Leer para Los Mapas

Sistemas de Información Geográfica
Temario de la asignatura (2013-2014)
Francisco Alonso Sarría

Universidad de Murcia
Índice
1 Cartografía 1
1.1 Un poco de historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Datos espaciales e información espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 La representación de los elementos de la superficie terrestre . . . . . . . . . . . . . . . . . . . 8
1.3.1 Fenómenos en el espacio, variables, entidades y eventos . . . . . . . . . . . . . . . . 8
1.3.2 Elementos de representación cartográfica . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.4 Sistema de Referencia Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.5 Elementos auxiliares en un mapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4 Generalización cartográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.1 Formas de generalización geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.2 Generalización temática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.3 Generalización y escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5 Cartografía española y de la Región de Murcia . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5.1 Cartografía española . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5.2 Cartografía en la Región de Murcia . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 Cartografía Digital y Sistemas de Información Geográfica 27

2.1 Cartografía Digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Generalización y cartografía digital . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.2 Programas para el manejo de cartografía digital . . . . . . . . . . . . . . . . . . . . . 30
2.2 ¿Que es un Sistema de Información Geográfica? . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.1 Sistemas de Información y Sistemas de Información Geográfica . . . . . . . . . . . . 32
2.3 Utilización de un Sistema de Información Geográfica . . . . . . . . . . . . . . . . . . . . . . 35
2.3.1 Almacenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
i
ii ÍNDICE
2.3.2 Visualización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.3 Consultas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.4 Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.5 Toma de decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.6 Modelización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4 Aplicaciones de los SIG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 Infraestructuras de Datos Espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3 SIG: Modelos y estructuras de datos 43

3.1 Modelos de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 Modelos de datos geográficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3 El modelo conceptual. Variables espaciales y entidades . . . . . . . . . . . . . . . . . . . . . 45
3.4 Modelos lógicos. Formato raster y vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.1 Modelos lógicos para la representación de superficies . . . . . . . . . . . . . . . . . . 48
3.4.2 El modelo raster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.3 Modelos lógicos para la representación de entidades (modelo vectorial) . . . . . . . . 53
3.4.4 Modelos lógicos para la representación de variables cualitativas e imágenes . . . . . . 59
3.5 Modelos digitales y formatos de fichero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.5.1 Shapefile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5.2 GeoTiff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5.3 Formatos ráster comprimidos: ecw, sid y jpg . . . . . . . . . . . . . . . . . . . . . . 61
3.5.4 El modelo digital raster de GRASS . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5.5 El modelo digital vectorial de GRASS . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.6 Consideraciones finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.6.1 Ventajas y desventajas de los formatos raster y vectorial . . . . . . . . . . . . . . . . 63
3.6.2 Escala y modelos lógicos de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.7 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4 Formato raster. Algebra de mapas. 67

4.1 Operadores locales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.1.1 Operadores matemáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.1.2 Condicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.1.3 Reclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2 Operadores de vecindad o focales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 Operadores de bloque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
ÍNDICE iii
4.2.2 Operadores de vecindad extendida, operadores extendidos . . . . . . . . . . . . . . . 77

4.2.3 Operadores de área o zonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.4 Operadores globales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3 Modelización cartográfica en formato raster . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3.1 El álgebra de mapas como sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3.2 Conceptualización y formulación de un problema espacial mediante modelización car-
tográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.3.3 Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.4 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5 Geoprocesamiento en formato vectorial. 95

5.1 Sistemas de Gestión de Bases de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.1.1 Características fundamentales de un Sistema de Gestión de Base de Datos (SGBD) . . 96
5.1.2 Modelos de SGBD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.1.3 Bases de datos relacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.2 Una Pequeña introducción a SQL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2.1 Proyección y selección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2.2 Ordenar los registros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.2.3 Limitar los registros devueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.2.4 Alias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.2.5 La cláusula WHERE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.2.6 Agrupamiento de Registros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.2.7 Limitar el número de registros devueltos por el servidor . . . . . . . . . . . . . . . . 104
5.2.8 Consultas a varias tablas (Operador JOIN) . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3 SIG y bases de datos relacionales: El modelo geo-relacional . . . . . . . . . . . . . . . . . . 105
5.3.1 Selección temática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.3.2 Selección espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.3.3 Funciones que crean nuevas capas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.3.4 Funciones aplicadas a dos capas de entrada . . . . . . . . . . . . . . . . . . . . . . . 111
5.4 Geodatabases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.4.1 Bases de datos objeto-relacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.4.2 Geodatabases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.4.3 Funciones espaciales en el SQL de las Geodatabases . . . . . . . . . . . . . . . . . . 116
5.4.4 Funciones topológicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.5 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
iv ÍNDICE
6 Teledetección 121
6.1 Fundamentos de la teledetección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.1.1 Naturaleza de la radiación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.1.2 Interacciones entre la radiación y los objetos . . . . . . . . . . . . . . . . . . . . . . 124
6.1.3 Interacción atmósfera-radiación electromagnética . . . . . . . . . . . . . . . . . . . . 125
6.2 Interacción de la superficie terrestre con la radiación . . . . . . . . . . . . . . . . . . . . . . 127
6.2.1 Respuesta espectral del agua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.2.2 Respuesta espectral de la vegetación . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.2.3 Respuesta espectral del suelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6.3 Caracterización de las imágenes de satélite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
6.3.1 Plataformas, sensores y canales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
6.3.2 Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.4 Visualización de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6.4.1 Ajuste de contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6.4.2 Composición de color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
6.4.3 Filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.5 Análisis de imágenes de satélite en un SIG . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.5.1 Correcciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.5.2 Cálculo de la reflectividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
6.6 Obtención de variables. Índices y transformaciones . . . . . . . . . . . . . . . . . . . . . . . 145
6.6.1 Indices de vegetación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
6.6.2 Transformación Taselled Cap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
6.6.3 Análisis de Componentes Principales . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.7 Clasificación de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.7.1 Definición de clases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.7.2 Asignación de píxeles a clases. Métodos clásicos . . . . . . . . . . . . . . . . . . . . 154
6.7.3 Asignación de píxeles a clases. Métodos basados en aprendizaje automático . . . . . . 156
6.7.4 Métodos para mejorar la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.8 Validación. Error de clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
6.9 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
ÍNDICE v
7 Sistemas de Referencia Espacial. Geodesia y Cartografía. 165

7.1 Conceptos de Geodesia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
7.1.1 Sistema de coordenadas geográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
7.1.2 Elipsoides de referencia. Datum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
7.1.3 Altitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.1.4 Direcciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.1.5 Coordenadas cartesianas tridimensionales . . . . . . . . . . . . . . . . . . . . . . . . 174
7.1.6 Redes geodésicas. Topografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
7.1.7 Transformación a ETRS89 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.2 Cartografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
7.2.1 Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
7.2.2 Propiedades de las proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
7.2.3 Elipses indicatrices de Tissot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
7.2.4 Proyección de Mercator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
7.2.5 Proyección cónica de Lambert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
7.2.6 Proyección cilíndrica equivalente de Lambert . . . . . . . . . . . . . . . . . . . . . . 188
7.2.7 Proyección Universal Transversa de Mercator (UTM) . . . . . . . . . . . . . . . . . . 188
7.2.8 Proyección poliédrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7.2.9 Proyecciones para hacer mapamundis . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7.2.10 Códigos EPSG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7.3 El sistema GPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7.3.1 Cálculo de la posición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
7.3.2 GPS diferencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
7.4 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
7.4.1 Páginas web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
7.4.2 Programas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.4.3 Para profundizar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
vi
Sistemas de Información Geográfica
El término Sistema de Información Geográfica (SIG)1 suele aplicarse a sistemas informáticos orientados a la
gestión de datos espaciales que constituyen la herramienta informática más adecuada y extendida para la inves-
tigación y el trabajo profesional en Ciencias de la Tierra y Ambientales. Se trata de herramientas complejas,
reflejo de la complejidad del objeto de estudio de estas ciencias, fruto de la evolución y fusión de programas de
muy distinto tipo que anteriormente se habian utilizado de forma independiente. Esta complejidad ha llevado al
nacimiento, a partir del trabajo con SIG, de una nueva disciplina científica, todavía bastante discutida, conocida
como Ciencia de la Información Geográfica2 .
Sin ser en absoluto una herramienta novedosa, se acepta el año 1966 como fecha de creación del primer SIG3 ,
tras años de acumulación de experiencia y tecnologías, los SIG han experimentado en los últimos veinte años
un rápido desarrollo teórico, tecnológico y organizativo y una amplia difusión tanto en la administración como
en los mundos académico y profesional. El retraso con que todo tipo de avances tecnológicos penetra en nuestro
pais hace que estemos aún en el boom de los SIG, por tanto se trata de una técnica imprescindible, incluso de
una linea de especialización muy interesante, para los profesionales de las Ciencias de la Tierra y Ambientales
(de ahí su inclusión en los curricula de diversas licenciaturas).
La orientación comercial de una parte importante de la actividad entorno a los SIG ha dado lugar a mucha
propaganda acerca de las virtudes de determinados productos que han conducido en muchos casos a crear
falsas expectativas en cuanto a su utilidad real y en cuanto a su sencillez de manejo. Para evitar este tipo de
problemas resulta imprescindible tener los pies en el suelo y que la implementación y el trabajo con un SIG este
sólidamente cimentado en las bases científicas de la Ciencia de la Información Geográfica y en el conjunto de
ciencias implicadas en el proyecto que se va a llevar a cabo.
Debido a este adjetivo, Geográfica, en muchos paises la iniciativa y la responsabilidad de la enseñanza uni-
versitaria de los SIG han recaido en departamentos de Geografía, sin embargo el carácter multidisciplinar de
la herramienta implica la existencia de múltiples puntos de vista sin ser el de los geógrafos necesariamente el
mejor. En realidad, de los varios millones de usuarios de SIG en el mundo,tan solo una pequeña fracción tienen
relación con la ciencia de la Geografía, aunque es cierto que gran parte de la investigación y desarrollo en SIG
procede de departamentos de Geografía, especialmente en universidades anglosajonas.
Su carácter de tecnología en rápida expansión ha ocasionado además problemas de adaptación dentro de un
sistema educativo, como es el español, bastante poco dado a la asimilación de novedades. A la hora de plan-
ificar una asignatura de SIG es necesario encontrar un punto de equilibrio entre la necesidad de enseñar en
profundidad las diferentes posibilidades, estrategias y trampas en el uso de los SIG para evitar que el alumno se
1
En inglés Geographic, o Geographical, Information Systems (GIS)
2
En inglés se juega con la ambiguedad del término GIS significando tanto sistema (system) como ciencia (science)
3
Se trataba del Canadian Geographic Information System cuyo objetivo era la digitalización y análisis semiautomático de fotografía
aérea
vii
quede con una visión excesivamente simplista (un programa para hacer y ver mapas) y la necesidad de dedicar
tiempo a prácticas para asentar conceptos y evitar que la asignatura acabe siendo un constructo exclusivamente
teórico. En definitiva se trata de la plasmación académica del doble carácter de herramienta y ciencia espacial,
o al menos de conjunto de conceptos y técnicas para el manejo de información espacial que tiene este tipo de
sistemas.
Debido a toda la complejidad y a la amalgama de intereses detrás de un SIG, resulta una materia necesariamente
amplia y difícil que además requiere una buena base matemática e informática. Esta dificultad empieza en el
mismo momento de la definición de los que es un SIG. Algunas de las definiciones aportadas se centran en
la base de datos, otras en los algoritmos y funciones contenidos en los programas que manejan estas bases de
datos y otras en los aspectos de gestión y administración de la información. En el tema segundo se tratará de
aportar una definición amplia de SIG, por el momento podemos quedarnos en una mucho más pragmática de
lo que serán los SIG en un futuro próximo: la herramienta-ciencia de uso diario de los profesionales de las
Ciencias de la Tierra y ambientales para manejar información espacial, tanto si trabajan en investigación
como si lo hacen en ordenación o gestión del territorio.
Bibliografía
• Bosque Sendra, J.; 2000: Sistemas de Información Geográfica Ed. Rialp, Madrid, 451 pp.
• Burrough,P.A. & McDonnell,R.A.; 2000: Principles of Geographical Information Systems Oxford Uni-
versity Press, Oxford, 333 pp.
• Harmond,J.E. & Anderson, S.J.; 2003: The Design and Implementation of Geographic Information Sys-
tems John Wiley & sons, 264 pp.
• Harvey, F.; 2008: A primer of GIS. Fundamental Geographic and Cartographic Concepts The Guilford
Press, 308 pp.
• Longley, P.A., Goodchild, M.F., Maguire, D.J., Rhind, D.W.; 2001: Geographic Information Systems and
Science John Wiley & sons, Chichester, 454 pp.
• Maguire, D.J.; Goodchild, M.F. and Rhind, D.W. (Eds.); 1991: Geographical Information Systems: Prin-
ciples and Applications, John Wiley & sons, Chichester
(www.wiley.co.uk/wileychi/gis/resources.html)
• Olaya, V.; 2011; Sistemas de Información Geográfica,

http://sextante.googlecode.com/files/Libro_SIG.pdf
• Sherman, G.E.; 2008: Desktop GIS. Mapping the planet with Open Source Tools, The Pragmatic Pro-
grammers (http://www.pragprog.com/), 342 pp.
• Taboada González, J.A. y Cotos Yáñez, J.M.; 2005; Sistemas de información medioambiental Ed. Net-
biblo
• Worboys, M.F. & Duckham, M.; 2004: GIS: A Computing Perspective, CRC Press
ix
Tema 1
Cartografía
Tradicionalmente la información cartográfica se ha representado y manejado mediante mapas en papel. Los

SIG mantienen una importante herencia de la ciencia cartográfica. Por ello es conveniente empezar un curso
sobre SIG hablando de Cartografía.
1.1 Un poco de historia
A lo largo de la historia, el hombre ha sentido la necesidad de representar la superficie terrestre y los objetos
situados sobre ella. El objetivo de los primeros mapas realizados con criterios científicos era servir de apoyo a la
navegación, eran los portulanos (figura 1.1). Estos indicaban los rumbos (direcciones) que era necesario seguir
para ir de un puerto a otro; la exactitud en la representación de las tierras emergidas se consideraba accesoria.
Las cartas náuticas actuales mantienen un esquema similar aunque el uso generalizado de los Sistemas de
Posicionamiento Global (GPS) ha revolucionado los sistemas de navegación.
En el siglo XVII, cartógrafos como Mercator demostraron que podía mejorarse la fiabilidad de distancias, áreas
o ángulos medidos sobre los mapas mediante un sistema de proyección geométrico que hiciera corresponder a
cada punto del globo un punto en el mapa. Junto a este sistema de proyección se idea un sistema de localización
basado en coordenadas cartesianas en dos dimensiones, es decir basadas en un par de ejes ortogonales (X e Y),
formando una cuadrícula (figura 1.2). De esta manera cada punto de la superficie terrestre pasa a tener un par de
coordenadas que definen su posición. A partir de estas coordenadas pueden calcularse distancias, direcciones o
áreas.
Al finalizar el siglo XVIII, los estados europeos habían alcanzado el grado de organización suficiente como
para establecer sociedades geográficas cuyo cometido era representar sobre mapas la superficie terrestre, sus
características y los elementos físicos y humanos situados en ellas. Europa estaba inmersa en el período colonial
y ya no bastaba con poder llegar a puerto sino que había que medir distancias y superficies sobre los nuevos
territorios para conseguir un mejor dominio de estos.
Por otro lado se hace necesario representar los diversos elementos, recursos naturales y factores ambientales
de la superficie terrestre de cara a optimizar la gestión y explotación de los territorios. Se inicia un proceso
de medición de variables ambientales a escala global que, con sucesivos perfeccionamientos continua hoy en
día dando lugar a mapas temáticos de muy diverso tipo. Uno de los mejores ejemplos es el mapa geológico de
Inglaterra y Gales, a partir de observaciones de rocas y fósiles (figura 1.3); publicado por William Smith en
1815, 44 años antes de la publicación del Origen de las especies de Darwin.
1
2 Tema 1. Cartografía
Figura 1.1: Portulano procedente del Atlas catalán de 1375 (http://www.vallenajerilla.com/glosas/catalan.htm)
Figura 1.2: Mapa de 1683 utilizando la proyección de Mercator (http://www.mapsofa.com)

Sistemas de Información Geográfica (2013-2014) 3
Figura 1.3: Mapa de William Smith (http://commons.wikimedia.org/wiki/File:Geological_map_Britain_William_Smith_1815.jpg)
En el siglo XX, las nuevas herramientas de topografía, la fotografía aérea, las imágenes de satélite y las nuevas
herramientas de cartografía computerizada, han permitido un conocimiento mucho mejor de las formas de los
continentes permitiendo alcanzar un gran nivel de detalle en la cartografía (figura 1.4).
1.2 Datos espaciales e información espacial
Los datos son la mínima unidad de información, una variable medida sobre un objeto. Los datos espaciales
son datos que se generan en un punto conocido del espacio.
En sentido general, la información es un conjunto organizado de datos procesados. La información espacial se
obtiene a partir de datos espaciales y generalmente tiene un significado espacial. Por ejemplo, una serie de datos
de temperatura en diferentes observatorios con altitud conocida (datos espaciales) constituyen un muestreo de
temperatura y altitud (información espacial).
El conocimiento se deriva de la información, así como la información se deriva de los datos. Para que la
información se convierta en conocimiento es necesario extraer conclusiones de esta. A partir del análisis de los
datos de temperatura y altitud podríamos llegar a la conclusión de que la temperatura disminuye con la altitud
(conocimiento espacial).
Las tablas de datos relativos a puntos o polígonos en el espacio dan una información numéricamente más
precisa, pero si hacemos un mapa y representamos de algún modo la variable que nos interesa, podremos
observar la presencia de patrones espaciales que pasarían inadvertidos en una tabla.
La figura 1.5 muestra un ejemplo bien conocido y que suele citarse como el primer ejemplo de la aplicación
del análisis espacial para resolver un problema. En 1854 hubo una epidemia de cólera en Londres, el Doctor
Figura 1.4: Primera imagen de la Tierra (satélite TIROS, 1960) y detalle de una imagen QickBird de 2006 en
la que se puede ver el centro de Murcia incluyendo el Campus de la Merced, la Plaza de Santo Domingo y el
jardín de la Fama.
John Snow decidio situar los casos de cólera y las fuentes de agua (datos espaciales) en un mapa (información
espacial) lo que le permitió apoyar su teoría de que la enfermedad se transmitía por el agua y no por el aire
(conocimiento). Se cerró la fuente de Broad Street y la epidemia remitió.
Los mapas de resultados electorales son también interesantes. El de la figura 1.6 que muestra los resultados en
Polonia en 2007, donde se observa que estos siguen casi perfectamente la antigua frontera entre los imperios
ruso y alemán previa al tratado de Versalles (1919). La figura 1.7 muestra la proporción de voto republicano y
demócrata por condados (más rojo significa más voto republicano y más azul más voto demócrata) en las elec-
ciones de 2008. Si comparamos esos datos con un mapa de la producción algodonera en 1860, las conclusiones
son claras.
Figura 1.5: Mapa de J. Snow que muestra la relación de los casos de cólera con las fuentes públicas de Londres
(fuente http://commons.wikimedia.org/wiki/File:Snow-cholera-map.jpg)
Figura 1.6: Resultados electorales en las elecciones de Polonia en 2007 y antiguas fronteras (fuente
http://strangemaps.wordpress.com)
Figura 1.7: Resultados electorales en la elección presidencial de 2008 en USA y producción algodonera en
(fuente http://strangemaps.wordpress.com)
1.3 La representación de los elementos de la superficie terrestre
La representación en cualquier mapa se basa en una serie de principios y convenciones que tratan de ser lo
más intuitivos y universales posible (orientación hacia el norte, agua representada en azul, etc.). En todo caso
la facilidad con que puedan interpretarse dependerá de si el mapa está destinado al público general (un mapa
de carreteras por ejemplo) o a un sector más especializado (un mapa geológico). Evidentemente un mapa
geológico utiliza convenciones geológicas (tipos de trama, tipos de color) que será necesario estudiar para
poder interpretarlo.
1.3.1 Fenómenos en el espacio, variables, entidades y eventos
De modo general pueden distinguirse tres tipos de fenómenos sobre el espacio:
• Variables espaciales, son aquellas que adoptan valores diferentes en diferentes puntos del espacio. Estas
variables pueden ser:
– Binomiales. Sólo tienen dos valores, suelen indicar presencia/ausencia o pertenencia/no pertenen-
cia, por ejemplo la variable pertenencia a la Región de Murcia o la variable presencia/ausencia de
lobo ibérico.
– Cualitativas o nominales. Indican una cualidad no mensurable. Por ejemplo la litología, usos del
suelo, etc. (figura 1.8).
– Semicuantitativas u ordinales. Se trata de variables cualitativas pero que pueden ordenarse aten-
diendo a algún criterio. Por ejemplo tipos de roca ordenados por su erosionabilidad, clases de pen-
diente (alta, media y baja), etc.
– Cuantitativas: Son variables mensurables que pueden adoptar cualquier valor (variables conti-
nuas como altitud, temperatura, precipitación, pH del suelo, etc.) o solo determinados valores
(variables discretas como el número de días de lluvia o el número de habitantes de un munici-
pio). Las variables continuas suelen representarse mediante números reales y las discretas mediante
enteros.
Pueden dividirse en dos tipos:
∗ Escala de intervalo, son aquellas en las que no existe una cota cero y tampoco existe propor-
cionalidad, por ejemplo la temperatura en grados centígrados.
∗ Escala de ratio, aquellas en las que si existe un valor mínimo de 0 y existe también proporcionali-
dad entre valores, por ejemplo la altitud.
Una variable continua puede convertirse en discreta por su forma de medirse y registrarse, por
ejemplo si la precipitación se mide en décimas de milímetro (puesto que los aparatos de medición no
suelen permitir mayor precisión) podrá codificarse mediante valores enteros tan solo con multiplicar
el dato por diez.
Las variables cuantitativas continuas suelen ser también continuas en el espacio y presentan por
tanto autocorrelación espacial, es decir cuanto más cercanos sean dos puntos sus valores van a ser
más parecidos. Se les suele denominar variables regionalizadas o superficies (figura 1.9).
• Entidades u objetos
Se trata de elementos discretos sobre el territorio (figura 1.10). Aunque en realidad todos tienen extensión,
podemos asumir que existen básicamente tres tipos:
Figura 1.8: Variable cualitativa: Mapa de usos del suelo de la Región de Murcia. Fuente: Corine Land Cover
Figura 1.9: Ejemplo de superficie

Figura 1.10: Representación de entidades en la desembocadura de la Rambla del Albujón. Objetos puntuales:
pozos (verde), lineas: carreteras (rojo) y red de drenaje (azul), polígonos: núcleos urbanos (gris) y límites
municipales (negro)
– Puntos (pozos, cotas, puntos de observación,etc.)

