LOS SIG Y EL MANEJO DE LOS RECURSOS

5 CULTURALES: TRES MODELOS PREDICTIVOS DE

POTENCIAL ARQUEOLÓGICO

Armando Anaya Hernández

César Valentín Hernández Estrada

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).

Figura 1. Área de estudio y sitios arqueológicos registrados.

Tabla 1. Características generales de los sitios en el área de estudio.

CLAVE NOMBRE TIPO AREA (ha) RANGO

F13A3625004 MR-007 Km. 10 Materiales de Superficie 3.0 5
F13A4525001 MR-EL CASTILLO Materiales de Superficie 6.0 5
F13A4625002 MR-006 LA REVOLCADA Materiales de Superficie 3.8 5
F13A4625003 MR-012 EL CANAL Materiales de Superficie 1.5 5
F13A4625004 MR-013 LA LADRILLERA Materiales de Superficie 1.0 5
F13A4625005 MR-014 LA BIFURCACIÓN Materiales de Superficie 2.0 5
F13A4625006 MR-015 BOMBA No. 14 Conchero 1.0 5
F13A4625007 MR-016 EL MANGAL Materiales de Superficie 2.0 5
F13A4625008 MR-017 EL ESTANQUE Conchero 1.0 5
F13A4625009 MR-018 EL JAGÜEY Sitio con Estructuras 20.0 3
F13A4625010 MR-019 VAINILLO Materiales de Superficie 1.0 5
F13A4625038 MR-055 BASURON I-B Materiales de Superficie 0.0 6
F13A4625048 MR-058 LA URRACA NUEVA Conchero 1.0 5
F13A4625049 MR-059 LA TUNA Materiales de Superficie 0.0 6
F13A4625051 MR-061 LA URRACA VIEJA Sitio con Estructuras 1.0 5
F13A4625053 MR-063 LAS RANAS Materiales de Superficie 0.0 6
MR-064 LA LADRILLERA DEL
F13A4625054 HUANACAXTLA Materiales de Superficie 0.0 6
F13A4625058 MR-069 MADRE RANA Materiales de Superficie 0.0 6

El área de estudio se ubica en la región costera sur de Sinaloa. La investigación

arqueológica ha sido escasa en la región de Mazatlán, sin embargo, la información
recuperada hasta la fecha indica que, dentro del área de estudio, las comunidades agrícolas
y pesqueras se asentaron desde al menos 900 a. C. La mayoría de los datos con respecto a la
ocupación prehispánica en la región de Mazatlán proviene de proyectos de rescate que se
han llevado a cabo principalmente en el sector este de la ciudad, y aunque más lejos de la
costa, la evidencia arqueológica recuperada señala una dependencia significativa en
recursos costeros, que complementan la agricultura.
Además de conchas, huesos de pescado y otros restos de moluscos, los restos
arqueológicos recuperados de estos proyectos de rescate también incluyeron abundantes
fragmentos de tiestos de pasta fina policroma con patrones geométricos.
Los sitios arqueológicos registrados en el área de Mazatlán consistían
principalmente en pequeñas aldeas agrícolas / pesqueras dispersas en la parte alta de las
colinas bajas, cerca de arroyos estacionales y perennes, asociados a pueblos chicos
asentados en el valle. La mayoría de los artefactos recuperados consistieron en tiestos de
cerámica y artefactos de piedra tallada como hachuelas, metates y manos. El material
fechable corresponde principalmente a la última ocupación prehispánica (de 1100 hasta
1531 d.C.).

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.

