Interpolación espacial
En todas estas instancias la
La interpolación espacial es una operación
dominante en SIG. Aunque es a menudo
usada explícitamente en el análisis, es
también usada implícitamente, en varias
operaciones tales como la preparación de la
exposición de un mapa de contorno, donde
la interpolación espacial es invocada sin que
el usuario este directamente involucrado. La
interpolación espacial es un proceso de
conjetura inteligente, en el cual el
investigador (y el SIG) intentan hacer un
estimado razonable del valor de un campo
en lugares donde el campo no ha sido en
realidad medido. La interpolación espacial
es una operación que tiene sentido solo
para la perspectiva de campo. Los principios
de la interpolación espacial son discutidos
en la Sección 5.5; aquí el énfasis es en las
aplicaciones prácticas de la técnica, y las
implementaciones comúnmente usadas de
los principios.
La interpolación espacial encuentra
aplicaciones en muchas áreas:
• En la estimación de lluvia,
temperatura, y otros atributos en
lugares que no son estaciones
metereológicas, y donde las
mediciones directas de estas
variables no están disponibles.
• En la estimación de la elevación de
una superficie entre las ubicaciones
medidas de un DEM.
• En el remuestreo de rasters, la
operación que debe ser llevada a
cabo cuando los datos de raster
deben ser transformados a otra grilla
(Figura 7.9).
• Haciendo contornos, cuando es
necesario adivinar donde colocar los
contornos entre las ubicaciones
medidas.
interpolación espacial requiere
conjetura inteligente, y el principio que
subyace toda interpolación espacial es la
Ley de Tobler – “todos los lugares están
relacionados pero los lugares cercanos
están mas relacionados que los lugares
distantes” (Sección 5.2).
En otras palabras, el mejor intento
como para el valor de un campo en algún
punto es el valor medido en los puntos
de observación mas cercanos – la lluvia
aquí es mas probable que sea mas
similar a la lluvia registrada en las
estaciones metereológicas mas cercanas
que la lluvia registrada en estaciones
metereológicas mas distantes. Un
corolario de este mismo principio es que
en ausencia de mejor información, es
razonable asumir que cualquier campo
exhibe una variación relativamente
suave – los campos tienden a variar
lentamente, y para exhibir una
autocorrelación espacial positiva, una
propiedad de datos geográficos
discutida en la Sección 5.3.
La interpolación espacial es la
versión de SIG de conjetura
inteligente
En esta sección dos métodos
comúnmente usados de la interpolación
espacial son discutidos: ponderación de
distancia inversa (IDW), el cual es el
método mas simple; y Kriging, un
método estadístico popular que está
basado en la teoría de las variables
regionalizadas y cae en el campo de la
geoestadística.
 una ponderación di, la cual será evaluada
en base a la distancia desde xi hasta x. La
figura 13.21 explica esta anotación con
un diagrama. Entonces el promedio
ponderado calculado en x es:

Figura 13.20 El caso de revestimiento de raster,

resultando en un nuevo conjunto de datos que aplica
un conjunto de reglas a los conjuntos de datos
entrantes, y es irreversible. Los dos conjuntos de
datos entrantes son mapas de (A) tiempo de viaje
desde el área urbana (ver Figura 13.16) y (B) país (el
rojo indica País XX, el blanco indica País Y). El mapa de Figura 13.21 Anotación usada en las ecuaciones
salida identifica el tiempo de viaje a las áreas en el definiendo la interpolación espacial.
País Y, y podría ser usado para calcular el promedio
del tiempo de viaje a los puntos en ese país en un paso En otras palabras, el valor interpolado es
subsecuente. Esta operación no es reversible.
un promedio sobre los valores
observados, ponderado por las w.
13.4.4.1 Ponderación de distancia inversa
Hay varias formas de definir los
(IDW)
pesos, pero la opción mas
frecuentemente empleada es el de
IDW es el caballito de batalla de la
calcularlos como los cuadrados inversos
interpolación espacial, el método que es
de las distancias, en otras palabras
mas frecuentemente usado por los
(compare las opciones discutidas en la
analistas de SIG. Emplea la Ley de Tobler
Sección 5.5 en conexión con la
al estimar mediciones desconocidas
naturaleza de los datos geográficos):
como promedios ponderados sobre
mediciones conocidas en puntos
Wi = 1 / d2i
cercanos, dando las ponderaciones mas
grandes a los puntos mas cercanos.
