambiando la superficie con los
valores que pueden estar fuera de la gama de datos de la muestra. El método de Tensión
suaviza la rigidez de la superficie según el carácter del fenómeno modelado. Esto crea la
superficie lisa con valores estrechamente obligados por la gama de datos de la muestra.

Con la opción Regularizado, los valores más altos utilizados para el parámetro de peso
producen superficies más suaves. Los valores ingresados para este parámetro deben ser iguales
o mayores que cero. Los valores típicos utilizados son 0, 0,001, 0,01, 0,1 y 0,5. El Peso es el
cuadrado del parámetro denominado en la literatura tau (t).

Con la opción Tensión, los valores más altos ingresados para el parámetro de peso dan como
resultado superficies algo más gruesas, pero superficies que se ajustan estrechamente a los
puntos de control. Los valores ingresados deben ser iguales o mayores que cero. Los valores
típicos son 0, 1, 5 y 10. El peso es el cuadrado del parámetro denominado en la literatura phi
(Φ).
Número de puntos. El número de puntos identifica el número de puntos utilizados en el
cálculo de cada celda interpolada. Cuantos más puntos de entrada especifique, mayor será la
influencia de los puntos distantes en cada celda y más suave será la superficie.

Ejercicio 4: Creación de una superficie mediante

interpolación Spline Regularizado.

El tipo Spline Regularizado garantiza la creación de una superficie y una pendiente suaves.
• En la cinta, haga clic en la pestaña Analysis.

• Haga clic en la Tools. se abre el panel latera Geoprocessing

Digite Spline, verifique que Spline (Spatial Analyst) esté en la lista ábralo. Se abre la ventana
Natural Neighbor donde rellenara las siguientes característica.
• En Input point feautures escoja Temperatura.
• En Z value field busque PROM.
• En Haga clic en Output raster. Y escriba Spline_Tempe1 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
• En este ejerció se utilizará un Spline Regularizado por lo que en Spline Type
seleccione Regularized.
• En Weight deje el Peso por defecto. Para el método Regularizado, cuanto mayor sea
el peso, más suave será la superficie. Opcionalmente, puede cambiar el Peso.
• En Number of points Número de puntos. En este caso se deja por defecto el valor de
12.

• Haga clic en Run. Ahora analizara los resultados

 # 4. Tome una captura de pantalla y explique lo sucedido en este proceso.

Ejercicio 5: Creación de una superficie mediante

interpolación Spline de Tensión.

El tipo Spline Tensión afina la rigidez de la superficie según el carácter del fenómeno modelad.
• En la cinta, haga clic en la pestaña Analysis.

• Haga clic en la Tools. se abre el panel latera Geoprocessing

Digite Spline, verifique que Spline (Spatial Analyst) esté en la lista ábralo. Se abre la ventana
Natural Neighbor donde rellenara las siguientes característica.
• En Input point feautures escoja Temperatura.
• En Z value field busque PROM.
• En Haga clic en Output raster. Y escriba Spline_Tempe1 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
• En este ejerció se utilizará un Spline de Tension por lo que en Spline Type seleccione
Tension.
• En Weight deje el Peso por defecto. Para el Para el método Tensión, cuanto mayor sea
el peso, más áspera será la superficie.
• En Number of points Número de puntos. En este caso se deja por defecto el valor de
12.

• Haga clic en Run. Ahora analizara los resultados

# 5. Tome una captura de pantalla y explique qué ocurrió en este proceso, destacando las
diferencias en comparación con el mapa generado anteriormente en el mapa 4.
INTERPOLACIÓN DE DENSIDAD CARTOGRÁFICA