Modelos de potencial arqueológico

Reiterando lo mencionado más arriba, el modelado predictivo puede realizarse siguiendo un
enfoque deductivo o uno inductivo. El primero se basa fuertemente en la analogía etnográfica y / o
en las teorías del comportamiento humano haciendo afirmaciones a priori sobre la ubicación de los
sitios arqueológicos. El segundo se basa en el conocimiento empírico que tenga el arqueólogo sobre
un área específica bajo el supuesto de que los aspectos no culturales del medio ambiente se
correlacionan en la predicción de la presencia de un sitio arqueológico (Ebert 2004; Marshall y
Bond 2004; Wescott, K.L., R,J. Brandon (eds.), 2000).
En la práctica, los modelos deductivos parecen ser más adecuados para casos
específicos del sitio donde la naturaleza de los sitios y las interrelaciones entre ellos están
bien definidas (Anaya Hernández 2006), mientras que los modelos inductivos se aplican
más ampliamente al manejo de recursos culturales donde la base de datos arqueológica es
incipiente. Los nuevos modelos tienden a combinar ambos enfoques, lo que subraya la
necesidad de combinar variables ambientales y culturales (Anaya Hernández 2006,
Marshall y Bond 2004). Los modelos aquí presentados se desarrollaron en sus etapas
iniciales utilizando un enfoque empírico complementado por la interpretación del uso
humano del paisaje basado en la analogía etnográfica y los datos etnohistóricos.
Se utilizó el software de ESRI ArcMap 10.3 para obtener los modelos empírico, y
de regresión logística, mientras que el modelo Dempster-Shafer se procesó utilizando el
paquete Idrisi Selva de Clark Labs. Estos modelos trabajan bajo la premisa de que la
variable dependiente es dicotómica, es decir los casos pueden pertenecer únicamente a una
de dos clases: presencia de sitio, o no-sitio y las variables independientes (rasgos
medioambientales) serán los predictores. Las variables independientes ingresadas en los
tres modelos fueron rasgos hidrológicos (lagos, ríos, arroyos perennes y estacionales) y
rasgos topográficos (pendiente, aspecto y topo formas).

Modelo empírico de agregación de potencial

Con base en observaciones de campo realizadas en diferentes contextos medioambientales
se ha podido establecer de manera empírica una correlación positiva recurrente entre las
variables medioambientales mencionadas arriba y la presencia de sitios arqueológicos.
Inicialmente estas variables fueron ponderadas estadísticamente para identificar la
contribución que cada una de ellas hizo a la presencia de áreas de potencial arqueológico,
mediante la aplicación de un análisis de función discriminante utilizando el paquete
estadístico SPSS (ver Tabla 2 en Anaya Hernández 2008).
 El análisis de función discriminante se usa para determinar qué variables
discriminan entre dos o más grupos naturales (en este caso potencial de sitio- no sitio), es
decir para determinar que variables son los mejores predictores del potencial arqueológico.
(Anaya Hernández , 2006, 2008; Anaya Hernández et al 2009; Anaya Hernández et al.
2010; Benson, K., R. Vincent, M. Eldridge and M. Bein, 2003; Eldridge y Anaya
Hernández, 2005). Con base en estos análisis se ha determinado que la cercanía a fuentes
de agua, la presencia de micro topo formas, pendiente, aspecto y elevación son las variables
que más inciden en el potencial arqueológico en contextos medioambientales diversos.

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.

Tabla 2. Puntajes de potencial asignado a rasgos hidrográficos

0-50m 51-100m 101-250m 251-500m 501-750m 750-1000m

DESCRIPCIÓN PUNTAJE (100%) (90%) (80%) (70%) (60%) (50%)
Ríos perennes 25 25 20 15 10 8 6
Arroyos
perennes 20 20 18 16
Arroyos
estacionales 20 20 18
Lagos >5 ha 25 25 20 15 10 8 6
lagos<5 ha 20 20 18

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).

Tabla 4. Puntajes de potencial asignado a rasgos culturales

RANGO 50m 100m 250m 500m 1000m

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”

El resultado final consistirá en valores continuos que serán clasificados en tres

categorías: Bajo, Moderado y Alto, de acuerdo al método de Segmentación Natural de
Jenks. Este algoritmo determina la mejor disposición de los valores en clases comparando
las sumas de la diferencia cuadrada entre los valores observados dentro de cada clase y las
medias por clase. Esta es una forma de clasificación de minimización de varianzas. Se basa
en el supuesto de que el esquema de clasificación más adecuado es el que minimiza las
diferencias entre los valores de datos observados y el promedio de los valores de los datos.
Estos métodos de clasificación se llaman métodos de optimización. La creación de clases
óptimas se basa en un criterio estadístico, en este caso, un factor de bondad de ajuste de
varianza (GVF), que se calcula de la siguiente manera:

GVF = SDAM - SDCM / SDAM

Donde:
SDAM son las desviaciones cuadradas de la media del conjunto
SDCM son las desviaciones cuadradas de la media de la clase
Este método ha demostrado ser uno de los mejores métodos de clasificación en el que
la suma de la varianza dentro de cada una de las clases se minimiza determinando los
límites de clase (Bajo, Moderado y Alto) de una manera óptima. La figura 2 muestra el
resultado de este modelo.

