Professional Documents
Culture Documents
Introducción
Como ya se ha reiterado a lo largo de este libro, un Sistema de Información Geográfico
(SIG) es en esencia una base de datos georeferenciada, que ha probado ser de gran utilidad
para capturar, almacenar, analizar y manejar datos espaciales y sus atributos asociados. El
surgimiento y popularización de los SIG, nos ha posibilitado la habilidad de analizar las
relaciones espaciales entre los datos arqueológicos que en última nos permiten producir
modelos de potencial arqueológico. La finalidad de estos modelos es estimar el potencial de
ubicación de sitios o materiales arqueológicos en un área específica con base en una
muestra de los mismos, o en teorías sobre el comportamiento humano. En la práctica estos
modelos identificarán áreas en el paisaje donde la probabilidad de encontrar un sitio
arqueológico será alta. De esta manera los modelos predictivos generados constituyen una
herramienta heurística para proyectar patrones de relaciones conocidas hacía áreas similares
donde no se tiene evidencia de la existencia de estas relaciones.
El potencial arqueológico es un término usado para describir la probabilidad relativa
de que sitios arqueológicos están presentes en cualquier lugar dado o en un área
determinada, con base en la distribución de sitios arqueológicos conocidos y una
comprensión general de los patrones de asentamiento, de subsistencia y culturales del
pasado dentro de esa área específica.
Los arqueólogos generalmente no pueden predecir el porcentaje (por ejemplo, 75%)
de probabilidad de que un sitio arqueológico esté presente en un lugar dado porque las
ubicaciones exactas del sitio son algo impredecibles debido a variaciones complejas en
factores temporales, culturales, geográficos y de otro tipo. Por el contrario, la probabilidad
de que un sitio esté presente en un área o tipo de área se presenta como una aseveración
relativa. Por ejemplo, generalmente es más probable que los sitios estén ubicados en valles
fluviales (potencial alto) que en pronunciadas pendientes de cerros y montañas (potencial
bajo). Más aún, como se considera que todas las partes del paisaje tienen al menos cierto
potencial arqueológico, el término "sin potencial" no se utiliza como una categoría general.
Por ejemplo, aunque un lugar ubicado en una pendiente empinada no tenga potencial para
sitios habitacionales, de hecho puede tener un alto potencial para otros tipos de sitios, como
manifestaciones gráficas rupestres.
Los modelos predictivos pueden diseñarse de acuerdo a un acercamiento deductivo
o uno inductivo. El primer método se base en gran medida en la analogía etnográfica o en
teorías del comportamiento humano, haciendo declaraciones a priori con respecto a la
localización de los sitios arqueológicos. Por su parte el método inductivo se basa en el
conocimiento empírico del arqueólogo de un área específica, bajo la premisa de que ciertos
aspectos del entorno físico están correlacionados con la presencia de sitios arqueológicos.
Ambos acercamientos tienen sus proponentes y detractores.
Por otra parte, mientras que los modelos deductivos tienen la ventaja de explicar el
porqué ocurren los sitios en determinadas localidades, su principal crítica es que se corre el
riesgo que los modelos reflejen el sesgo del investigador producto de sus preconcepciones
del comportamiento humano. De igual manera, los modelos inductivos aunque en términos
generales nos pueden dar buenos resultados, su limitado poder explicativo los hacen poco
confiables en áreas donde no se tiene suficiente información empírica. En otras palabras el
modelo dará buenos resultados en áreas donde el conocimiento arqueológico sea adecuado,
pero se verá limitado para evaluar el potencial arqueológico en áreas donde no existe este
conocimiento.