El análisis de densidad toma cantidades conocidas de algún fenómeno y las distribuye por el
paisaje en función de la cantidad que se mide en cada ubicación y la relación espacial de las
ubicaciones de las cantidades medidas. Los mapas de densidad se crean predominantemente a
partir de datos puntuales, y se aplica un área de búsqueda circular a cada celda del ráster de
salida que se está creando. El área de búsqueda determina la distancia a la que hay que
buscar los puntos para calcular el valor de densidad de cada celda del ráster de salida. Puede
calcular la densidad utilizando cálculos simples o de núcleo. En un cálculo de densidad simple,
los puntos o líneas que caen dentro del área de búsqueda se suman y luego se dividen por el
tamaño del área de búsqueda para obtener el valor de densidad de cada celda. El cálculo de
densidad kernel funciona igual que el cálculo de densidad simple, con la diferencia de que
los puntos o líneas situados cerca del centro del área de búsqueda de una celda ráster se
ponderan más que los situados cerca del borde. El resultado es una distribución más suave de
los valores. Las superficies de densidad son buenas para mostrar dónde se concentran las
características de puntos o líneas. Por ejemplo, puede tener un valor puntual para cada
ciudad, que represente la población total, pero quiere saber más sobre la distribución de la
población en la región. Con los datos del censo, puede tener un punto que represente el
número de habitantes de cada ciudad. Dado que no todas las personas de cada ciudad viven
en el punto de población, calculando la densidad puede crear una superficie que muestre la
distribución prevista de la población por todo el paisaje. El siguiente gráfico muestra un
ejemplo de superficie de densidad. Cuando se suman, los valores de población de todas las
celdas son iguales a la suma de la población de la capa de puntos original.

Los posibles usos incluyen analizar la densidad de viviendas o los casos de delitos con fines de
planificación o explorar cómo las carreteras o las líneas de servicios públicos influyen en el
hábitat de la vida silvestre. El campo de población se puede utilizar para ponderar algunas
características más que otras o permitir que un punto represente varias observaciones. Por
ejemplo, una dirección puede representar un condominio con seis unidades, o algunos delitos
pueden tener más peso que otros al determinar los niveles generales de criminalidad. Para las
características de línea, una carretera dividida puede tener más impacto que un camino de tierra
angosto.

Por ejemplo, una cadena de tiendas minoristas tiene varias tiendas en un distrito en particular.
Para cada tienda, la gerencia tiene cifras de ventas de clientes. La administración supone que
los clientes frecuentan una tienda más que otra según la distancia que tienen que recorrer. En
este ejemplo, es natural suponer que cualquier cliente siempre elegirá la tienda más cercana.
Cuanto más lejos esté un cliente de la tienda más cercana, más lejos deberá viajar hasta esa
tienda. Pero los compradores más alejados también pueden comprar en otras tiendas. La
gerencia quiere estudiar la distribución del lugar donde viven los clientes. A partir de las cifras
de ventas y la distribución espacial de las tiendas, la dirección quiere crear una superficie de
clientes distribuyéndolos inteligentemente por todo el paisaje. Para lograr esto, la herramienta
de densidad determina dónde está cada tienda en relación con otras tiendas, la cantidad de
clientes que compran en cada tienda y cuántas células necesitan compartir una parte de la
cantidad medida (los compradores). Las celdas más cercanas a los puntos medidos (los
almacenes) reciben mayores proporciones de la cantidad medida que las más alejadas.

Ejercicio 6: Cálculo de la densidad de puntos simple (Point

Density).

La herramienta Point Density calcula la densidad de las entidades de puntos alrededor de cada
celda ráster de salida. Conceptualmente, se define una vecindad alrededor de cada centro de
celda ráster y el número de puntos que caen dentro de la vecindad se suma y se divide por el
área de la vecindad.

Utilizará para este análisis la capa de puntos del censo de población por sectores y el polígono

de los barrios, haga clic en Catalog Panel.

• Expanda Interpolacion.gdb.
• Verá el conjunto de datos de distintas entidades busque Barrios y Censo_Pob una clase
de entidad de puntos y polígonos.
• Expanda el conjunto de datos de entidades y luego arrastre el conjunto de datos
Barrios y Censo_Pob al mapa.

El tipo Point Density permite crear una superficie de densidad continua a partir de un conjunto
de características de entrada.
• En la cinta, haga clic en la pestaña Analysis.

• Haga clic en la Tools. se abre el panel lateral Geoprocessing

Digite Point Density, verifique que Point Density (Spatial Analyst) esté en la lista ábralo. Se
abre la ventana Point Density donde rellenara las siguientes característica.
• En Input point feautures escoja Censo_Pob
• En Population field busque SEXO_TOTAL.
• En Haga clic en Output raster. Y escriba PointDe_Cens1 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 50 metros
• En este ejerció se utilizará un Neighborhood circular por lo que en cuadro seleccione
Circle
• En Radius deje el radio por defecto.
• En Area units. En este caso se deja por defecto el valor de Square kilometers.