– Lineas (carreteras, redes fluviales, etc.)
– Polígonos (entidades administrativas, ciudades, cuencas hidrográficas, etc.)
A cada entidad espacial se puede asociar diversas variables (que a su vez pueden ser binomiales, cuali-
tativas, ordinales o cuantitativas). Por ejemplo, a una carretera se puede asociar su anchura, velocidad
máxima, categoría (autopista, carretera provincial, etc.) o flujo de vehículos; a un municipio se asociará
población, renta, etc.; a un pozo la cantidad de agua extraída al año, el nivel del agua o su composición,
etc.
• Eventos se trata de fenómenos que aparecen en intervalos concretos de tiempo sobre un área finita del es-
pacio (incendios, inundaciones, atascos, etc.). Por su carácter no permanente, no suelen representarse en
cartografía, salvo en mapas creados con aplicaciones muy específicas como el estudio de la distribución
y extensión espacial de estos fenómenos o el riesgo asociado a ellos.
1.3.2 Elementos de representación cartográfica
El conjunto de ciencias involucradas en la producción de mapas (Geodesia, Cartografía, Geografía, Geología,

Ecología, etc.) han desarrollado un amplio conjunto de técnicas para cartografiar los diversos fenómenos que
aparecen sobre la superficie terrestre. Los mapas de las figuras 1.12 y 1.13 muestra ejemplos de varias de estas
técnicas
Figura 1.11: Mapa de eventos: fenómenos sísmicos
• Isolineas. Son lineas que unen puntos con igual valor, sirven por tanto para cartografiar variables cuanti-
tativas. Un buen ejemplo son las curvas de nivel (que unen puntos de igual altitud) de un mapa topográfico
o las isobaras (que unen puntos de igual presión) de los mapas del tiempo.
• Coropletas. Áreas con valor comprendido entre dos umbrales y pintadas con un color homogéneo. Per-
miten representar variables cuantitativas de un modo simplificado y más fácilmente interpretable por el
usuario. También sirven para representar un conjunto de polígonos en función de una variable cuantita-
tiva.
• Símbolos para indicar la presencia de entidades puntuales. Pueden representarse utilizando diferentes
símbolos o colores para representar una variable cualitativa (por ejemplo el partido gobernante en el mu-
nicipio), o diferentes tamaños para representar variables cuantitativas (por ejemplo el número de habi-
tantes).
• Lineas que simbolizan entidades, naturales o artificiales, de forma lineal (carreteras, ríos). Pueden uti-
lizarse diferentes anchuras de linea, diferentes colores o diferentes tipos de linea para representar propiedades
como la anchura de los ríos o tipos de vías de comunicación.
• Poligonos representan objetos poligonales que, por su tamaño, pueden ser representados como tales
(siempre dependiendo de la escala del mapa) o porciones homogéneas del terreno en relación a una
variable cualitativa (tipo de roca). Pueden utilizarse diferentes colores o tramas para representar varia-
bles cualitativas o cuantitativas, por ejemplo en un mapa de municipios la población municipal puede
representarse mediante colores.
• Toponimia, rótulos con los nombres de los diferentes elementos representados.
1.3.3 Escala
El primer problema que se plantea cuando se pretende representar los diferentes fenómenos que aparecen sobre
la superficie terrestre es la reducción del espacio de trabajo que supone un mapa.
La relación matemática entre las dimensiones del espacio representado y las dimensiones de su representación
sobre el mapa es la escala. Esta se calcula como el cociente entre una distancia medida sobre el mapa y su
equivalente en la realidad, simplificando la fracción para que en el numerador aparezca un 1. Por ejemplo una
escala de 1 : 50.000 implica que cada centímetro en el mapa corresponde a 50.000cm = 0, 5km en la realidad.
Puesto que la escala es una división, cuanto mayor sea el denominador menor es la escala y viceversa1 .
Salvo en mapas de muy gran escala (1:1.000 y superior), resulta imposible la representación exacta de entidades.
En realidad las entidades puntuales o lineales son muchas veces polígonos (un pozo es un círculo y una carretera
tiene anchura) pero generalmente pueden y deben representarse como puntos o lineas debido a la escala del
mapa.
La escala impone por tanto un tamaño mínimo que debe tener un objeto para ser representado, suele conside-
rarse que este tamaño mínimo es de alrededor de 0,25 mm sobre el mapa. Por tanto para determinar el tamaño
mínimo que un objeto debe tener para ser representable basta con aplicar una regla de tres, por ejemplo en un
mapa a escala 1 : 50000:
1 mm ---- 50000 mm
0.25 mm ---- X
50000 · 0.25
X= = 12500mm = 12.5m (1.1)
1
Por ejemplo un camino de tres metros de ancho debería tener, en un mapa a escala 1:50000, una anchura de 0.06
milímetros lo que resulta imposible de representar. Por tanto el proceso de representación en un mapa implica
una generalización (ver sección 1.4).
1.3.4 Sistema de Referencia Espacial
Los mapas son representaciones bidimensionales de la superficie terrestre sobre un plano cartesiano de coor-
denadas X e Y . Debe existir una correspondencia biunívoca2 entre posiciones sobre la superficie terrestre y
pares de coordenadas. Sin embargo distintos mapas pueden tener distintos pares de coordenadas para un mismo
punto si utilizan distintos sistemas de referencia espacial.
Un Sistema de Referencia Espacial implica la elección de un modelo de la superficie terrestre (datum) y un
conjunto de ecuaciones (proyección) para transformar las coordenadas esféricas (latitud y longitud) sobre el
modelo de la Tierra a coordenadas planas sobre el mapa (ver figura 1.15).
1
Al revés de cuando se habla de estudios a gran escala o pequeña escala de una forma genérica
2
Correspondencia uno-a-uno, cada elemento del primer conjunto se corresponde con uno y solo uno de los elementos del segundo
conjunto.
Mapa de isotermas Mapa de coropletas
Mapa de coropletas Mapa de símbolos
Mapa de lineas Mapa de polígonos
Figura 1.12: Elementos de representación cartográfica

Figura 1.13: Mapa extraído del Atlas Global de la Región de Murcia

MDE (capa raster MDE)
metros Grado de Ciencias Ambientales

4275000 2000 Sistemas de Información Geográfica
Un Modelo Digital de Elevaciones

1500 (MDE) es una capa raster en la que
4250000 cada celdilla contiene el valor medio
de elevación de los puntos contenidos
en dicha celdilla. Es la base para
1000
el cálculo de numerosas variables
Sistemas de Información Geográfica (2013-2014)
750 derivadas de gran interés en la mo-

4225000 delización de procesos físicos y am-
500 bientales sobre el terreno.
100
4200000 0
Datum europeo de 1950: Elipsoide interna-

cional, proyección U.T.M.
Las altitudes se refieren al nivel medio del
4175000 Mediterráneo en Alicante.
Los valores de altitud se han obtenido a par-

tir de la interpolación de las curvas de nivel
de los mapas topográficos escala 1:25000 del
4150000 Instituto Geográfico Nacional.
Figura 1.14: MDE de la cuenca del Segura y áreas adyacentes

50 km
575000 600000 625000 650000 675000 700000
Escala: 1/1000000
15
Figura 1.15: Un Sistema de Referencia Espacial incluye un elipsoide que actúa como modelo de de la superficie
terrestre y un sistema de proyección para pasar las posiciones sobre el elipsoide a posiciones sobre el mapa.
Estos conceptos se ampliarán en el tema 6.
La cartografía española actual utiliza los datum ED50 y ETRS89 y las proyecciones UTM o Lambert (ver
apartado 1.5). La figura 1.16 muestra la situación de la Región de Murcia en la malla de coordenadas UTM
que es el que se utilizará en las prácticas. En el tema 7 se desarrollan todos los conceptos relacionados con los
sistemas de referencia espacial.
1.3.5 Elementos auxiliares en un mapa
Además de la representación del espacio y los fenómenos situados sobre el mismo, un mapa incluye informa-
ción auxiliar para facilitar su interpretación. En las figuras 1.13 a 1.18 aparecen ejemplos de todos ellos.
• Escala numérica, como fracción, y escala gráfica representando mediante un segmento graduado la
equivalencia entre diversas longitudes en el mapa y en el terreno.
• Cuadrícula con indicación de coordenadas.
• Leyenda, para interpretar los diferentes elementos de representación cartográfica.
• Autor (persona u organismo) del mapa.
• Orientación para indicar el Norte, puede utilizarse una rosa de vientos o la cuadrícula.
• Fecha de realización del mapa y de recogida de la información básica en campo.
• Datum y sistema de proyección utilizado.

Figura 1.16: Mapa de vegetación actual (SIGA)

Figura 1.17: Mapa a partir de imágene de satélite (INUAMA)

1.4 Generalización cartográfica
Los mapas, especialmente los topográficos (figura 1.18), tratan de reflejar el máximo número de elementos
potencialmente interesantes para el usuario, evitando llegar a confundirle por exceso de información. Una de
las estrategias empleadas para ello es eliminar parte de la información (por ejemplo una curva de nivel que cruza
una población) confiando en la capacidad de nuestro cerebro para reconstruir objetos a partir de información
parcial, a esta estrategia se le denomina generalización.
De este modo un mapa deja en ocasiones de ser un modelo de la superficie terrestre para ser una representación
visual que incluye información variada y no totalmente estructurada.
Por generalización cartográfica se entiende la selección y representación simplificada de los elementos de la
superficie terrestre con un nivel de detalle apropiado a la escala y el propósito del mapa. El objetivo fundamental
es maximizar la información que contiene el mapa y su utilidad limitando su complejidad para garantizar su
legibilidad. Otros objetivos de la generalización son:
• Disminuir el coste del muestreo necesario para confeccionar el mapa;
• Aumentar la robustez del mapa frente a errores de muestreo;
• Servir a diversos propósitos, ya que un mapa en el que se representará con mucho detalle un sólo aspecto
de la realidad quedaría invalidado para otros propósitos;
• Mejorar la visualización de los datos evitando que queden todos apelmazados.
1.4.1 Formas de generalización geométrica
La figura 1.19 esquematiza los diferentes procedimientos de generalización geométrica y el tipo de objetos a los
que se puede aplicar. Como puede verse, normalmente la generalización conlleva la pérdida de detalles, pero
en algunos casos implica la introducción artificial de detalles. Por ejemplo, en el caso de un río que, debido
al cambio de escala, apareciera como una linea recta, sería preferible introducir un meandrizado artificial para
darle más apariencia de río.
1.4.2 Generalización temática
A partir de una base cartográfica común, dependiendo de los objetivos del mapa se incorporará un tipo de
información u otra. Por ejemplo para un mapa geológico si que resulta interesante disponer de la topografía en
forma de curvas de nivel, sin embargo los usos de suelo no aportan información relevante dado el objetivo del
mapa. En un mapa topográfico por el contrario se considera más útil disponer de una representación simplificada
de los usos del suelo que de una representación de la litología.
Otra forma de generalización es la que se produce cuando distintos objetos, procedentes de capas de informa-
ción diferentes, se superponen unos con otros en el mapa final. En este caso unas capas tendrán prioridad sobre
otras que quedarán ocultas. Por ejemplo las curvas de nivel suelen aparecer como fondo en un gran número de
mapas pero, salvo que se trate de un mapa preparado para aplicaciones topográficas, se considera información
secundaria, por tanto quedarán ocultas bajo ciudades, carreteras, embalses, etc (un ejemplo puede verse en los
mapas geológicos).
Figura 1.18: Fragmento de un mapa topográfico escala 1:25000 del Instituto Geográfico Nacional
Figura 1.19: Ejemplos de las diferentes técnicas de generalización geométrica. Aquellos casos que no aparecen
es porque no tienen sentido.
1.4.3 Generalización y escala
En muchos casos, y debido a la generalización, la representación de determinadas entidades en el mapa como

puntos o como polígonos va a depender más de la escala del mapa que de la propia naturaleza de la entidad
representada. Por ejemplo un pozo es un polígono pero casi siempre se representará como un punto, lo mismo
ocurre con una ciudad si la escala es pequeña.
Por tanto cuanto mayor sea la escala de un mapa mayor será su precisión. Sin embargo además de la precisión
hay que tener en cuenta la adecuación del mapa a los propósitos para los que se realiza en relación a la escala.
Por ejemplo no tendría sentido un mapa nacional de carreteras (concebido para ayudar a los automovilistas a
buscar rutas) a una escala 1:5000.
A grandes rasgos pueden establecerse los siguientes umbrales:
• A escala 1:10.000 y superior la generalización es muy escasa o inexistente
• A escala 1:20.000 empieza a aparecer generalización. Las calles y carreteras aparecen ensanchadas, los
edificios se agrupan simplifican y desplazan y las parcelas de cultivo se agrupan en grandes polígonos de
uso de suelo
• Entre 1:20.000 y 1:20.0000, los bordes de los polígonos y los objetos lineales se simplifican, las carre-
teras se simbolizan, desciende considerablemente el número de objetos representados pero aumenta la
densidad de objetos en el mapa.
• Por debajo de 1:200.000 el mapa es una representación completamente simbolizada.
1.5 Cartografía española y de la Región de Murcia
En cartografía, suele distinguirse entre mapas topográficos, considerados de propósito general y centrados
en una representación de la topografía y de los elementos más visibles sobre el paisaje; mapas temáticos
(geológicos, vegetación, etc.) que reflejan un sólo aspecto de la realidad y mapas catastrales que muestran la
división del territorio en polígonos o parcelas que indican propiedad o uso.
1.5.1 Cartografía española
Según la Ley 7/1986 de ordenación de la cartografía española, la cartografía oficial se clasifica en:
• Básica (mapas topográficos)
• Derivada (mapas topográficos)
• Temática
La cartografía básica se define como aquella que, cualquiera que sea la escala de su levantamiento, se realiza
de acuerdo con una norma establecida por la Administración del Estado, y se obtiene por procesos directos
de observación y medición de la superficie terrestre. La norma cartográfica será establecida por orden del
Ministerio de Presidencia en el caso de cartografía terrestre y por el de Defensa en el caso de cartografía

náutica.
La norma cartográfica correspondiente a cada serie debe especificar el datum de referencia de las redes geodési-
cas y de nivelación, y el sistema de proyección cartográfica (ver tema 7). También debe incluir el sistema de
referencia de hojas; además de cuantas especificaciones técnicas sobre el proceso de formación del mapa sean
necesarias para garantizar que éste refleja la configuración de la superficie terrestre con la máxima fidelidad
según los conocimientos científicos y técnicos de cada momento.
La misma ley establece como competencia del Instituto Geográfico Nacional la formación y conservación de las
series cartográficas a escala 1:50.000 (equidistancia de curvas de nivel de 20 metros) y 1:25.000 (equidistancia
de curvas de nivel de 10 metros) que constituyen el Mapa Topográfico Nacional (ambas en proyección UTM).
La cartografía derivada es la que se forma por procesos de adición o generalización de la información to-
pográfica contenida en la cartografía básica preexistente. La Administración del Estado establecerá la norma
cartográfica a que habrá de atenerse la formación de cartografía derivada para las series que hayan de cubrir
todo el territorio nacional.
La formación de series cartográficas a escalas inferiores se considera cartografía derivada y es también compe-
tencia del IGN:
• Mapa de España a escala 1/1.000.000 (proyección cónica de Lambert)
• Mapa de España a escala 1/500.000 (proyección cónica de Lambert, se divide en 12 hojas)
• Mapas provinciales a escala 1/200.000 (proyección UTM)
Por su parte el Instituto Hidrográfico de la Marina tiene como competencias la formación y conservación de la
cartografía náutica básica.
La cartografía realizada por el Servicio Geográfico del Ejercito incluye mapas a escala 1:400.000, 1:200.000,
1:100.000, 1:50.000 y 1:25.000.
La cartografía temática es la que, utilizando como soporte cartografía básica o derivada, singulariza o desar-
rolla algún aspecto concreto de la información adicional específica. Los organismos públicos responsables de la
realización y publicación de cartografía temática establecerán sus propias normas cartográficas , sin perjuicio
de que puedan recabar para tal fin el asesoramiento del Consejo Superior Geográfico. Entre los organismos
responsables de realizar cartografía temática destacan:
• El IGME dispone de cartografía temática de diversos aspectos geológicos y a diversas escalas:
– Mapa geológico de España a escala 1/50.000 con la misma distribución de hojas que el del IGN.
– Mapa geológico de España a escala 1/200.000
– Mapa geotectónico de España a escala 1/200.000
– Mapa metalogenético de España a escala 1/200.000
– Mapa de rocas industriales de España a escala 1/200.000
• El Ministerio de Agricultura ha editado mapas de cultivos y aprovechamientos a escalas 1/200.000,

1:100.000 y 1:50.000; así como un mapa de clases agrológicas de España a escala 1/50.000.
• El ICONA ha editado diversas series de mapas:
– Mapa de series de vegetación a escala 1/400.000

– Mapa forestal de España a escala 1/200.000
– Mapa de suelos del proyecto LUCDEME (Lucha Contra la Desertificación en el Mediterráneo), son
varias hojas del sureste peninsular a escala 1:100000 incluyendo toda la Región de Murcia.
• La Dirección General de Carreteras realiza mapas y guías de carreteras a escala 1/400.000.
El Real Decreto 585/1989 que desarrolla la Ley 7/1986 en materia de cartografía catastral la define como
la documentación gráfica que define, entre otras características que se consideren relevantes, la forma, dimen-
siones y situación de las diferentes parcelas o fincas que integren el territorio nacional cualquiera que sea su
uso o actividad, constituyendo en su conjunto el soporte básico del Catastro.
El Ministerio de Hacienda dispone de cartografía catastral, rústica y urbana, con una escala de 1/5000, salvo en
zonas de latifundio (escala 1/10.000) y minifundio (escala 1/2.000).
1.5.2 Cartografía en la Región de Murcia
El desarrollo de la cartografía topográfica a gran escala ha estado tradicionalmente vinculado al urbanismo

y la ingeniería civil. En el período actual esta cartografía se ha materializado en el ámbito municipal para el
desarrollo de planes generales; y a través del Servicio de Cartografía Regional (adscrito a la Consejería con
competencias en materia de Urbanismo y Obras Públicas).
Las series de cartografía básica desarrolladas para el ámbito regional son dos:
• Mapa Topográfico Regional 1/5000 (serie E5), surgió con la pretensión de dar cobertura completa al
territorio regional, encontrándose en este momento en su tercera edición. Cada hoja del Mapa topográfico
nacional 1/50000 se divide en una matriz de 8x8 hojas lo que da un total de 1484 hojas para toda la región.
Para su elaboración se realizan periódicamente vuelos fotogramétricos a escala 1/15000 a partir de los
que se realiza todo el trabajo de producción cartográfica incluyendo la densificación de la red geodésica
y elaboración de otros productos derivados
• Mapa Topográfico Regional 1/500 y 1/1000 (series E0.5 y E1), de ámbito estrictamente urbano, reserván-
dose el mayor detalle para aquellos núcleos que constituyen cabecera municipal y el menor para el resto
de los núcleos. La disponibilidad es aún reducida y el grado de actualización muy bajo.
Como cartografía derivada, el Servicio de Cartografía Regional dispone de mapas topográficos a escala 1/200.000
(E200) y 1/400.000 (E400).
1.6 Bibliografía
• Robinson,A.H. (1987) Elementos de Cartografía Ediciones Omega, 544 pp.
• Vicente Albadalejo,A. (2007) "La Cartografía actual. Topográfica, ortofotos e imágenes de satélite" en
Romero Diaz A. y Alonso Sarría F. Altas global de la Región de Murcia Ed. La Verdad pp. 40-133.
http://www.atlasdemurcia.com/index.php/secciones/3/cartografia-actual-topografica-ortofotos-satelite
Tema 2
Cartografía Digital y Sistemas de

Información Geográfica
2.1 Cartografía Digital
La cartografía en papel, aunque muy adecuada para determinados usos por su facilidad de transporte y manejo,
presenta ciertos inconvenientes:
1. Los datos originales se simplifican para hacer el mapa legible (generalización), de este modo muchos
detalles locales se pierden.
2. Las áreas grandes quedan divididas entre varias hojas que, si han sido realizadas por diferentes autores,
presentarán información diferente en sus bordes.
3. Resulta complejo e inexacto combinar información de diferentes mapas, especialmente si están a dife-
rente escala o utilizan diferentes sistemas de coordenadas.
4. Se trata de documentos estáticos, ya que por su elevado coste tardan muchos años en ser actualizados,
y fundamentalmente cualitativos ya que resulta difícil representar medidas cuantitativas salvo que se
utilicen isolineas lo que implica una discretización importante de los valores.
5. Disparidad entre diferentes ediciones del mismo mapa.
A partir de mediados del siglo XX se producen un conjunto de fenómenos que llevan al desarrollo de la car-
tografía digital:
1. Se incrementan tanto la demanda como la disponibilidad de datos espaciales y de técnicas para su análisis.
2. La necesidad de controlar los cambios acelerados que sufre la superficie terrestre debido a procesos de
naturaleza dinámica convierten a los mapas en papel en herramientas completamente inadecuadas debido
a su naturaleza estática.
27
28 Tema 2. Cartografía Digital y Sistemas de Información Geográfica
3. El trabajo en diversas lineas de investigación básica y aplicada en ciencias de la Tierra y medioam-

bientales suele requerir la combinación de varios mapas representando diferentes propiedades para una
misma zona y en diferentes períodos de tiempo, así como la incorporación de bases de datos temáti-
cas. Cuando se trabaja con SIG se suele hacer la distinción entre base de datos espacial y temática. La
primera hace referencia al conjunto de mapas en formato digital (un mapa de términos municipales por
ejemplo) y la segunda a las tablas que aportan variables no espaciales asociadas a las diferentes entidades
representadas en la base de datos espacial (una tabla con información a nivel municipal).
4. Disponibilidad de información espacial a intervalos regulares de tiempo (imágenes de satélite).
5. El conjunto de desarrollos tecnológicos vinculados a la informática han permitido manejar grandes
volúmenes de datos espaciales a muy bajo coste.
• Desarrollo de herramientas para digitalizar mapas en papel y automatizar la creación de nuevos
mapas.
• Desarrollo de programas y herramientas destinados a la integración y análisis de la misma, espe-
cialmente los Sistemas de Informacion Geografica (SIG).
• Incremento de la potencia del hardware (ley de Moore1 ) manteniendose el precio aproximadamente
constante. con lo que los SIG y la teledetección dejan de ser exclusivos de grandes centros de
investigación o la administración.
• Aparición de métodos de almacenamiento masivo (CDs, DVDs, discos duros externos de gran ca-
pacidad, pendrives) y desarrollo de internet con lo que disminuyen o incluso desaparecen los costes
de almacenamiento y distribución de información digital.
Las diferencias fundamentales entre cartografía en papel y cartografía digital son:
1. Mientras que la cartografía en papel tiene un carácter estático, la cartografía digital es dinámica en el
sentido de que es mucho más sencillo, tanto desde el punto de vista tecnológico como económico, su
actualización.
2. La información debe estar perfectamente estructurada y sin ambigüedades para que los programas
la puedan interpretar. Los ordenadores no pueden deducir la información eliminada o modificada por los
procesos de generalización y simplificación habituales en los mapas en papel. Un ejemplo típico son las
curvas de nivel cortadas por un núcleo urbano o para introducir una etiqueta de texto (ver figura 2.1). La
cartografía digital tampoco debe incluir los elementos de información auxiliar que suelen utilizarse en
cartografía en papel para ayudar a la lectura del mapa (escalas, marcos, leyendas).
3. Se introduce el concepto de capa como fichero, o grupo de ficheros, que contienen información espacial
de una sola variable o conjunto coherente de entidades (cauces, carreteras, etc.)2 . Siendo preferible reser-
var el término mapa para una combinación de capas preparadas para su visualización o impresión3 . No
debe mezclarse información de diferentes tipos en una misma capa.
En un mapa topográfico la información de las diferentes capas puede llegar a yuxtaponerse tanto que se
haga difícil su interpretación. En un ordenador podemos decidir que capas se visualizan y cuales no y el
orden en que estas se visualizan.
1
La capacidad de almacenamiento de los componentes de un ordenador se dobla cada 18 meses
2
Sin embargo, en algunos casos un fichero puede almacenar varias capas
3
Aunque con un cierto abuso del lenguaje suele utilizarse capa o mapa indistintamente
Figura 2.1: Curvas de nivel cortadas para insertar texto
4. En cartografía digital el concepto de escala pierde relevancia ya que las herramientas de zoom permiten
alterar la escala de visualización a voluntad. Sin embargo hay que tener en cuenta que la información
necesaria para confeccionar cada capa se ha recogido a una determinada escala que habrá de ser tenida
en cuenta a la hora de utilizarla.
5. En un proyecto que utiliza cartografía digital, podemos integrar información espacial con diferentes
orígenes, por tanto también con diferentes sistemas de referencia espacial lo que obliga a elegir uno de
ellos como sistema de referencia espacial que va a utilizar el proyecto.
2.1.1 Generalización y cartografía digital
El proceso de generalización implica la simplificación de la información espacial para hacer más fácil la lectura
de los mapas en papel. La cartografía digital no necesita de esta técnica ya que las herramientas de zoom y
la posibilidad de activar y desactivar capas permiten al usuario ver la información con el nivel de detalle y
complejidad que requiera.
Sin embargo, durante mucho tiempo la fuente principal de cartografía digital era la propia cartografía en papel.
Los mapas debían digitalizarse con lo que, además de introducir los errores propios del proceso de digitali-
zación, se introducían todas las distorsiones debidas a la generalización. Cuando los organismos cartográficos
empezaron a distribuir información espacial en formato digital, esta seguía teniendo el mismo problema, ya
que se distribuían los ficheros a partir de los cuales se hacían los mapas en papel. Sólo recientemente, y con la
aparición de cartografía de mayor escala, se dispone de información espacial realmente adecuada en formato
digital.
Figura 2.2: QGIS
2.1.2 Programas para el manejo de cartografía digital
Tres tipos de programas se han utilizado tradicionalmente para el manejo de datos espaciales.
• Programas de CAD (Diseño Asistido por Ordenador). Permiten dibujar puntos, lineas y áreas en pantalla
a partir de un sistema de coordenadas definido por el usuario. Se han utilizado sobre todo en arquitectura,
ingeniería y diseño. Podían emplearse tambien, aunque de forma limitada, para hacer mapas.
• Programas de cartografía automática. Programas para crear mapas en impresoras de texto utilizando
diferentes caracteres para simbolizar diferentes entidades o valores de variables.
• Programas de tratamiento de imágenes. Permitían generar mapas como nuevas imágenes obtenidas a
partir de las imágenes originales captadas por el satélite. Hasta principios de la década de los noventa
requerían hardware específico por la escasa potencia de los ordenadores personales.
Todos estos programas, junto con otros como los programas de gestión de bases de datos o las aplicaciones
estadísticas, empiezan a converger a principios de los setenta hacia un nuevo tipo de aplicación informática, los
Sistemas de Información Geográfica (SIG) orientados a la codificación, gestión y cartografía de variables y
entidades espaciales (figura 2.2).
En principio los desarrolladores de programas de SIG tendieron a crear grandes programas capaces de realizar
todo tipo de funciones, integrando así en un sólo producto todas las tradiciones que aparecen en la figura 2.3.
Sin embargo la evidencia de que algunas de las necesidades (análisis estadístico, gestión de bases de datos) se
resolvían mejor utilizando herramientas externas ha llevado a tratar de integrar los SIG con otros programas
creando entornos de trabajo más potentes.
Por tanto, aunque el termino SIG hace muchas veces referencia a un programa, en realidad es una buena idea
disponer de un conjunto de programas cuando se llevan a cabo tareas complejas que requieren herramientas
de diverso tipo (visualización, cartografía, estadística, modelización), para poder utilizar la herramienta especí-
fica para cada caso. Evidentemente es una opción más difícil y requiere del usuario mayores conocimientos
informáticos, incluso de programación.
Figura 2.3: En los SIG convergen diversas lineas de trabajo