Esto significa que la ponderación dada a
Mas específicamente, denotar el punto
un punto bajo por un factor de 4
de interés como x, y los puntos donde las
cuando la distancia al punto se duplica
mediciones fueron tomadas como xi,
(o por un factor de 9 cuando la
donde i va de 1 a n, si hay n puntos de
distancia se triplica). En adición, la
datos. Denotar el valor desconocido
mayoría de los software dan al usuario
como z(x) y las mediciones conocidas
la opción de ignorar por completo los
como zi. Dar a cada uno de estos puntos
puntos que están mas lejos que alguna
distancia especificada, o de limitar el
promedio a un numero especifico de
puntos mas cercanos, o de promediar
sobre los puntos mas cercanos en cada
uno de los varios sectores de dirección
(Figura 13.22). Pero si estos valores no
son especificados el software les
asignará valores predeterminados.
IDW provee una forma simple de
adivinar los valores de un campo en
ubicaciones donde ninguna
medición está disponible.
IDW logra el objetivo deseado de crear
una superficie suave que su valor en
cualquier punto es mas como los
valores en puntos cercanos que los
valores en puntos distantes. Si es usado
para determinar z en una ubicación
donde z ya ha sido medido retornará el
valor medido, porque la ponderación
asignada a un punto a distancia cero es
infinita, y por esta razón IDW es
descrita como un método exacto de
interpolación porque sus resultados
interpolados honran los puntos de
datos exactamente (un método
aproximado es permitido para desviar
de los valores medidos con el interés de
una mayor suavidad, una propiedad
que es a menudo útil si las desviaciones
son interpretadas como indicar los
posibles errores de medición, o las
desviaciones locales que van a ser
separadas de la tendencia general de la
superficie).
Figura 13.22 Selección de puntos para la
interpolación IDW usando sectores. En este caso
cuatro sectores son definidos, y solo los puntos mas
cercanos en cada sector son usados (cruces verdes)
Pero porque IDW es un promedio este
sufre de ciertas características
especificas que son generalmente no
deseadas. Un promedio ponderado que
usa pesos que nunca son negativos
tiene que siempre retornar un valor
que está entre los límites de los valores
medidos – ningún punto en la superficie
interpolada puede tener un z
interpolado que es mas que la z medida
mas grande, o menos que la z medida
mas pequeña. Imagine una superficie
de elevación con algunos picos y hoyos,
pero suponga que los picos y hoyos no
han sido en realidad medidos, pero son
meramente indicados por los valores de
los puntos medidos. La Figura 13.23
muestra una sección transversal de tal
superficie. En vez de interpolar los
picos y hoyos como uno esperaría, IDW
produce el tipo de resultado mostrado
en la figura – pequeños hoyos donde
debería haber picos, y pequeños picos
donde debería haber hoyos. Este
comportamiento es a menudo obvio en
SIG de salida que ha sido generado
usando IDW. Un problema relacionado
concierne a la extrapolación: si una
tendencia es indicada por los datos,
como se muestra en la Figura 13.23,
IDW va a indicar inadecuadamente una
regresión a la media afuera del área de
los puntos de datos.

La interpolación IDW podría
producir resultados no intuitivos en
las áreas de picos y hoyos, y afuera
del área cubierta por los puntos de
datos.
Figura 13.23 Características potencialmente
indeseables de la interpolación IDW. Este conjunto
de seis puntos de datos claramente sugiere un perfil
de colina (línea discontinua). Pero en áreas donde
hay poco o nada de datos el interpolador se moverá
hacia la media total (línea llena)
En resumen, los resultados de IDW no
son siempre lo que uno quisiera. Hay
muchos mejores métodos de
interpolación espacial que tratan los
problemas que fueron identificados,
pero la facilidad de programación de
IDW y su simplicidad conceptual lo
hacen uno de los mas populares. Los
usuarios deben simplemente tener
cuidado, y tomar precauciones para
examinar los resultados de la
interpolación para asegurarse que estos
tienen sentido.
13.4.4.2 Kriging
De todos los métodos comunes de la
interpolación espacial es Kriging que
hace la alegación mas convincente de
estar fundado en buenos principios
teóricos. La idea básica es de descubrir
algo acerca de las propiedades
generales de la superficie, como se
revela por los valores medidos, y luego
aplicar estas propiedades en la
estimación de las partes faltantes de la
superficie. La suavidad es la propiedad
mas importante, y es puesta en
operación en Kriging en una forma
estadísticamente significativa. Existen
muchas formas de Kriging, y la visión
general dada aquí es muy breve. A los
lectores interesados se les anima a leer
el excelente tratamiento en el texto de
SIG por Burrough y McDonnell (1998),
o una de las introducciones generales a
la geoestadística (ej. Isaaks y Srivastava
1989).