• Haga clic en Run.

Seleccione la capa Barrios vaya a feature layer luego vaya Symboly en

symbol cambie el color y escoja Black outline 1. Ahora analizara los resultados

# 6. Tome una captura de pantalla y explique qué ocurrió en este proceso analice
especialmente la relación del resultado con la distribución de la población por barrios.

Ejercicio 7: Cálculo de la densidad Kernel (Kernel Density).

La herramienta Kernel Density calcula la densidad de entidades en un vecindario alrededor de

esas entidades. Se puede calcular tanto para entidades de puntos como de líneas.

• En la cinta, haga clic en la pestaña Analysis.

 • Haga clic en la Tools. se abre el panel lateral Geoprocessing

Digite Kernel Density, verifique que Kernel Density (Spatial Analyst) esté en la lista ábralo.
Se abre la ventana Kernel Density donde rellenara las siguientes característica.
• En Input point feautures escoja Censo_Pob
• En Population field busque SEXO_TOTAL.
• En haga clic en Output raster. Y escriba KernelD_Cens1 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 50 metros
• En Search radius se utilizará deje el radio por defecto vacio.
• En Area units. En este caso se deja por defecto el valor de Square kilometers.
• En Output cell values deje el radio por defecto Densities. Si se elige Densities, los
valores representan el valor de densidad del núcleo por unidad de área para cada celda.
Si se elige Expected counts, los valores representan la densidad del núcleo por área de
celda. La ecuación que calcula los recuentos a partir de los valores de densidad es
Count = Densidad × Área.
• En Method. En este caso se deja por defecto el valor de Planar.

• Haga clic en Run. Ahora analizara los resultados

# 7. Tome una captura de pantalla y explique qué ocurrió en este proceso, destacando las
diferencias en comparación con el mapa generado anteriormente en el mapa 6.

Population field

La densidad del kernel se calcula de manera diferente para diferentes características.

Especialmente cuando no asigna un numero especifico. El volumen bajo la superficie es igual
al valor del campo Population para el punto este tomara el valor que tenga el campo (ej , 36),
el valor de cada elemento determina el número de veces que se cuenta el punto. Por ejemplo,
un valor de 36 hará que el punto se cuente como treinta y seis puntos. Los valores pueden ser
enteros o decimales.

Atención: Este tipo de interpolación es uno de los más utilizados para análisis muchos
fenómeno de distribución puntual.

Si el valor del campo "Population" se especifica como "NINGUNO" o "NONE", este tomará
el valor de 1 (asignando 1 a cada punto). La densidad en cada celda ráster de salida se calcula
sumando los valores de todas las superficies del núcleo que se superponen al centro de la celda
ráster. Esta función es crucial para calcular la densidad de distribución de diversos fenómenos
que se analizan únicamente como la distribución de un punto individual, tales como la
delincuencia, los accidentes de tránsito, o cualquier fenómeno que pueda espacializarse de
manera individual y posteriormente necesite ser analizado en su distribución espacial.

Para comprender esta función, utilizara los mismo puntos de los ejercidos anteriores, pero en el
campo Population field colocara None. Esto trata de manera diferente los datos mostrando
clúster de agrupación de datos.

Ejercicio 8: Cálculo de la densidad Kernel (Kernel Density)

con un solo valor (None).

Digite a Kernel Density, verifique que Kernel Density (Spatial Analyst) esté en la lista
ábralo. Se abre la ventana Kernel Density donde rellenara las siguientes característica.
• En Input point feautures escoja Censo_Pob
• En Population field busque None.
• En haga clic en Output raster. Y escriba KernelD_Cens2 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 50 metros
• En Search radius se utilizará deje el radio por defecto vacio.
• En Area units. En este caso se deja por defecto el valor de Square kilometers.
• En Output cell values deje el radio por defecto Densities. Si se elige Densities, los
valores representan el valor de densidad del núcleo por unidad de área para cada celda.
Si se elige Expected counts, los valores representan la densidad del núcleo por área de
celda. La ecuación que calcula los recuentos a partir de los valores de densidad es
Count = Densidad × Área.
• En Method. En este caso se deja por defecto el valor de Planar.
 • Haga clic en Run. Ahora analizara los resultados

# 8. Tome una captura de pantalla y explique qué ocurrió en este proceso, destacando las
diferencias en comparación con el mapa generado anteriormente en el mapa 6 y 7.