En este trabajo se aplica un acercamiento mixto, es decir deductivo-inductivo,
utilizando tanto variables culturales, como medio-ambientales. Se debe de aclarar que el
término potencial arqueológico es utilizado para describir la probabilidad relativa de la
ocurrencia de sitios arqueológicos en una localidad dada basada en la distribución conocida
de sitios arqueológicos y un conocimiento general de patrones de subsistencia y culturales
de los grupos humanos del pasado en el área de estudio. Es importante acotar que el/la
arqueólogo(a) no puede afirmar con certeza el porcentaje de probabilidad de que un sitio
ocurra en una localidad dada (por ejemplo 60% de probabilidad), ya que la ubicación
precisa obedece a complejas variaciones temporales, culturales y geográficas, entre otros
factores. Más bien la probabilidad de la presencia de un sitio se presenta en términos
relativos. Por ejemplo, es por lo general más probable que un sitio se ubique en un valle
fluvial (potencial alto), que en la marcada pendiente de la ladera de un cerro (bajo
potencial). Más aun, dado que todas las partes del paisaje tienen por lo menos algo de
potencial, el término “sin potencial” no es necesariamente aplicable. Por ejemplo, un risco
con una pendiente de 60 grados podrá ser potencialmente bajo para la ubicación de un
campamento, pero potencialmente alto para la ubicación de un petrograbado. En este
sentido, de acuerdo a las características de la región, estos modelos deben de ser
exhaustivos, contemplando todas las posibles manifestaciones culturales que constituirían
un sitio arqueológico.
Aunque los modelos predictivos de potencial arqueológico han sido ampliamente
utilizados para el manejo de recursos culturales en Norteamérica y Europa (Benson, K., R.
Vincent, M. Eldridge and M. Bein, 2003; Canuel N., A. Maas, 1997; Eldridge, M., A.
Anaya-Hernandez, 2005; Eldridge, M., A. Mackie, 1993; Eldridge, M., et al., 2002;
Kamermans H., 2009; Marshal, A., T. Bond, 2004; Mehrer, M. W., K. L. Wescott, 2006;
Vaughn S., Crawford T., 2009; Verhagen, 2007), en México su aplicación es prácticamente
inexistentes. En el área maya se han desarrollado modelos predictivos basados en la teoría
Depmster-Shafer (Anaya Hernández, 2006) y Regresión Logística (Vaughn S., T.
Crawford, 2009) pero su aplicación ha sido fundamentalmente orientada a resolver
cuestiones teóricas no necesariamente relacionadas con el manejo de los recursos
culturales.
El acelerado desarrollo de obras de infraestructura a lo largo y ancho del país obliga
a la arqueología mexicana a desarrollar nuevas técnicas de prospección que sean cada vez
más eficientes, expeditas y coadyuven a la protección y manejo del patrimonio
arqueológico. Es en este contexto que se presentan en este trabajo un estudio de caso en la
periferia de Mazatlán, Sinaloa, tres modelos predictivos de potencial arqueológico
aplicados exitosamente en otros escenarios: modelo empírico de agregación de potencial, el
modelo de Regresión Logística y el modelo Dempster-Shafer (Anaya Hernández, 2006;
Anaya Hernández, 2008; Anaya Hernández, S.D. Bond, T. Cardinal, 2009; Anaya
Hernández, et al., 2010; Benson, K., R. Vincent, M. Eldridge and M. Bein, 2003; Canning,
2005; Eldridge, M., A. Anaya Hernández, 2005; Eldridge, M., et al., 2002; Vaughn S., T.
Crawford, 2009; White, 2002), mismos que serán evaluados a la luz de la información
arqueológica conocida y la verificación en campo.
Contexto cultural
El área de estudio tiene una extensión de casi 32500 ha, se ubica en la costa del Pacífico
hacia la parte suroccidental del municipio de Mazatlán (Figura 1). La revisión de la base de
datos de la Dirección de Registro Público de Monumentos y Zonas Arqueológicas del
INAH arrojó la presencia de 18 sitios registrados que incluyen sitios con estructuras,
concheros y concentraciones de materiales en superficie, estos fueron clasificados de
acuerdo a sus características y extensión en sitios de rango 3, 5 y 6 (Figura 1 y Tabla 1).
Procesamiento preliminar
De manera preliminar el área de estudio se inspeccionó visualmente utilizando imágenes de
la tierra públicamente disponibles de Google Earth, que en este caso incluía 29 imágenes
que abarcaban el período de 2004 a 2017. El examen de series temporales puede revelar las
tendencias de desarrollo del sitio y también proporcionar una interpretación más robusta de
características visibles en múltiples imágenes. Este enfoque, cuando es empleado por un
especialista en patrimonio cultural, ha demostrado proporcionar resultados útiles que son
confiables dentro de los límites normales de cualquier método rápido. Aunque no es posible
identificar con certeza todas las características culturales, lo que se busca son los posibles
sitios y las características del paisaje que favorecerían la presencia de sitios que podrían no
ser visibles en absoluto, como la proximidad a fuentes de agua, pendiente, aspecto, visual
puntos de observación, o la presencia de formas de relieve adecuadas que pueden facilitar
el movimiento en el entorno físico.
