UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

FACULTAD DE INGENIERÍA AGRÍCOLA

INFORME N°012-2018-PRSIG-FIA-UNALM

UNIDAD 12

“ANÁLISIS Y MODELAMIENTO EN SIG”

PROFESOR:

Enciso Gutiérrez, Antonio Celestino

REPRESENTANTE:

Arias Zaldívar, Jesús Miguel

CURSO:

Percepción Remota y SIG

CICLO:

2018-1

La Molina, 2018
ÍNDICE:
ÍNDICE: .................................................................................................................. 2
ÍNDICE DE FIGURAS: ........................................................................................... 3
I. Marco teórico: .................................................................................................. 4
ANÁLISIS DE DATOS ........................................................................................................................ 4
CONSIDERACIONES PRINCIPALES ................................................................................................... 4
1. MODELAMIENTO GEOGRÁFICO ......................................................................................... 4
2. MODELOS DESCRIPTIVOS ................................................................................................... 4
3. MODELOS PREDICTIVOS ..................................................................................................... 5
4. MODELOS DE PONDERACIÓN ............................................................................................ 5
SUPERPOSICIÓN DE COBERTURAS ................................................................................................. 6
ANÁLISIS DE DATOS Y ATRIBUTOS ................................................................................................. 9
1. ANÁLISIS DE DATOS ............................................................................................................ 9
2. ANÁLISIS DE ATRIBUTOS .................................................................................................. 10
MODELOS DE SIMULACIÓN .......................................................................................................... 12
MODELOS DE PREDICCIÓN ........................................................................................................... 12
VALIDACION DE MODELAMIENTOS ............................................................................................. 14
II. BIBLIOGRAFÍA ...............................................................................................16
ÍNDICE DE FIGURAS:
Figura N° 1: Representación actual del mundo externo .................................................................... 4
Figura N° 2: Modelo de representación ............................................................................................. 4
Figura N° 3: Modelo de representación 2 .......................................................................................... 5
Figura N° 4: Modelo Predictivo .......................................................................................................... 5
Figura N° 5: IDW ................................................................................................................................. 6
Figura N° 6: TIN .................................................................................................................................. 6
Figura N° 7: Superposición o combinación de atributos .................................................................... 7
Figura N° 8: Área total de la nueva dataset ....................................................................................... 7
Figura N° 9: Superposición de carreteras y vegetación ..................................................................... 8
Figura N° 10: Superposición de pendientes de suelos y vegetación .................................................. 8
Figura N° 11: Superposición de rásters .............................................................................................. 8
Figura N° 12: Escala de los datos geográficos, puntos en este caso .................................................. 9
Figura N° 13: Auto correlación espacial de los datos espaciales ....................................................... 9
Figura N° 14: Estructuras espaciales ................................................................................................ 10
Figura N° 15: Desborde de los datos espaciales............................................................................... 10
Figura N° 16: Capas de un área específica ....................................................................................... 11
Figura N° 17: Datasets de un área específica 2 ................................................................................ 11
Figura N° 18: Tabla de Atributos de las capas ingresadas al SIG ...................................................... 11
Figura N° 19: Simulación de procesos mediante algoritmos de información de los MDT ............... 12
Figura N° 20: Distribución Actual de la Musoraña Ibérica, España .................................................. 13
Figura N° 21: Atributos del área evaluada ....................................................................................... 13
Figura N° 22: Ejemplo de gráficas y diagramas probabilístico de la especie evaluada .................... 13
Figura N° 23: Distribución futura de la especie de la Musoraña ibérica, España ............................ 14
Figura N° 24: Modelo a Validar 1 ..................................................................................................... 14
Figura N° 25: Modelos a validar 2 .................................................................................................... 14
Figura N° 26: Validación del Modelo ArcMap .................................................................................. 15
 I. Marco teórico:
ANÁLISIS DE DATOS

CONSIDERACIONES PRINCIPALES

1. MODELAMIENTO GEOGRÁFICO
Representación de aspectos geográficos del mundo que nos rodea. Implica definir el tipo de
operaciones geográficas que pueden ser empleadas en un análisis para resolver problemas.
(Rodríquez, s.f.)