INTERPOLACION DE TENDENCIA (TREND)

La herramienta Tendencia (Trend) utiliza una interpolación polinómica global que ajusta una
superficie suave definida por una función matemática (un polinomio) a los puntos de muestra
de entrada. La superficie de tendencia cambia gradualmente y captura patrones de escala
gruesa en los datos. Conceptualmente, la interpolación de tendencias es como tomar un trozo
de papel y encajarlo entre puntos elevados (elevados a la altura del valor). Esto se demuestra
en el siguiente diagrama para un conjunto de puntos de elevación de muestra tomados en una
colina con pendiente suave. El trozo de papel es magenta.

Ilustración de una superficie de tendencia plana

Una hoja de papel plana no capturará con precisión un paisaje que contenga un valle. Sin
embargo, si doblas el trozo de papel una vez, conseguirás un mejor ajuste. Agregar un término
a la fórmula matemática produce un resultado similar: una curvatura en el plano. Un plano (sin
curvatura en la hoja de papel) es un polinomio de primer orden (lineal). Permitir una curvatura
es un polinomio de segundo orden (cuadrático), dos curvaturas un polinomio de tercer orden
(cúbico), y así sucesivamente. Con esta herramienta se permiten un máximo de 12 dobleces
(duodécimo orden). La siguiente imagen demuestra conceptualmente un polinomio de segundo
orden ajustado a un valle.

Ilustración de una superficie de tendencia curva

Rara vez el trozo de papel pasará por los puntos reales medidos, lo que hace que la
interpolación de tendencias sea un interpolador inexacto. Algunos puntos estarán encima de la
hoja de papel y otros debajo. Sin embargo, si sumas cuánto está cada punto por encima de la
hoja de papel y sumas cuánto más bajo está cada punto por debajo de la hoja de papel, las dos
sumas deberían ser similares. La superficie, dada en magenta, se obtiene mediante un ajuste de
regresión de mínimos cuadrados. La superficie resultante minimiza las diferencias al cuadrado
entre los valores elevados y la hoja de papel. Cuanto menor sea el error cuadrático medio
(RMS), más fielmente representará la superficie interpolada los puntos de entrada. Los
órdenes de polinomios más comunes son del uno al tres. La interpolación de superficies de
tendencia crea superficies suaves.

Cuando utilizar la interpolación de tendencias

La interpolación de tendencias da como resultado una superficie suave que representa

tendencias graduales en la superficie sobre el área de interés. Este tipo de interpolación se
puede utilizar para: Ajustar una superficie a los puntos de muestra cuando la superficie varía
gradualmente de una región a otra en el área de interés (por ejemplo, contaminación en un
área industrial). Examinar o eliminar los efectos de tendencias globales o de largo plazo. En
tales circunstancias, la técnica suele denominarse análisis de superficie de tendencia.
La interpolación de tendencias crea una superficie que varía gradualmente utilizando
polinomios de bajo orden que describen un proceso físico, por ejemplo, la contaminación y la
dirección del viento. Sin embargo, cuanto más complejo es el polinomio, más difícil resulta
atribuirle significado físico. Además, las superficies calculadas son muy susceptibles a valores
atípicos (valores extremadamente altos y bajos - Outliers), especialmente en los bordes.

Hay dos tipos básicos de interpolación de tendencias: lineal y logística.

Tendencia lineal

El interpolador de superficie de tendencia lineal crea un ráster de punto flotante. Utiliza una
regresión polinómica para ajustar una superficie de mínimos cuadrados a los puntos de
entrada. Este método le permite controlar el orden del polinomio utilizado para ajustar la
superficie. La interpolación de superficies de tendencia crea superficies suaves. La superficie
generada rara vez pasa a través de los puntos de datos originales, ya que realiza el mejor
ajuste para toda la superficie. Cuando se utiliza un orden polinomial superior a uno, el
interpolador puede generar un ráster cuyo mínimo y máximo exceden el mínimo y el máximo
del archivo de entrada de los datos de la entidad de entrada.