Pero hay que tener en cuenta que la utilización de grandes ordenadores y herramientas sofisticadas no garantiza
tampoco la calidad de los resultados. Sólo con buenos datos de partida, un modelo de datos adecuado a los
mismos y técnicas de análisis también adecuadas podrán obtenerse buenos resultados.
Uno de los errores más comunes cuando alguien se inicia en el uso de los SIG es confundir el manejo de un
programa con el dominio de una técnica. Igual que no es lo mismo saber estadística que saber pulsar los botones
de funciones estadísticas de una calculadora o programa estadístico, tampoco es lo mismo conocer las técnicas
SIG que saber manejar un determinado programa y obtener salidas gráficas más o menos estéticas.
Aunque en sentido estricto no sería necesario, se han desarrollado un tipo específico de aplicaciones infor-
máticas para el manejo de un SIG. Estos programas es lo que popularmente se conoce cómo SIG (IDRISI,
ArcGIS, GRASS, Erdas, gvSIG, QGIS, etc.), pero que realmente constituyen tan sólo un componente de lo que
es realmente un Sistema de Información Geográfica.
2.2 ¿Que es un Sistema de Información Geográfica?
2.2.1 Sistemas de Información y Sistemas de Información Geográfica
En general, un Sistema de Información (SI) consiste en la unión de información en formato digital y her-
ramientas informáticas (programas) para su análisis con unos objetivos concretos dentro de una organización
(empresa, administración, etc.). Un SIG es un caso particular de SI en el que la información aparece geo-
rreferenciada es decir incluye su posición en el espacio utilizando un sistema de coordenadas estandarizado
(generalmente UTM).
Cuando se habla de Sistemas de Información, suele pensarse en grandes sistemas informáticos que prestan
apoyo a empresas u organismos de cierta envergadura. Este apoyo implica:
• El almacenamiento de la información relativa al capital de la empresa y a todas las transacciones,
• Permitir la consulta de datos particulares con cierta facilidad y desde diferentes puntos,
• Analizar estos datos para obtener un mejor conocimiento de las vicisitudes que atraviesa la empresa,
• Ayudar en la toma de decisiones importantes.
En el caso del Sistema de Información de una compañía aérea, el sistema de reserva y venta de billetes debe
actualizarse constantemente para permitir la consulta al mismo desde cualquier punto de venta. Toda esta infor-
mación debe quedar almacenada para analizar la marcha de la compañía, cuantificar el impacto de determinados
acontecimientos y apoyar decisiones como la compra de nuevos aparatos o la cancelación de vuelos.
Si pensamos en el SIG de una región, este contendrá información ambiental y socioeconómica de manera
que podamos consultar las características de un determinado espacio o cuales son las áreas que cumplen con
el conjunto de criterios recomendables para, por ejemplo, instalar un parque eólico. De este modo un SIG se
convierte en una herramienta fundamental para llevar a cabo estudios de Ordenación del Territorio o Evaluación
de Impacto Ambiental.
Aunque no podemos consultar directamente a la realidad más allá de hacer observaciones puntuales de algunos
aspectos, podremos consultar el modelo de la realidad. Si queremos conocer la elevación media de la Región
de Murcia, no podemos medir la variable en toda la Región, pero podemos estimar las propiedades estadísticas
de un modelo de elevaciones (figura 2.4).
Por otra parte, si queremos experimentar como diferentes procesos ambientales (inundaciones, incendios, etc.)
van a afectar al territorio, no podemos experimentar directamente sobre esto, debemos hacerlo sobre el modelo
del territorio mediante programas de simulación de procesos (figura 2.4).
Figura 2.4: Objetivo de la modelización cartográfica
Podríamos considerar, en sentido amplio que un SIG está constituido por:
Bases de datos cartográficas formadas por una serie de capas de información espacial en formato digital que
representan diversas variables o entidades (figura 2.5). Estas capas corresponden, al menos en parte, a la
misma zona, de manera que pueden analizarse en conjunto.
Bases de datos temáticas (tablas) cuyo enlace con las capas de información espacial permite asignar a cada
entidad representada unos valores temáticos, por ejemplo un mapa de municipios puede enlazarse con
diversas tablas que contengan variables socioeconómicas (figura 2.6).
Conjunto de programas que permiten manejar estas bases de datos de forma útil para diversos propósitos de
investigación, docencia o gestión.
Conjunto de ordenadores y periféricos de entrada y salida que constituyen el soporte físico del SIG. Estas
incluyen tanto el programa de gestión de SIG cómo otros programas de apoyo. Debido a los requerim-
ientos de velocidad, almacenamiento y memoria RAM de un SIG, generalmente es preferible destinar un
ordenador en exclusiva a la implementación del SIG, bien sea actuando como servidor4 o como ordenador
personal.
Comunidad de usuarios que pueda demandar información espacial.
Administradores del sistema encargados de resolver los requerimientos de los usuarios bién utilizando las
herramientas disponibles o bien produciendo nuevas herramientas.
4
Se denomina servidor a un ordenador de gran potencia en el que diversos usuarios pueden trabajar de forma simultanea conectados
desde varios ordenadores menos potentes denominados terminales.
Figura 2.5: Superposición de capas de información representando variables espaciales y entidades
Figura 2.6: Enlace entre bases de datos espaciales y temáticas

2.3 Utilización de un Sistema de Información Geográfica
Entre los profesionales que más utilizan los sistemas de información geográfica destacan los geógrafos, bió-
logos, ambientólogos, arquitectos, arqueólogos o ingenieros (caminos, minas, agrónomos o forestales). Todos
ellos trabajan en problemas relacionados con el espacio geográfico, el territorio, desde diversos puntos de vista,
con distintas metodologías y tipos de información. Pero siempre con datos referidos a posiciones concretas
en dicho espacio que determinan donde están, donde estarán o donde deberían estar los objetos o variables
estudiados.
En cuanto a su tamaño, los SIG pueden ir desde un proyecto monousuario simple para llevar a cabo un proyecto
de fin de carrera hasta un gran SIG corporativo en los que los aspectos administrativos se convierten, junto a las
bases de datos y las herramientas informáticas para su análisis, en el tercer pilar de un SIG. Los SIG corporativos
están al servicio de una estructura organizativa, tienen una gran número de usuarios con diferentes niveles de
acceso, administradores del sistema y personal responsable de tomar decisiones en función de los informes
aportados por el Sistema.
En lugar de que cada departamento tenga su sistema con su copia de los datos, estos se almacenan en una
base de datos centralizada en un servidor al que puedan acceder los diferentes usuarios en tiempo real, o que
permita copias sincronizadas de la base de datos. Los usuarios interactúan con el sistema mediante aplicaciones
específicas en función de su papel dentro de la organización.
Las ventajas básicas de este esquema de trabajo son:
• La base de datos se estandariza y se reduce la redundancia
• Se maximiza la integridad de la base de datos
• Se consigue una mayor interrelación entre los departamentos con lo que resulta más sencillo trabajar en
una misma linea
• Se estandarizan los modos de trabajo y la presentación de resultados
• Se centralizan y reducen los costes asociados al desarrollo de un SIG
Las funciones básicas, y más habitualmente utilizadas, de un SIG son el almacenamiento, visualización, con-
sulta y análisis de datos espaciales. Un uso algo más avanzado sería la utilización de un SIG para la toma de
decisiones en ordenación territorial o para la modelización de procesos ambientales.
2.3.1 Almacenamiento
El primer problema que se plantea al trabajar con un SIG es el como codificar y almacenar los diferentes fenó-
menos que aparecen en la superficie terrestre. El primer paso para consegirlo es desarrollar modelos de datos
adecuados. Es decir, el almacenamiento de datos espaciales implica modelizar5 la realidad y codificar de forma
cuantitativa este modelo. El tema 3 tratará con cierta profundidad los diversos aspectos de la modelización y el
almacenamiento de datos espaciales.
5
Extraer los elementos esenciales obviando aquellos no necesarios para los objetivos perseguidos
2.3.2 Visualización
La diferencia básica entre un Sistema de Información en sentido amplio y un SIG es que este último maneja
datos espaciales. Estos se presentan en un espacio de tres dimensiones espaciales más el tiempo. Sin embargo,
debido al peso que la tradición cartográfica tiene sobre los SIG, una de las formas prioritarias de presentación
de los datos es en su proyección sobre el espacio bidimensional definido mediante coordenadas cartesianas.
Sin embargo, aunque una de las primeras percepciones que se tienen de un SIG son las salidas gráficas a todo
color, impresas o en la pantalla de un ordenador; conviene recordar que hay una diferencia fundamental entre
los programas de manejo de gráficos y los SIG. En los primeros, lo fundamental es la imagen que vemos,
siendo irrelevante como se codifique, en un SIG la imagen es sólo una salida gráfica sin mayor importancia, lo
relevante son los datos que se están representando y el análisis de los mismos.
Hoy en día están apareciendo un gran número de servidores cartográficos que permiten visualizar y consultar
datos espaciales. Se trata de un complemento a los SIG más que SIG en si mismo: sin embargo gran parte de
la popularización de los SIG se debe a este tipo de aplicaciones ya que han permitido introducir la dimensión
espacial de la información de forma sencilla en entornos de trabajo en los que no existía una tradición a este
respecto (empresas por ejemplo).
Aunque en un SIG se asume que la visualización se hará fundamentalmente en pantalla, también permiten crear
mapas imprimibles a partir de la información espacial almacenada. De hecho la producción oficial de cartografía
se hace cada vez más utilizando un SIG con lo que los mapas, manteniendo su utilidad, se convierten cada vez
más en un intermedio entre el SIG y el usuario.
2.3.3 Consultas
Un paso adelante sería la obtención de respuestas a una serie de consultas sobre los datos y su distribución en
el espacio. Una consulta a una base de datos implica:
• Seleccionar el subconjunto de datos que el usuario necesita en función de un conjunto de criterios previa-
mente definidos. Por ejemplo todos los municipios con una población mayor de 30000 habitantes.
• Presentarlo al usuario de forma útil bien sea tablas (con listados de los municipios ordenados según
diversos criterios), gráficos o mapas.
En un Sistema de Información convencional o en una base de datos, las consulta se basan en propiedades
temáticas. En un SIG las consultas se basan tanto en atributos temáticos como en la posición o propiedades
espaciales.
Los tipos básicos de consulta a un SIG pueden resumirse con los siguientes ejemplos que parten de la existencia
de una capa de municipios, otra de núcleos urbanos y otra de carreteras:
• ¿En que municipio se encuentra el punto de coordenadas X e Y?
• ¿Cual es la población y renta per capita en dicho municipio?
• ¿Que puntos sobre el territorio cumplen una determinada condición? Por ejemplo tener una pendiente
inferior al 5% y no estar cultivados.
• ¿Que municipios tienen una población superior a 50000 habitantes?
• ¿Que relación hay entre los objetos A y B? Por ejemplo, ¿Está Sucina dentro del municipio de Murcia o
de Cartagena?
• ¿Cual es la distancia entre Murcia y Cartagena?
• ¿Cual es la conexión entre dos puntos? Por ejemplo, ¿Cual es la mejor ruta entre Murcia y La Azohía?
2.3.4 Análisis
Más sofisticado sería el uso de herramientas de análisis espacial, álgebra de mapas y geoprocesamiento para
el desarrollo y verificación de hipótesis acerca de la distribución espacial de las variables y objetos. Los temas
4 y 5 se centrarán en estos aspectos.
• ¿Disminuye la temperatura con la altitud?
• Los individuos de una determinada especie vegetal, ¿tienden a agruparse o permanecen aislados?
• ¿Hay alguna relación entre la altitud y el contenido de arcillas del suelo?
En muchos casos resulta necesaria la utilización de programas de análisis estadístico externos a los programas
de SIG, debe buscarse entonces la mayor integración posible entre ambos tipos de programas en cuanto a tipos
de datos manejados y compatibilidad de formatos de ficheros.
A partir de los resultados de este tipo de análisis podemos, en algunos casos, generar nuevas capas de infor-
mación. Por ejemplo, una vez determinada la relación entre temperatura y altitud, puede generarse una capa de
temperaturas a partir de una capa de elevaciones mediante técnicas de modelización cartográfica.
2.3.5 Toma de decisiones
Un punto más allá de sofisticación sería la utilización de un SIG para resolver problemas de toma de decisión en
planificación física, ordenación territorial, estudios de impacto ambiental, etc. mediante el uso de instrucciones
complejas del análisis espacial y álgebra de mapas. Este tipo de herramientas examinan la base de datos para
ofrecer diversas alternativas ante la necesidad de tomar una decisión dando al mismo tiempo una valoración de
las mismas para que sea el usuario el que tome la decisión final. Se les denomina también sistemas expertos
ya que hacen la función de un experto al que se consulta a la hora de tomar una decisión.
En definitiva se trataría de resolver preguntas del tipo:
• ¿Que actividad es la más adecuada para un area concreta? Por ejemplo cual es el uso del suelo más ade-
cuado para una parcela concreta teniendo en cuenta una serie de criterios basados en variables espaciales
de las que se cuenta con capas de información.
• ¿Cual es el mejor lugar para la instalación de determinada actividad deseada (un centro de ocio) o inde-
seada (un vertedero)?
• ¿Cual es la forma y tamaño adecuados de los espacios naturales para cumplir con sus funciones (por
ejemplo la conservación de biodiversidad)?
Figura 2.7: Areas de inundación el el Riu de l’Algar (Altea)
• ¿Cual es la ubicación óptima de una red de torres de vigilancia forestal?
• ¿Cuales son los puntos óptimos para instalar aerogeneradores?
2.3.6 Modelización
Finalmente, las aplicaciones más elaboradas de los SIG son aquellas relacionadas con la integración de modelos
matemáticos de procesos naturales, dinámicos y espacialmente distribuidos. Los objetivos perseguidos pueden
ser tanto científico como de planificación y ordenación. Por ejemplo:
• ¿Que áreas pueden inundarse en caso de producirse un episodio lluvioso dado? (figura 2.7)
• ¿Que consecuencias ambientales puede tener un embalse aguas abajo de su ubicación?
• ¿Cómo podría mejorarse la eficiencia en el uso del agua?
• ¿Donde aparece el hábitat óptimo de determinada especie? (figura 2.8)
2.4 Aplicaciones de los SIG
Un Sistema de Información Geográfica es una herramienta que permite la integración de bases de datos espa-
ciales y la implementación de diversas técnicas de análisis de datos. Por tanto cualquier actividad relacionada
con el espacio, puede beneficiarse del trabajo con SIG. Entre las aplicaciones más usuales destacan:
• Científicas, especialmente en ciencias medioambientales (en sentido amplio) y relacionadas con el espa-
cio.
Figura 2.8: Mapa de disponibilidad de hábitat de Apis mellifera estirpe europea (derecha) y africana (izquierda)
– Desarrollo de modelos empíricos, por ejemplo los que relacionan temperatura con altitud, orientación,
etc. a partir de medidas tomadas en el lugar.
– Modelización cartográfica (aplicación de modelos empíricos para hacer mapas de temperatura a
partir de mapas de altitud, orientación, etc.)
– Modelos dinámicos (utilización de las leyes de la termodinámica y la dinámica de fluidos para
hacer un mapa de temperatura utilizando un mapa de elevaciones, entre otros, como condiciones de
contorno.
• Gestión
– Cartografía automática
– Información pública, catastro
– Planificación de espacios protegidos
– Ordenación territorial
– Planificación urbana
– Estudios de impacto ambiental
– Evaluación de recursos
– Seguimiento de las consecuencias de determinadas actuaciones (presas, diques, carreteras)
• Empresarial
– Marketing (envío de propaganda a los residentes cerca del local que cumplan determinadas condi-
ciones)
– Estrategias de distribución (optimización de las rutas que una flota de camiones debe realizar para
distribuir mercancía desde varios almacenes a varios clientes)
– Localización óptima de una sucursal en función de los clientes potenciales situados alrededor
2.5 Infraestructuras de Datos Espaciales
A pesar de la demostrada utilidad de los SIG, no resulta fácil ponerlos en marcha, siendo uno de los principales
problemas el elevado coste de adquisición y mantenimiento de la información espacial. Las dificultades en el
acceso a esta conlleva varios problemas:
• Duplicación de esfuerzos
• Duplicación de bases de datos, no siempre coherentes
• Diseminación de copias más o menos legales de los datos pero muchas veces sin los necesarios metadatos.
Varias organizaciones han impulsado la creación de Infraestructuras de Datos Espaciales (IDE) para faci-
litar la explotación y el intercambio de datos espaciales. Estas infraestructuras definen una serie de normas y
estándares que los productores de datos espaciales (generalmente organismos públicos) deben seguir.
La Comisión Europea publicó en 1999 un informe acerca de la necesidad de crear formatos y servicios de
metadatos para facilitar el intercambio, búsqueda y recuperación de los mismos.
Los metadatos se definen como datos acerca de los datos que informan al usuario acerca de:
1. Qué una determinada capa de datos existe
2. Donde y como puede ser descargada e integrada en el sistema del usuario
3. Si los datos contenidos en la capa son adecuados para su inclusión en el sistema del usuario
Posteriormente la Comisión promovió la iniciativa INSPIRE (Infraestructura para la Información Espacial en

Europa) en colaboración con los estados miembros. Se trata de incentivar la creación de una IDE europea
que proporcione a los usuarios la posibilidad de identificar y acceder a la información espacial en base a los
siguientes principios:
• Los datos básicos deben recogerse una vez y debe mantenerlos el centro que lo pueda hacer más eficaz-
mente
• Debería ser posible combinar fácilmente información espacial de distintas fuentes europeas
• La información recogida a un nivel debe ser compartida entre distintos niveles
• La información espacial debería ser abundante y estar disponible de forma que no se frene su uso masivo
• Debería ser fácil descubrir que información geográfica está disponible
• Los datos geográficos deberían ser fáciles de entender, interpretar y visualizar
El objetivo final es que los diferentes organismos productores de información espacial cuenten con servidores
de mapas vía web de manera que el usuario pueda utilizando un programa cliente web:
1. Visualizar la información espacial disponible con diferentes niveles de zoom, quitando y poniendo capas
de información, etc.
2. Cargar información disponible en diferentes servidores de forma transparente
3. Descargar, si es necesario, la información que esta visualizando para combinar varias bases de datos en
un mismo proyecto
El primero de estos objetivos es hoy plenamente factible. Existen diversos servidores de mapas disponibles:
• Gobierno USA: http://geodata.gov
• Infraestructura de Datos Espaciales de España (IDEE): http://www.idee.es/
• Sistema de Información Territorial de la Región de Murcia (SITMurcia) http://www.sitmurcia.es/
• Infraestructura de Datos Espaciales de Referencia de la Región de Murcia (Cartomur) http://www.cartomur.com/
El segundo de estos objetivos implica un gran esfuerzo técnico de cara a garantizar la interoperabilidad de los
datos, es decir que dos mapas procedentes de dos organismos diferentes puedan utilizarse juntos. Para ello se
necesita:
• Descripción adecuada de los metadatos para determinar por ejemplo si dos mapas tienen una proyección
compatible y cuales son las ecuaciones de transformación entre ellas
• Interoperabilidad semántica, las leyendas deben ser comunes y utilizar los mismos términos para decir
las mismas cosas
• Una correcta política de actualización de los datos y mantenimiento de las versiones antiguas. Para re-
ducir costes, sólo se debería actualizar aquellas partes que realmente se han modificado y mantener las
versiones antiguas para estudios históricos
El tercer objetivo es técnicamente factible pero puede contar con una amplia oposición política, existe aún un
cierto rechazo al hecho de compartir información medioambiental, a pesar de todas las directivas de la UE
acerca de información medioambiental pública. En todo caso, en 2006-2007 se adoptó la legislación marco de
INSPIRE por lo que los distintos gobiernos (nacionales y regionales) deben caminar hacia la creación de IDEs.
Algunos ejemplos son:
• Centro de Descargas del Centro Nacional de Información Geográfica (CNIG)

http://centrodedescargas.cnig.es/CentroDescargas/index.jsp
• Geocatálogo de la Dirección General de Medio natural

http://www.murcianatural.com/geocatalogo/
Esta facilidad para la integración de información espacial de diferentes orígenes exige un conocimiento ade-
cuado por parte del usuario de los diversos sistemas de coordenadas y sus posibilidades de transformación.
Tema 3
SIG: Modelos y estructuras de datos
3.1 Modelos de datos
El ser humano es capaz de desenvolverse sin mayores problemas a pesar de que su conocimiento del mundo es
ambiguo e incompleto. No ocurre lo mismo con los ordenadores, las descripciones de la realidad que manejan
no deben contener ambigüedad alguna. Por tanto los lenguajes que utilizan los ordenadores siguen estrictas
reglas lógicas y asumen un conocimiento preciso de las situaciones del mundo real que se representan; se trata
de lenguajes formales1 .
La función de cualquier programa informático es ejecutar un conjunto de instrucciones escritas en un lenguaje
formal. Estas instrucciones permiten manipular símbolos que representan algún tipo de fenómeno o situación
del mundo real. En el caso de un SIG (al igual que en el caso de la cartografía convencional) fenómenos
situados sobre el territorio (entidades, variables espaciales y eventos). En este tema se tratará la base teórica de
la codificación de variables y entidades espaciales en formato digital para su tratamiento con un programa SIG.
Partiendo de la definición de modelo como representación simplificada de la realidad, que refleja lo funda-
mental de esta ignorando los detalles accesorios, en informática se denomina modelo de datos al conjunto de
reglas utilizadas para representar las diferentes entidades que deben almacenarse en el Sistema de Información
(trabajadores, proveedores, clientes, etc.) mediante elementos sencillos.
Por ejemplo, en el Sistema de Información de una universidad, las entidades a representar serían alumnos,
profesores, titulaciones, asignaturas, etc. A partir de cada uno de estos tipos se definirían clases de objetos
caracterizados por un conjunto de variables. Estas variables se codificarían mediante números o cadenas de
caracteres formando estructuras de datos similares a este ejemplo que podría encontrarse en el Sistema de
Información de una universidad:
Clase Alumno{
Nombre (80 caracteres)
NIF (9 caracteres)
Dirección (120 caracteres)
Edad (número entero)
Curso (número entero)
Grado (20 caracteres)
}
1
Por el contrario, los lenguajes naturales permiten expresar ambigüedades e ideas contradictorias
43
44 Tema 3. SIG: Modelos y estructuras de datos
de manera que toda la información relevante queda codificada mediante elementos simples (cadenas de carac-
teres y números). Las instrucciones deberían permitir responder a consultas como obtener por ejemplo el
número de alumnos mayores de 60 años2 :
SELECT Nombre FROM Alumnos WHERE Edad>60
3.2 Modelos de datos geográficos
Los mapas en papel no utilizan un lenguaje formal mientras que la cartografía digital debe utilizarlo. Un buen
ejemplo son las curvas de nivel que aparecen cortadas en los mapa para insertar el texto que describe su altitud
(figura 2.1). Esta opción es adecuada para un mapa en papel que debe interpretar un usuario humano, pero
un ordenador interpretara que las curvas se han cortado y que existen otras curvas pequeñas (los dígitos) que
generan patrones extraños. Por otra parte para que el ordenador procese adecuadamente estas curvas, su altitud
debe integrarse como una variable enlazada al objeto y no como un rótulo escrito a su lado.
Por tanto, además de asignar a cada punto de la superficie un par de coordenadas mediante un sistemas de
proyección, deben definirse modelos de datos que permitan codificar la información geográfica. Los diferentes
programas que forman un SIG aportan las instrucciones que utilizará el ordenador para leer y manipular estos
modelos de datos.
El primer problema que se plantea a la hora de hacer una representación digital de la realidad es como intro-
ducirla en el ordenador, es decir, como codificar en formato digital la información espacial. En definitiva,
hacer un modelo digital de los datos espaciales.
Existe una serie de diferencias fundamentales entre el Sistema de Información de una empresa o universidad y
un Sistema de Información Geográfica. En un SIG:
• Cada entidad o valor de una variable lleva asociado un par de coordenadas (puntos) o un conjunto de
pares (lineas y polígonos).
• Los elementos que deberán integrar un SIG incluyen variables que, como la temperatura, varían constan-
temente de un punto a otro del espacio y en muchas ocasiones se desconoce su valor exacto.
• Se manejan entidades que no tienen límites precisos, por ejemplo la Sierra de Carrascoy3 .
• Finalmente habrá entidades cuyos límites, además de imprecisos, sean variables con el tiempo (los límites
urbanos por ejemplo).
Codificar toda la información relevante acerca de una porción del territorio mediante modelos de datos es,
por tanto, mucho más complejo que en el caso de una empresa o universidad. Se requiere todo un proceso de
abstracción que se entiende mejor si consideramos la existencia de varios niveles de modelización:
1. Realidad perceptible (montañas, lagos, campos de cultivo, precipitación, etc.). Nivel propio de los ges-
tores preocupados por problemas de gestión y planificación del espacio.
2
En este ejemplo se ha utilizado el lenguaje SQL para bases de datos, se profundizara más en él en el tema 5
3
Tampoco la costa o ni siquiera los términos municipales tienen un trazado preciso si la escala de trabajo es lo suficientemente
grande
2. Modelo conceptual. Nivel de los científicos (geógrafos, geólogos, ecólogos, etc.) que desarrollan, veri-
fican o aplican teorías e hipótesis sobre variables y procesos que tienen lugar en el espacio. Deben ser
capaces de tomar un problema abstracto del nivel anterior y determinar las entidades y variables es-
paciales que es necesario tener en cuenta para su resolución, así como el tipo de operaciones a ejecutar
sobre ellas.
3. Modelo lógico. Nivel de los técnicos en SIG que utilizan las herramientas del Sistema de Información
Geográfica para llevar a cabo, en el ordenador, las tareas requeridas por gestores y científicos. En lugar
de trabajar con la realidad trabajan con representaciones formales (modelos) de la misma (básicamente
dos raster y vectorial). Deben decidir cual de ellos es el más adecuado para representar las variables
y entidades que aparecen en el modelo conceptual y cuales son los procedimientos más adecuados para
crear las capas correspondientes a partir de los datos disponibles.
Es recomendable que este paso sea llevado a cabo por profesionales de las ciencias ambientales con
una especialización en SIG para poder ser intermediarios adecuados entre los especialistas en Medio
Ambiente y los informáticos.
4. Modelo digital o estructura de datos. Nivel de informáticos, y desarrolladores de SIG cuya misión es
optimizar las estructuras de datos adecuadas para almacenar las representaciones formales establecidas al
desarrollar el modelo lógico. Al mismo tiempo pueden ampliar el repertorio de herramientas para cumplir
en la medida de lo posible las necesidades de los científicos y técnicos en SIG. El resto de los usuarios
no suelen conocer cuales son las estructuras de datos sino que las identifican como formatos de fichero.
En muchos casos los informáticos no aparecerán sino que los técnicos en SIG deberán estudiar y trabajar
con programas y estructuras de datos asociadas a estos programas creadas previamente.
Tal como aparece en la figura 3.1, cada uno de estos pasos está interrelacionado con los demás. La comunicación
entre unos y otros se hace cada vez más difícil cuanto más alejados se encuentren en la anterior jerarquía, por
tanto es necesaria la existencia de especialistas de los diferentes niveles para el adecuado desarrollo de un
proyecto, al mismo tiempo se requiere un diálogo constante entre los mismos. No obstante suele darse el caso
de personas que abarcan varios niveles de esta jerarquía, especialmente cuando la introducción de los SIG en
una organización está dando sus primeros pasos.
3.3 El modelo conceptual. Variables espaciales y entidades
En el tema 1 se hizo una clasificación de las variables y entidades que aparecen sobre la superficie terrestre y
cuya representación es el objetivo de la Cartografía. Esta clasificación sigue siendo válida cuando trabajamos
con un SIG
• Variables cuantitativas: Superficies