Figura N° 1: Representación actual del mundo externo

Fuente: http://geoservice.igac.gov.co/contenidos_telecentro/fundamentos_sig/cursos/sem_2/uni2/index.php?id=2

2. MODELOS DESCRIPTIVOS
La definición de modelo descriptivo se acerca más a la realidad, el cual utiliza, datos estadísticos de
síntesis. A partir del modelo descriptivo resulta sencillo establecer un diagnóstico integral. La
identificación y evaluación de deficiencias y problemas, en cada uno de los subsistemas, nos
permite diseñar una serie de actuaciones que, integradas dentro de un proceso global de
planificación, nos conducirá a la consecución del modelo territorial deseado en función de nuestros
objetivos. (Rodríquez, s.f.)

Un ejemplo es el siguiente:

Figura N° 2: Modelo de representación

Fuente: (Olaya, 2014)

 Figura N° 3: Modelo de representación 2

Fuente: (Olaya, 2014)

Como se puede observan en las dos figuras anteriores, los datos espaciales se pueden presentar en
varios modelos de representación o descriptivos, uno por curvas de nivel, por una malla de celdas
regulares, por puntos regulares, por una red de triángulos irregulares, por una malla de celdas, o
por un conjunto de líneas, todas ellas representando los mismos valores de datos espaciales.
(Olaya, 2014)

3. MODELOS PREDICTIVOS
Muchos delos SIG que hoy encontramos en el mercado cuentan con funciones estadísticas muy
desarrolladas o, en su efecto, con facilidades de comunicación con paquetes estadísticos, lo que
facilita la generación de modelos matemáticos a partir de los cuales es posible realizar predicciones
de los procesos. Los modelos predictivos se incorporan en los procesos de planificación para cubrir
tres propósitos hasta la fecha ignorados: predicción y generación de escenarios, análisis de impacto
de políticas y actuaciones y generación y/o diseño de políticas de actuación. (Olaya, 2014)

Figura N° 4: Modelo Predictivo

Fuente; https://geoinnova.org/cursos/wp-content/uploads/2013/12/Maxent.pdf

4. MODELOS DE PONDERACIÓN
Para la realización del análisis espacial, y la esquematización de los modelos, se deben recurrir a
modelos de ponderación o interpolación para calcular y visualizar las tendencias que los datos
espaciales muestran en el área evaluada. Para ello se recurre a las herramientas espaciales para
poder esquematizar el modelo espacial a detalle de los datos espaciales. Las herramientas más
comunes de ponderación espacial son dos:

DISTANCIA INVERSA PONDERADA (IDW)

En el método de ponderación o interpolación IDW, los datos espaciales o puntos de muestreo se
ponderan durante la interpolación, de tal manera que la influencia de un punto en relación con
otros disminuye con la distancia desde el punto desconocido que se desea crear. (QGIS, s.f.)

Figura N° 5: IDW

Fuente: https://docs.qgis.org/2.8/es/docs/gentle_gis_introduction/spatial_analysis_interpolation.html

RED IRREGULAR TRIANGULADA (TIN)

La interpolación TIN es otra herramienta popular en los SIG. Un algoritmo TIN común es el llamado
Triangulación de Delaunay. Este proceso intenta crear una superficie formada por triángulos de
puntos vecinos más cercanos. Para ello, se crean circunferencias alrededor de los puntos de
muestras seleccionados y sus intersecciones se conectan a una red de triángulos no traslapados y
tan compactos como sea posible. (QGIS, s.f.)

Figura N° 6: TIN

Fuente: https://docs.qgis.org/2.8/es/docs/gentle_gis_introduction/spatial_analysis_interpolation.html

SUPERPOSICIÓN DE COBERTURAS
Una de las preguntas más básicas que se hacen sobre un SIG es: ¿qué está encima de qué?

¿Qué uso de suelo se encuentra encima de qué tipo de suelo?

¿Qué pozos están dentro de bases militares abandonadas?

¿Qué carreteras están dentro de qué países?

(ArcMap, s.f.)

Para responder dichas preguntas los cartógrafos creaban hojas de plásticos transparente y
superponían esas hojas en una mesa luminosa para crear el nuevo mapa de los datos superpuestos.
Sin embargo, actualmente, esto se viene realizando con programas de SIG. (ArcMap, s.f.)

Para ello, en SIG, primero se materializan todos los atributos de la entidades que forman parte de
la superposición, donde las parcelas y las zonas inundadas son polígonos, mostradas en la siguiente
figura. Mediante la herramienta combinación se pueden superponer para crear un nuevo dataset
de polígono, el cual posee los dos rasgos de los atributos superpuestos (combinados). (ArcMap, s.f.)
 Figura N° 7: Superposición o combinación de atributos

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/commonly-used-tools/overlay-analysis.htm

Gracias a esta superposición de datos espaciales, se puede calcular el área total de cada tipo de
suelo de la zona analizada al seleccionar la zona superpuesta.