Tendencia logística

La opción Logística para generar una superficie de tendencia es apropiada para predecir la
presencia o ausencia de ciertos fenómenos (en forma de probabilidad) para un conjunto
dado de ubicaciones (x,y) en el espacio. El valor z es una variable aleatoria categorizada con
sólo dos resultados posibles: por ejemplo, la existencia de una especie en peligro de extinción
o la falta de existencia de esa especie. Estos dos valores z se pueden codificar como uno (1) y
cero (0), respectivamente. Esta opción crea una cuadrícula de probabilidad continua con
valores de celda entre uno y cero. Se utiliza una estimación de máxima verosimilitud para
calcular el modelo de superficie de probabilidad no lineal sin convertir primero el modelo a
forma lineal.

Archivo RMS de salida

El archivo de error RMS contiene el error cuadrático medio de la interpolación al comparar el

valor de las ubicaciones en el conjunto de datos de entrada con el valor de esas mismas
ubicaciones en la superficie ráster interpolada. El valor de error RMS se puede utilizar para
determinar el mejor valor a utilizar para el parámetro {orden} de la interpolación cambiando
el valor de orden hasta obtener el error RMS más bajo. También se informa el valor de Chi-
cuadrado.
Ejercicio 9: Cálculo de la Tendencia lineal (linear trend)
Interpola una superficie ráster a partir de puntos utilizando una técnica de tendencia. A medida
que aumenta el orden del polinomio, la superficie que se está ajustando se vuelve
progresivamente más compleja. Un polinomio de orden superior no siempre generará la
superficie más precisa; Depende de los datos.

Digite a Trend, verifique que Trend (Spatial Analyst) esté en la lista ábralo. Se abre la
ventana Trend donde rellenara las siguientes característica.
• En Input point feautures escoja Temperatura
• En Z value field busque PROM.
• En haga clic en Output raster. Y escriba Trend_Temper1 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
• En Polynomial order se utilizará el polinomio de primer grado 1. (luego utilizara
otros)
• En Type of regression. En este caso se deja por defecto el valor de Linear.
• En Output RMS file deje el espacio por defecto vacío.

• Haga clic en Run.

# 9. Tome una captura de pantalla

Ahora debe repetir el mismo procedimiento, anterior, pero variando el grado del polinomio en
2y3
• Para ello en Output raster. escriba Trend_Temper2
• En Polynomial order se utilizará el polinomio de primer grado 2

# 10. Tome una captura de pantalla

Esto generar un superficie de segundo orden, ahora debe generar la tercer orden

• Para ello en Output raster. escriba Trend_Temper3

• En Polynomial order se utilizará el polinomio de primer grado 3

# 11. Tome una captura de pantalla y explique qué ocurrió en este proceso, destacando las
diferencias en comparación con el mapa generado anteriormente en el mapa 9 y 10.

MÉTODO KRIGING

Kriging es un procedimiento geoestadístico avanzado que genera una superficie estimada a

partir de un conjunto disperso de puntos con valores z. A diferencia de otros métodos de
interpolación en el conjunto de herramientas Interpolación, utilizar la herramienta Kriging de
manera efectiva implica una investigación interactiva del comportamiento espacial del
fenómeno representado por los valores z antes de seleccionar el mejor método de estimación
para generar la superficie de salida. Las herramientas de interpolación IDW (distancia inversa
ponderada) y Spline se denominan métodos de interpolación determinista porque se basan
directamente en los valores medidos circundantes o en fórmulas matemáticas específicas que
determinan la suavidad de la superficie resultante. Una segunda familia de métodos de
interpolación consta de métodos globales o geoestadísticos, como el kriging, que se basan en
modelos estadísticos que incluyen autocorrelación, es decir, las relaciones estadísticas entre
los puntos medidos. Debido a esto, las técnicas geoestadísticas no sólo tienen la capacidad de
producir una superficie de predicción, sino que también proporcionan alguna medida de la
certeza o precisión de las predicciones.