Aunque las imágenes de Google Earth son de gran utilidad para la prospección
arqueológica, la cobertura vegetal y la resolución de píxeles sigue siendo una limitación
para la identificación de características arqueológicas más sutiles. En este sentido,
aprovechamos la disponibilidad de imágenes LiDAR del INEGI para el área de estudio
procesándose para hacer que las características del paisaje resaltaran. LiDAR es un
acrónimo de Light Detection and Ranging. Es una técnica de teledetección que utiliza rayos
láser para recopilar un denso conjunto de datos de puntos que representan la superficie
terrestre y producen mediciones muy precisas en las coordenadas X, Y y Z. A partir de este
conjunto de datos, se produce un Modelo Digital de Elevación (MDE) que, a su vez, se
puede procesar como una imagen de sombreado para visualizar las características
topográficas de la tierra. Aunque la resolución de la imagen (5 m) no es la ideal, los
resultados finales proporcionaron una imagen más clara de la topografía.
Rasgos hidrológicos
Las fuentes de agua son abundantes en la región, la disponibilidad de fuentes confiables de
agua siempre ha sido una de las prioridades urgentes para los grupos nómadas,
seminómadas y agrícolas. Estos cuerpos de agua también representaban una fuente
importante de alimentos debido a la biodiversidad presente en estos y una fuente confiable
de agua para prácticas agrícolas intensivas. El potencial arqueológico de los rasgos
hidrológicos se estimó con base a la distancia a esta. Es importante mencionar que las
distancias se calcularon sobre la base de las distancias de coste1, no las distancias
euclidianas, esto significa que los cambios en el entorno físico fueron considerados en la
estimación del esfuerzo real para moverse en el terreno físico. Considerando lo anterior los
cuerpos de agua presentes en la región de estudio se “amortiguaron” en seis rangos de
distancia y se les asignó un puntaje potencial de acuerdo con su tamaño y naturaleza
(perenne o estacional), es decir, las áreas más cercanas tendrán un mayor potencial (Figura
2, Tabla 2).
1
A diferencia de la distancia euclidiana que es directa, la distancia coste considera la resistencia que ofrece
la superficie al desplazamiento mediante la estimación de dos tipos de fricciones: fricción isotrópica, que es
la misma en todas las direcciones y la fricción anisotrópica que considera dirección y esfuerzo (ver Anaya
Hernández, 2016)
Figura 2. Distancia coste desde cuerpos de agua.
Rasgos topográficos
Resulta evidente que el patrón de asentamiento en el área de estudio durante la época
prehispánica es un reflejo del entorno natural de la región. La evidencia arqueológica
recuperada apunta principalmente a la existencia de pequeñas aldeas agrícolas y aldeas
donde el fácil acceso a los recursos hídricos y los suelos bien drenados serían lugares
preferidos. Complementariamente las micro formas topográficas facilitan el movimiento a
lo largo del paisaje y ofrecen puntos de control visual privilegiados ya sea para la
localización de recursos naturales o como puntos de vigilancia con propósitos defensivos.
En este sentido, para las sociedades agrícolas que habitaron la región en el pasado, los
valles y terrazas bien drenadas y las micro topo formas serían ubicaciones preferidas y se
esperaría una mayor frecuencia de ocurrencia de sitios arqueológicos, por lo que a estos se
les asignó alto valor potencial (Tabla 3) 2.
Otros rasgos topográficos como elevación, pendiente y aspecto también fueron
incluidos en el modelo y se les asignó un valor ponderado de acuerdo a su contribución de
acuerdo al análisis factorial discriminante. Por ejemplo sitios como asentamientos
permanentes tienden a estar ubicados en pendientes suaves de no más de 4 °. De igual
manera el aspecto (dirección de la pendiente) fue considerado como variable de relevancia.
Los grupos nómadas e incluso grupos sedentarios, prefirieron establecer sus viviendas en
laderas orientadas hacia el sur para obtener más luz solar durante todo el año, así como
protección contra los vientos del norte y las heladas, especialmente durante los meses de
invierno.