Figura 2. Resultados de potencial arqueológico de acuerdo al Modelo Empírico

 Modelo de Regresión Logística
La regresión logística es un método estadístico para analizar un conjunto de datos en el que
hay una o más variables independientes que determinan un resultado. El resultado se mide
con una variable dicotómica. En la regresión logística, la variable dependiente es binaria o
dicotómica, es decir, solo contiene datos codificados como 1 (sitio) o 0 (no-sitio).
El objetivo de la regresión logística es encontrar el modelo más adecuado para
describir la relación entre la característica dicotómica de interés (variable dependiente) y un
conjunto de variables independientes (predictoras o explicativas). Esta técnica estadística
aplicada a nuestros datos, generó los coeficientes (y sus errores estándar y niveles de
significación) de una ecuación para predecir una transformación logarítmica de la
probabilidad de presencia de la característica de interés

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.

Paso 1 Paso 13.930 6 .030

Bloque 13.930 6 .030

Modelo 13.930 6 .030

Tabla 6. Resumen del Modelo

-2 Log de la R cuadrado de R cuadrado de

Paso verosimilitud Cox & Snell Nagelkerke

1 38.644a .307 .410

a. La estimación ha finalizado en el número de iteración 6

porque las estimaciones de los parámetros ha cambiado en
menos de .001.

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

Paso Chi-cuadrada df Sig.

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

Paso1 Var. Dep. 0 14 6 70.0

1 6 12 66.7

Porcentaje Global 68.4

a. El valor de corte es .500

La tabla de clasificación indica que de 20 casos que se pronosticaron como no-sitio

resultaron ser sitios, rindiendo un 70% de predicción correcta. Por otra parte, de los 18
sitios conocidos seis no fueron capturados por el modelo, rindiendo un 66.7% de predicción
correcta. En suma, la capacidad global predictiva del modelo es del 68.4%, que en términos
estadísticos representa un buen resultado.

Finalmente la Tabla 9 nos proporciona más información auxiliar en la interpretación

del modelo. La primera columna contiene los pesos beta no estandarizados, mismos que
nos servirán para generar el modelo en el SIG. La dimensión de éstos valores nos
proporcionan un índice de asociación entre la presencia de sitios y la variable
medioambiental. En este caso se puede observar que mientras topo formas tiene una alta
asociación positiva con la presencia de sitios, la pendiente tiene una asociación negativa, es
decir, conforme la pendiente aumenta, la probabilidad de la presencia de un sitio
disminuye. Es el mismo caso con aspecto, conforme el valor de este aumenta (pendientes
con orientación norte) la probabilidad desciende. Por otra parte, contrario a lo esperado la
cercanía a fuentes de agua no resulto ser una variable relevante de predictibilidad, esto se
puede deber a que por un lado los arroyos han tenido una importancia secundaria desde
tiempos pre-hispánicos debido precisamente a su naturaleza estacional. Igualmente los es
muy probable que la mayoría de los cuerpos de agua sean de reciente factura relacionados
con las actividades agrícolas modernas. La columna de significancia estadística refleja
precisamente los resultados de los pesos beta.
 Tabla 9. Variables en la Ecuación

B S.E. Wald df Sig. Exp(B)

Step 1a Dist_Arroyos .001 .001 2.494 1 .114 1.001

Dist_Lagos .000 .001 .097 1 .756 1.000

Topoform 3.133 2.833 1.223 1 .027 22.940

Aspecto -.007 .005 2.151 1 .014 .993

Elev .055 .076 .519 1 .471 1.056

Pend -.464 .298 2.417 1 .012 .629

Constante .701 1.219 .330 1 .565 2.015

a. Variable(s) introducida(s) en el paso 1: Dist_Arroyos, Dist_Lagos, Topoform, Aspecto, Elev, Pend.