Hay muchas formas de Kriging, pero
todas son firmemente fundadas en
teoría.
Suponga que tomamos un punto x como
referencia, y comenzamos a comparar
los valores del campo ahí con los
valores en otras ubicaciones en
distancias que incrementan desde el
punto de referencia. Si el campo es
suave (si la Ley de Tobler es verdad,
esto es, si hay autocorrelación espacial
positiva) los valores cercanos no serán
muy diferentes – z(x) no será muy
diferente que z(xi). Para medir la
cantidad, tomamos la diferencia y lo
elevamos al cuadrado, ya que el signo
de la diferencia no es importante: (z(x)
– z(xi))2. Podemos hacer esto con
cualquier par de puntos en el área.
Figura 13.24 Un semivariograma. Cada cruz
representa un par de puntos. Los círculos llenos son
obtenidos al promediar dentro de los rangos o cubos
del eje de distancia. La línea llena es el mejor encaje
para estos cinco puntos, usando una de un número
pequeño de funciones matemáticas estándar.
Mientras la distancia
incrementa, muy probablemente esta
medición también va a incrementar, y
en general un incremento monótono
(consistente) en la diferencia cuadrada
con la distancia es observada para la
mayoría de los campos geográficos
(note que z tiene que ser medido en una
escala que es al menos un intervalo,
aunque el indicador Kriging ha sido
desarrollado para tratar con el análisis
de campos nominales). En la Figura
13.24, cada punto representa un par de
valores sacados del total del conjunto
de puntos de datos en los cuales las
mediciones han sido tomadas. El eje
vertical representa una mitad de la
diferencia cuadrada (una mitad es
tomada por razones matemáticas), y el
gráfico es conocido como el
semivariograma (o variograma para
abreviar – la diferencia de un factor de
dos es a menudo pasado por alto en la
práctica, aunque es importante
matemáticamente). Para expresar sus
contenidos en forma resumida el eje de
distancia es dividido en un número de
rangos o cubetas, como se muestra, y
los puntos dentro de cada rango son
promediados para definir los puntos
pesados mostrados en la figura.
Este semivariograma ha sido
trazado sin consideración a las
direcciones entre los puntos en un par.
Como tal es dicho ser un variograma
isotrópico. A veces hay una brusca
variación en el comportamiento en
diferentes direcciones, y previene a la superficie de ser
semivariogramas anisotrópicos son
creados para los diferentes rangos de
dirección (ej. para pares en cada sector
de 90 grados; ver figura 13.22).
Un variograma anisotrópico
pregunta como la dependencia
espacial cambia en direcciones
diferentes.
Note como el punto de este típico
variograma muestra un incremento
constante en la diferencia cuadrada
hasta cierto límite, y ese incremento
luego pierde el ímpetu y cesa
virtualmente. De nuevo, este patrón es
ampliamente observado para los
campos, e indica que la diferencia en el
valor tiende a incrementar hasta cierto
limite, pero después a no incrementar
mas. En efecto, hay una distancia mas
allá donde no hay mas sorpresas
geográficas. Esta distancia es conocida
como el rango, y el valor de la
diferencia en esta distancia es conocida
como umbral.
Note también lo que pasa en el
otro, el punto final mas bajo del rango
de distancia. Mientras la distancia se
encoge, correspondiendo a pares de
puntos que están cada vez mas cerca, la
semivariancia desciende, pero hay una
sugerencia que casi nunca desciende a
cero, hasta a distancia cero. En otras
palabras, si dos puntos fueron
muestreados a una distancia minima
darían valores diferentes. Esto es
conocido como el nugget del
semivariograma. Un nugget no-cero
ocurre cuando hay un error sustancial
en el instrumento de medición, así que
las mediciones tomadas de una
distancia no muy lejana pueden ser
diferentes debido al error, o cuando hay
alguna otra fuente de ruido local que
verdaderamente suave. Una estimación
exacta de un nugget depende de si hay
pares de puntos de datos
suficientemente cercanos entre si. En la
práctica los puntos de muestra pueden
haber sido ubicados en algún tiempo en
el pasado, fuera del control del usuario,
o pudo haber sido esparcido para
capturar la variación total en la
superficie, así que es usualmente difícil
hacer un buen estimado del nugget.
