1 POINT DENSITY / KERNEL DENSITY: Otro tipo de operaciones
Transcripción
1 POINT DENSITY / KERNEL DENSITY: Otro tipo de operaciones
GRADO DE GEOGRAFÍA. ASIGNATURA: SIG DATOS RASTER (II PARTE) GESTIÓN, VISUALIZACIÓN CONSULTA Y ANÁLISIS DE DATOS RASTER POINT DENSITY / KERNEL DENSITY: Otro tipo de operaciones globales son las que realizan las herramientas incluidas en la caja de herramientas DENSITY (Point Density y Kernel Density), herramientas que permiten generar mapas de densidad (de población, por ejemplo) y cuyos valores están asociados a las celdillas, y no a otras estructuras (municipios, provincias). Conceptualmente, una vecindad es definida en torno a cada centro de celdilla raster, y el número de puntos que cae dentro de cada vecindad es dividido por su extensión. Aumentando el radio, los valores asignados a las celdillas se vuelven más suavizados, y aumentando el valor de la unidad (de has a km, por ejemplo), el valor, lógicamente, aumenta. Por otra parte, puede considerarse cada punto como representante de una cantidad (population field), y si ese valor es especificado como un atributo, el programa lo considera, aumentando la densidad relativa en diferentes proporciones. En general, su funcionamiento es el siguiente: si tenemos 3 puntos que representan a 3 núcleos de población, y cada punto lleva asociado un número de habitantes determinado, la función distribuye a toda esa población entre todas las celdillas de la imagen de salida, caracterizándolas por medio de un valor que indica su densidad poblacional (hb / km2, por ejemplo). Para que esa distribución pueda llevarse a cabo es necesario indicar un “radio de búsqueda” determinado, y dependiendo de su longitud, el resultado puede ser muy diferente. La razón es que la función cuantifica el número de puntos (o suma el número de habitantes) encontrados en cada entorno de celdilla (indicado por el radio de búsqueda elegido) en relación con la superficie de ese entorno (superficie del círculo que posee ese radio). El producto resultante (mapa de densidad) puede ser generado de forma más o menos suavizada, empleando una de dos funciones: - POINT DENSITY: asigna igual valor a todas las celdillas que caen dentro del radio especificado. Si se superponen varios círculos, los valores de densidad se suman. - KERNEL DENSITY: asigna distinto valor a todas las celdillas que caen dentro del radio especificado, en función de la distancia a la que se encuentren del punto, de modo que la densidad disminuye a medida que nos alejamos de los puntos con información. Si se cruzan dos círculos, los valores de densidad se suman. 1 GRADO DE GEOGRAFÍA. ASIGNATURA: SIG DATOS RASTER (II PARTE) GESTIÓN, VISUALIZACIÓN CONSULTA Y ANÁLISIS DE DATOS RASTER Objetivo 1: conocer la densidad media de habitantes por kilómetro cuadrado en el área de estudio. Metodología 1: utilizar Spatial Analyst Tools / Density / Point Density, aplicándolo sobre la capa NÚCLEOS_PU y el campo POBLAC. Utilice un radio circular de 6000 metros, la vecindad “circular”, y obtenga los datos en kilómetros cuadrados. Resultado 1: los resultados y sus estadísticas pueden observarse en el siguiente gráfico, si visualiza el resultado como “Unique Values”. Consideraciones: debido a que son pocos los puntos con información, las distintas densidades se distribuyen a modo de círculos que se superponen: en total son 47 valores diferentes. Nota: una demostración de cómo funciona el método es a partir de la selección de un solo núcleo de población (por ejemplo, Ubrique, con 17960 hb.), la especificación de un radio de 20 metros (el tamaño de celdilla), y la obtención del resultado en hb/m 2. La densidad de las celdillas cuyo centro se encuentra a menos de 20 metros de Ubrique (3 celdillas) es de 14.29, el mismo valor que obtenemos si la población de Ubrique (17960) la dividimos entre la superficie de un círculo de 20 metros de radio1. La diferencia radica en que tres celdillas ocupan una superficie de 1200 m2, y que su población total debería ser, en función de esa densidad, de 17148 hb, cuando realmente es de 17960 hb. 1 3.14 * (20 * 20) = 1256 m 2 GRADO DE GEOGRAFÍA. ASIGNATURA: SIG DATOS RASTER (II PARTE) GESTIÓN, VISUALIZACIÓN CONSULTA Y ANÁLISIS DE DATOS RASTER Objetivo 2: conocer la densidad media de habitantes por kilómetro cuadrado en el área de estudio. Metodología 2: en lugar de utilizar Point density emplee la herramienta Kernel density; indique un radio de 6000 m. Comprobará como los valores se ajustan más a lo que se considera un mapa de densidad, ya que las zonas más cercanas a los puntos son las que obtienen los valores más altos. Resultado 2: Consideraciones: si se suman los valores de todas las celdillas de la imagen resultante, la cantidad de población total resultante es mucho mayor que la original. Compruébelo y trate de dar una explicación… Objetivo 3: Calcule, para cada municipio, el valor de densidad poblacional a partir de la información contenida en NUCLEOS_PUN. Posteriormente y utilizando Kernel density, genere tres mapas de densidad poblacional, con radios de 5000, 7000 y 9000 metros. Por último, calcule para cada municipio cual es el valor de densidad poblacional obtenido con esos tres radios… ¿Cuál de las tres distancias es la que genera valores más parecidos a los obtenidos en el primer caso? Metodología 3: Para resolver el primer caso no necesita un ordenador (aunque usarlo facilitará la tarea); simplemente sume la población contenida en cada municipio y divida el resultado por la superficie de cada municipio (168 km2); proporcione los valores en hb / km2. En los tres siguientes casos utilice Kernel Density tres veces sobre la capa NUCLEOS_PUN, modificando tan solo los radios de búsqueda (5000, 7000 y 9000 m). Obtenidas las tres capas raster, caracterice cada municipio por la densidad poblacional media aplicando Zonal Statistics as Table sobre ellas. 3 GRADO DE GEOGRAFÍA. ASIGNATURA: SIG DATOS RASTER (II PARTE) GESTIÓN, VISUALIZACIÓN CONSULTA Y ANÁLISIS DE DATOS RASTER Resultado 3: en las siguientes tablas puede comprobar como es el menor de los radios (5000) el que proporciona valores más parecidos a los obtenidos con el cálculo directo a partir de los entes municipales; sin embargo, las diferencias entre uno y otro método son mayores que las existentes entre los resultados de aplicar Kernel Density. Por último, no debe escapársele que los datos obtenidos están referidos tan solo al área de estudio, por lo que en la realidad tanto la población contenida en cada municipio como sobre todo su superficie son mucho mayores. Ilustración 1: densidad poblacional de los municipios del área de estudio 4