El método geoestadístico o kriging, describe la correlación tanto espacial como temporal que
existe entre los valores de un atributo. Tradicionalmente se le ha utilizado en las llamadas
geociencias (geofísica, hidrogeología, etc.), sin embargo, sus principios se aplican cada vez
más en una amplia variedad de campos científicos como pesqueras, silvicultura, ingeniería
civil, procesamiento de imágenes, cartografía, meteorología, etc.

En la estadística clásica, se manejan variables independientes, donde se asume cero

continuidad (correlación) entre los datos. La geoestadística por su parte asume lo contrario,
señalando que los datos están correlacionados y que esta continuidad se puede medir para
puntos, bloques o volúmenes. Por lo tanto, en esta disciplina, se utiliza el concepto de
variable regional que describe fenómenos, atributos con una distribución geográfica y con
una cierta continuidad espacial. Kriging es el método de cálculo de una variable regional en
un punto, al interior de una superficie o dentro de un volumen usando un criterio de
minimización de la estimación de la varianza. Para ello se resuelve un conjunto de ecuaciones
utilizando la información presente en el variograma y las distancias relativas entre los datos y
la posición del punto (o bloque/volumen) donde el valor interpolado es pedido. Estas
ecuaciones contienen la covarianza entre el punto a ser estimado y los datos y las covarianzas
entre los datos mismos. Kriging es un método de interpolación exacto en el sentido que su
estimación en un punto de control coincide con el valor observado.

Ejercicio 10: Creación de una superficie mediante

interpolación de kriging con un radio variable

Existen dos métodos de kriging: Ordinario y Universal. El kriging ordinario es el más general
y el más utilizado de los métodos de kriging y es el método por defecto. Asume que la media
constante es desconocida. El kriging universal sólo debe utilizarse cuando se sabe que hay
una tendencia en los datos y se puede dar una justificación científica para describirla.
Utilizando un radio de búsqueda variable, puede especificar el número de puntos a utilizar en
el cálculo del valor de la celda interpolada. Esto hace que el radio de búsqueda sea variable
para cada celda interpolada, dependiendo de lo lejos que tenga que estirarse para alcanzar el
número especificado de puntos de entrada. La especificación de una distancia máxima limita el
tamaño potencial del radio del círculo. Si no se alcanza el número de puntos antes de llegar a la
distancia máxima del radio, se utilizarán menos puntos en el cálculo de la celda interpolada

Digite a Kriging, verifique que Kriging (Spatial Analyst) esté en la lista ábralo. Se abre la
ventana Kriging donde rellenara las siguientes característica.

• En Input point feautures escoja Temperatura

• En Z value field busque PROM.
• En haga clic en Output raster. Y escriba Kriging_Temp1 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Semivariogram properties, se encuentra el modelo de Semivariograma a utilizar.
Hay dos métodos de kriging: Ordinario y Universal. En kriging method elija
Ordinary.
• En Semivariogram model escoja Spherical
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
• En Search radius se utilizará el radio por defecto variable.
• En Number of points. En este caso se deja por defecto el valor de 12.
 • Haga clic en Run.
# 12. Tome una captura de pantalla

Ejercicio 11: Creación de una superficie mediante

interpolación de kriging con un radio fijo
Digite a Kriging, verifique que Kriging (Spatial Analyst) esté en la lista ábralo. Se abre la
ventana Kriging donde rellenara las siguientes característica.

• En Input point feautures escoja Temperatura

• En Z value field busque PROM.
• En haga clic en Output raster. Y escriba Kriging_Temp1 debe guarda los datos en la
geodatabe Interpolaciones.gdb
• En Semivariogram properties, se encuentra el modelo de Semivariograma a utilizar.
Hay dos métodos de kriging: Ordinario y Universal. En kriging method elija
Ordinary.
• En Semivariogram model escoja Spherical
• En Ouput cell size, definirá el tamaño de la celda que será de 500 metros
• En Search radius se utilizará el radio fixed.
• En Distance. En este caso se coloca 8000.
 • Haga clic en Run.
# 13. Tome una captura de pantalla y explique qué ocurrió en este proceso, destacando las
diferencias en comparación con el mapa generado anteriormente en el mapa 12.