Figura N° 8: Área total de la nueva dataset

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/commonly-used-tools/overlay-analysis.htm

También se pueden superponer los límites de una cuenca con una capa de vegetación, o las
carreteras según los tipos de vegetaciones de la siguiente figura:
 Figura N° 9: Superposición de carreteras y vegetación

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/commonly-used-tools/overlay-analysis.htm

También se pueden superponer las pendientes empinadas de suelos y de la vegetación de un

mismo terreno a analizar:

Figura N° 10: Superposición de pendientes de suelos y vegetación

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/commonly-used-tools/overlay-analysis.htm

Finalmente, también se puede dar el caso de superponer ráster respecto a otra ráster. Esto lo que
hace es sumar el valor de los datos espaciales de cada celda del ráster con la otra, obteniendo
como resultado final, una combinación de ráster en el cual cada celda de este es la suma de las
otras dos superpuestas:

Figura N° 11: Superposición de rásters

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/commonly-used-tools/overlay-analysis.htm
ANÁLISIS DE DATOS Y ATRIBUTOS
1. ANÁLISIS DE DATOS
Considerar que el dato espacial es un dato cualquiera sin ninguna peculiaridad supone no realizar
sobre él un análisis óptimo. Las características propias de los datos espaciales dotan a estos de una
gran importancia y potencialidad de análisis, pues estos condicionan o limitan las cantidades de
operaciones que podríamos realizar con este. (Anónimo, s.f.)

Entendemos por lo tanto que por dato espacial es todo aquel dato que tiene asociada una
referencia geográfica, de tal modo que se pueda localizar exactamente dónde sucede dentro de un
mapa geográfico. Dentro de esta definición se incluyen conceptos como datos de campos
(superficies) o datos asociados a objetos como puntos, líneas, o polígonos. (Anónimo, s.f.)

A la hora de estudiar la información geográfica, se puede realizar en distintos niveles y,

dependiendo del nivel elegido, los resultados serán de una u otra naturaleza. Este hecho es fácil de
analizarlo con ejemplos donde se analicen las distintas escalas de los datos geográficos:

Figura N° 12: Escala de los datos geográficos, puntos en este caso

Fuente: http://volaya.github.io/libro-sig/chapters/Analisis_espacial.html

En la imagen anterior, se puede visualizar que los puntos en a) se agrupan en conglomerados en

zonas concretas del espacio, mientras que en el b) solo se enfoca uno de los dichos grupos
designados en a), no pudiendo visualizar claramente los otros grupos de datos adyacentes a este
grupo enfocado. (Anónimo, s.f.)

Figura N° 13: Auto correlación espacial de los datos espaciales

Fuente: http://volaya.github.io/libro-sig/chapters/Analisis_espacial.html

Del mismo modo ocurre con el auto correlación espacial, si los datos se encuentran relacionadas
entre sus datos adyacentes a estos, se denominan auto correlación espacial positiva presentada en
la figura a); no obstante, cuando presentan una tendencia simétrica entre estas se denominan auto
correlación espacial negativa, caso b); pero cuando no presentan ninguna relación entre estas, es
decir, cada dato son independientes, se denominan Ausencia de auto correlación espacial, caso c).
(Anónimo, s.f.)

Figura N° 14: Estructuras espaciales

Fuente: http://volaya.github.io/libro-sig/chapters/Analisis_espacial.html

Las estructuras de los datos espaciales es otra propiedad que ha de ser evaluada, esto para verificar
si los datos espaciales usados en el trabajo de SIG realizado son las correctas o no guardan relación
para poder procesar y analizar entre estos. Por ejemplo, en el patrón b) los puntos se hallan más
agrupados pero distribuidos de manera desigual, mientras que en el a), los puntos o datos
espaciales se hallan distribuidos de forma uniforme a lo largo de la extensión de la zona de análisis.
Si la auto correlación de los datos espaciales es positiva, la información recogida en el patrón b) es
mucho menos representativa ya que se dispone de datos que recogen información en cierta medida
redundante, dejando vacíos para ciertas zonas a analizar, mientras que en el patrón a) existen una
buena representación de la zona evaluada. (Anónimo, s.f.)