Tabla 3. Puntajes de potencial asignado a rasgos topográficos
DESCRIPCIÓN PUNTAJE
TOPO FORMAS
Valle 25
Planice 15
Terrazas 20
PENDIENTE
0-3° 20
3.1-6.3° 16
6.3-9.5° 12
9.6-12.7 ° 8
12.8-15.8° 4
15.9-19° 0
ASPECTO
N 4
NE 8
E 12
SE 16
S 20
SO 16
O 12
NO 8
2
Es importante tener en cuenta que para evitar obtener falsos valores de alto potencial a partir de
modificaciones modernas del paisaje como carreteras y red de calles, estas se eliminaron mediante una
“máscara” que se utilizó para sustraerlas en las operaciones de algebra cartográfica descritas más abajo..
Plano 20
ELEVACIÓN (msnm)
0-11m 20
11.1-20m 10
20-50m 16
>50M 0
Rasgos culturales
La Primera Ley de Geografía de Tobler (1970) establece que "todo está relacionado con
todo lo demás, pero las cosas cercanas están más relacionadas que las cosas distantes". En
este sentido, la presencia de sitios arqueológicos es un buen indicador del potencial
arqueológico sobre la base del principio de dependencia y autocorrelación espacial. A partir
de la capa de sitios arqueológicos se derivo una superficie de coste que fue reclasificada
para asignarle el puntaje de potencial en orden descendente de acuerdo a distancia y rango a
partir del sitio (Tabla 4).
3 22 20 18 16 14
5-6 20 18 16
Las imágenes raster de cada una de estas variables fueron reclasificadas a fin de
asignarles el valor del puntaje de potencial y con la herramienta de calculadora de raster de
ArcMap 10.3 fueron sumadas para obtener el gran total de potencial:
“Pot_Ríos”+”Pot_Lagos”+”Pot_Topo”+”Pot_Pend”+”Pot_Elev”+”Pot_Asp”+”Pot_Sitios”
Donde:
p es la probabilidad de la presencia de sitio
b son los pesos beta (intercept)
X son las variables independientes (predictores)
El primer paso antes de iniciar el análisis fue el de agregar una capa vectorial de 20
puntos aleatorios en el área de estudio, mismos que constituirían las variables
independientes por lo que se les asignó un identificador “0” (no sitio). A estos se agregaron
los sitios conocidos con identificador “1”. Finalmente se extrajeron para cada uno de estos
puntos los valores de cada una de las superficies raster que representan las variables medio
ambientales: distancia a arroyos, distancia a cuerpos de agua, topo formas, pendiente,
aspecto y elevación. La tabla de atributos de esta capa fue exportada como una tabla dBase,
e importada en el paquete estadístico SPSS 20, para procesarla en el módulo de Análisis
Regresión Logística binaria. Los resultados más relevantes son presentados en las tablas
5 a 7:
Tabla 5. Prueba Omnibus sobre los coeficientes del
Modelo
Chi-cuadrada df Sig.
Las Tablas 5 y 6 indican que existe por lo menos cierto grado de capacidad predictiva
en la ecuación de regresión expresado en el valor de significancia (Sig.) de la Tabla 53. Lo
anterior se corrobora con el valor de R cuadrado de Nagelkerke que indica que el 41% de la
variabilidad en la variable independiente es explicada por las variables independientes.
Tabla 7. Prueba de Hosmer y Lemeshow
1 3.490 8 .900
La prueba de Hosmer y Lemeshow es una prueba muy rigurosa acerca del poder
predictivo. En este caso el valor de la Chi-cuadrada indica que esté no es significativo
(Sig.=.000), pero al contrario de la prueba anterior, un valor alto de la Chi-cuadrada indica
que el poder predictivo del modelo es alto.4
3
Un valor de .000 indica que es altamente significante estadísticamente, mientras que el valor 1.000 indica
que no hay significancia.
4
Sin embargo, aunque el alto valor de significancia puede deberse al reducido tamaño de la muestra, los
resultados previos avalan una capacidad predictiva aceptable del modelo.