Mientras que las entidades son más o menos perceptibles sobre el terreno o utilizando la cartografía
apropiada, las superficies suelen ser mucho más difíciles de determinar, ya que en cada punto del te-
rritorio los valores son diferentes, al no disponer de un valor para cada punto, es necesario realizar una
estimación utilizando técnicas de interpolación.
Figura 3.1: Esquema de la modelización de datos en SIG
El ejemplo más típico de superficie es la elevación sobre el nivel del mar, representada mediante los
Modelos Digitales de Elevaciones (MDE)4 (figura 1.14). Se trata de una superficie que representa la
topografía del terreno, es decir, las alturas en cada punto de un territorio. Pero, en realidad, se puede
crear superficies a partir de cualquier variable que cumpla unas mínimas características, esencialmente
la continuidad espacial, sin que existan saltos bruscos en el valor de la variable. De este modo, diversos
aspectos físicos naturales, tales como las precipitaciones, las temperaturas, la composición litológica o
mineral, la acidez o basicidad de los suelos, etc. pueden ser tratados como superficies.
• Variables cualitativas
En este caso si aparecen límites bruscos (por ejemplo tipos de roca). En principio se pueden asimilar a
capas de polígonos que cubren todo el espacio, pero existe una diferencia fundamental. Las entidades
tienen un identificador único y una serie de propiedades asociadas a la entidad que las distingue de otras
entidades de la misma clase. En el caso de las variables cualitativas, cada mancha de un valor dado
aparece como un polígono pero, en principio, es indiferenciable de las demás manchas de la misma capa
ya que el valor de la variable es el mismo.
Por ejemplo en un mapa de usos del suelo (variable cualitativas) (figura 1.8), todas las manchas de bosque
tienen el mismo valor. Sin embargo, en un mapa de municipios (entidades) cada polígono es diferente de
los demás.
• Entidades
Cualquiera de ellas (casas, carreteras, lagos, tipos de roca, etc.) puede modelizarse a la escala adecuada
como un objeto geométrico:
4
La razón de la importancia de los MDE estriba tanto en su carácter indispensable como base territorial de un SIG como en su
carácter estático a escala humana y la facilidad con que se puede medir la elevación de cualquier punto del territorio en comparación
con otras superficies como precipitación, humedad del suelo, etc.)
Figura 3.2: Imagen: Fragmento del mapa topográfico 1:25.000 del IGN (hoja 932: Coy) escaneado y georrefer-
enciado
– Puntos: Objetos geométricos de dimensión cero, por ejemplo cotas, puntos de observación u objetos
suficientemente pequeños como para que puedean asimilarse a puntos (pozos). Su localización
espacial se representa por un par de coordenadas (X,Y).
– Lineas: Objetos geométricos de dimensión uno, por ejemplo carreteras, lineas férreas o redes de
drenaje. De nuevo se asimilan a lineas aunque en realidad tengan dos dimensiones. Su localización
espacial se representa como una sucesión de pares de coordenadas.
– Polígonos. Objetos geométricos de dimensión dos. Por ejemplo términos municipales o parcelas de
cultivo. Se representan como una linea cerrada.
• Imágenes
Variables espaciales y entidades son los fenómenos de la realidad que se introducirán en un SIG mediante
un adecuado modelo de datos. Pero existe un tercer tipo de información que constituye en si mismo un
modelo de la realidad y que resulta útil incorporar en un SIG. Se trata de mapas (figura 3.2), fotografías
aéreas o cierto tipo de imágenes de satélite que nos van a permitir orientarnos en el espacio. En ellas
lo importante son los colores de los diferentes píxeles y no los valores almacenados que son una simple
codificación del color.
3.4 Modelos lógicos. Formato raster y vectorial
El modelo lógico hace referencia a como se muestrean y organizan las variables y entidades para lograr una
representación lo más adecuada posible. En un SIG existen básicamente dos modelos lógicos que dan lugar a
los dos grandes tipos de capas de información espacial:
• Formato raster: se divide el espacio en un conjunto regular de celdillas, cada una de estas celdillas
contiene un número que puede ser el valor de una variable cuantitativa (si la capa contiene esta variable),
un identificador de una variable cualitativa o el identificador de un objeto (si se trata de una capa que
contiene objetos) o del valor de una variable (si la capa contiene esta variable).
• Formato vectorial: los diferentes objetos se representan como puntos, lineas o polígonos (figura 3.8). La
representación de puntos o lineas es inmediata, sin embargo la representación de polígonos resulta algo
más compleja. Las propiedades espaciales y no espaciales y, en algunos casos, la topología se almacenan
en tablas enlazadas.
3.4.1 Modelos lógicos para la representación de superficies
Para representar superficies podemos considerar hasta 5 modelos posibles (figuras 3.3 y 3.4):
• Isolineas (lineas que unen puntos con el mismo valor de la variable). Cada una de ellas debe incluir en
su codificación dicho valor como identificador. Es el modelo utilizado en los mapas en papel, tiene el
inconveniente de que para obtener el valor de una variable en un punto concreto habría que reinterpolar
a partir de las curvas lo que sería muy ineficiente.
• Malla regular de puntos, a cada uno de ellos se asigna el valor de la variable medido en el punto.
• TIN (Red Irregular de Triángulos), los puntos se concentran en aquellas zonas donde la variable repre-
sentada tiene mayor variabilidad generándose a partir de ellos una triangulación de Delaunay. Se trata
de una triangulación óptima en el sentido de que:
– Los triángulos son "todo los equiláteros que pueden ser"

– Para cada triángulo, la circunferencia que lo circunscribe no contiene más vértices que los que
forman el triángulo
Para obtener el valor de una variable en un punto concreto basta con interpolar los valores almacenados
en los tres vértices del triángulo en el que está contenido el punto.
• Modelo raster, se trata de una teselación regular, el área de trabajo se divide en celdillas cuadradas (otras
posibilidades como las celdillas triangulares o hexagonales se han planteado en teoría pero nunca en la
práctica).
La ventaja de la teselación regular es que se conoce a priori como se divide el espacio, lo que puede
ser aprovechado por los algoritmos que deben leer los datos para acelerar el acceso a los mismos, de
esta forma la obtención del valor de la variable en un punto concreto es inmediata. La desventaja es que
no pueden adaptarse a la variabilidad espacial característica del fenómeno que trata de representarse. La
figura 3.3 muestra como los TIN y las isolineas permiten disminuir el número de datos cuando la variable
apenas varía, pero las mallas de puntos y el modelo raster no.
Figura 3.3: Modelos lógicos para representar superficies
• Teselación irregular, las celdillas pueden variar de forma y tamaño adaptándose a la variabilidad de la
variable espacial representada. El formato quadtree es un buen ejemplo, el área se divide en 4 cuadrantes
denominados (NW,NE,SW y SE). Si todo el cuadrante tiene el mismo valor de la variable se almacena
este y si no se subdivide en 4 subcuadrantes y se repite recursivamente el procedimiento (figura 3.4).
Las ventaja fundamental es que disminuye el espacio requerido para almacenamiento, sin embargo com-
plica los algoritmos para acceder a los datos. En consecuencia no suele utilizarse y se prefiere utilizar
estrategias de compresión de ficheros que se implementan al desarrollar el modelo digital (figura 3.6).
De todos estos modelos, el formato raster es el más eficiente y el más utilizado por lo que se desarrollará
a continuación,
3.4.2 El modelo raster
Una capa en formato raster está compuesta por cuatro elementos fundamentales (figura 3.5):
• La matriz de datos, que puede contener tres tipos de datos:
– Valores numéricos en caso de que la variable representada sea cuantitativa

– Identificadores numéricos en caso de que se trate de una variable cualitativa. Estos identificadores
se corresponden con etiquetas de texto que describen los diferentes valores de la variable cualitativa
– Identificadores numéricos únicos para cada uno de los posibles valores en caso de que la capa raster
contenga entidades. Estos identificadores se corresponden con etiquetas de texto que contienen el
nombre de estas.
Figura 3.4: Esquema del modelo quadtree para la codificación de superficies
Hay una serie de convenciones acerca de la forma de representación. Así la primera columna en una capa
ráster, la columna número cero, es la de la izquierda (oeste) aumentando el número de columna hacia la
derecha (este), mientras que la primera fila, la número cero, será la superior (norte) aumentando hacia
abajo (sur), en sentido contrario al que siguen las coordenadas geográficas y las representaciones en un
modelo vectorial. Puesto que la primera fila es la número 0, estas se numeran desde 0 hasta nf − 1, y lo
mismo para las columnas.
Para solucionar el problema del elevado espacio en disco que se necesita para almacenar la matriz de
datos de una capa raster se suelen utilizar formatos comprimidos. Estos son especialmente útiles para
variables cualitativas. La figura 3.6 muestra un ejemplo de compresión por filas en el que se almacena
el valor de la celdilla y el número de veces que se repite a lo largo de una fila. De este modo se reduce
mucho la necesidad de espacio y apenas se incrementa el tiempo de acceso a los datos.
Aunque el formato ráster responde fundamentalmente a una concepción del mundo como conjunto de
variables puede utilizarse también para representar entidades. Si suponemos un fondo en el que no exista
nada (lo que se codificaría con un cero o un valor N U LO en todas las celdillas5 ) podemos representar ob-
jetos puntuales mediante celdillas aisladas con un valor (diferente de N U LO) que actuará normalmente
como identificador; las lineas estarían constituidas por ristras de celdillas adyacentes con valores dife-
rentes de N U LO y los polígonos por conjuntos de celdillas adyacentes con un mismo valor no N U LO
(figura 3.7).
Si el conjunto de polígonos cierra totalmente el espacio (no aparecen valores N U LO), el resultado es
similar a representar una variable espacial cualitativa, la diferencia estriba en que en un mapa de polí-
gonos, cada uno de ellos tiene su propio identificador. Por ejemplo, en un mapa de usos de suelo (variable
cualitativa), todos los campos de secano tendrán el mismo valor, pero en un mapa catastral (polígonos)
cada uno de ellos tiene su propio identificador.
• Información geométrica acerca de la matriz y de su posición en el espacio para que los programas
puedan leerla y ubicarla en el espacio de forma adecuada:
– Número de columnas (nc )

5
Antiguamente los SIG raster solían utilizar el cero para representar la ausencia de valor, lo que daba lugar a problemas cuando la
variable a representar incluía valores de cero (temperatura o elevaciones). Hoy en día se utiliza un valor considerado imposible (-9999
por ejemplo) para codificar la no existencia de valor en ese punto
Figura 3.5: Modelos digitales. Codificación de variable cualitativa y cuantitativa en formato raster
Figura 3.6: Formato comprimido de GRASS para capas rasterr
Figura 3.7: Modelos lógicos para representar entidades

– Número de filas (nf )

– Coordenadas de las esquinas de la capa (e, w, s, n)
– Resolución o tamaño de pixel en X(rx ) e Y (ry )
• Sistema de referencia espacial utilizado para georreferenciar la capa.
• Una paleta de colores indicando de que color se pintará cada celdilla en la pantalla. Existen diferentes
paletas en función del tipo de variable a representar. Si la variable es cuantitativa, lo más adecuado es
una paleta en la que los colores varíen suavemente al variar el valor de la variable, pero si la variable es
cualitativa, es preferible una paleta con colores muy contrastados (figura 3.5).
• En caso de que la capa raster represente una variable cualitativa, o que se representen entidades, una tabla
que haga corresponder a cada identificador numérico una etiqueta de texto descriptiva (figura 3.5).
3.4.3 Modelos lógicos para la representación de entidades (modelo vectorial)
A la hora de representar entidades en vectorial (ver figura 3.8) estas se transforman en objetos geométricos
(puntos, lineas o polígonos) almacenándose su posición mediante el conjunto de coordenadas de los mismos:
• Un punto se codifica con un par de coordenadas;
• Una linea se codifica como una sucesión de pares de coordenadas (vértices) la exactitud en la codifi-
cación de la linea dependerá del número de vértices por unidad de longitud de la linea; los vértices inicial
y final se denominan nodos.
• Un polígono se codifica como una linea o conjunto cerrado de lineas , a estas lineas (que no corresponden
a entidades lineales sino que definen el perímetro de un polígono) se les denomina arcos.
El escoger un tipo de objeto u otro para representar determinada entidad dependerá en gran manera de la
escala y del tipo de abstracción que se pretenda hacer, de forma similar a lo que ocurre en la generalización
cartográfica. Así una ciudad, dependiendo de la escala, puede ser puntual o poligonal, o incluso descomponerse
en diversos polígonos (manzanas) en estudios de planificación urbana a gran escala. Por otro lado, para casi
todas las aplicaciones hidrológicas tiene más sentido representar los cauces como objetos lineales y codificar
su anchura y profundidad como propiedades espaciales que intentar codificarlos como polígonos.
Podemos considerar a priori 6 categorías de información que caracterizan a los diferentes entidades que apare-
cen en el espacio:
1. Identificador. Se trata de un número entero que identifica cada objeto dentro de un conjunto de objetos
del mismo tipo. Cada entidad recibe por tanto un identificador único.
2. Geometría. Indica la ubicación del objeto en el espacio. Implícitamente indica también su dimensión y
su forma.
3. Propiedades. Pueden ser de diverso tipo:
• Propiedades espaciales directamente extraíbles de la geometría. Cada tipo de objeto tiene, en

función de su número de dimensiones, una serie de propiedades espaciales de tamaño y forma
directamente extraíbles de su codificación espacial:
Figura 3.8: Tipos de objetos en formato vectorial a) Punto, b) Linea, c) Polígono en formato orientado a objetos
, d) Polígono en formato Arco-Nodo.
– Los objetos lineales tienen longitud, sinuosidad y orientación.

– Los objetos poligonales tienen área, perímetro y elongación máxima. Además a partir de estas
pueden calcularse diversos índices de forma.
• Propiedades espaciales no extraíbles de la geometría. Son variables cuantitativas medidas en
magnitudes espaciales y que indican algún aspecto de la extensión espacial de los objetos no repre-
sentable debido a la escala de trabajo (anchura de una carretera) o a tratarse de una magnitud en la
tercera dimensión (profundidad de un cauce).
• Propiedades no espaciales. Son variables cualitativas o cuantitativas que no tienen nada que ver
con el espacio pero que se relacionan con el objeto. Resultan de mediciones simples o de descrip-
ciones. Pueden ser constantes o variables en el tiempo. Por ejemplo toda la información relativa a
la demografía o circunstancias socio-económicas de un municipio.
4. Relaciones con el entorno. Todos los objetos geográficos tienen unas relaciones con su entorno, es
decir con el resto de los objetos del mismo o distinto tipo que aparecen a su alrededor. Estas relaciones
pueden ser de tipo puramente topológico (polígonos vecinos) o de tipo físico (cauces tributarios que
se conectan al cauce principal o cruces de carreteras). Pueden codificarse de forma explícita o estar
implícitas en la codificación de la localización espacial. Estas relaciones pueden dar lugar a la creación
de tipos compuestos (redes, mapas de polígonos, etc.).
Los identificadores se almacenan junto a la información geométrica en ficheros específicos con una estructura
similar a la que aparece en la figura 3.9.
Las propiedades de los objetos se organizan en tablas almacenadas en ficheros específicos. Estas tablas se
enlazan a la capa vectorial mediante la inclusión en la tabla del identificador único de cada entidad de manera
B 5 0 L 6 1
592500 4227847 592500 4227847
592500 4162994 592400 4229294
677820 4162994 617820 4232994
677820 4227847 621820 4227847
592500 4227847 622500 4226547
C 1 1 623120 4223000
620000 4200000 1 2
1 1
Figura 3.9: Codificación de identificadores en un polígono (izquierda) y una linea (derecha). En ambos casos
la primera linea indica el tipo de objeto, el número de vértices y el número de identificadores, las lineas inden-
tadas un espacio contienen los vértices y la linea final la capa en que se almacena el identificador y el propio
identificador. Aunque en teoría podría haber varios identificadores lo normal es que haya uno solo. El polígono
se codifica mediante dos objetos: un perímetro (B) y un centroide (C).
que a partir de este puede obtenerse tanto el objeto en la base de datos espacial como sus propiedades no
espaciales (figura 3.10). Este modo de almacenamiento de datos se denomina Geo-relacional y se desarrollará
en el tema 4.
A la hora de representar conjuntos de objetos puede ser interesante almacenar, junto con la información geo-
métrica, información topológica.En el contexto de los SIG, topología hace referencia a una serie de relaciones
entre los objetos en el espacio que no variarían al realizar ciertas transformaciones o deformaciones sobre dicho
espacio (por ejemplo un cambio en el sistema de referencia espacial) como puede verse en la figura 3.11. Estas
propiedades topológicas son:
1. Estar dentro (El municipio C está dentro del municipio B)
2. Estar en contacto (El municipio A está en contacto con el municipio B)
3. Cubrir parcialmente (El espacio protegido representado en verde cubre parcialmente los municipios A y
B)
4. Cruzar (La carretera c1 cruza el municipio A)
5. Ser igual (El municipio A es igual al municipio A)
Cuando se dice que una capa vectorial "tiene topología" significa que las propiedades topológicas están ex-
plícitamente almacenadas en la estructura de datos y se utilizará para resolver consultas relacionadas con la
topología de los objetos.
Los diferentes modelos lógicos disponibles para almacenar entidades se diferencian fundamentalmente en el
modo de tratar la topología y son:
1. Formato espagueti, corresponde a información geométrica introducida sin ninguna consideración topoló-
gica. Diferentes tipos de objetos pueden aparecer en la misma capa. Se correspondería casi a un dibujo a
mano alzada.
Figura 3.10: Enlace capa-tabla en una base de datos geo-relacional
2. Formato arco-nodo, si tiene en cuenta la topología. Cada capa puede almacenar un sólo tipo de objeto
(puntos lineas o polígonos).
Para que exista topología en una capa de lineas (figura 3.12) deben cumplirse las siguientes condiciones:
(a) Allí donde se junten dos lineas debe existir un nodo. Los nodos se generan automáticamente en la
yuxtaposición de dos o más vértices finales de lineas diferentes. Los programas de digitalización
definen un parámetro denominado tolerancia. Si la distancia entre dos vértices es inferior a esta
tolerancia, los vértices se juntan de forma automática generándose un nodo.
(b) La codificación de la linea debe incluir un identificador único de esa linea.
Para que exista topología en una capa de polígonos en formato arco-nodo (figura 3.12) las condiciones
son algo más complejas:
(a) Todo arco debe estar limitado por dos nodos;

(b) Todo arco debe establecer la frontera entre dos polígonos;
(c) Para que se cumpla la anterior condición, debe existir un polígono universo que representa el
exterior de la capa;
Figura 3.11: Ejemplo de propiedades topológicas invariantes ante una transformación
Figura 3.12: Formatos espagueti y arco-nodo

Figura 3.13: Limpieza de topología para pasar de formato espagueti a formato arco-nodo
(d) Todo polígono aparece cerrado por una frontera consistente en una secuencia de arcos y nodos
alternos
(e) Alrededor de cada nodo existe una secuencia de arcos y polígonos alternos
(f) Dentro de cada polígono debe existir un centroide (representado con estrellas en la figura 3.12 in-
dicando que el conjunto cerrado de arcos que lo rodea forma un polígono. Este centroide contendrá
también el identificador único del polígono.
Por tanto debe existir un sistema para codificar los arcos que componen cada polígono y los nodos que
limitan cada linea o arco, normalmente se suelen utilizar tablas similares a las que aparecen en la figura
3.12.
El paso de información el modo espagueti a formato topológico implica una serie de operaciones de
limpieza de las capas (ver figura 3.13):
• Eliminación de lineas duplicadas (1)