El nugget puede ser interpretado
como la variación entre las
mediciones repetidas en el mismo
punto.
Para hacer estimados usando Kriging
necesitamos reducir el semivariograma
a una función matemática, para que la
semivariancia pueda ser evaluada a
cualquier distancia, no solo en los
puntos medios de los cubos como se
muestra en la figura 13.24. En la
práctica esto significa seleccionar uno
de el conjunto de formas funcionales
estándar, y encajando esa forma a los
puntos de datos observados para
obtener el mejor posible encaje. Esto se
muestra en la figura. El usuario de una
función Kriging en un SIG tendrá
control sobre la selección de los rangos
de distancia y formas funcionales, y si
es que un nugget es permitido.
Finalmente, el semivariograma
encajado es usado para estimar los
valores del campo en los puntos de
interés. Como con IDW, el estimado es
obtenido como una combinación
ponderada de valores vecinos, pero el
estimado es diseñado para ser el mejor
posible, dada la evidencia del
semivariograma. En general los valores
cercanos son dados mayor
ponderación, pero no como en IDW la
dirección es también importante: un
punto puede ser blindado de la
influencia si está atrás de otro punto, ya
que la mayor proximidad de este último
sugiere mayor importancia en
determinar el valor estimado, mientras
que la dirección relativa no es
importante en un estimado IDW. El
proceso de maximizar la calidad del
estimado es llevado a cabo
matemáticamente, usando las medidas
precisas disponibles en el
semivariograma. Los lectores
interesados en los detalles matemáticos
deben consultar las referencias dadas
anteriormente.
Kriging responde a la proximidad de
los puntos de muestra y a sus
direcciones.
A diferencia de IDW, kriging tiene una
fundación teórica sólida, pero también
incluye un número de opciones (ej. la
elección de la función matemática para
el semivariograma) que requiere
atención del usuario. En ese sentido
definitivamente no es una caja negra
que puede ser ejecutada ciegamente y
automáticamente, pero en cambio forja
al usuario a estar directamente
involucrado en el proceso de
estimación. Por esa razón los
diseñadores del software de SIG muy
probablemente van a continuar
ofreciendo varios diferentes métodos,
dependiendo si el usuario quiere algo
que es rápido, a pesar de sus obvias
fallas, o mejor, pero mas involucrado en
la parte del usuario.
13.4.5 Estimación y potencial de
densidad
La estimación de densidad es en
muchas formas el gemelo lógico de la
interpolación espacial – comienza con
puntos, y termina con una superficie.
Pero conceptualmente los dos enfoques
no podrían ser mas diferentes, porque
uno busca estimar las partes faltantes diferentes tipos de enfermedades, o
de un campo de muestras del campo animales, o cualquier otro conjunto de
tomadas en puntos de datos, mientras puntos bien definidos.
que el otro crea un campo de objetos
discretos.
La Figura 13.25 ilustra esta
diferencia. Los dos conjuntos de datos
en el diagrama se ven idénticos desde
una perspectiva de SIG – ambos son
conjuntos de puntos, con ubicaciones y
un solo atributo. Pero uno muestra
mediciones de muestra desde un
campo, y el otro muestra las
ubicaciones de objetos discretos. En la
vista del objeto discreto no hay nada
entre los objetos mas que espacio vacío
– no hay campo faltante que tiene que
ser rellenado a través de la
interpolación espacial. No tendría
sentido aplicar la interpolación espacial
a una colección de objetos discretos – y
completamente sin sentido aplicar la
estimación de densidad a las muestras
de un campo.

La estimación de densidad solo tiene

sentido desde una perspectiva de
objeto discreto, y la interpolación
espacial solo desde la perspectiva
del campo. Figura 13.25 Dos conjuntos de datos idénticos con
significados bruscamente diferentes. (A) un campo
de temperatura atmosférica medida en ocho puntos
La estimación de densidad tiene de muestra espaciados irregularmente. (B) ocho
muchas raíces diferentes, pero es objetos discretos representando ciudades, con
poblaciones asociadas en miles. La interpolación
ampliamente resumida en diversos espacial tiene sentido solo para (A), y la estimación
textos, en particular ese por Silverman de densidad solo para (B)
(1986), y en discusiones de análisis
espacial (ej. Bailey y Gatrell 1995).