Tabla 8. Tabla de Clasificación
Pronosticado
CID
Porcentaje
Observado 0 1 Correcto
1 6 12 66.7
Los valores de los pesos beta (B) fueron multiplicados por su variable
correspondiente utilizando la herramienta calculadora de raster de ArcMap 10.3 de acuerdo
a la ecuación 1. Al igual que en el modelo empírico, los valores brutos del modelo de
regresión logística fueron reclasificados en tres clases siguiendo el método de Jenks de
Segmentaciones Naturales. El modelo resultante se presenta en la figura 3.
Modelo Dempster-Shafer
La teoría de Dempster-Shafer junto con la teoría de conjuntos difusos y las estadísticas
bayesianas pertenece a un desarrollo relativamente reciente de Sistemas de Soporte de
Decisiones en SIG conocido como Manejo de Incertidumbre. Estos difieren de los enfoques
más tradicionales en SIG donde los modelos y las bases de datos implícitamente se
consideran "perfectos", lo que nos lleva a tomar decisiones "duras". Por otra parte, el
Manejo de Incertidumbres reconoce las deficiencias de los modelos y las bases de datos.
La incertidumbre podría estar presente en la base de datos y/o en la regla de decisión.
Incluye cualquier error conocido o desconocido debido a error de medición, inestabilidad o
variabilidad del conjunto de datos, sobre-abstracción o incluso desconocimiento de los
parámetros relevantes. La fuerza de este enfoque radica no solo en reconocer estas
incertidumbres, sino también en proporcionarnos los medios para tratar con ellas. En este
sentido, abandonamos el ámbito de las decisiones "duras" tradicionales para una serie de
procedimientos donde predominan las decisiones "blandas". En este sentido, la
probabilidad de que ocurra un evento es el parámetro que se mide, que a su vez nos llevará
a tomar una decisión "dura" (Eastman, 1999).
La teoría de Dempster-Shafer es una variante de la teoría de la probabilidad
bayesiana. Ambas se ocupan de la agregación de datos indirectos para inferir la pertenencia
a un fenómeno específico con cierto grado de incertidumbre. Sin embargo, a pesar de este
objetivo común, Dempster-Shafer parte de Bayes en términos de cómo los dos lidian con la
ausencia de evidencia. Tomemos, por ejemplo, la probabilidad de la presencia de sitios
arqueológicos en lugares específicos, para medir esta probabilidad establecemos dos
hipótesis de trabajo: sitio/no-sitio. Mientras que Bayes toma la ausencia de evidencia en
apoyo de la hipótesis no-sitio, Dempster-Shafer no lo hace. Esto se debe a que la teoría
Dempster-Shafer reconoce como principio de trabajo el concepto de ignorancia. Esto
implica que somos conscientes de lo incompleto del conjunto de conocimientos que
tenemos sobre un fenómeno particular. En este contexto, la evidencia a favor para una
hipótesis específica no constituye automáticamente el soporte de la negación para la
hipótesis alternativa. Los otros tres conceptos de trabajo muy importantes presentes en la
teoría de Dempster-Shafer son Creencia (Belief), Plausibilidad (Plausibility), e Intervalo de
Creencia. El primero constituye el grado en que la evidencia proporciona respaldo para una
hipótesis dada. El segundo constituye la medida a la cual la evidencia no refuta esa
hipótesis. Finalmente, el intervalo de creencia constituye la diferencia entre creencia y
plausibilidad, y actúa como una medida de incertidumbre para una hipótesis específica
(Eastman 1999: 9-37).
Para obtener las medidas mencionadas, Dempster-Shafer requiere que las hipótesis
de trabajo se definan en un marco de discernimiento donde se organizarán en
combinaciones jerárquicas de acuerdo con la evidencia proporcionada. En este caso “sitio”
representa la hipótesis de que los sitios arqueológicos se encontrarán en un lugar
determinado, “no-sitio” es la hipótesis de la ausencia de un sitio arqueológico en un lugar
determinado. Una tercera hipótesis, combinación de las dos anteriores (sitio/no-sitio)
también será creada. Con frecuencia ocurre que nuestros datos pueden admitir una cierta
combinación de variables, pero no es capaz de distinguir otros subconjuntos de datos, esta
tercera hipótesis pretende agotar todas las combinaciones posibles de las variables
involucradas, a la vez que toma en cuenta la ignorancia (Figura 4).