• Fusión de polígonos con las mismas características (2)
• Aproximación de nodos sueltos cercanos (con una distancia inferior a la tolerancia) para formar un
único nodo (3)
• Eliminación de objetos de tamaño inferior a un umbral dado (4, 5 y 6)
• Ruptura de lineas cruzadas insertando un nodo (7, 8 y 9)
• Conversión de nodos con sólo dos lineas o arcos a vértices (10)
• Extensión de lineas cercanas a otros objetos hasta tocarlos (siempre que la distancia sea inferior a
la tolerancia) formando un nodo en el punto de contacto (11)
3. Formato orientado a objetos, la diferencia con el anterior está fundamentalmente en la codificación de

los polígonos. Estos se codifican como una sola linea cerrada, debe haber por tanto algún procedimiento
para asegurar la coincidencia entre los vértices de dos polígonos adyacentes.
Figura 3.14: Modelos lógicos para representar variables cualitativas
Los diferentes modelos lógicos para la representación de entidades suelen agruparse bajo el término formato
vectorial. En realidad el formato espagueti suele aparecer sólo como un formato intermedio al vectorizar imá-
genes escaneadas o digitalizar información a mano. El formato arco-nodo ha sido el formato vectorial clásico
en el desarrollo de los SIG, finalmente el formato orientado a objetos se está imponiendo en el marco de un
nuevo desarrollo que son las Geodatabases (ver tema 5).
3.4.4 Modelos lógicos para la representación de variables cualitativas e imágenes
En el caso de las variables cualitativas estaríamos en un caso intermedio entre los dos anteriores, de forma que
diversas alternativas son válidas para su codificación(figura 3.14):
• Formato raster (comprimido o no)
• Formato quadtree
• Formato vectorial Arco-Nodo
• Formato vectorial orientado a objetos
En el caso de las imágenes, el único formato de almacenamiento posible es el raster (figura 3.15) recordando
que en este caso lo importante es la paleta de color y no los valores numéricos almacenados.
3.5 Modelos digitales y formatos de fichero
Cada uno de los modelos lógicos antes mencionados puede codificarse de diferentes maneras dando lugar a
diferentes modelos digitales, estructuras de datos o formatos de fichero, los tres términos pueden conside-
rarse sinónimos.
Existen dos grandes modos de almacenamiento de datos en un ordenador: el formato ASCII y el formato
binario. El formato ASCII utiliza un byte por carácter de manera que el número 234,87 o la palabra modelo
Figura 3.15: Representación de imágenes en formato raster
necesitarían 6 bytes. En formato binario los números enteros se almacenan normalmente con 4 bytes y los
números reales con 8 bytes (aunque pueden existir variantes).
El formato binario es mucho más eficiente para almacenar números (tanto en cuanto a espacio como en cuanto a
velocidad de acceso) mientras que para letras no hay en realidad diferencia aunque es más fácil de visualizar por
parte del usuario el formato ASCII. Por ello en un SIG la información puramente numérica y de gran volumen
se almacena en formato binario y la alfanumérica y de poco volumen en formato ASCII.
Hasta la década de los noventa, la mayor parte de los formatos de fichero para almacenar información espacial
eran formatos cerrados propiedad de la empresa que comercializaba el programa (formatos propietario). Esto
significa que su estructura de datos no se hacía pública y otros programas sólo podían leer y escribir ficheros
en dicho formato si sus desarrolladores llegaban a acuerdos con la empresa propietaria.
En el caso de la información espacial, la preocupación de los gobiernos y agencias de cartografía ante la posi-
bilidad de que información sensible pudiera quedar en manos de una empresa (que podía dejar de dar soporte
al producto o estar vinculada a otro país) y las dificultades de desarrollar proyectos de SIG integrando infor-
mación de diferentes organismos (y posiblemente con diferentes formatos) les llevó a presionar para garantizar
unos mínimos de interoperabilidad en la información espacial, lo que supone la apertura de los formatos y el
desarrollo, en los diferentes programas de SIG de herramientas para la importación y exportación de ficheros
raster o vectorial.
La tendencia ha sido a la aparición de dos formatos que actúan como estándar de facto en el intercambio de
ficheros: shapefiles en información vectorial y Geotiff en raster. A continuación se estudiarán estos y otros
formatos de interés.
3.5.1 Shapefile
Era un formato propietario de los programas de Esri (la principal empresa en el mercado de los SIG) que se
han convertido en públicos. Un shapefile almacena información vectorial en un fichero con extensión .shp y
sus atributos temáticos en un fichero con extensión .dbf, otros ficheros asociados son:
• Fichero .shx guarda un índice espacial para acelerar el acceso a los datos almacenados en el fichero .shp.
• Ficheros .sbx, .sbn y .qix contienen otros índices alternativos (no siempre aparecen).
• Fichero .prj almacena información sobre el sistema de referencia espacial que utiliza el fichero .shp,
tampoco se crea de forma obligatoria aunque es muy conveniente que aparezca si se quiere integrar la
capa en otro sistema.
Todos son binarios salvo los .prj que son ASCII y los .dbf que son ASCII con códigos introducidos en binario.
Este tipo de fichero se ha convertido en un estándar de facto para el intercambio de información vectorial.
Tienen el inconveniente de no almacenar topología y de utilizar para almacenar los datos temáticos un formato
antiguo e ineficiente6 .
3.5.2 GeoTiff
Los ficheros Tiff son ficheros de imagen raster sin compresión que suelen utilizarse en fotografía digital. Un
fichero GeoTiff es simplemente un fichero Tiff que incluye el sistema de referencia espacial utilizado y la infor-
mación necesaria para asignar un par de coordenadas a cada uno de los píxeles que lo forman. Esta información
puede aparecer en un fichero aparte con extensión .tfw o inserta en el propio fichero .tif.
3.5.3 Formatos ráster comprimidos: ecw, sid y jpg
Se trata de formatos propietario adecuados para almacenar imágenes de gran tamaño en las que lo importante
no es la información numérica contenida en las celdillas como su representación mediante colores (mapas
escaneados, fotografía aérea, composiciones de color a partir de imágenes de satélite).
Los ficheros jpg, al igual que los tiff son formatos de imagen que se utiliza en SIG añadiéndoles información
de ubicación almacenada en un fichero on extensión .jpw
La compresión que utilizan implica una reducción muy importante del tamaño del fichero pero generan una
cierta pérdida de información que se puede controlar aplicando diferentes ratios de compresión.
3.5.4 El modelo digital raster de GRASS
En GRASS se utilizan varios ficheros para almacenar una sola capa raster. Tienen todos el mismo nombre y,
en lugar de distinguirse por la extensión, se distinguen por el directorio en el que se almacenan dentro de un
determinado directorio de mapas (MAPSET).
6
Los ficheros dbf son los que utilizaba el programa dbase, se trata de un programa de gestión de bases de datos ya obsoleto
• La matriz de datos, es decir los números que contienen las diferentes celdillas se almacenan en un fichero
contenido en el directorio /cell si la variable contiene números enteros y en el directorio /fcell si contiene
números reales (formato binario7 )
• La información necesaria para leer y ubicar espacialmente los datos contenidos en el fichero anterior se
almacenan en un fichero en el directorio /cellhd (formato ASCII).
• En el directorio /cats se guardan las etiquetas de texto en caso de que la variable sea cualitativa (formato
ASCII).
• El fichero que cuelga del directorio /colr guarda información acerca de la paleta de colores que se va a
utilizar para representar el mapa (formato ASCII).
• Los directorios /fcell, /g3dcell o /cell_misc contienen información menos relevante o demasiado com-
pleja para abordarla aquí.
Figura 3.16: Esquema de ficheros y directorios para almacenar información raster
3.5.5 El modelo digital vectorial de GRASS
En el caso de los datos vectoriales la organización de ficheros y directorios es algo diferente (figura 3.17).
Cada mapset incluye sendos directorios /vector y /dbf que se generan de forma automática al crear el mapset.
El primero contendrá un subdirectorio por capa vectorial (llamado igual que la capa que contiene) con los
siguientes ficheros:
• head, fichero ASCII con información acerca del sistema de referencia espacial de las capas8
• coor es un fichero binario que tiene la información geométrica (coordenadas) de los diferentes objetos
que forman las capas.
7
Un fichero en formato binario se codifica con 1 y 0 y es ilegible con un editor, los ficheros ACII son ficheros de texto legibles por
un editor
8
En las últimas versiones de GRASS se permite almacenar varias capas en un mismo fichero vectorial, sin embargo es preferible no
hacerlo para mantener una mayor claridad en la organización de los datos.
• topo es un fichero binario que contiene la topología de la capa. En GRASS esta se reconstruye explícita-
mente al crear la capa y cada vez que se la modifica.
• dbln es un fichero ASCII que contiene, para cada capa presente en el fichero vectorial, una referencia a
la tabla que contiene su información temática, así como la base de datos en que se encuentra, la columna
que actúa como identificador y el tipo de base de datos.
• cidx es un fichero binario con un índice que enlaza los identificadores de los objetos en el fichero coor
con las filas en la tabla enlazada.
• hist, histórico de la capa en formato ASCII.
Si el sistema está configurado para almacenar las tablas enlazadas a los mapas vectoriales en formato dbf, estas
se sitúan en el directorio /dbf con el mismo nombre que las capas a las que se refieren. Otra opción, mucho más
eficiente, es utilizar PostgreSQL9 para almacenar las tablas, en ese caso deberá existir una base de datos en este
sistema en la que el usuario pueda crear y consultar tablas (ver tema 4).
Figura 3.17: Esquema de ficheros y directorios para almacenar información vectorial
3.6 Consideraciones finales
3.6.1 Ventajas y desventajas de los formatos raster y vectorial
El debate acerca de la conveniencia de uno u otro modelo ha dado lugar a una abundante bibliografía, la decisión
en todo caso basarse en el tipo de estudio o enfoque que se quiera hacer, pero también debe ser función del
software y fuentes de datos disponibles.
9
Un programa de gestión de bases de datos mucho más potente y actualizado que dbase.
Generalmente se considera que el formato vectorial es más adecuado para la representación de entidades o
variables cualitativas y el formato raster para representar superficies, sin embargo esto no es necesariamente
así.
Está claro que las superficies se representan más eficientemente en formato raster y sólo pueden representarse en
formato vectorial mediante los modelos híbridos (mallas de puntos, TIN e isolineas) que no resultan adecuados
para la realización de posteriores análisis ya que todas las operaciones que permite el modelo raster resultaran
mucho más lentas con estos modelos vectoriales. En general, cualquier tipo de modelización física de procesos
naturales que se base en Sistemas de Información Geográfica requiere una modelo de datos de tipo raster.
Para la representación de entidades resulta más eficiente la utilización de un formato vectorial ya que ocupa
menos espacio en disco duro (aunque este último problema puede compensarse mediante diversos sistemas de
compresión y en todo caso es cada vez menos relevante debido a la cada vez mayor capacidad de los discos
duros) y los ficheros se manejan de forma más rápida si lo que se quiere es simplemente visualizar la capa.
El formato vectorial es más lento que el raster para la utilización de herramientas de análisis espacial y con-
sultas acerca de posiciones geográficas concretas, sin embargo de nuevo el incremento en la potencia de los
ordenadores hace a este problema cada vez menos relevante.
Las ventajas del modelo raster incluyen la simplicidad, la velocidad en la ejecución de los operadores y que es el
modelo de datos que utilizan las imágenes de satélite o los modelos digitales de terreno. Entre las desventajas del
modelo raster suele incluirse su inexactitud que depende de la resolución de los datos, sin embargo en muchos
casos se confunde precisión y exactitud cuando se trabaja con datos vectoriales de modo que la exactitud en las
coordenadas del modelo vectorial es más teórica que real.
Hoy en día se tiende a compaginar ambos modelos gracias al aumento en la capacidad de los ordenadores.
Se trata de representar los diferentes fenómenos espaciales con el modelo de datos más apropiado en cada
caso. En líneas generales se pueden codificar las formas en un modelo vectorial y los procesos con un modelo
raster, para ello se requieren herramientas eficaces de paso de un formato al otro. Resulta sencillo, finalmente, la
visualización simultánea de datos en los dos formatos gracias a la capacidad gráfica de los ordenadores actuales.
Los SIG tienen un gran número de herramientas para pasar de raster a vectorial, pero resulta difícil combinar
en una sola operación capas codificadas con ambos modelos. En estos casos lo más adecuado es pasar ambas
capas al formato más adecuado para el tipo de análisis que se requiere. Estas transformaciones deben hacerse
con cierto cuidado para no perder precisión espacial al pasar de vectorial a raster.
Básicamente existen cinco enfoques en la combinación de información raster y vectorial en un SIG:
• SIG exclusivamente raster
• SIG exclusivamente vectorial
• Formato vectorial utilizando información raster como fondo para facilitar la localización
• Formato raster dibujando información vectorial sobre la misma para facilitar la localización
• SIG integrado raster-vectorial
Las dos primeras opciones están casi en desuso, la tercera es la más utilizada en la administración para la gestión
del territorio e infraestructuras y las dos últimas en modelización e investigación en ciencias ambientales.
Todos los programas de SIG disponen de tres tipos de herramientas básicas:
• Importación, para transformar datos de otro modelo digital al que utiliza el programa (GDAL-OGR)
• Exportación, para transformar datos del modelo digital que utiliza el programa a otro (GDAL-OGR)
• Transformación, para pasar de raster a vectorial con las estructuras de datos que utiliza el programa
3.6.2 Escala y modelos lógicos de datos
El concepto tradicional de escala en cuanto relación entre dos longitudes, no tiene sentido en un SIG. Las
herramientas de zoom, disponibles en cualquier programa gráfico, permiten un cambio en la escala de rep-
resentación en la pantalla o en una salida impresa, sin embargo este cambio de escala de representación no
implica una cambio en la escala original de los datos.
En general podemos asumir que la escala de un SIG es la de los mapas que se han utilizado como información
de entrada (en realidad la del mapa con escala inferior si se han utilizado varios). Sin embargo no toda la
información de entrada procede de mapas sino que también puede proceder de conjuntos de puntos de muestreo,
imágenes de satélite, etc. En el caso de los mapas de puntos la resolución se relaciona, aunque de manera algo
difusa, con la distancia media entre los puntos.
En SIG podemos sustituir el concepto de escala por otro concepto, algo difuso también, que es el de precisión
espacial de los datos. En el caso del formato raster la precisión se relaciona claramente con el tamaño de las
celdillas. Si hacemos un zoom excesivo aparecerán los bordes de estas como advertencia de que la profundidad
del zoom es excesiva, en el caso del formato vectorial no tenemos este mecanismo de advertencia y en muchos
casos se fuerzan los zoom para obtener una escala de detalle completamente ilusoria.
3.7 Bibliografía
• De Meers, M.N. (2002) GIS Modeling in Raster John WIley & sons, Chichester 203 pp.
• Gatrell,A.C. (1991) “Concepts of space and geographical data” en Maguire, D.J.; Goodchild, M.F. Rhind,
D.W. (Eds.) Geographical Information Systems: Principles and Applications. John Wiley & sons pp.
119-134 (www.wiley.co.uk/wileychi/gis/resources.html)
• Moolenar, M. (1998) An introduction to the theory of Spatial Object Modelling for GIS, Taylor & Francis,
Londres, 246 pp.
• Tomlin, C.D. (1990) Geographic Information Systems and Cartographic Modeling Prentice Hall,249 pp.
• Tomlin, C.D. (1991) Cartographic modeling en D.J. Maguire; M.F. Goodchild and D.W. Rhind (Eds.);
1991 Geographical Information Systems: Principles and Applications, John Wiley & sons, Chichester
Tema 4
Formato raster. Algebra de mapas.
En el tema anterior se expusieron las ideas básicas referentes a la codificación y almacenamiento de información
espacial en formato raster y vectorial. En este se abordará el manejo de información en formato raster para lograr
uno de los objetivos fundamentales de los Sistemas de Información Geográfica: la obtención de nuevas capas
de información a partir de otras previamente disponibles. Para ello se dispone de un conjunto de herramientas
de cálculo con matrices de datos que reciben el nombre genérico de álgebra de mapas
El álgebra de mapas incluye un amplio conjunto de operadores que se ejecutan sobre una o varias capas raster
de entrada para producir una o varias capas raster de salida. Por operador se entiende un algoritmo que realiza
una misma operación en todas las celdillas de una capa raster.
Cada capa raster es una matriz de números y la operación se realiza para todos los números de la matriz, por
tanto para todas las celdillas de la capa raster. Sin embargo aunque ambas operan sobre matrices, el álgebra de
mapas tiene poco más que ver con el concepto matemático de álgebra matricial.
Los diferentes ejemplos que se pondrán a lo largo de este tema utilizarán las herramientas de GRASS. Se
trata de un programa modular, compuesto por muchos subprogramas (módulos) que implementan diversas
herramientas SIG, entre ellas diversos operadores de álgebra de mapas.
Pueden definirse infinitos operadores, aunque normalmente se clasifican en función de las celdillas implicadas
en el cálculo en:
• Operadores locales
• Operadores de vecindad o focales
• Operadores de bloque
• Operadores de área
• Operadores de área extendida
• Operadores globales
67
68 Tema 4. Formato raster. Algebra de mapas.
A C = A ∗ 20
2 3 6 8 40 60 120 160
3 4 4 4 60 80 80 80
4 7 6 8 80 140 120 160
6 8 2 7 120 160 40 140
B D =A+B
9 4 5 8 11 7 11 16
9 2 1 8 12 6 5 12
8 4 8 8 12 11 14 16
4 1 4 8 10 9 6 15
E = 100 ∗ (A − B)/(A + B)
-63.64 -14.29 9.09 0.00
-50.00 33.33 60.00 -33.33
-33.33 27.27 -14.29 0.00
20.00 77.78 -33.33 -6.67
Figura 4.1: Ejemplos de operadores locales aritméticos
4.1 Operadores locales
Los operadores locales generan una nueva capa a partir de una o más capas previamente existentes. Cada
celdilla de la nueva capa (Zm) recibe un valor que es función de los valores de esa misma celdilla en las capas
de entrada (Z1, Z2, ..., Zn).
Zmx,y = f (Z1x,y , Z2x,y , .., Znx,y ) (4.1)
la función representada por f () es una combinación de operadores y funciones de distinto tipo:

Todos los SIG disponen de un módulo que actúa como calculadora de mapas que permite introducir ecua-
ciones con una sintaxis similar a la de las hojas de cálculo, pero en lugar de operar sobre columnas se opera
sobre capas raster. En el caso de GRASS este módulo es r.mapcalc y utiliza una sintaxis muy similar a la de
las hojas de cálculo. De hecho existe una importante similitud entre el funcionamiento de las hojas de cálculo
y el del álgebra de mapas, con la diferencia básica de que en el primer caso se trabaja con columnas y en el
segundo con matrices.
4.1.1 Operadores matemáticos
Incluyendo operadores aritmétiocos simples (suma, resta, multiplicación, división) o funciones matemáticas
(raiz cuadrada, potencia, seno, coseno, tangente, logaritmo, exponencial, etc). Puede tratarse de operaciones
sencillas como la multiplicación por 100 de una capa de altitudes en metros para obtener una capa de altitudes
en centímetros o la suma de 12 capas de precipitación mensual para obtener una capa de precipitación anual, o
de operaciones aritméticas mucho más complejas (figuras 4.1 y 4.2).
Figura 4.2: Operador local aritmético
4.1.2 Condicionales
El resultado en la capa de salida dependerá de que se cumplan o no una o varias condiciones en las capas de
entrada. En GRASS se utiliza la función:
nueva_capa=if(condición,acciones si se cumple, acciones si no se cumple)
Las acciones pueden ser de varios tipos:
• Un valor numérico que se asignará a las celdillas que cumplan (o no) la condición en la capa de salida
(figura 4.3),
r.mapcalc "DEM_umbral=if(DEM>400,1,0)"
• El numbre de otra capa raster de la que se extraerán los valores para asignar a las celdillas, u operaciones
matemáticas con ellas:
r.mapcalc "DEM_nuevo=if(DEM>4,DEM-4,0)"
Esta orden genera un MDE con las elevaciones en caso de una subida del nivel del mar de 4 metros.
• Otra condicional
r.mapcalc "DEM_nuevo=if(DEM>4,if(usos==14,1,0),0)"
Esta orden crea una capa con las áreas urbanas que quedarían inundadas si se produjera el aumento en el
nivel del mar.
Las condiciones se construyen mediante operadores relacionales (tabla 4.1):
• == sirve para comparar dos variables y se lee es igual a
• != se lee no es igual a
• >, >=, <, <= mayor, mayor que, menor, menor que
elevación>500 uso=matorral elevación>500 && uso==matorral elevación>500 || uso==matorral

cierto (1) cierto (1) cierto (1) cierto (1)
cierto (1) falso (0) falso (0) cierto (1)
falso (0) cierto (1) falso (0) cierto (1)
falso (0) falso (0) falso (0) falso (0)
Tabla 4.1: Ejemplo de operadores lógicos condicionales y relacionales.
Figura 4.3: Operador local lógico, condicional y relacional
Utilizando operadores lógicos podemos crear condiciones complejas (tabla 4.1):
• && es el operador y, compara dos condiciones, se cumple si las dos son ciertas
• || es el operador o, compara dos condiciones, se cumple si al menos una es cierta
El resultado de los operadores lógicos y relacionales es 1 (cierto) si se cumple la condición y 0 (falso) en caso
contrario. La tabla 4.1 y la figura 4.4 muestran un ejemplo:
La inclusión de operadores lógicos, relacionales y condicionales permite elaborar operadores complejos en los
que no sólo los valores sino también las operaciones que definen la capa de salida dependan de los valores en
varias capas de entrada.
A continuación tienes como se ejecutarían en r.mapcalc los operadores que aparecen en la tabla 4.1 y la figura
4.4. Un error habitual es utilizar el operados && cuando la condición es (como en este caso) ser matorral denso
o matorral claro, en realidad ningún pixel puede tener a la vez dos valores en una misma capa raster. Date
cuenta también del uso de los paréntesis, el operador && se asimila al producto y el operador || a la suma.
r.mapcalc ’mapa1=if(elevacion>500 && (uso==3 || uso==4),1,0)’
r.mapcalc ’mapa2=if(elevacion>500 || uso==3 || uso==4,1,0)’
elevación usos
elevacion>500 && usos==matorral elevacion>500 || usos==matorral
Figura 4.4: Ejemplo de operador local lógico, condicional y relacional
4.1.3 Reclasificación
Una calculadora de mapas es útil para implementar la mayor parte de los operadores locales (o incluso en oper-
adores de vecindad), pero algunas operaciones resultan difíciles de implementar. Para estos casos los programas
de SIG suelen disponer de operadores específicos.
El caso más habitual es el de la reclasificación o cálculo de un nuevo valor para cada celdilla a partir del valor
de la misma celdilla en otra capa (figura 4.7) en base a un conjunto de sencillas reglas relacionales. Todos
los programas de SIG disponen de un módulo que permite reclasificar capas de información. En GRASS, el
módulo encargado de reclasificar se denomina r.reclass.
Por ejemplo, podríamos reclasificar el mapa de usos del suelo que aparece en la figura 4.4 para obtener una
leyenda más compacta. Para ello debemos crear un archivo de texto con las reglas de reclasificación que apare-
cen en la figura 4.5:
gedit usos_rec.txt &
Una vez completado y guardado el archivo damos la orden con el módulo r.reclass. El signo < actúa redi-
rigiendo el contenido del archivo al módulo:
r.reclass input=usos output=usos_rc < usos_rec.txt
En el caso de una variable cuantitativa, el contenido del archivo de reglas de reclasificación sería algo diferente
ya que es necesario especificar rangos de valores además de valores individuales. La figura 4.6 muestra un
ejemplo de archivo de texto con reglas de reclasificación para la capa de elevaciones que aparece en la figura
4.4. La figura 4.7 muestra otro ejemplo.
1=1 Bosque
2=1
3=2 Matorral
4=2
5=3 Secano
6=3
7=4 Vid
8=4
9=5 Regadio
10=5
11=6 Invernaderos
12=7 Embalse
13=8 Carreteras
14=9 Nucleos urbanos
Figura 4.5: Reglas de reclasificación de la capa de usos del suelo. A cada valor en la capa de entrada se asigna
un nuevo valor en la capa de salida, añadiendo además las etiquetas de texto ya que la capa de salida contendrá
una variable cualitativa.
0=0 1 thru 250 = 1 1-250 metros

250 thru 500 = 2 250-500 metros
500 thru 750 = 3 500-750 metros
750 thru 1000 = 4 750-1000 metros
1000 thru 1250 = 5 1000-1250 metros
1250 thru 1500 = 6 1250-1500 metros
1500 thru 1750 = 7 1500-1750 metros
1750 thru 2000 = 8 1750-2000 metros
Figura 4.6: Reglas de reclasificación de la capa de elevaciones. Puesto que la nueva variable es cualitativa
necesita etiquetas de texto.
Figura 4.7: Reclasificación de una variable cuantitativa

El módulo r.reclass asigna una paleta de colores arbitraria al mapa resultante. Si queremos modificarla habrá
que utilizar las herramientas de qgis o bien el módulo de GRASS r.colors para modificar los colores de forma
permanente.
4.2 Operadores de vecindad o focales
Los operadores de vecindad adjudican a cada celdilla un valor que es función de los valores de un conjunto
de celdillas contiguas, en una o varias capas. El conjunto de celdillas contiguas a la celdilla X más ella misma
constituye una vecindad. Generalmente se trabaja con vecindades de forma cuadrada y tamaño variable, el
tamaño se define como el número de celdillas que hay en el lado del cuadrado, siempre un número impar (3, 5,
7, etc.).
Hay que tener en cuenta que en los píxeles situados en los bordes del mapa no podrá calcularse el resultado con
lo que el valor quedará indefinido (nulo). La anchura en píxeles del borde indefinido en el mapa resultante es
igual a la parte entera de la mitad del tamaño de la vecindad (ver figuras 4.8 o 4.9).
Aunque en GRASS se puede utilizar r.mapcalc para programar muchos de los operadores de este tipo, resulta
bastante complejo. Por ello los programas de SIG suelen incluir herramientas específicas.
Los ejemplos más habituales de operador de vecindad son el filtrado de capas , los operadores estadísticos y los
operadores direccionales.
Operadores estadísticos
Calculan un estadístico (media, desviación típica, mínimo, máximo, etc.) a partir de los valores de todas las
celdillas que forman la vecindad y lo adjudican a la celdilla central en la capa de salida. También pueden
llevarse a cabo operaciones más complejas como por ejemplo un índice de diversidad del paisaje que sería el
número de usos del suelo diferentes en las celdillas vecinas a una celdilla dada (figura 4.9).
El módulo de GRASS para calcular estadísticos en una vecindad es r.neighbors. Su utilización es sencilla:
r.neighbors input=elevacion output=elev_med size=3 method=average
El parámetro size hace referencia al tamaño de la vecindad y method al estadístico que se va a calcular. Los
estadísticos posibles son:
• average: Media
• median: Mediana
• mode: Moda
• minimum: Mínimo
• maximum: Máximo
• range: Rango
• stddev: Desviación típica
• sum: Suma
• variance: Varianza
• diversity: Diversidad
• interspersion: El porcentaje de celdillas con valores diferentes a los de la central más 1.
1 2 3 4 5 4 N N N N N N
4 5 3 3 4 3 N 3.7 3.8 4 4.2 N
7 5 3 6 5 4 N 4.8 4.3 4.3 4.8 N
7 5 4 5 6 7 N 5.5 5.3 5.7 6.1 N
7 5 7 8 7 7 N 6.1 6.2 6.9 7.3 N
7 5 8 9 8 9 N N N N N N
Figura 4.8: Ejemplo de operador de vecindad para el cálculo de la media
1 2 3 4 5 4 N N N N N N
4 5 3 3 4 3 N 6 5 4 4 N
7 5 3 6 5 4 N 4 4 4 5 N
7 5 4 5 6 7 N 4 6 6 5 N
7 5 7 8 7 7 N 4 5 6 5 N
7 5 8 9 8 9 N N N N N N
Figura 4.9: Ejemplo de operador de vecindad para el cálculo de la diversidad
Filtrados
El filtrado de capas actúa moviendo una ventana, generalmente de 3x3 celdas, por toda la capa que recorre la
capa entera. Esta ventana adjudica a la celdilla central la media ponderada de los valores en las 9 celdillas que
abarca la ventana utilizando la ecuación:
9
P
wi · ri
i=1
9
(4.2)
P
wi
i=1
donde wi son los 9 valores en la matriz de filtrado y ri los 9 valores en la capa raster de entrada.
A partir de diferentes coeficientes de ponderación se consiguen diferentes resultados, por ejemplo la siguiente
matriz de filtrado calcularía la media aritmética:
1 1 1
1 1 1
1 1 1
TITLE FIltro de media 3x3