Figura N° 15: Desborde de los datos espaciales

Fuente: http://volaya.github.io/libro-sig/chapters/Analisis_espacial.html

Un problema al momento de realizar el modelamiento o análisis de datos espaciales es cuando se

tiene una limitada información espacial del terreno evaluado. Se recomienda obtener información
espacial tanto dentro como fuera de la zona evaluada, ya que al solo tener datos espaciales dentro
de la zona, en las regiones limítrofes de esta se tendrá una menor representación confiable de los
datos, puesto que al existir vacíos en la zona exterior de la zona evaluada, esta información espacial
tendrá dificultad en encontrar un valor concreto para completar la zona faltante, obteniendo como
resultados informaciones no confiables en las regiones limítrofes de la zona evaluada. (Anónimo,
s.f.)

2. ANÁLISIS DE ATRIBUTOS
Un SIG puede modelar información geográfica como un conjunto lógico de capas con sus
respectivos atributos descriptivos en ellos. Por ejemplo, estas capas pueden ser:

- Calles representadas como líneas de centro

- Áreas de uso de suelo que representan vegetación, zonas residenciales y empresariales,
etc.
 - Áreas administrativas
- Masas de agua y ríos
- Polígonos de parcelas como propiedades de terreno
- Superficie para representar la elevación y el terreno mismo
- Una fotografía aérea o imagen satelital para un área de interés
(ArcGIS, s.f.)

Figura N° 16: Capas de un área específica

Fuente: http://resources.arcgis.com/es/help/getting-started/articles/026n0000000p000000.htm

Figura N° 17: Datasets de un área específica 2

Fuente: http://resources.arcgis.com/es/help/getting-started/articles/026n0000000p000000.htm

Unas series de atributos o informaciones descriptivas, se tratan de información tabular tradicional

utilizada para describir entidades y categorías acerca de los objetos geográficos que contiene cada
datset. Estos, en general, están representados como columnas de las tablas de atributos de las
capas de las figuras, por ejemplo, mencionadas anteriormente. (ArcGIS, s.f.)

Figura N° 18: Tabla de Atributos de las capas ingresadas al SIG

Fuente: http://resources.arcgis.com/es/help/getting-started/articles/026n0000000p000000.htm
El análisis de estos atributos nos permite determinar, por ejemplo, la cantidad de área que abarca
esa Dataset, el perímetro que esta abarca, el centroide en el eje x e y, el código de
representación, etc.

MODELOS DE SIMULACIÓN
Un modelo de simulación es aquel modelo que no es esencialmente un modelo estático, sino que
representa propiedades que permanecen como valores inmutables y que cambian en el transcurso
del tiempo. Su naturaleza digital para este tipo de modelo permite utilizar a los modelos digitales
del terreno para realizar procesos de simulación dinámica, con lo que a través de la modelización
de objetos, se pueden crear modelos de procesos en este mismo. (Felicisimo, s.f.)

Esta modelización de procesos es posible mediante el uso y diseño de algoritmos numéricos. Estos
algoritmos crean nuevos modelos digitales de terreno, los cuales son denominados modelos
digitales de derivación. (Felicisimo, s.f.)

Figura N° 19: Simulación de procesos mediante algoritmos de información de los MDT

Fuente: http://www6.uniovi.es/~feli/CursoMDT/Tema_1.pdf

La figura anterior muestra el resultado de la simulación de una erupción volcánica, donde las zonas
de color muestran la probabilidad de que el flujo de lava pase por cada lugar. La aplicación utilizada
para este tipo de modelo de simulación fue una aplicación denominada: FLOWFRONT. (Felicisimo,
s.f.)

MODELOS DE PREDICCIÓN
Los modelos predictivos, como se explicó anteriormente, son aquellos conjuntos de modelos que
nos permiten predecir el comportamiento de otro modelo a futuro, debido a los otros modelajes
que generan ese patrón predictivo del modelo evaluado. (Quesada, s.f.)

Un ejemplo de ello es por ejemplo, la distribución de una especie “x” a futuro. Para lograr el
modelaje predictivo de la distribución de la especie analizada, debemos tener como datos
ingresantes el comportamiento de otros modelos que beneficien y perjudiquen la distribución o
expansión de la especie evaluada en un área de análisis, mediante datos georreferenciados en este.
(Quesada, s.f.)