Figura 4. Estructura jerárquica de los subconjuntos del conjunto global [Sitio, No-sitio, Sitio/No-sitio.
La ignorancia es contemplada por la hipótesis Sitio/No-sitio. (Basado en Eastman 1999)
Contrastación en campo
Con la finalidad de poner a prueba la efectividad de los tres modelos se llevó a cabo un
recorrido de campo en dos polígonos a los que se concedió acceso ubicados a una distancia
aproximada de 8.5 km hacia el sureste de Mazatlán. El polígono I tiene una extensión de
31.4 ha, mientras que el polígono II, ubicado casi 3km al sur del primero, tiene 19.42 ha. Se
llevó a cabo un recorrido extensivo de los polígonos en el transcurso de tres jornadas de
campo.
Polígono I
En términos generales, el terreno en este polígono presentó poca perturbación, aunque hay
algunas evidencias de alteraciones debido al pastoreo del ganado. La vegetación consiste en
una cubierta de bosque caducifolio espinoso bajo que consiste en arbustos de hasta 3 m de
altura y árboles más altos a lo largo de los márgenes de los arroyos estacionales. Hacia el
este se ubica una cadena de colinas bajas con varios refugios rocosos visibles, que
probablemente contenga evidencia arqueológica como petrograbados y o campamentos
estacionales. Dentro del polígono, se ubicaron varias concentraciones de materiales
arqueológicos, como cerámica, artefactos líticos, y concheros. Cabe la posibilidad de que
estos en lugar de ser concentraciones individuales de materiales, formen parte de un solo
sitio más grande.
Las concentraciones menores de artefactos tienen en promedio 8 m² y se distribuyen
a lo largo del lecho del arroyo. La cerámica observada en estos sitios consiste en bordes y
cuerpos de vasijas burdas sin engobe. La concentración más grande de artefactos se
encontró hacia la parte suroeste del polígono, en un gran espacio abierto, que se limpió de
vegetación y que se extiende aproximadamente 60 hectáreas. Este consiste de un conchero
de unos 700 m² de largo alcanzando una altura de hasta 1 m. La cerámica observada
consistió en grandes fragmentos de platos policromos y jarrones similares a los reportados
por Grave Tirado (2014), así como hachas de piedra pulida (Figura 9).
a b
c d
Figura 9. Ejemplos de cerámica policroma (a y b), y hachas de piedra pulida (c y d) observadas en el
Polígono I.
Polígono II
El terreno en este polígono ha sido modificado sustancialmente por maquinaria pesada para
limpiar la vegetación y adaptarla para el pastoreo del ganado. El suelo estaba casi nivelado,
y en partes se construyeron depósitos de agua (jagüeyes) para el ganado. Sin embargo, fue
precisamente en estas áreas que se realizó una inspección más minuciosa, ya que los
sedimentos removidos podrían potencialmente exponer la presencia de concentraciones de
de artefactos.
El recorrido arrojó solo unos pocos hallazgos aislados consistentes principalmente
de materiales líticos de desecho de talla, un par de herramientas de piedra, y una pequeña
concentración de cerámica consistente de tan solo veinte tiestos. Es muy probable que estos
estén fuera de su contexto original siendo arrastrados por el agua de lluvia.
La Figura 11 muestra los resultados del reconocimiento de campo en El Polígono II
contrastados en los tres modelos. Se puede observar que a excepción del modelo Dempster-
Shafer, los otros dos modelos tipifican a este polígono como esencialmente de bajo
potencial lo que está en concordancia con las observaciones de campo.
Modelo Empírico Modelo de Regresión Logística
Modelo Dempster-Shafer
Figura 11. Resultados de las observaciones de campo en el polígono II comparado en los tres modelos.
La gráfica nos muestra que el modelo Dempster-Shafer es el que más sitios captura
en clase de potencial alto (23), seguido por el modelo empírico (8), representando el 76.6%
y 26.6% respectivamente, mientras que el modelo de regresión logística solamente captura
un sitio (3.33%). Por otra parte en potencial moderado el modelo empírico captura 18 de
los sitios, el 60%, mientras que el modelo de región logística captura 14, que es el 46.6%.