MATRIX 3
1 1 1
1 1 1
1 1 1
DIVISOR 0
TYPE P
Figura 4.10: Ejemplo de filtro. El título es opcional, el número detrás de MATRIX hace referencia al tamaño de
la celdilla. EL número detrás de DIVISOR es el divisor en la ecuación 4.2, si es cero el divisor será la suma
de la matriz. El tipo puede ser secuencial S o paralelo P. En el primer caso el filtrado se realiza a partir de los
valores filtrados en las celdillas anteriores; en el segundo el filtrado se realiza con los valores originales. Esta
última es la opción más habitual.
por el contrario, el siguiente filtro crea una media ponderada que da mayor peso al valor central y menor a los
de las esquinas. A la izquierda aparecen los valores de la capa raster de entrada y a la derecha la matriz de
filtrado.
10 12 11 1 2 1
14 13 15 2 3 2
17 16 17 1 2 1
aplicando la ecuación 4.2 se obtiene para la celdilla central:
10 · 1 + 12 · 2 + 11 · 1 + 14 · 2 + 13 · 3 + 15 · 2 + 17 · 1 + 16 · 2 + 7 · 1
= 13.87
1+2+1+2+3+2+1+2+1
el resultado se almacenará en la celdilla central en la capa raster de salida.
Utilizando diferentes coeficientes de ponderación podemos obtener filtros de distinto tipo. Este tipo de ope-
radores se utiliza especialmente en el análisis de imágenes de satélite o para suavizar capas raster representando
superficies (elevación, temperatura, etc.)
GRASS incluye un módulo específico para filtrados denominado r.mfilter. Para utilizarlo necesitamos crear un
archivo de texto con el filtro tal como aparece en la figura 4.10, para ello utilizaremos gedit. Posteriormente
utilizaremos el módulo con la orden:
r.mfilter input=elevacion output=demfilt filter=archivo_reclasificacion.txt
Operadores direccionales
Permiten estimar un conjunto de parámetros relacionados con la ubicación de los diferentes valores dentro de la
vecindad. Su utilidad primordial es el análisis de Modelos Digitales de Terreno, así permiten calcular pendiente,
orientación, curvatura, etc. a partir de una capa de elevaciones (figura . En GRASS se utiliza para ello el módulo
r.slope.aspect (figura 4.11).
r.slope.aspect input=elevacion slope=pendiente aspect=orientacion
Figura 4.11: Operador de cálculo de pendientes y orientaciones
También sirven para crear, a partir de una capa de elevaciones capas de dirección de flujo. Se trata de determinar
hacía que celdilla se dirigiría el agua en caso de precipitación (lógicamente aquella celdilla situada a menor cota
y con la máxima pendiente). En GRASS se utiliza para ello el módulo r.watershed (figura 4.12).
r.watershed elevation=elevacion drainage=direccion
Tanto r.slope.aspect como r.watershed son módulos complejos que pueden generar varios tipos diferentes de
capas de salida (consulta la ayuda para averiguar cuales son). En algunos casos necesitarán también capas de
entrada adicionales.
4.2.1 Operadores de bloque
Actúan de forma similar a los operadores de vecindad, pero en lugar de aplicar la ventana a cada una de las
celdillas desplazandola celdilla a celdilla, se aplica a bloques completos del mismo tamaño de la ventana y
asignando el mismo resultado a todas las celdillas incluidas dentro del bloque. Las figuras 4.8 y 4.13 muestran
la diferencia entre un operador de vecindad y otro de bloque. En ambas se aplica un operador de media al
mismo conjunto de datos.
Los operadores de bloque permiten llevar a cabo cambios de escala en las capas raster, tal como aparece en la
figura 4.13 el resultado puede considerarse como un aumento del tamaño de las celdillas.
Otra diferencia importante entre los operadores de vecindad y los de bloque es que mientras que los primeros
exigen definir una vecindad de un número impar de celdillas, con los operadores de bloque pueden definirse
ventanas de cualquier tamaño.
El módulo r.stats.resamp implementa en GRASS este tipo de operadores y permite utilizar varios estadísticos
además de la media. Su utilización se diferencia de los módulos que implementan operadores de vecindad en
que en lugar de establecer el tamaño de la ventana en la orden debemos modificar la resolución antes de ejecutar
la orden.
Si por ejemplo tenemos una capa de elevaciones (MDE) con una resolución de 25x25 metros y queremos,
mediante un operador de bloque, crear una capa de elevaciones de 100x100 el procedimiento es el siguiente:
Figura 4.12: Operador direccional: Dirección de drenaje y Operador extendido: Cálculo de lineas de flujo y
cuencas
1 2 3 4 5 4 3.7 3.7 3.7 4.2 4.2 4.2

4 5 3 3 4 3 3.7 3.7 3.7 4.2 4.2 4.2
7 5 3 6 5 4 3.7 3.7 3.7 4.2 4.2 4.2
7 5 4 5 6 7 6.1 6.1 6.1 7.3 7.3 7.3
7 5 7 8 7 7 6.1 6.1 6.1 7.3 7.3 7.3
7 5 8 9 8 9 6.1 6.1 6.1 7.3 7.3 7.3
Figura 4.13: Ejemplo de operador de bloque para el cálculo de la media
g.region res=100
r.stats.resamp input=MDE output=MDE100 mehod=average
La primera orden cambia la resolución (tamaño de las celdillas) al tamaño del bloque, la segunda ejecuta el
cálculo.
4.2.2 Operadores de vecindad extendida, operadores extendidos
Son aquellos que afectan a zonas relativamente extensas que cumplen determinado criterio pero cuya loca-
lización precisa no se conoce a priori. Por tanto el operador (programa) debe determinar en primer lugar cual
es el área (conjunto de celdillas) que cumple dichas características. Entre los casos más habituales están:
1. Identificación de polígonos homogéneos en mapas de variable cualitativa. Se parte de una variable

cualitativa, como pueden ser los usos del suelo, y se obtiene un mapa en el que a cada una de las agrupa-
ciones homogéneas con el mismo valor se le asigna un identificador único (figura 4.14). De este modo se
convierten en un mapa de entidades (polígonos).
Figura 4.14: Operador extendido. Transformación de un mapa de variable cualitativa en un mapa raster de
objetos
Usos del suelo:

1=Regadío, 2=Secano,
3=Bosque, 4=Matorral
3 1 1 3 2 Resultado
1 2 2 3 4
2 2 2 2 1
5 5 5 5 6
3 3 2 3 3
7 7 8 9 9
1 3 2 2 3
10 7 8 8 9
1 1 2 1 3
10 10 8 11 9
Figura 4.15: Ejemplo de creación de polígonos
En el ejemplo de la figura 4.15 partimos de un mapa de usos del suelo y obtenemos una capa de polígonos
en la que las diferentes manchas de bosque aparecen codificadas como 1, 3, 7 y 9.
Por ejemplo, en un estudio de viabilidad de reintroducción de una especie que habita en el bosque, no
sólo es importante saber las hectáreas de bosque que tiene el territorio, sino también cual es el tamaño de
cada uno de los polígonos de bosque y cuales son los que cumplen los requerimientos de espacio de la
especie a reintroducir.
El módulo de GRASS para la identificación de polígonos es r.clump y su uso es muy sencillo, basta con
especificar el nombre de la capa de entrada y como queremos llamar a la de salida.
r.clump input=usos output=manchas_usos
2. Áreas situadas a una distancia, inferior a un valor umbral, de un objeto definido por una o varias
celdillas. Se genera así una zona tampón (buffer). El resultado sería una capa en la que se codificaría de
un modo el objeto de otro modo el área tampón y de un tercero el área exterior al tampón (figura 4.21).
Siguiendo con el ejemplo anterior, la especie a reintroducir puede requerir la presencia de una superficie
de agua a una distancia determinada. Este operador permitirá discriminar cuales son las celdillas que
cumplen esta condición.
El módulo de GRASS para la obtención de áreas tampón es r.buffer. Puede calcular diversos umbrales
de distancia en las mismas unidades en que se expresan las coordenadas X e Y de la región de trabajo
(normalmente en metros). La orden
r.buffer input=carreteras output=distancias distances=100,500,1000
genera la capa que aparecen en la figura 4.16 si se aplica al entorno del núcleo urbano de Murcia.
3. Lineas de flujo y cuencas de drenaje (figura 4.12). A partir del operador de dirección de drenaje visto
anteriormente, puede construirse otro que de modo recursivo genere la linea de flujo que seguiría un
volumen de agua depositado sobre el territorio. La unión de todas las lineas de flujo que coinciden a un
punto constituye la cuenca de drenaje de ese punto. Dada un celdilla, incluye todas las que drenan a este.
Se trata de un operador fundamental en el desarrollo de modelos hidrológicos (figura 4.12).
El operador linea de flujo permite determinar que celdillas se verán afectadas por un posible vertido de
una industria sabiendo su ubicación. El operador cuenca de drenaje permite evaluar el riesgo de inun-
dación.
Figura 4.16: Calculo de umbrales de distancia
GRASS dispone de algunos módulos para este tipo de análisis (r.watershed o r.drain). En el caso de
r.watershed la orden para generar una capa de redes de drenaje y otra de cuencas a partir de la capa de
elevaciones es la siguiente:
r.watershed elevation=elevacion stream=read_drenaje basin=cuencas
4. Cuencas visuales (figura 4.17). Determina el area visible desde un determinado punto e igualmente el
area desde la que dicho punto es visible.
Ejemplos de la utilidad de este operador pueden ser el estudio de impacto visual de un vertedero (cuanto
mayor sea el área desde la que es visible mayor será su impacto) o el diseño de una red de torretas de
vigilancia de incendios forestales (se trataría de maximizar la cuenca visual de cada una de ellas). La
figura 4.18 muestra un ejemplo del cálculo de zonas visibles desde el núcleo urbano de Hellín buscando
la zona óptima para instalar un repetidor de radio.
El módulo de GRASS para calcular cuencas visuales es r.los.
r.los input=elevacion output=visual coordinate=x,y obs_elev=10
max_dist=5000
El parámetro coordinate permite introducir las coordenadas del punto de observación (u observado),
obs_elev la elevación de este sobre el terreno y max_dist la distancia máxima para tener visibilidad.
Figura 4.17: Operador extendido. Cálculo de cuencas visuales
Figura 4.18: Ejemplo de cálculo de cuencas visuales en las cercanías de Hellín.

4.2.3 Operadores de área o zonales
Son aquellos que calculan algún parámetro (superficie, perímetro, índices de forma, distancias, estadísticos)
para zonas previamente conocidas. Puede tratarse de zonas definidas por diferentes valores de una variable
cualitativa (superficies con diferente litología por ejemplo) o de polígonos.
Uno de los casos más habituales es la obtención del valor medio de una variable cuantitativa para diferentes
valores de una variable cualitativa. Por ejemplo obtener la altitud media para cada tipo de uso de suelo a partir
de un mapa de elevaciones y de otro de usos del suelo (figura 4.19).
El módulo de GRASS que lleva a cabo este tipo de análisis es r.statistics. El ejemplo de la figura 4.19 se
implementaría con la siguiente orden:
r.statistics base=usos cover=MDE output=MDE_avg method=average
Este módulo tiene el inconveniente de que sólo admite capas raster de valores enteros como variable para la que
calcular los estadísticos, por ello es necesario convertir los valores decimales en enteros con r.mapcalc antes
de utilizarlo.
Los métodos disponibles son:
• diversity: diversidad
• distribution: distyribución
• average: media
• mode: moda
• median: mediana
• avedev: desviación media
• stddev: desviación típica
• variance: varianza
• skewness: sesgo
• kurtosis: curtosis
• min: valor mínimo
• max: valor máximo
• sum: suma
Usos MDE MDE_avg
Figura 4.19: Operador de área: Altitud media por áreas
Otro caso interesante es el cálculo de la superficie ocupada por cada uno de las entidades en un mapa de
polígonos o por cada uno de los valores de una variable cualitativa, en ambos casos el operador es el mismo
(figura 4.20). En GRASS utilizaremos el módulo r.areas para calcular las áreas de diferentes zonas:
r.areas input=municipios output=municipios_areas units=h
donde units hace referencia a las unidades en las que se medirá la superficie. Las opciones son las mismas que
con r.report.
Datos originales 1: 3 celdillas Superficies

2 3 5 1 2: 3 celdillas 3 2 5 3
3 4 5 4 3: 2 celdillas 2 3 5 3
4 2 5 1 4: 3 celdillas 3 2 5 3
5 1 2 5 5 3 3 5
5: 5 celdillas
La utilidad de este tipo de operadores es que permiten superar los análisis celdilla a celdilla característicos de
los operadores locales o de vecindad para llevar a cabo análisis sobre agrupaciones homogéneas de celdillas.
Permitirán por ejemplo calcular la pendiente media de una parcela de terreno o determinar la extensión de las
diversas manchas de bosque existentes en un área para determinar cuales tiene un tamaño adecuado para la
reintroducción de especies.
4.2.4 Operadores globales
Son aquellos que afectan a toda la capa raster, se basan en el concepto de distancia.
• Operador distancia euclidiana (figuras 4.21 y 4.22), permite calcular para todas las celdillas su distancia
a una serie de entidades en una capa raster.
• Operador distancia ponderada (figura 4.23), permite introducir el concepto de fricción que es el coste
de atravesar cada celdilla. Si por ejemplo tratamos de determinar el camino más corto a pie hacia un
punto en mitad de una sierra, debería tenerse en cuenta la mayor o menor facilidad para atravesar las
diferentes celdillas (debido a la pendiente, vegetación, presencia de caminos, etc.)
Datos originales 1: 3 celdillas Superficies

2 3 5 1 2: 3 celdillas 3 2 5 3
3 4 5 4 3: 2 celdillas 2 3 5 3
4 2 5 1 4: 3 celdillas 3 2 5 3
5 1 2 5 5 3 3 5
5: 5 celdillas
Figura 4.20: Operador de área: Cálculo de la superficie para cada uso de suelo
Figura 4.21: Operador global. Cálculo de distancias
• Operador entidad más cercana (figuras 4.22 y 4.23), complementario de los anteriores ya que indica,
para cada celdilla, cual es la entidad más cercana. Resulta de utilidad para resolver problemas de dis-
tribución de servicios (hospitales, colegios, etc.)
La siguiente orden muestra un ejemplo en el que se ha considerado que el coste de atravesar una celdilla es la
misma para todas las celdillas. La capa raster de fondo representa la distancia a los núcleos urbanos, mientras
que los polígonos representan el área de influencia de cada uno de núcleos urbanos. El resultado aparece en la
figura 4.22.
r.distancias input=urbanos dist_map=distancia alloc_map=cercanos
Este mismo análisis puede hacerse también incorporando una capa que representa el coste de atravesar cada una
de las celdillas. En la figura 4.23 aparece el ejemplo anterior, pero ahora considerando que el coste de atravesar
cada una de las celdillas es proporcional a su pendiente. La llamada a r.mapcalc sirve para producir un mapa
de coste con valores enteros y con valores máximos en las celdillas de mar para imposibilitar el paso por ellas.
r.mapcalc ’pendiente_int=if(isnull(pendiente),99,int(pendiente))’
r.distancias input=urbanos coste=pendiente_int dist_map=distancia

alloc_map=cercanos
Figura 4.22: Cálculo de distancias a núcleos urbanos en la Región de Murcia. No se ha considerado el coste de
atravesar cada celdilla. Los polígonos indican las áreas que están más próximas al núcleo situado en su interior
que a ningún otro.
Figura 4.23: Cálculo de distancias con coste igual a la pendiente en la Región de Murcia. Los polígonos indican
las áreas que están más próximas al núcleo situado en su interior que a ningún otro.
mapa_coste mapa_salida ruta
1 1 1 2 2 5 3 3 4 4 1 1 N N N
3 3 1 1 2 5 4 2 2 4 N N 1 N N
3 1 1 2 2 r.cost 5 2 1 3 5 r.drain N N 1 N N
2 1 1 1 1 4 2 2 2 3 N N N N N
1 2 3 3 3 3 4 5 5 5 N N N N N
Figura 4.24: Esquema del funcionamiento de los operadores de coste acumulado y ruta más corta
El módulo r.cost produce una capa con el coste acumulado que conlleva viajar desde un punto del mapa a
cualquier otro punto del mapa. El punto de entrada se introduce como un par de coordenadas o como una capa
vectorial con varios puntos de entrada:
GRASS: /path > r.cost -k input=mapa_coste output=mapa_salida coordinate=x,y
La opción -k fuerza al programa a usar “movimientos Rey” en lugar de “movimientos de torre”, de este modo
se fuerza al programa a tener en cuenta posibles desplazamientos en la diagonal, es un procedimiento más lento
pero más exacto. Los parámetros input y output hacen referencia al mapa de entrada y salida respectivamente.
Operador ruta más corta
La utilización del operador extendido linea de flujo sobre capas que representen distancias o distancias pon-
deradas permite determinar la distancia más corta entre dos puntos teniendo en cuenta los diferentes factores
que influyen en el coste de atravesar una celdilla.
En las siguientes tablas aparece un ejemplo de obtención de una capa de coste acumulado desde la celdilla
central a partir de una capa de costes de entrada y de la obtención de la ruta final.
En la figura 4.24, la celdilla central (en color rojo) es la celdilla desde la que se calcula el coste acumulada para
cada celdilla; la celdilla superior izquierda (en azul) es la que marca el inicio de la ruta en el módulo r.drain.
El módulo r.drain toma como capa de entrada la capa de costes generada anteriormente y genera la ruta
óptima (mínimo coste) entre el punto anterior y un nuevo punto que se pasa como parámetro a r.drain:
r.drain input=coste output=ruta coordinate=573012,4270496
4.3 Modelización cartográfica en formato raster
El uso del álgebra de mapas supone la superación de la fase inicial de presentación y consulta de datos en
un SIG e iniciar un uso más avanzado (análisis, modelización de procesos, toma de decisiones, etc.) que nos
permita la resolución de problemas espaciales complejos.
Para ello, es necesario no quedarse en una concepción del álgebra de mapas como un conjunto de operadores
que se utilizan de forma separada, y entender el álgebra de mapas como un lenguaje con el que es posible
expresar modelos más o menos complejos que permiten resolver problemas concretos.
Figura 4.25: Obtención de una capa de coste y una ruta óptima
4.3.1 El álgebra de mapas como sistema
Siguiendo un enfoque sistémico de lo que es un SIG, el álgebra de mapas es un conjunto de operadores/módulos,

y cada uno de ellos constituye un componente del sistema de información que transforma una serie de entradas
de información en una serie de salidas. Las entradas y salidas son fundamentalmente capas de información
espacial, pero también pueden ser tablas o visualizaciones en pantalla o impresora (figura 4.26).
La integración de diversos módulos para resolver un problema suele planificarse y representarse mediante
gráficos denominados diagramas de flujo que son de uso común tanto en dinámica de sistemas como en
programación de ordenadores. Se han propuesto diversos métodos de elaboración de estos diagramas, una
buena opción es representar los mapas mediante rectángulos y los módulos mediante óvalos. Las relaciones
entre unos elementos y otros se representa mediante flechas.
Puesto que los operadores de álgebra de mapas toman una o varias capas de entrada y producen una capa de sal-
ida, el análisis SIG puede concebirse como una especie de mecano lógico mediante el cual diferentes piezas (op-
eradores) se ensamblan formando análisis complejos que, en definitiva, constituyen nuevos macrooperadores.
Podemos pensar también en el conjunto de operadores como en componentes electrónicos o piezas de un
mecano que pueden enlazarse para configurar el sistema de acuerdo a nuestras necesidades, es decir con el
objeto de resolver un problema.

La resolución de problemas no va a involucrar sólo a operadores-módulos de SIG, sino también a otros pro-
gramas presentes en el sistema operativo e incluso herramientas desarrolladas por el usuario. En algunos casos
estas herramientas se desarrollan a partir de la combinación de algunos operadores que da lugar a un nuevo
macro-operador.
Figura 4.26: Ejemplos del concepto de operador
4.3.2 Conceptualización y formulación de un problema espacial mediante modelización car-

tográfica
La aplicación de estas ideas a la resolución de problemas en un entorno SIG requiere, en primer lugar, la
descomposición del problema planteado en una serie de subproblemas y estos a su vez en otros, hasta que
queden convertidos en una serie de operadores, interconectados en un diagrama de flujo, que se transfieren y
transforman información espacial.
El primer paso para desarrollar un modelo que permita resolver un problema espacial es determinar como debe
actuar el modelo, para ello hay que empezar teniendo claro cual es el resultado final que se quiere obtener
(generalmente uno o varios mapas y algunos informes) y aplicar el siguiente procedimiento recursivo:
1. Determinar que operador/es produciría el mapa o los mapas resultado
2. Determinar los mapas de entrada a dichos operadores
3. Disponemos de esos mapas?
• SI. Terminado
• NO. Considerar estos mapas de entrada como nuevos mapas resultado y volver, para cada uno de
ellos, al paso 1
El desarrollo de un proyecto SIG consistiría de esta manera en la división sucesiva de un problema en subtareas
cada vez más simples hasta el momento en que cada una de estas subtareas pudiera expresarse como un operador
de álgebra de mapas (figura 4.28 parte baja); este es el concepto fundamental del trabajo con un SIG.
Una vez conceptualizado el modelo es necesario formularlo, es decir convertir el esquema en un conjunto
de órdenes cuya ejecución sucesiva resolverá el problema. Por tanto el álgebra de mapas se convierte en un
lenguaje de programación y el trabajo con un SIG en el desarrollo de algoritmos.
Una vez que se ha explicitado un determinado trabajo en SIG como una serie de ordenes escritas en el lenguaje
formal del álgebra de mapas lo que tenemos es un programa con todas las de la ley. Por tanto podemos escribirlo
en un fichero y utilizarlo con otro conjunto de datos diferente. Evidentemente para hacer esto necesitamos un
SIG basado en comandos, es decir basado en un lenguaje.
Cualquier SIG suficientemente potente permite utilizar un lenguaje de programación que permita utilizar,
además de las propias órdenes del sistema, otros elementos como variables, estructuras condicionales o ite-
rativas que evalúen condiciones, posibilidad de definición de funciones, etc. Generalmente se utilizan los de-
nominados lenguajes de scripts interpretados (algo más sencillos de manejar que los lenguajes compilados).
En GRASS se utiliza el lenguaje de la shell (del sistema operativo).
Finalmente cabe destacar cuatro ideas básicas sobre el álgebra de mapas:
• Conocer el conjunto de operadores de álgebra de mapas no significa saber utilizar el álgebra de mapas
para resolver problemas.
• El álgebra de mapas se aprende con la práctica y viendo ejemplos
• El álgebra de mapas crece ya que pueden crearse nuevos operadores a partir de la combinación de otros
operadores formado programas
• Los problemas complejos pueden dividirse siempre en subproblemas simples
Para finalizar, es importante tener en cuenta que la existencia de errores e incertidumbres en las capas de
entrada va a generar errores e incertidumbres en la de salida. Por ejemplo si la pendiente de una celdilla es
5 ± 1% y se eleva esa celdilla al cuadrado, el resultado será 25 pero con un intervalo de error entre 16 y 36. Es
decir la incertidumbre a pasado del 20% al 40%.
4.3.3 Un ejemplo
Se requiere la localización de áreas de cultivos susceptibles de recibir ayudas para mejoras de regadío. Los
ingenieros agrónomos han desarrollado un modelo conceptual según el cual estas áreas deberán tener una
elevación inferior a 550 m y pendiente inferior a 5%. Estas áreas deben a su vez estar a menos de 500 m de un
curso fluvial y estar en cultivo.
Para resolverlo se ha desarrollado ya el correspondiente modelo lógico de datos que ha dado lugar a las si-
guientes capas de información:
• Una capa vectorial con la red de drenaje (red_vect),
• Una capa raster de usos del suelo (usos),
• Una capa raster de elevaciones (elevacion).