Resumen

Visitar cada lugar de un área de estudio para medir la altura, concentración o magnitud de un
fenómeno suele ser difícil o costoso. En lugar de ello, se puede medir el fenómeno en
ubicaciones de muestra estratégicamente dispersas y se pueden asignar valores previstos a
todas las demás ubicaciones. Los puntos de entrada pueden estar espaciados aleatoria o
regularmente o basarse en un esquema de muestreo.

La representación de superficie continua de un conjunto de datos ráster representa alguna

medida, como la altura, la concentración o la magnitud (por ejemplo, elevación, acidez o nivel
de ruido). Las herramientas de interpolación de superficie hacen predicciones a partir de
mediciones de muestra para todas las ubicaciones en un conjunto de datos ráster de salida,
independientemente de si se ha tomado una medición en la ubicación o no.

Hay diversas formas de derivar una predicción para cada ubicación; cada método se denomina
modelo. Con cada modelo, se hacen diferentes supuestos sobre los datos y ciertos modelos son
más aplicables a datos específicos; por ejemplo, un modelo puede explicar la variación local
mejor que otro. Cada modelo produce predicciones utilizando diferentes cálculos.

Las herramientas de interpolación generalmente se dividen en métodos deterministas y

geoestadísticos.
Tipo Herramienta Descripción
La herramienta IDW (distancia inversa ponderada) utiliza un método de
Métodos locales o determinísticos

interpolación que estima los valores de las celdas promediando los valores de los
IDW puntos de datos de muestra en las proximidades de cada celda de procesamiento.
Cuanto más cerca esté un punto del centro de la celda que se está estimando, más
influencia o peso tendrá en el proceso de promediado.
La interpolación de vecino natural encuentra el subconjunto más cercano de
muestras de entrada a un punto de consulta y les aplica ponderaciones basadas en
Natural neighbour
áreas proporcionales para interpolar un valor (Sibson, 1981). También se conoce
como interpolación Sibson o de "robo de área".
La herramienta Spline utiliza un método de interpolación que estima valores
mediante una función matemática que minimiza la curvatura general de la
Spline
superficie, lo que da como resultado una superficie suave que pasa exactamente por
los puntos de entrada.
Calcula una magnitud por unidad de área a partir de entidades puntuales que se
Density
encuentran dentro de una vecindad alrededor de cada celda.
Kriging es un procedimiento geoestadístico avanzado que genera una superficie
o geoestadísticos
Métodos globales

estimada a partir de un conjunto disperso de puntos con valores z. Más que otros
Kriging métodos de interpolación, se debe realizar una investigación exhaustiva del
comportamiento espacial del fenómeno representado por los valores z antes de
seleccionar el mejor método de estimación para generar la superficie de salida.
La tendencia es una interpolación polinómica global que ajusta una superficie suave
definida por una función matemática (un polinomio) a los puntos de muestra de
Trend
entrada. La superficie de tendencia cambia gradualmente y captura patrones de
escala gruesa en los datos.
 Facultad de Humanidades
Departamento de Geografía
Profesor: José Eduardo Fuentes D
Laboratorio 3. SIG 02.
Es muy importante que las imágenes incluidas en su documento tengan una buena
resolución y sean claramente visibles. Las imágenes borrosas o de baja calidad que
impidan la identificación adecuada del ejercicio no serán aceptadas. Además, asegúrese
de utilizar únicamente sus propias imágenes (No se copie). Recuerde que los ejercicios
son de carácter individual y cada estudiante debe presentar su propio trabajo visual.
Para capturar una imagen de su trabajo, utilice la herramienta de recorte en Windows.

Asegúrese de seleccionar el área relevante de su trabajo que desea

mostrar, e incluya la fecha y la hora, tal como se muestra en la figura 1.

Figura 1. Captura de pantalla, con la herramienta recorte y mostrando fecha y hora.