Evidentemente en términos de sitios capturados en clase de potencial alto el modelo
Dempster-Shafer es el que mejor desempeño presenta. Si consideramos que al establecer la
estrategia de reconocimiento de campo las áreas de potencial moderado también serían
inspeccionadas, tenemos que el total de sitios capturados en clase moderada y alta serían:
modelo empírico n = 26, modelo de regresión logística n = 15 y modelo Dempster-Shafer n
= 26, o sea el 86.6 %, 50% y 86.6% respectivamente, lo que ubicaría por delante en
desempeño al modelo Dempster-Shafer, seguido por el modelo empírico y en último lugar
el modelo de regresión logística.
Por otra parte, si consideramos la extensión en área por cada una de estas tres clases
obtenemos los siguientes resultados (Figura 13):
Figura 13. Desempeño de los tres modelos de acuerdo a área por clase
El área de estudio tiene una extensión total de 71,213 ha, de esta extensión el área
de alto potencial en el modelo empírico es de 1,061 ha, que representa casi el 1.5%, para el
modelo de regresión logística tenemos que el potencial alto cubre un total de 1,592 ha, el
2.3%. Finalmente en el modelo Dempster-Shafer el área cubierta por la clase de potencial
alto es de 7,101 ha, lo que representa casi el 10% del área total. Si consideramos que el
recorrido de superficie se tiene que diseñar con base al potencial, lo ideal es considerar área
de potencial alto y moderado, por lo tanto tendremos para el modelo empírico un total de
8,650 ha a recorrer, o sea el 12.15%. Para el modelo de regresión logística el área total es
de 9,458 ha, el 13.28% y para el modelo Dempster-Shafer 15,527 ha o el 21.8%.
Como podemos ver en términos de área por cubrir el modelo empírico se
desempeña mejor, seguido por el modelo de región logística y en último lugar el modelo
Dempster-Shafer. Con estos resultados. Algunas instituciones rectoras del patrimonio
arqueológico como el Buró de Arqueología de la Provincia de la Columbia Británica,
Canadá establecen que para ser considerados como modelos eficientes, todos los modelos
predictivos generados a partir de un SIG deben de capturar por lo menos el 60% de los
sitios arqueológicos conocidos en una extensión máxima equivalente al 10% del total área
de estudio.
¿Cómo determinar cuál de los tres modelos tuvo el mejor desempeño? Partiendo de
la premisa de que un buen modelo predictivo debería capturar la máxima cantidad de sitios
en un área mínima de alto potencial. Para ello se puede aplicar un algoritmo comúnmente
conocido como estadística de ganan (Kvamme, 1988) expresada con la siguiente ecuación:
Comentarios finales
La aplicación de los modelos predictivos de potencial arqueológico en el manejo de los
recursos culturales tienen ya un largo trecho andado en Norteamérica y Europa (van
Leusen, 2002), sin embargo en México, a pesar de la magnitud e intensidad de obras de
infraestructura que se han estado llevando a cabo a lo largo y ancho del país, apenas son
conocidos. Estos modelos también han sido aplicados en la investigación académica
propiamente (Anaya Hernández, 2006; Canning, 2005; Vaughn S., T. Crawford, 2009;
White, 2002).
El gran atractivo que ofrecen los modelos predictivos radica por una parte en su
capacidad de generar hipótesis formales, basadas en reglas y que pueden ser contrastados
con la realidad empírica, por lo que se vuelve imperativo tener un buen comprensión de la
teoría, metodología y datos subyacentes (van Leuser, 2002), y por el otro, que ha
coadyuvado a llevar desde la perspectiva teórica, al sitio de sus límites físicos inmediatos,
al entorno del paisaje.
Se torna necesario aclarar el porqué y para qué de la aplicación de los modelos
predictivos. En primer lugar se debe dejar bien claro que estos modelos no están diseñados
para predecir la ubicación precisa de ningún sitio arqueológico, sino para ponderar la
probabilidad de que éste ocurra en un lugar determinado si se dan las condiciones
especificadas en la hipótesis planteada.