Figura 4.27: Esquema de resolución del problema del ejemplo con álgebra de mapas
Para resolverlo1 el primer paso sería determinar con que operación podemos conseguir el mapa resultado y
cuales son los mapas de entrada a dicha operación. En este caso necesitamos un mapa de elevaciones (que ya
tenemos), un mapa de pendientes (que podemos obtener a partir del de elevaciones) y un mapa de distancia a
la red de drenaje. El módulo que evaluará en que celdillas se cumplen las condiciones impuestas es r.mapcalc;
y el módulo que obtiene las pendientes a partir de las elevaciones será r.slope.aspect.
Para obtener un mapa de distancias a la red de drenaje tendremos que rasterizar esta (módulo v.to.rast) y utilizar
el módulo r.distancias para establecer las distancias.
Estas operaciones deben organizarse en un diagrama de flujo (figura 4.27) y decidir el orden en que se va a
ejecutar cada paso. Lógicamente ningún paso debe ejecutarse antes de tener toda la información de entrada que
necesita., La figura 4.27 indica también el número de orden.
1
A continuación se detalla la resolución con GRASS, la resolución con cualquier otro SIG será conceptualmente igual pero cam-
biarán los nombres de los módulos
A continuación se resuelve cada uno de los pasos:
1. Obtener una capa de pendientes a partir de la de elevaciones mediante un operador de vecindad

r.slope.aspect input=elevacion slope=pendiente
2. Rasterizar la capa de red de drenaje

v.to.rast input=red_vect output=red_rast use=val value=1
3. Calcular las distancias a la red de drenaje

r.distancias input=red_rast dist_map=red_dist alloc_map=cauce_cercano
4. Utilizar la calculadora de mapas para obtener capas que representen el cumplimiento de cada una de las
condiciones a partir de operaciones condicionales:
(a) r.mapcalc ’cond_elevacion=if(elevacion<550,1,0)’

(b) r.mapcalc ’ cond_pendiente=if(pendiente<5,1,0)’
(c) r.mapcalc ’cond_red=if(dist_red<500,1,0)’
(d) r.mapcalc ’cond_uso=if(usos==3,1,0)’
Asumiendo la siguiente codificación de usos del suelo:
uso (identificador) uso (etiqueta) cond_uso

1 Bosque 0
2 Matorral 0
3 Secano 1
4 Regadío 0
5 Urbano 0
5. Finalmente, puesto que las capas que hemos creado tienen valor cero cuando no se cumple la condición
y uno en caso contrario, pueden integrarse todas las condiciones con una simple multiplicación de capas:
r.mapcalc ’final=cond_elevacion * cond_pendiente * cond_red * cond_uso’
En realidad la reclasificación y todas las llamdas a r.mapcalc podrían haberse integrado con una única operación
con la calculadora de mapas:
r.mapcalc ’final=if(elevacion<550 && pendiente<5 && dist_red<500 && uso==3,1,0)’
4.4 Bibliografía
• De Meers, M.N. (2002) GIS Modeling in Raster John WIley & sons, Chichester 203 pp.
• Tomlin, C.D. (1990) Geographic Information Systems and Cartographic Modeling Prentice Hall,249 pp.
• Tomlin, C.D. (1991) Cartographic modeling en D.J. Maguire; M.F. Goodchild and D.W. Rhind (Eds.);
1991 Geographical Information Systems: Principles and Applications, John Wiley & sons, Chichester
(www.wiley.co.uk/wileychi/gis/resources.html)
Figura 4.28: Esquema de resolución del problema mostrando los mapas

Tema 5
Geoprocesamiento en formato vectorial.
El conjunto de herramientas que permiten analizar y crear nuevas capas de información espacial en formato
vectorial se suelen agrupar con el nombre de geoprocesamiento, aunque en sentido estricto podríamos aplicar
el término tanto al trabajo con datos raster como vectoriales.
Las capas vectoriales están formadas por un conjunto de objetos (puntos, lineas o polígonos), codificados me-
diante su posición en el espacio (coordenadas), y una tabla enlazada que contiene diversas variables asociadas
a los objetos y en la que cada linea representa los valores de uno de estos objetos.
Mientras que los objetos se almacenan en ficheros propios del programa que estemos utilizando, las tablas
suelen almacenarse en una base de datos independiente gestionada por un Sistema de Gestión de Bases de
Datos (SGBD), en inglés DBMS (Data Base Management System). Gran parte de las operaciones de geoproce-
samiento se basan en operaciones sobre las tablas llevadas a cabo en el SGBD, por ello este tema comienza
con una exposición con cierto detalle acerca de que son y como funcionan los SGBD así como de las carac-
terísticas del lenguaje más utilizado por estos, el Lenguaje Estructurado de Consultas (SQL, Structured Query
Language).
5.1 Sistemas de Gestión de Bases de Datos
Una base de datos es una colección de datos interrelacionados y almacenados de forma coherente. Un Sistema
de Gestión de Bases de Datos (SGBD) consiste en un conjunto de programas para acceder a una base de datos.
Aunque estas definiciones puede aplicarse en sentido amplio a cualquier programa informático y a los datos
que manejan, los SGBD están orientados al almacenamiento de grandes volúmenes de datos gestionados por
organismos públicos o privados de cierta entidad para el acceso concurrente (varios al mismo tiempo) por
múltiples usuarios.
Normalmente, en el núcleo de un Sistema de Información se sitúa un SGBD, aunque el caso de los SIG es
un poco diferente ya que, en principio, los datos espaciales no son adecuados para su manejo con SGBD
tradicionales. Sin embargo, a lo largo del desarrollo de las tecnologías ligadas a los SIG desde 1970 hasta la
actualidad, una de las tendencias más claras es el papel, cada vez más importante, que tienen los SGBD como
apoyo a los programas de gestión de SIG.
En principio se utilizaron para almacenar, como tablas, los atributos temáticos asociados a un conjunto de enti-
dades espaciales almacenadas en formato vectorial. A esta solución se la denomina (modelo Geo-relacional).
95
96 Tema 5. Geoprocesamiento en formato vectorial.
Hoy en día cada vez se utilizan más para el almacenamiento conjunto de la información geométrica (conjunto
de coordenadas), topológica y temática de las entidades espaciales dando lugar a las llamadas Geodatabases.
Aunque se han hecho algunos intentos para almacenar información en formato raster en un SGBD, esta opción
no resulta todavía eficiente salvo en aplicaciones concretas.
5.1.1 Características fundamentales de un Sistema de Gestión de Base de Datos (SGBD)
Un SGBD permite el almacenamiento, manipulación y consulta de datos pertenecientes a una base de datos
organizada en uno o varios ficheros. En el modelo más extendido (base de datos relacional) la base de datos
consiste, de cara al usuario, en un conjunto de tablas entre las que se establecen relaciones1 . A pesar de la
semejanza con un programa de hoja de cálculo (ambos manejan conjuntos de tablas) un SGBD tiene una serie
de características que lo diferencian de las hojas de cálculo:
• El método de almacenamiento y el programa que gestiona los datos (servidor) son independientes del
programa desde el que se lanzan las consultas (cliente) (figura 5.1). De este modo los programas clientes
son muy sencillos ya que sólo tienen que enviar consultas y recibir los resultados de estas.
• En lugar de primar la visualización de toda la información, el objetivo fundamental es permitir consultas

complejas2 , cuya resolución está optimizada, expresadas mediante un lenguaje formal. El lenguaje más
habitualmente utilizado para ello es SQL.
• El almacenamiento de los datos se hace de forma eficiente aunque oculta para el usuario y normal-
mente tiene, al contrario de lo que ocurre con las hojas de cálculo, poco que ver con la estructura con la
que los datos se presentan al usuario.
• Un SGBD permite el acceso concurrente de múltiples usuarios autorizados a los datos, realizando ope-
raciones de actualización y consulta de los mismos garantizando la ausencia de problemas de seguridad
(debidos a accesos no autorizados) o integridad (pérdida de datos por el intento de varios usuarios de
acceder al mismo fichero al mismo tiempo).
• Se incluyen herramientas propias de copia de seguridad y recuperación de datos.
El programa servidor suele activarse al arrancar el ordenador, podría compararse a un bibliotecario que recibe
peticiones (consultas) de diferentes usuarios (programas clientes) y les entrega el resultado de la consulta.
5.1.2 Modelos de SGBD
Las primeras bases de datos fueron simplemente ficheros de texto en formato ASCII conteniendo tablas. Las
hojas de cálculo supusieron un avance ya que permiten operaciones complejas entre los diferentes elementos
de una tabla. Sin embargo las hojas de cálculo presentan ciertas limitaciones cuando la cantidad de datos y
usuarios es elevada. Estas limitaciones se superan con la optimización del almacenamiento y la capacidad de
acceso concurrente que tienen las bases de datos.
1
En la bibliografía en inglés sobre bases de datos se habla de relations (tablas) y relationships relaciones entre las tablas. El término
base de datos relacional hace en realidad referencia a la organización de los datos en forma de tablas, no a las relaciones entre ellas
2
Por ejemplo: ¿A que distancia de la capital municipal se encuentran los núcleos urbanos de la Región de Murcia cuya población
es superior a la media por núcleo urbano de su municipio?
Figura 5.1: Esquema cliente-servidor en una base de datos
Hoy en día existen dos grandes modelos, las bases de datos relacionales y el modelo orientado a objetos, y
un modelo híbrido denominado modelo Objeto-Relacional (modelo OR). En cualquier manual de bases de
datos puede encontrarse información acerca de modelos más antiguos como las bases de datos jerárquicas o las
bases de datos en red.
A continuación se habla con cierto detalle de las bases de datos relacionales y en la sección 4.4.1 de las bases
de datos objeto-relacionales. El modelo de bases de datos orientado a objetos tiene poco interés aplicado.
5.1.3 Bases de datos relacionales
Las bases de datos relacionales, el modelo más utilizado hoy en día3 , consisten en un conjunto de tablas,
similares a las tablas de una hoja de cálculo, formadas por filas (registros) y columnas (campos). Los registros
representan cada uno de los elementos (personas, provincias, observatorios, etc.) descritos en la tabla y los
campos los atributos (variables de cualquier tipo) de los minsmos (ver figura 5.2).
Las diferencias respecto a las tablas de las hojas de cálculo son las siguientes:
• Cada tabla almacena unicamente entidades de una misma clase (municipios, núcleos urbanos, carreteras,
etc.).
• El número de columnas debe ser el mismo para todos los registros de una tabla. Si en uno de los registros
no se tiene algún dato se utiliza algún tipo de codificación especial como valor Nulo (por ejemplo -9999).
• Cada columna tiene un único tipo de dato, estos pueden ser:
– Números enteros
3
Este modelo se estableció en 1970, una eternidad hablando de informática. La longevidad de esta tecnología da idea de su validez
y aceptación
Figura 5.2: Ejemplo de tabla en una base de datos
– Números reales
– Cadena de caracteres de longitud variable
– Fechas
Estos tipos simples se denominan tipos atómicos y permiten una mayor eficacia en el manejo de la base
de datos a costa de reducir la flexibilidad a la hora de manejar los elementos complejos del mundo real.
También supone un problema a la hora de manejar datos geométricos, y por tanto datos espaciales.
• Las tablas comparten algún campo entre ellas, estos campos compartidos van a servir para establecer
relaciones entre las tablas.
• Se llama clave primaria a un campo o a una combinación de campos que identifica de forma única a
cada fila de una tabla. No pueden haber dos filas en una tabla que tengan la misma clave primaria.
• Por otro lado se denomina clave foránea a una columna o grupo de columnas en una tabla (tabla hija o
referendo) que se refiere a una claver primaria en otra tabla (tabla maestra o referenciada).
Por ejemplo, en una tabla de países el identificador de cada país podría ser la clave primaria; por otro
lado en una capa de ciudades, debería haber una columna con los identificadores de los países a los
que pertenecen las ciudades. Esta última columna actuaría como clave foránea haciendo referencia a los
identificadores (clave primaria) de la tabla de países.
• Es posible crear múltiples vistas simples de una tabla compleja que resumen su contenido sin necesidad
de crear una tabla nueva que almacene información redundante.
• En la definición de las tablas es posible introducir restricciones para garantizar que los datos introducidos
son correctos, pertenecen al conjunto de valores posibles (números enteros mayores de cero por ejemplo)
y que no existen valores duplicados cuando no deba ser así.
• Pueden introducirse índices sobre las columnas que permiten acelerar la búsqueda de registros.
municipios
Columna Tipo
ident integer
nombre character varying(25)
cod_comarc integer
comarca character varying(28)
poblacion integer
renta95 integer
renta00 integer
secano integer
regadio integer
parcelas integer
presupuesto_per_capita integer
urbanos
Columna Tipo
cat integer
nombre character varying(50)
municipio integer
poblacion integer
Figura 5.3: Ejemplos de tablas en una base de datos relacional. Las claves primarias aparecen en rojo, la clave
foranea en azul.
En la figura 5.3 aparecen dos tablas, la primera es una tabla de información básica municipal, el campo ident
actúa como clave primaria, se trata de un identificador numérico, único para cada municipio4 .
La segunda tabla (urbanos) contiene los núcleos urbanos. En ella la columna municipios es una clave
foránea referida a ident de la tabla municipios. La columna cat es la clave primaria de la tabla urbanos.
5.2 Una Pequeña introducción a SQL
El lenguaje estructurado de consultas (SQL) es un lenguaje normalizado, utilizado por la gran mayoría de los
SGBD relacionales u objeto-relacionales.
Es un lenguaje declarativo, esto significa que las órdenes especifican cual debe ser el resultado y no la manera
de conseguirlo. Al ser declarativo es muy sistemático, sencillo y con una curva de aprendizaje muy fácil ya que
sus palabras clave permiten escribir las ordenes como si fueran frases en las que se especifica (en inglés) que
es lo que queremos obtener5 . Por ejemplo:
SELECT nombre
FROM municipios
WHERE poblacion>5000
ORDER BY poblacion;
4
Es preferible utilizar valores numéricos en lugar de una cadena de caracteres ya que se ahorra espacio y se evitan problemas con el
uso de mayúsculas, acentos, etc.
5
Sin embargo los lenguajes declarativos carecen de la potencia de los procedimentales.
significa "devuelve el nombre de aquellos municipios con una población mayor de

5000 habitantes y preséntalos ordenados en función de esta variable". Aunque
aquí se ha dividido la orden en cuatro lineas para darle más claridad, se podría introducir en una sola, ya que el
indicador de fin de orden es el signo ;.
SQL se ha convertido, debido a su eficiencia, en un estándar para las bases de datos relacionales, de hecho el
gran éxito del modelo de base de datos relacional se debe en parte a la utilización de un lenguaje como SQL. A
pesar de su teórico carácter estándar, se han desarrollado, sobre una base común, diversas versiones ampliadas
como las de Oracle o la de Microsoft SQL server.
El lenguaje SQL está compuesto por órdenes, cláusulas, operadores y funciones de agregación que se combinan
en las instrucciones para crear, actualizar y manipular tablas u otros objetos en la base de datos. Incluye diversos
tipos de capacidades:
• Órdenes para la consulta de datos seleccionados de acuerdo a criterios complejos que involucran diversas
tablas relacionadas por un campo común (SELECT). La mayor parte de las órdenes que se lanzan a una
Base de Datos Relacional son de este tipo.
• Órdenes para la definición y creación de una base de datos (CREATE TABLE).
• Órdenes para inserción, borrado o modificación de registros (INSERT, DELETE y UPDATE).
• Operadores aritméticos, lógicos y relacionales es posible incluir operaciones aritméticas así como
comparaciones, por ejemplo A > B + 3.
• Funciones de agregación: Operaciones tales como promedio (AVG), suma (SUM), máximo (MAX), etc.
se pueden aplicar a las columnas de una tabla para obtener una cantidad única y, a su vez, incluirla en
consultas más complejas.
Por tanto, en una base de datos relacional, los resultados de la consulta van a ser datos individuales, filas, colum-
nas o tablas que cumplen una serie de condiciones basadas en valores numéricos y operaciones aritmético-
lógicas.
A continuación se explica como realizar consultas con la orden SELECT. Los ejemplos que se pondrán utilizan
las tres tablas presentadas en la figura 5.3. En ellos, las órdenes SQL se dividirán en varias lineas para facilitar
su lectura.
Las órdenes SQL se pueden escribir indistintamente en mayúsculas o minúsculas, en los ejemplos a contin-
uación se escriben, para mayor claridad, en mayúscula las palabras clave del lenguajes y en minúscula los
nombres de tablas y campos.
5.2.1 Proyección y selección
Los dos tipos de consultas más sencillos se denominan proyección (selección de sólo algunas columnas de la
tabla), por ejemplo:
SELECT ident, nombre, poblacion
FROM municipios;
y selección (seleccionar todas las columnas de aquellos registros que cumplan con una determinada condición),
por ejemplo:
SELECT *
FROM municipios
WHERE poblacion>20000;
El asterisco significa que se piden todas las columnas que haya en la tabla.
Lógicamente lo habitual será hacer una combinación de ambas, por ejemplo una típica consulta sobre una tabla
en una base de datos relacional, utilizando SQL sería:
SELECT ident, nombre, poblacion
FROM municipios
WHERE poblacion>20000;
el resultado será una tabla en la que tendremos tres columnas (ident, nombre y poblacion) procedentes de
la tabla municipios, las filas corresponderán sólo a aquellos casos en los que el valor en la columna poblacion
sea mayor que 20.000.
Cuando los valores a los que se haga referencia sean cadenas de caracteres, estas deben escribirse entre comillas
simples6 . Se les puede aplicar también operadores relacionales ya que se ordenan alfabéticamente:
SELECT cat, nombre, poblacion
FROM municipios
WHERE nombre>’Lib’;
Esta orden devolverá solo aquellos municipios cuyo nombre esté por detrás de Librilla en el orden alfabético
(Mazarrón, Mula, Murcia, etc.).
5.2.2 Ordenar los registros
Los registros de salida pueden ordenarse mediante la clausula ORDER BY, especificando la lista de campos
que se van a utilizar para hacer la ordenación. Ejemplo:
SELECT id,nombre,poblacion
FROM municipios
ORDER BY poblacion;
Esta consulta devuelve las mismas variables que antes pero ahora ordenadas en función de su población.
Se pueden ordenar los registros por mas de un campo, como por ejemplo:
SELECT nombre,comarca,poblacion
FROM municipios
ORDER BY cod_comarc,poblacion;
Este ejemplo ordenará los municipios por comarcas y dentro de cada comarca por población.
Incluso se puede especificar el orden de los registros: ascendente mediante la clausula ASC (valor por defecto)
o descendente mediante la clausula DESC
6
Las comillas simples se obtienen con la tecla correspondientes al carácter de cierre de interrogación (?) y en pantalla aparecen
verticales
5.2.3 Limitar los registros devueltos
Para limitar el número de filas que devuelve el SGBD se añade la clausula DISTINCT entre SELECT y la
primera de las variables a recuperar. De esta manera se eliminan los registros que coincidan totalmente con
otros devueltos anteriormente en la misma consulta:
SELECT DISTINCT cod_comarc,comarca
FROM municipios;
Podemos también limitar el efecto de DISTINCT a a unas pocas variables:
SELECT DISTINCT ON (cod_comarc) comarca
FROM municipios;
5.2.4 Alias
En determinadas circunstancias es necesario asignar un nuevo nombre a alguna de las columnas devueltas por
el servidor. Para ello tenemos la palabra reservada AS que se encarga de asignar el nombre que deseamos a la
columna deseada:
SELECT nombre,(secano+regadio)/parcelas AS media
FROM municipios;
En este ejemplo se ha visto como pueden realizarse operaciones matemáticas entre las variables y devolver los
resultados en una consulta. Concretamente se obtiene el tamaño medio de las parcelas de cultivo dividiendo el
total de superficie cultivada (regadío más secano) entre el número de parcelas.
5.2.5 La cláusula WHERE
Ya se ha visto como la cláusula WHERE puede usarse para determinar qué registros de las tablas enumeradas en
la cláusula FROM aparecerán en los resultados de la instrucción SELECT.
Por ejemplo, para obtener sólo los municipios con más de 5000 habitantes, la consulta adecuada sería:
SELECT nombre
FROM municipios
WHERE comarca = ’Noroeste’;
Recuerda que en PostgreSQL, cada vez que se utilice una variable de cadena de caracteres, los valores deben
ser escritos entre comillas simples. Date cuenta también de que, al contrario de lo que ocurría con r.mapcalc,
ponemos un solo signo igual para hacer la comparación. Esto es así porque en SQL no existe el igual de
asignación.
La clausula where permite utilizar diversas opciones.
Operadores lógicos
Los operadores lógicos que pueden utilizarse en SQL son AND, OR y NOT.
SELECT nombre,poblacion
FROM municipios
WHERE poblacion > 20000 AND poblacion < 50000;
Esta consulta devolverá los municipios cuya población esté entre 20000 y 50000.
SELECT nombre
FROM municipios
WHERE poblacion > 20000 AND poblacion < 50000 OR cod_comarc=6;
Esta última consulta devolverá los municipios cuya población esté entre 20000 y 50000, o bien los situados en
la comarca 6.
En operaciones lógicas, AND se asimila al producto y OR a la suma, por tanto los paréntesis deben colocarse
como si se tratara de estas operaciones. En caso de duda no hay ningún problema en añadir más paréntesis.
Si a cualquiera de las anteriores condiciones le anteponemos el operador NOT el resultado de la operación será
el contrario al devuelto sin el operador NOT.
El operador BETWEEN
Para indicar que deseamos recuperar los registros según el intervalo de valores de un campo emplearemos el
operador BETWEEN:
SELECT nombre
FROM municipios
WHERE poblacion BETWEEN 20000 AND 50000;
esta orden es equivalente a:
SELECT nombre
FROM municipios
WHERE poblacion > 20000 AND poblacion < 50000;
La inclusión del modificador NOT supondría que la consulta devolviera los valores no situados en el rango de
valores especificado.
SELECT nombre
FROM municipios
WHERE poblacion NOT BETWEEN 20000 AND 50000;
El Operador LIKE
Se utiliza para comparar una expresión de cadena con un modelo en una expresión SQL.
El siguiente ejemplo devolvería todos los observatorios en cuyo nombre apareciera incluida la palabra "Vi-
llanueva" precedida o seguida por cualquier cadena de cero o más caracteres:
SELECT * from municipios
WHERE nombre LIKE ’%Villanueva%’;
El Operador IN
Este operador devuelve aquellos registros cuyo campo indicado coincide con alguno de los en una lista:
SELECT nombre
FROM municipios
WHERE cod_comarc IN (1,2,5);
Este ejemplo devuelve los municipios situados en las comarcas 1, 2 y 5.
Al igual que ocurría con el operador BETWEEN la inclusión del modificador NOT hace que se devuelvan aquellos
registros que no cumplen la condición.
SELECT nombre
FROM municipios
WHERE cod_comarc NOT IN(1,2,5);
5.2.6 Agrupamiento de Registros
En ocasiones el objetivo no será obtener un listado de los valores de las variables sino uno o varios estadísticos
calculados a partir de estas. Para ello se utiliza la clausula de agrupamiento GROUP BY que combina los
registros con valores idénticos, en la lista de campos especificados, en un único registro. Para cada registro
se crea un valor resumen si se incluye una función SQL agregada, como AVG, STDDEV, MIN, MAX, SUM o
COUNT en la instrucción SELECT. Por ejemplo, la siguiente orden devuelve cada una de las comarcas junto a
su población media por municipio.
SELECT comarca, AVG(poblacion) AS pob
FROM municipios
GROUP BY comarca;
Puede utilizarse la cláusula WHERE para excluir aquellas filas que no se desea agrupar.
Una vez que GROUP BY ha combinado los registros, la clausula HAVING hace que se muestren sólo los resul-
tados que satisfagan las condiciones introducidas tras la cláusula HAVING.
SELECT comarca,AVG(poblacion),COUNT(poblacion)
FROM municipios
GROUP BY comarca
HAVING AVG(poblacion)<5000;
Al final obtendremos la media de población por municipio y el total de habitantes en aquellas comarcas cuya
población media por municipio sea mayor que 5000 habitantes.
5.2.7 Limitar el número de registros devueltos por el servidor
Finalmente, puede limitarse el número de registros devueltos por la orden SELECT utilizando el modificador
LIMIT:
SELECT nombre,poblacion
FROM municipios
ORDER BY poblacion DESC
LIMIT 5;
que devolvería sólo 5 registros. Resulta útil para consultas del tipo ¿Cuales son los 5 municipios con mayor
población? Se ha utilizado el modificador DESC para forzar una ordenación descendente.
5.2.8 Consultas a varias tablas (Operador JOIN)
El operador JOIN se utiliza para combinar varias tablas en una consulta. En principio este tipo de operaciones
generan todas las posibles combinaciones entre los registros de la tabla 1 y los de la tabla 2, de este modo el
número de registros resultantes resulta de multiplicar el número de registros en la primera tabla por el número
de registros de la segunda tabla.
Puesto que se combinan varias tablas hay que especificar cada columna a que tabla corresponde mediante la sin-
taxis tabla.columna, tal como aparece en el ejemplo anterior7 . Para simplificar la orden, suele introducirse
un alias simplificado de las tablas (la primera letra por ejemplo). Por ejemplo la consulta:
SELECT m.nombre,u.nombre
FROM municipios m, urbanos u;
generará todas las combinaciones de registros en ambas tablas, por ejemplo el registro de La Alberca saldrá
combinado con los 45 registros municipales y no sólo con el de Murcia que sería lo razonable.
Este resultado debe filtrarse para quedarnos sólo con los registros que interesan que en principio serán aquellos
que tengan el mismo valor en un campo común. Para filtrar la consulta y que sólo aparezcan los núcleos
asociados a los municipios donde se encuentran es necesario que la clave foranea de la tabla de núcleos urbanos
sea igual a la clave primaria de la tabla de municipios:
FROM municipios m, urbanos u
WHERE m.ident=u.municipio;
ya que, tal como aparece en la figura 5.3, el campo municipio de la tabla urbanos (clave foranea) contiene
los mismos códigos numéricos que el campo ident de la tabla municipios (clave primaria).
Lógicamente se pueden añadir más condiciones y las clausulas habituales en SQL, así el siguiente ejemplo:
FROM municipios m, urbanos u
WHERE m.ident=u.municipio and u.poblacion>5000
ORDER BY m.nombre,u.nombre;
devolverá sólo los núcleos urbanos con más de 5000 habitantes ordenados por orden alfabético de municipios
y nombres.
5.3 SIG y bases de datos relacionales: El modelo geo-relacional
En una capa vectorial disponemos de información geométrica y temática. Lo más habitual es utilizar el SGBD
para almacenar la información temática y el SIG para la información geométrica y topológica. Para ello, a cada
capa vectorial en formato SIG, que contiene la geometría, le corresponde una tabla en el SGBD. El enlace
entre ambas se realiza mediante la utilización de la clave primaria de la tabla como identificador de los objetos
representados. A este sistema se denomina modelo de datos geo-relacional (figura 5.4).
Podemos pensar en un mapa vectorial como en una tabla en la que cada registro (fila) es un objeto (polígono,
linea o punto) que contiene un campo identificador y un campo que contiene la localización (conjunto de
coordenadas X e Y de tamaño, lógicamente, variable). Así este enlace actuaría como una relación entre tablas.
7
En realidad no es obligatorio salvo que haya dos columnas, una en cada tabla, con el mismo nombre
Figura 5.4: Enlace capa-tabla en una base de datos geo-relacional