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.

.001 * ”Dist_Arroyos” + .000 * ”Dist_Lagos” + 3.133 * ”Topoformas” + -.007*”Aspecto”

+ .055 * ”Elev” + -.464 * ”Pend”
 Figura 3. Resultados de potencial arqueológico de acuerdo al Modelo de Regresión Logística

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)

Por ejemplo, digamos que estamos estudiando el desarrollo de patrones de

asentamiento en un área determinada utilizando fotografía aérea. Sabemos que la
proximidad al agua, a otros sitios, la elevación, pendiente y aspecto son algunas de las
variables relevantes para la ubicación de sitios y se utilizan para construir nuestra hipótesis
de trabajo. Podríamos también querer distinguir entre los sitios del Preclásico Temprano y
del Preclásico Medio; pero en el examen de la fotografía aérea encontramos que con mucha
dificultad podemos distinguir “sitio” de “no-sitio”. En tal caso, podríamos aplicar esta
evidencia en apoyo de la combinación jerárquica del Preclásico Temprano/Preclásico
Medio.
Aunque esto solo ofrece una declaración de incertidumbre, esta evidencia puede
usarse en la construcción de las declaraciones de apoyo a estas hipótesis. Estas
declaraciones se construyen a través del establecimiento de las Asignaciones de
Probabilidad Básicas (APB). Estos representan el apoyo que proporciona una determinada
evidencia para una de las hipótesis, pero no para sus subconjuntos (Eastman, 1999). La
teoría de Dempster-Shafer ofrece la ventaja de poder agregar nuevos datos al estado actual
del conocimiento. Esto debería ser particularmente atractivo para la arqueología debido a la
naturaleza incremental de los datos arqueológicos, ya que la jerarquía completa de las
hipótesis y los APB asociados a cada una representan un estado de conocimiento que se
puede agregar a esta en cualquier momento.
Se aplicó la lógica de Dempster-Shafer al mismo conjunto de datos para evaluar la
probabilidad de la presencia de sitios arqueológicos en el área de estudio. Para esto, se
utilizó el paquete de SIG creado por Clark Labs: Idrisi Selva. Idrisi contiene el módulo
BELIEF que se utiliza para aplicar la lógica de Dempster-Shafer. Este módulo requiere que
las capas raster de probabilidad (APB) para cada línea de evidencia se hayan creado
previamente. Las APB se crearon con el módulo FUZZY. Es menester hacer una breve
descripción de los conjuntos difusos en relación con las imágenes de probabilidad para
comprender la mecánica de la hipótesis de trabajo.
Al agrupar rasgos naturales del entorno físico, artefactos, etcétera, en clases, rara
vez tenemos un conjunto discreto con límites nítidos sobre el cual trabajar. La mayoría de
las veces consideramos necesario establecer límites arbitrarios entre las clases. La mayor de
las veces tratamos con fenómenos continuos (por ejemplo, distancia, pendiente, elevación,
etc.) y tenemos que decidir a qué grupo o clase estará asignada cada rasgo, lo que vuelve
más problemático el proceso de clasificación. Es en este contexto que los conjuntos difusos
adquieren relevancia ya que los conjuntos difusos no tienen límites definidos; es decir, la
transición entre la membresía y la no membresía de un lugar en el conjunto es gradual
(Zadeh, 1965; Schmucker, 1982). Un conjunto difuso se caracteriza por un grado difuso de
membresía (también llamada posibilidad), con un rango de valores continuos que van del
0.0 (no miembro) a 1.0 (miembro).
Al agregar declaraciones de probabilidad de diferentes fuentes de evidencia,
Dempster-Shafer emplea la siguiente regla de combinación (Eastman 1999: 44)
Donde
m = masa (grado de creencia en la línea de evidencia)
X y Y = líneas de evidencia
Si
Entonces la ecuación se convierte a:

Un de las grandes ventajas de esta regla de combinación es que nos permitirá

agregar evidencia indirecta e información completa. Por ejemplo, en el estudio que nos
atañe, para estimar dónde se puede encontrar un sitio arqueológico de una cultura
particular, el marco de decisión incluirá dos hipótesis básicas [Sitio] y [No-sitio]. A
continuación se agregarán elementos de evidencia: la ubicación de los sitios conocidos, la
proximidad a las fuentes de agua permanentes, la pendiente y el aspecto. El primero puede
verse como evidencia directa (ubicación exacta de los sitios) de las áreas que tienen sitios
arqueológicos conocidos. Sin embargo, lo que nos preocupa son las áreas que no tienen un
sitio para las cuales los sitios conocidos no brindan información directa. Por lo tanto, la
evidencia es en gran medida indirecta. Recordemos que en concordancia con la primera ley
de la geografía de Tobler citada arriba, para áreas que están cerca de los sitios existentes, se
puede asumir con cierto grado de certeza que la probabilidad de la presencia de otro sitio
sería mayor.
Antes de conjuntar las líneas de evidencia, era necesario establecer a que hipótesis
apoya cada una de estas. Sabemos que los sitios tienden a no ocurrir en lugares con
pendiente muy inclinada o alejados de fuentes de agua por lo tanto las imágenes de
probabilidad de pendiente y de distancia de agua se utilizaron en apoyo a la hipótesis “No-
sitio”, por lo contrario, las imágenes de probabilidad de aspecto, topo formas y elevación,
así como sitios conocidos apoyaron la hipótesis “Sitio”.
El módulo BELIEF combina información de estas cuatro líneas de evidencia y fue
utilizado para producir las imágenes de creencia, plausibilidad e intervalos de creencia para
la hipótesis [Sitio] como se ilustra en la Figura 5. Los valores de 1 o cercanos a 1 en la
imagen de creencia señalan las locaciones con alta probabilidad de presencia de sitios
arqueológicos, mientras que la plausibilidad señala aquellos lugares en donde la presencia
de un sitio arqueológico sería factible. La imagen del intervalo de creencia es
particularmente interesante porque nos muestra dónde tenemos incertidumbre considerable
(valores bajos), en otras palabras información insuficiente para apoyar una u otra hipótesis
y requerimos recabar más información. Esto nos da la capacidad de afinar nuestra estrategia
de investigación, recuperando datos adicionales a partir de un muestreo focalizado en estas
áreas a fin de incrementar nuestra base de conocimiento.

Figura 5. Imagen de Creencia en la hipótesis “Sitio”

Figura 6. Imagen de Plausibilidad en la hipótesis “Sitio”

Figura 7. Imagen de Intervalo de Creencia.

 Los valores continuos de la imagen de creencia fueron reclasificados utilizando el
mismo algoritmo de segmentación natural de Jenks en tres clases, potencial bajo, moderado
y alto, y se presentan en la Figura 8.

Figura 8. Resultados de potencial arqueológico de acuerdo al Modelo de Dempster-Shafer

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.

Las ubicaciones de concentraciones de artefactos fueron registradas con un GPS y

se añadieron como puntos en los tres modelos de potencial arqueológico y son incluidos en
la Figura 10.

Modelo Empírico Modelo de Regresión Logística

 Modelo Dempster-Shafer
Figura 10. Resultados de las observaciones de campo en el polígono I comparado en los tres modelos.

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.

Evaluación del desempeño de los modelos

Los materiales arqueológicos registrados durante el recorrido de campo fueron captados
principalmente en áreas de potencial moderado y alto, aunque como podemos observar en
las figuras 10 y 11 hay una variación considerable en la magnitud de estas áreas. Por otra
parte, cabe hacer hincapié que a excepción del sitio registrado en la sección suroeste del
Polígono I, los demás puntos parecen ser hallazgos aislados fuera de contexto arqueológico.
Entonces, a fin de comparar de manera más objetiva el desempeño de los tres modelos se
comparó primeramente la cantidad de sitios conocidos y encontrados que lograron captar.
Este resultado es presentado en la Figura 12.
 Figura 12. Desempeño de los tres modelos de acuerdo a sitios captados

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:

ganancia = 1- (área de potencial alto (%) / sitios conocidos (%))

Un modelo perfecto daría un resultado de 1, un modelo altamente eficiente tendría

una calificación entre 0.80 y 0.90. La Tabla 10 muestra los resultados de este algoritmo.