Quizá la mayor dificultad a la que se enfrentan los modelos predictivos sea la
calidad y resolución espacial de los datos. No siempre se cuenta con datos espaciales a la
misma escala, o a la escala apropiada. Por ejemplo, en el caso aquí presentado se tuvo la
buena fortuna de contar con datos LiDAR para los Modelos Digitales de Elevación, aunque
estos no estuvieran disponibles en la resolución ideal de 0.50 m. Por otro otras capas de
variables medioambientales como cuerpos de agua y arroyos están a una escala de 1:50,000
o peor aún, la cobertura forestal, suelos o geología solo están disponibles a escala de
1:250,000 lo que limita enormemente su utilidad.
Se ha mencionado como el diseño de los modelos predictivos puede seguir un
enfoque deductivo basado en una interpretación teórica del comportamiento humano para
proponer patrones espaciales de los mismos, o seguir un enfoque inductivo basado en el
conocimiento empírico de los sitios y su entorno físico. En la práctica, el segundo enfoque
es el que tiene preeminencia.
Al respecto van Leusen (2002: 5, p.16)) declara que la mayoría de los patrones
arqueológicos conocidos son el resultado del sesgo en la investigación arqueológica, ya sea
por limitaciones inherentes a las condiciones físicas en campo o por interés exclusivo en
cierto tipo de sitios, por lo que será necesario hacer una evaluación crítica de la
confiabilidad de las fuentes de datos tanto medioambientales como culturales que incluyan
la contrastación en campo. De no hacerse se corre el riesgo de que las zonas de bajo
potencial sean consideradas zonas de interés limitado, cuando de hecho podrían ser zonas
donde no se cuentan con suficiente información y requieran de una investigación
complementaria, como nos lo sugirió la imagen de Intervalo de Creencia de Dempster-
Shafer. En última instancia los modelos predictivos deben de ser considerados como una
herramienta heurística que complementa y hace más eficiente el trabajo de campo, o
citando al gran Pedro Armillas “la arqueología se hace caminando”.
Referencias Citadas
Anaya Hernández, A. (2001). Site Interaction and Poliical Geography in the Upper
Usumacinta Region during the Late Classic: a GIS Apprpach. Oxford: Hadrian
Books.
Anaya Hernández, A. (2006). Strategic Location and Territorial Integrity: the role of
subsidiary sites in the Classic Maya Kingdoms of the Upper Usumacinta Region.
Internet Archaeology 19.
Canning, S. (2005). BELIEF in the past: Dempster Shafer theory, GIS and archaeological
predictive modeling. Australian Archaeology No. 60, 6-15.
Canuel N., A. M. (1997). Archaeological potential and pilot study: Prince George Forest
District. Victoria: Ministry of Tourism, Culture and Arts.
Canuel N., A. Maas. (1997). Archaeological potential and pilot study: Prince George
Forest District. Victoria: Ministry of Tourism, Culture and Arts.
Eastman, J. (1999). Idrisi for Windows version 2, User's Manual. Worcester: The Clark
Labs for Cartographic Technology and Geographic Analysis, Clark University.
Eldridge, M., A. Mackie. (1993). Predictive modeling and the existing archaeological
inventory in British Columbia Task Group of Soils, Geology and Archaeology Task
Force. Victoria: Resources Inventory Committee.
Jenks, G. (1977). Optimal data classification for choropleth maps. Lawrence: University of
Kansas, Department of Geography Ocassional Paper 2.
Marshal, A., T. Bond. (2004). Fort St. James Forest District archaeological predictive
model revision project: final report. Victoria: Ministry of Tourism, Culture and the
Arts.
Mehrer, M. W. (2006). GIS and Archaeological Site Location Modeling. (K. L. Mark W.
Mehrer, Ed.) Boca Raton, Londres, Nueva York: Taylor & Francis.
Schmuker, K. (1982). Fuzzy Sets, Natural Lnaguages Computations and Risk Analysis.
Computer Science Press.
Tobler, W. (1970). A computer movie simulating urban growth in the Detroit region.
Economic Geography, 234-240.
Wescott, K.L., R,J. Brandon (eds.). (2000). Practical Applications of GIS for
Archaeologists. A predictive Modeling Toolkit. Philadelphia: Taylos & Francis.
White, A. (2002). Archaeological Predictive Modeling of Site Location Through Time: An
Example from the Tucson Basin, Arizona. M.Sc. Thesis . Department of Geography.
The University of Calgary.