Primero se empieza con la obtención de la distribución actual de la Musoraña ibérica, España:

 Figura N° 20: Distribución Actual de la Musoraña Ibérica, España

Fuente: https://geoinnova.org/blog-territorio/indicador-ambiental-de-la-distribucion-de-la-musarana-iberica-estudio-
realizado-con-maxent/

A continuación se presentan por ejemplo, atributos de datos georreferenciados de altitud, usos de

suelo de la especie, pinares, precipitación, temperatura y robledales respectivamente:

Figura N° 21: Atributos del área evaluada

Fuente: https://geoinnova.org/blog-territorio/indicador-ambiental-de-la-distribucion-de-la-musarana-iberica-estudio-
realizado-con-maxent/

Frente a estos parámetros, se realiza una serie de procesos matemáticos probabilísticos de la

expansión futura de esta especie en el software SIG utilizado.

Figura N° 22: Ejemplo de gráficas y diagramas probabilístico de la especie evaluada

Fuente: Imágenes de Google

Obteniendo como resultado final la distribución futura de la especie evaluada, que se muestra a
continuación:
 Figura N° 23: Distribución futura de la especie de la Musoraña ibérica, España

Fuente; https://geoinnova.org/blog-territorio/indicador-ambiental-de-la-distribucion-de-la-musarana-iberica-estudio-
realizado-con-maxent/

VALIDACION DE MODELAMIENTOS
A medida que se crea un modelo, los datos y herramientas que se agregan y se conectan deben ser
validados o comprobados automáticamente para garantizar la validez de los datos existentes
usados en los modelos.

En el caso del SIG, ArcMap: Se debe ingresar manualmente al modelo haciendo click en
ModelBuilder, Ejecutar y luego Validar. Normalmente esto se puede realizar siempre y cuando se
tenga un modelo previo, el cual fue creado y modificado anteriormente.

Figura N° 24: Modelo a Validar 1

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/modelbuilder/validating-a-model.htm

Figura N° 25: Modelos a validar 2

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/modelbuilder/validating-a-model.htm
 Figura N° 26: Validación del Modelo ArcMap

Fuente: http://desktop.arcgis.com/es/arcmap/10.3/analyze/modelbuilder/validating-a-model.htm

La validación devolverá a todos los procesos a su estado preparado para ejecutarse. Si se valida un
modelo y alguno de los procesos cambia de estado no preparado para ejecutarse, significa que uno
o más parámetros de la herramienta modelada no son válidos o apropiados para la cadena de los
modelos creados, en este caso, se debe revisar y corregir ese valor de la variable impuesta a
modelar.
II. BIBLIOGRAFÍA
Anónimo. (s.f.). volaya.github.io. Obtenido de Conceptos básicos para el análisis espacial:
http://volaya.github.io/libro-sig/chapters/Analisis_espacial.html

ArcGIS. (s.f.). resources.arcgis.com. Obtenido de Tabla de atributos, análisis:

http://resources.arcgis.com/es/help/getting-started/articles/026n0000000p000000.htm

ArcMap. (2015). desktop.arcgis.com. Obtenido de Validar un Modelo de SIG:

http://desktop.arcgis.com/es/arcmap/10.3/analyze/modelbuilder/validating-a-
model.htm

ArcMap. (s.f.). desktop.arcgis.com. Obtenido de Análisis de superposición:

http://desktop.arcgis.com/es/arcmap/10.3/analyze/commonly-used-tools/overlay-
analysis.htm

ArcMap. (s.f.). desktop.arcgis.com. Obtenido de Ponderaciones espaciales:

http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/spatial-
weights.htm

Felicisimo, A. (s.f.). uniovi.es. Obtenido de Conceptos básicos, modelos y simulación:

http://www6.uniovi.es/~feli/CursoMDT/Tema_1.pdf

Olaya, V. (2014). Sistemas de Informaicón Geográfica.

QGIS. (s.f.). docs.qgis.org. Obtenido de Análisis Espacial (Interpolación):

https://docs.qgis.org/2.8/es/docs/gentle_gis_introduction/spatial_analysis_interpolation.
html

Quesada, L. (s.f.). geoinnova.org. Obtenido de INdicador ambiental de la distribuci´n de la

musoraña ibérica: https://geoinnova.org/blog-territorio/indicador-ambiental-de-la-
distribucion-de-la-musarana-iberica-estudio-realizado-con-maxent/

Rodríquez, J. (s.f.). rua.ua.es. Obtenido de Los sistemas de información geográfica: Una

herramienta de análisis en los estudios de impacto ambiental (EIA):
https://rua.ua.es/dspace/bitstream/10045/2725/10/cap10.pdf