Tabla 10. Resultados de desempeño de los tres modelos de acuerdo a

la estadística de ganancia Kvamme
MODELO ÁREA % SITIOS % GANANCIA
Empírico 1.49 26.66 0.94
Regresión Logística 2.23 2.23 0.32
Dempster-Shafer 21.8 21.8 0.72

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.

Anaya Hernández, A. (2008). Archaeological Overview Assessment TFL 44 Archaeological

Potential Model, Port Alberni, B.C. Victoria: Ministry of Tourism, Culture and the
Arts.

Anaya Hernández, A., Hutchcroft, S.D. Bond, T. Cardinal. (2010). Archaeological

Overview Assessment Interim Report, Archaeological Predictive Model, B.C.
Timber Sales, Prince George Forest District. Victoria: Ministry of Tourism, Culture
and the Arts.

Anaya Hernández, A., S.D. Bond, T. Cardinal. (2009). Archaeological Overview

Assessment, Peace River Site C Archaeological Potential Model, Peace River Site C
Reservoir Area, Fort St. John to Hudson's Hope, B.C. Victoria: Ministry of
Tourism, Culture and the Arts.

Benson, K. R. (2003). Archaeological overview of northeastern British Columbia: year 3

report. Victoria: Ministry of Tourism, Culture and Arts.

Benson, K., R. Vincent, M. Eldridge and M. Bein. (2003). Archaeological overview of

northeastern British Columbia: year 3 report. Victoria: Ministry of Tourism,
Culture and Arts.

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.

Ebert, D. (2004). Applications of archaeological GIS. Canadian Journal of

Archaeology/Journal Canadien d'Archaéologie28(2), 319-341.

Eldridge, M., A. Anaya-Hernandez. (2005). Archaeological overview of northeastern

British Columbia: year 4 and 5 report and project summary. Victoria: Ministry of
Tourism, Culture and the Arts.

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.

Eldridge, M., D.A. Owens, R. Vincent, L. Seip, P. Dady, K. Benson. (2002).

Archaeological overview of Northeastern British Columbia: year two report.
Victoria: Ministry of Tourism, Culture and the Arts.

Grave Tirado, L. (2014). Siempre mirando hacia el mar. Arqueología de la ciudad de

Mazatlán. En L. A. Gilberto López Castillo, De las Labradas a Mazatlán, Historia
y Arqueología (págs. 125-145). Sinaloa: INAH.

Jenks, G. (1977). Optimal data classification for choropleth maps. Lawrence: University of
Kansas, Department of Geography Ocassional Paper 2.

Kamermans H., V. L. (2009). Archaeologiical prediction and risk management.

Archaeological Studies. Leiden: Leiden University Press.

Kvamme, K. (1988). Development and Testing of Quantitative Models. En J. J. (Hrsg.),

Quantifying the Present and Predicting the past: Theory, Method, and Applicatio of
 Archaeological Predictive Modelling. (págs. 325-428). Denver: U.S. Department of
the Interior Bureau of Land Management.

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.

Mehrer, M. W. y K. L. Wescott. (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.

van Leusen, P. (2002). Pattern to Process: methodological investigations into the

formation and interpretation of spatial patterns in archaeological landscapes.
Groninga: Rijksuniversiteit Groningen.

Vaughn S., C. T. (2009). A predictive model of archaeological potential: an example from

northwestern Belize. Applied Geography, 542-555.

Vaughn S., T. Crawford. (2009). A predictive model of archaeological potential: an

example from northwestern Belize. Applied Geography, 542-555.

Verhagen, P. (2007). Testing Archaeological Predictive Models: a rough guide.

Proceedings of the 35th International Conference on Computer Applications and
Quantitative methods in Archaeology (CAA), (págs. 285-291). Berlin.

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.

Zadeh, L. (1965). Fuzzy Sets. Information and Control 8, 338-353.