Les recuerdo que deben enviar su documento de Word o PDF claramente marcado con su
nombre completo y número de código estudiantil. Asegúrense de que el trabajo cumpla
con las normas básicas de presentación de escritos conforme a las directrices ICONTEC.
Por favor, tengan en cuenta que no se aceptarán trabajos enviados después de la fecha
pactada para la recepción. El documento debe ser enviado a la siguiente dirección de
correo electrónico [email protected] Agradezco su atención a estas
indicaciones que son parte integral de la rúbrica de calificación.
Tareas
Contexto: La criminología científica tiene sus orígenes en la cartografía del delito. Desde el
siglo XIX, los primeros estudios sistemáticos de la delincuencia, basados en mapas de
condenas penales en Francia e Inglaterra, establecieron que la delincuencia se asocia con
factores como la edad, el género, la pobreza y la falta de educación. En el siglo XX, los
mapas de delitos en ciudades de Estados Unidos reafirmaron estos hallazgos y agregaron
la observación de que los delitos tienden a concentrarse en áreas urbanas con baja
organización social y que están determinadas por la forma urbana y la red de transporte.
En este taller, realizaremos un análisis espacial de los homicidios ocurridos en Santiago de
Cali entre 2004 y 2019, aplicando métodos de interpolación y análisis de patrones de
densidad.
Tareas a realizar:
1. Adjuntar los gráficos (capturas de pantalla) resultantes del análisis del 1 al 13.
o Deberá generar y adjuntar las capturas de pantalla correspondientes a los
resultados de los gráficos y mapas producidos a lo largo del taller.
Asegúrese de que cada uno de ellos esté numerado correctamente y con
una calidad visual adecuada para su análisis posterior.
2. Elaborar un mapa de densidad de los homicidios ocurridos entre 2004 y 2019,
clasificado en cinco rangos de clase.
o Utilizando los datos proporcionados sobre homicidios en Santiago de Cali,
genere un mapa de densidad en el que se clasifiquen las áreas en cinco
rangos de clase. Asegúrese de utilizar una celda de 50 metros para que el
nivel de detalle sea suficiente para interpretar los patrones espaciales de
manera precisa.
3. Identificar los 10 barrios más peligrosos de Cali y determinar cuál de estos es el
más peligroso (1º).
o A través del análisis de la distribución espacial de los homicidios, identifique
los 10 barrios más afectados por este tipo de violencia. Una vez completada
la identificación, determine cuál de ellos presenta la mayor cantidad de
homicidios y clasifíquelo como el barrio más peligroso.
4. Realizar una investigación general sobre los aspectos sociales del barrio con el
mayor número de homicidios y analizar las posibles causas de la violencia (mínimo
800 palabras).
 o Investigue los factores sociales, económicos y estructurales que
caracterizan al barrio con el mayor número de homicidios. Analice posibles
causas subyacentes que podrían explicar los altos niveles de violencia,
considerando aspectos como la pobreza, la falta de acceso a educación, el
desempleo, la marginalización social y las dinámicas criminales presentes
en la zona.
5. Identificar el tipo de violencia más frecuente en estos barrios.
o Examine los tipos de violencia registrados en los 10 barrios más peligrosos y
determine cuál es el más común. Tenga en cuenta si se trata de violencia
interpersonal, violencia relacionada con el crimen organizado o cualquier
otra tipología.
6. Determinar en qué jornada del día se presentan más homicidios en Cali.
o A partir de los datos disponibles, realice un análisis temporal para identificar
en qué momentos del día se concentra un mayor número de homicidios en
la ciudad de Cali. Clasifique las jornadas en mañana, tarde, noche y
madrugada para facilitar la interpretación de los patrones horarios.
7. Determinar en qué mes se presentan más homicidios en Cali.
o Realice un análisis mensual de los datos de homicidios y determine en qué
mes se presenta el mayor número de estos eventos. Esto permitirá
identificar si existen patrones estacionales o periodos del año en los que la
violencia se intensifica.
Indicaciones adicionales:
• Asegúrese de que los mapas generados cuenten con todos los elementos
cartográficos necesarios, como leyendas, escala gráfica, título y fuentes de datos.
• Los gráficos y resultados deben ser claros y con una resolución suficiente para
permitir su análisis detallado.
• Argumente de manera sólida todas las conclusiones obtenidas a partir de los datos
y asegúrese de integrar conceptos clave de la criminología y el análisis espacial en
sus respuestas.
Con estas actividades, se busca proporcionar una visión integral de los patrones de
homicidios en la ciudad de Cali, utilizando herramientas de Sistemas de Información
Geográfica (SIG) y análisis criminológico.