Aunque puede ser aplicado a cualquier
tipo de objeto espacial discreto, es mas
a menudo aplicado a la estimación de la
densidad de punto, y ese es el enfoque
aquí. El ejemplo mas obvio es la
estimación de la densidad de población,
y ese ejemplo es usado en esta Figura 13.26 (A) una colección de objetos de puntos,
discusión, pero puede ser igualmente y (B) una función kernel. La forma del kernel
depende del parámetro de distancia –
bien aplicado a la densidad de
incrementando el valor de los resultados del
parámetro en un kernel mas bajo y mas ancho, y
reduciendo sus resultados en un kernel mas estrecho
y nítido. Cuando cada punto es reemplazado por un
kernel y los kernels son adicionados al resultado es
una superficie de densidad el cual su suavidad
depende del valor del parámetro de distancia.
Considere el continente de Australia.
Una manera de definir su densidad de
población es tomando la población
entera, y dividiéndola para el área total
– en base a esto la densidad de
población de 1996 era mas o menos
2.38 por km2. Pero nosotros sabemos
que el patrón de asentamiento no es
uniforme, con la mayoría de la
población concentrada en 5 ciudades
costeras (Brisbane, Sydney, Melbourne,
Adelaide, y Perth). Así que si viéramos
al paisaje en pedazos mas pequeños, tal
como círculos con un radio de 10 Km., y
calculando la densidad de población al
dividir el número de gente en cada
circulo por el área del circulo,
obtendríamos resultados muy
diferentes dependiendo donde el
circulo fue centrado. Así que en
general, la densidad de población en
una ubicación, y en una resolución
espacial de d podría ser definida al
centrar un circulo en la ubicación, y
dividiendo el total de la población
dentro del circulo por su área. Usando
esta definición hay un número infinito
de posibles mapas de densidades de
población de Australia, dependiendo
del valor seleccionado para d. Y cumple
que no hay tal cosa como la densidad de
población, solo una densidad de
población en una resolución espacial de
d. Note la similaridad entre esta idea y
la discusión previa sobre pendiente –
en general, muchos temas geográficos
pueden solo ser definidos
rigurosamente si la resolución espacial
es hecha explicita, y mucha confusión
resulta en SIG por nuestra buena
voluntad de hablar sobre temas sin al
mismo tiempo especificar la resolución
espacial.
La estimación de densidad con un
kernel permite a la resolución
espacial de un campo de densidad de
población ser hecho explicito.
La teoría de la estimación de densidad
formaliza estas ideas. Considere una
colección de objetos de puntos, tales
como los mostrados en la Figura 13.26.
La superficie mostrada en la Figura
13.26(B) es un ejemplo de una función
kernel, la idea central en la estimación
de densidad. Cualquier función kernel
tiene una medida de longitud asociada,
y en el caso de las funciones mostradas,
que es una distribución Gaussiana, la
medida de longitud es un parámetro de
la distribución: podemos generar
distribuciones Gaussianas con
cualquier valor de este parámetro, y
estos se vuelven mas planos y mas
amplios a medida que el valor
incrementa. En la estimación de
densidad, cada punto es reemplazado
por su función kernel, y las varias
funciones kernel son adicionadas para
obtener una superficie agregada, o
campo de densidad. Si uno piensa de
cada kernel como una pila de arena,
entonces cada pila tiene el mismo peso
total de una unidad. El peso total de
todas las pilas de arena es igual al
número de puntos, y el peso total de
arena dentro de un área dada, tal como
el área mostrada en la figura, es un
estimado de la población total en esa
área. Matemáticamente, si la densidad
de población es representada por un
campo p(x,y), entonces la población
total dentro del área A es la integral de
la función de campo sobre esa área,
esto es:

Una variedad de funciones kernel son

usadas en la estimación de densidad,
pero la forma mostrada en la Figura
13.26 es talvez la mas común. Esta es la
tradicional curva de campana o
distribución Gaussiana de la estadística,
y se encuentra en cualquier otra parte
en este libro en conexión con los Figura 13.27 La estimación de densidad usando dos
errores en la medición de la posición en diferentes parámetros de distancia en las funciones
dos dimensiones (Sección 15.1.2.1). al kernel respectivas, mostrando la generalmente mas
suave y menos puntiaguda naturaleza de la
ajustar el ancho de la campana es superficie que resulta del parámetro de distancia
posible producir un rango de mas largo
superficies de densidad de diferentes
cantidades de suavidad. La figura 13.27
contrasta dos estimaciones de densidad
de los mismos datos, uno usando
comparativamente una campana
estrecha para producir una superficie
compleja, y la otra usando una campana
mas ancha para producir una superficie
mas suave.