Las posibilidades que introduce este modelo son:
• Mostrar en pantalla sólo los objetos de una capa que cumplan una determinada condición;
• Mostrar en pantalla los diversos objetos de una capa empleando una paleta de colores relacionada con
los valores de una determinada variable;
• Seleccionar un objeto en pantalla y que quede resaltado el registro en la tabla;
• Seleccionar un registro de una tabla y que este quede resaltado en la visualización de la capa;
A continuación se exponen algunas de las herramientas de geoprocesamiento disponibles utilizando el modelo

Geo-relacional:
5.3.1 Selección temática
Permite seleccionar objetos procedentes de una capa vectorial y crear una nueva capa que contiene sólo los
objetos seleccionados. La selección se realiza en función de los identificadores de los objetos o de los valores
almacenados en la tabla de atributos enlazada a la capa.
El módulo de GRASS para realizar una selección temática es v.extract:
En la figura 5.5 aparecen algunos ejemplos en los que la capa de entrada aparece en color gris y la capa
resultante en color rojo. En el primer caso se han seleccionado los municipios con los identificadores del 1 al
12. La orden para hacerlo es:
v.extract input=municipios output=extraccion list=1-12’
En el segundo los municipios de la comarca del Bajo Guadalentín (cod_comarc=5), esta consulta corre-
sponde al código SQL anterior; y en el tercero estos se han fusionado en un solo polígono. La orden para
hacerlo es:
v.extract input=municipios output=extraccion where=’cod_comarc=5’
En el tercer ejemplo, se utiliza la opción -d de v.extract para fusionar todos los polígonos extraídos:
v.extract -d input=municipios output=extraccion where=’cod_comarc=5’
Por defecto los objetos conservan su identificador y por tanto se copia la tabla de atributos de la capa de entrada
(rellena sólo con las filas correspondientes a los polígonos extraídos).
5.3.2 Selección espacial
Permite seleccionar objetos de un mapa vectorial a partir de los objetos presentes en otro. La figura 5.6 muestra
como se han seleccionado aquellos municipio que están en parte dentro del rectángulo.
El módulo de GRASS para realizar una extracción temática es v.select:
v.select ainput=municipios binput=marco output=extraccion
La figura 5.7 muestra el resultado de combinar una selección temática (extraer el municipio de Murcia) con una
selección espacial:
v.extract input=municipios output=extraccion where="nombre=’Murcia’"
a b
Figura 5.5: Resultados de 3 ejemplos de v.extract presentados en el texto, en cada caso los polígonos en rojo
son los que han resultado de la extracción
v.select ainput=observatorios binput=extraccion output=obs_murcia
La primera orden extrae el polígono del municipio de Murcia y crea con el una nueva capa (extraccion).
La segunda orden utiliza ese polígono para seleccionar aquellos observatorios que se sitúan en su interior.
5.3.3 Funciones que crean nuevas capas
Estas operaciones generan, a partir de una o más capas de entrada, una capa que contiene entidades diferentes
a las que aparecian en aquellas.
Figura 5.6: Resultado de v.select, los polígonos en rojo son los que han resultado de la selección
Figura 5.7: Selección de los observatorios meteorológicos ubicados en el municipio de Murcia

Figura 5.8: Resultado de la disolución del mapa reclasificado de comarcas
Funciones que utilizan una única capa de entrada
Estas funciones utilizan una capa de entrada para producir otra de salida (ver figura 5.9).
• Buffer o área de influencia (figura 5.9.a)

El módulo v.buffer permite establecer áreas de un tamaño determinado (parámetro buffer) alrededor de
entidades de cualquier tipo (point, line, area).
v.buffer input=vertices_50 output=vertices_circulos type=point buffer=10000
• Conjunto convexo (figura 5.9.b)

Se trata de un polígono que contiene todos los puntos a partir de los cuales se forma (bien en su interior
o bien en su frontera) de manera que cada punto en la frontera forma un ángulo de menos de 180 grados
hacia el interior del polígono. Suele utilizarse para determinar el área dentro de la cual una interpolación
a partir de los puntos se considera que dará buenos resultados.
El módulo v.hull permite obtener el conjunto convexo a partir de una capa de puntos.
v.hull input=vertices_50 output=vertices_hull
• Triangulación de Delaunay (figura 5.9.c)

Genera una red irregular de triángulos (TIN) a partir de una capa de puntos.
v.delaunay input=vertices_50 output=TIN
• Polígonos de Thiessen (figura 5.9.d)

Se utilizan como método muy rudimentario de interpolación.
v.voronoi input=vertices_50 output=thiessen
a b
c d
Figura 5.9: Resultados de funcionen que crean una capa de salida a partir de una única capa de entrada. a)
buffer, b) conjunto convexo, c) triangulación de Delaunay, 4) polígonos de Thiessen
5.3.4 Funciones aplicadas a dos capas de entrada
Estas operaciones parten de dos capa de entrada (una de ellas debe ser un polígono) y genera una capa de salida
combinando ambas capas. En GRASS se llevan a cabo con el módulo v.overlay. El parámetro operator permite
introducir la operación que se va a realizar. La figura 5.10 muestra el resultado de aplicar estas operaciones a la
mapa de municipios de la Región de Murcia y la capa de Unidades hidrogeológicas de la Cuenca del Segura.
Existen cuatro tipos:
• Intersección. Aplicado a dos capas de polígonos, el resultados será una capa en la que cada polígono
surge de la intersección de un polígono de la capa A y un polígono de la capa B. Equivale al operador
lógico AND. En la figura 5.10 cada polígono resultante pertenece a un único municipio y una única
unidad hidrogeológica. Aquellas zonas que no estén dentro de un municipio y dentro de una unidad
hidrogeológica quedan en blanco.
v.overlay ainput=hidrogeologia binput=municipios output=overlayand
operator=and
La tabla 5.1 muestra las columnas de las tablas enlazadas a las capas municipios, hidrogeologia
y overlayand. La tabla enlazada a la capa de salida contiene una copia de cada una de las columnas
en las capas de entrada.
• Unión Genera una nueva capa en la que cada geometría la unión de varias geometrías que se superponen
en las dos capas de entrada. Equivale al operador lógico OR. En la figura 5.10 cada polígono resultante
pertenece a un único municipio y una única unidad hidrogeológica, incluyéndose aquellas zonas que
puedan estar o bien sólo dentro de un municipio o bien sólo dentro de una unidad hidrogeológica.
v.overlay ainput=hidrogeologia binput=municipios output=overlayor
operator=or
• Diferencia. Toma como entrada dos polígonos. Devuelve la parte de la primera geometría que no forma
intersección con la segunda geometría. Esta operación es el equivalente espacial de la operación lógica
NOT.
v.overlay ainput=hidrogeologia binput=municipios output=overlaynot
operator=not
Calcular la diferencia entre una capa A y otra B no ofrecerá el mismo resultado que hacerlo al revés. Así
en la figura aparece el resultado de restar a la capa de municipios la de unidades hidrogeológicas con lo
que aparecen aquellas zonas que pertenecen a un municipio pero no a una unidad hidrogeológica. Si se
hubiese calculado al reves el resultado hubiese sido diferente,
• Diferencia simétrica, también llamada or exclusivo. Devuelve la diferencia simétrica (el equivalente
espacial de la operación lógica XOR) de dos geometrías que forman intersección y tienen la misma
dimensión. Es decir sólo habrá geometría donde hubiese geometría en una y sólo una de las capas de
entrada (operador XOR en la figura ).
v.overlay ainput=hidrogeologia binput=municipios output=overlayxor
operator=xor
municipios hidrogeologia
overlayand overlayor
overlayxor overlaynot
Figura 5.10: Resultados de v.overlay utilizando los operadores and, or, xor y not con las capas de municipios y
unidades hidrogeológicas
municipios hidrogeologia overlayand

cat cat cat
ident unidad a_cat
cod_comarc nombre a_ident
comarca dominio a_nombre
poblacion area a_cod_comarc
renta95 perimetro a_comarca
renta00 a_poblacion
secano a_renta95
regadio a_renta00
parcelas a_secano
presupuesto a_regadio
a_parcelas
a_presupuesto_per_capita
b_cat
b_unidad
b_nombre
b_dominio
b_area
b_perimetro
Tabla 5.1: Tablas enlazadas a las capas de entrada y salida. Para cada tabla se especifican las columnas que
contiene
5.4 Geodatabases
El concepto tradicional en un SIG es el de base de datos georrelacional. Sin embargo, en los últimos años se
ha desarrollado el concepto de Geodatabase como un conjunto de tablas en una bases de datos que incluyen,
entre sus columnas, la información geométrica de los objetos.
5.4.1 Bases de datos objeto-relacionales
Las Geodatabases son un caso particular de base de datos objeto-relacional. Se trata de un modelo de base
de datos que mantiene el esquema de tablas entre las que se establecen relaciones pero permitiendo como
atributos, además de los tipos atómicos, otros más complejos denominados tipos abstractos de datos (ADT)
que admiten objetos geométricos. Para ello el SGBD debe modificarse para admitir nuevas capacidades:
• Deben poder definirse nuevos tipos de datos (tipos abstractos) que permitan almacenar la geometría
(puntos, lineas, polígonos, etc.).
• Las funciones y operadores ya existentes se adaptan para manejar estos datos espaciales.
• El lenguaje SQL se extiende para manipular información geométrica, incluyendo funciones geométrica
(distancia, área, perímetro, etc.) y topológicas (cruce de lineas, punto en polígono, intersección de polí-
gonos, etc.)
• En el nivel físico, es decir en el modelo digital, se requieren cambios profundos.
Entre las ventajas que aporta este modelo destaca que se gana en velocidad al llevarse a cabo casi todo el
procesamiento en el SGBD de forma que el programa de SIG pierde protagonismo y queda como simple
programa para visualizar. De este modo también se permite que diversos programas cliente puedan acceder de
forma concurrente al programa servidor.
El inconveniente es que las extensiones de SQL para incluir operadores espaciales se hacen demasiado com-
plejas. Por otro lado sigue siendo necesaria la existencia de herramientas de SIG que lean la información
almacenada en la base de datos y la muestren en pantalla.
5.4.2 Geodatabases
El concepto de Geodatabase es uno de los que han experimentado en los últimos años una mayor expansión en
el mundo de los SIG. Se trata simplemente de una base de datos objeto-relacional que almacena toda la infor-
mación relativa a un conjunto de entidades espaciales (geometría, topología, identificadores, datos temáticos,
etc.) de la misma capa en un conjunto de tablas utilizando tipos abstractos de datos. Las ventajas de este modelo
de trabajo son varías:
• Almacenamiento conjunto de geometría, topología y atributos;
• Utilización de índices espaciales de mayor potencia para acelerar las búsquedas en tablas-capas de gran
tamaño;
Figura 5.11: Esquema de una tabla en una base de datos objeto-relacional
• Posibilidad de usar una versión ampliada de SQL para hacer consultas espaciales en las que se incluyen
las propiedades geométricas y topológicas de los objetos, además de sus atributos temáticos, permitiendo
implementar herramientas complejas de geoprocesamiento;
• Mayor integración, en una sola herramienta, de todas las funciones para trabajar con información vecto-
rial con lo que se mejora la gestión de los datos espaciales.
Entre los programas que permiten trabajar con bases de datos espaciales cabe destacar tres, ArcGIS, Oracle
spatial y PostgreSQL + PostGIS. Oracle está considerado como el mejor programa de gestión de base de
datos, siendo uno de sus inconvenientes su elevado precio. PostgreSQL es una alternativa libre (y gratuita)
que realmete no desmerece apenas de Oracle. PostGIS es una extensión, también libre, de PostgreSQL que le
permite trabajar con bases de datos objeto-relacionales.
A continuación se presentan las nuevas funciones del SQL ampliado que se utilizan para manejar información
espacial. Para facilitar la comprensión de las órdenes aparece en rojo las clausulas tradicionales de SQL, en
azul las nuevas funciones, en verde los nombres de las columnas que contienen los objetos geométricos y en
negro los nombres de tablas, columnas convencionales y variables.
5.4.3 Funciones que devuelven un número
• ST_X(geometria), devuelve la coordenada X de un punto
• ST_Y(geometria), devuelve la coordenada Y de un punto
• ST_Z(geometria), devuelve la coordenada Z de un punto
• ST_Length(linea), devuelve la longitud de una linea
• ST_Area(polígono), devuelve el área de un polígono

• ST_Perimeter(polígono), devuelve el perímetro de un polígono
• ST_NumPoints(geometria), devuelve el número de puntos de cualquier geometría
• ST_Distance(geometria,geometria), devuelve la distancia mínima entre dos geometrías.
El siguiente ejemplo devuelve todos los puntos de la tabla vertice situados al Este de la coordenada UTM
X=600000.
SELECT ST_X(geom),ST_Y(geom)
FROM vertices
WHERE ST_X(geom)>600000;
El siguiente ejemplo devuelve los nombres de los municipios junto a su perímetro y extensión:
SELECT nombre,ST_PERIMETER(geom) AS perim,ST_AREA(geom) AS area
FROM municipios;
5.4.4 Funciones que crean nuevas capas
Estas órdenes se vieron ya al hablar del modelo Geo-relacional y se pusieron ejemplos con GRASS.
• Buffer o área de influencia

ST_Buffer(geometria,distancia),
• Conjunto convexo
ST_ConvexHull(geometria),
• Intersección (and)
ST_Intersection(polígono,geometria)
• Unión (or)
ST_Union(geometriaA, geometriaB),
• Diferencia
ST_Difference(geometriaA,geometriaB),
• Diferencia simétrica
ST_SymDifference(geometriaA,geometriaB)
El siguiente ejemplo creará la intersección entre las subcuencas y el municipio de Murcia (código 30).
CREATE TABLE interseccion AS
SELECT s.num_cuenca,ST_Intersection(m.geom,s.geom)
FROM municipios m, chs_subcuencas s
WHERE m.codigo=30;
5.4.5 Funciones topológicas
Estas funciones están implementadas en las geodatabases pero no suelen estarlo en las bases de datos geo-
relacionales.
Devuelven cierto o falso, permitirán determinar que objetos cumplen o no alguna especificación dada, por lo
que generalmente se utilizarán en una clausula WHERE de SQL.
La figura 5.12 muestra un esquema de estas funciones. Junto a la descripción de cada función aparece el nombre
de la función en SQL extendido de las geodatabases.
• Disjunto, devuelve verdadero si no se produce intersección entre ambas geometrías.

ST_Disjoint(geomA,geomB)
• Dentro de, devuelve verdadero si la geometría A está dentro de la geometría B. Es la función opuesta a
contiene
• Contiene (inverso de lanterior), devuelve cierto si ningún punto del objeto B está en el exterior del objeto
A y al menos un punto del interior de B está en el interior de A, es decir que si geomB es una linea que
coincide con el perímetro del polígono geomA entonces geomA no contiene a geomB
ST_Contains(geomB,geomA)
• Cubre, devuelve cierto si ningún punto del objeto B está en el exterior del objeto A. La diferencia entre
esta función y ST_Contains(geomA,geomB) es basante sutil. Si geomB es una linea que coincide
con el perímetro del polígono geomA, geomA entonce geomA contiene a geomB
ST_Covers(geomB,geomA)
• Toca, devuelve cierto cuando ambas geometrías se tocan, es decir si dos lineas tienen un nodo común o
si dos polígonos están separados por un arco común.
ST_Touches(geomA,geomB)
Una definición más técnica establece que todos los puntos comunes de ambos objetos se encuentran sólo
en sus perímetros de manera que sus interiores no forman intersección entre si.
• Atraviesa, devuelve cierto si la geometria A cruza la geometría B (ambas pueden tener diferente número
de dimensiones)
ST_Crosses(geomA,geomB)
• Se superpone, devuelve cierto si hay solapamiento entre ambas geometrías, es decir si el interior de
ambas geometrías forma intersección con el perímetro y el interior de la otra.
ST_Overlaps(geomA,geomB)
• Igual a, devuelve cierto si ambas geometrías son iguales, independientemente del orden en que estén
especificadas sus coordenadas.
ST_Equals(geomA,geomB)
Figura 5.12: Funciones topológicas (devuelven cierto o falso)
Por ejemplo la siguiente orden determina en que municipio está cada núcleo urbano y los devuelve por orden
alfabético de municipios y núcleos.
SELECT n.nombre,m.nombre
FROM urbanos n, municipios m
WHERE ST_Within(n.geom,m.geom)
ORDER by m.nombre,n.nombre;
El siguiente ejemplo producirá un listado de todos los términos municipales atravesados por el cauce del Segura
SELECT m.municipiosd
FROM red_drenaje r, municipios m
WHERE ST_Crosses(r.linea, m.poligono) and r.nombre=’Segura’;
y el siguiente nos devuelve un listado con los acuíferos se solapan con el municipio de Lorca:
SELECT a.nombre
FROM acuiferos a, municipios m
WHERE ST_Overlaps(a.geom,m.geom) and m.nombre=’Lorca’;
5.5 Bibliografía
• desarrolloweb.com Tutorial de SQL http://www.desarrolloweb.com/manuales/9/
• OpenGIS Consortium (1999) OpenGIS Simple Features Specification For SQL http://www.opengis.org/docs/99-
049.pdf
• Ramsey,P. (2007) Introduction to POSTGIS, 56 pp.

http://www.foss4g2006.org/contributionDisplay.py?contribId=47&sessionId=61&confId=1
• Rigaux,P.; Scholl,M. & Voisard,A. (2001) Introduction to Spatial Databases: Applications to GIS, Mor-
gan Kaufmann, 400 pp.
• Shekhar,S. & Chawla,S. (2002) Spatial Databases: A Tour, Prentice Hall ,300 pp.
• Sherman, G.E. (2008) Desktop GIS. Mapping the plannet with Open Source Tools, The Pragmatic pro-
grammers, 349 pp.
• Worsley,J.C & Drake,J.D. (2002) Practical PostgreSQL, O’Reilley & Associates inc., 619 pp.
• Manual de Postgis.
http://www.postgis.org/download/postgis-1.5.2.pdf
Tema 6
Teledetección
6.1 Fundamentos de la teledetección
La teledetección es la técnica que permite obtener información a distancia de objetos sin que exista un contacto
material con los mismos. Para que ello sea posible es necesario que, aunque sin contacto material, exista algún
tipo de interacción entre los objetos observados; situados sobre la superficie terrestre, marina o en la atmósfera;
y un sensor situado en una plataforma (satélite, avión, etc.). En realidad la visión supone también una forma de
teledeteccción.
En el caso la teledetección la interacción que se produce va a ser un flujo de radiación que parte de los objetos
y se dirige hacia el sensor (figura 6.2). Este flujo puede ser, en cuanto a su origen, de tres tipos (tabla 6.1):
• Radiación solar reflejada por los objetos (luz visible e infrarrojo reflejado)
• Radiación terrestre emitida por los objetos (infrarrojo térmico, microondas)
• Radiación emitida por el sensor y reflejada por los objetos (radar, lidar)
Las técnicas basadas en los dos primeros tipos se conocen como teledetección pasiva y la última como telede-
tección activa.
La radiación (solar reflejada, terrestre o emitida por el sensor y reflejada) que llega de la superficie terrestre al
sensor atravesando la atmósfera, es almacenada en formato digital. Una vez recuperados los datos en el centro
de control del satélite, estos permitirán obtener información acerca de la superficie terrestre y de la atmósfera.
El tipo de información que se obtiene dependerá de la longitud de onda en la que el sensor capte radiación.
El análisis de esta información permite el reconocimiento de las características de los objetos observados y de
los fenómenos que se producen en la superficie terrestre y oceánica y en la atmósfera. Por tanto son muchas las
ciencias, tanto naturales como sociales, interesadas en su uso (Geografía, Geología, Meteorología, Agronomía,
etc.).
6.1.1 Naturaleza de la radiación
La naturaleza de la radiación electromagnética puede ser explicada a partir de dos modelos aparentemente
contradictorios y en el fondo complementarios. El módelo de onda asume que la radiación se produce en
121
122 Tema 6. Teledetección
forma de ondas que resultan de oscilaciones en los campos eléctrico y magnético en las inmediaciones de los
objetos y se desplazan por el espacio a la velocidad de la luz. Las ondas se definen fundamentalmente por
su longitud (λ) o distancia entre dos picos de onda que se mide en cm, µm (10−6 metros) o en nm (10−9
metros). El modelo de partícula asume que la energía viaja como un flujo de elementos discretos: los fotones.
La cantidad de energía de cada fotón (Q) depende de la longitud de onda, de este modo ambos modelos se
relacionan mediante la ecuación:
hc
Q= (6.1)
λ
donde h es la constante de Planck (6.626x10−34 Js) y c la velocidad de la luz (2, 997 · 10−8 m/s). La ecuación
6.1 implica que a menor longitud de onda mayor es la energía transportada por la radiación y por tanto más
peligrosa es esa forma de radiación.
El conjunto de todas las longitudes de onda se denomina espectro electromagnético (figura 6.2 y tabla 6.1).
Dentro del espectro electromagnético se distinguen una serie de regiones, las más utilizadas por las diferentes
técnicas de teledetección son la luz visible (que suele dividirse en rojo, verde y azul) , el infrarrojo reflejado, el
infrarrojo térmico y las microondas utilizando sensores pasivos o activos (radar).
Figura 6.1: Espectro electromagnético y técnicas de teledetección
Cualquier cuerpo en la naturaleza emite radiación y lo hace con diferentes longitudes de onda. Tanto la cantidad
de energía que emite un cuerpo por radiación como la distribución de esta energía en diferentes longitudes de
onda depende de la temperatura de dicho cuerpo. La ley de Stefan-Boltzman establece que el total de energía
Figura 6.2: Espectro de emisión para diferentes temperaturas
Región Rango de longitudes

Rayos γ <0.03nm
Rayos X 0.03nm - 3nm
Ultravioleta 3nm - 0.4µm
Visible 0.4µm - 0.7µm
Infrarrojo cercano (NIR) 0.7 - 1.2 µm
Infrarrojo de onda corta (SWI) 1.2 - 2.5 µm
Infrarrojo medio (MIR) 2.5 - 8 µm
Infrarrojo lejano o térmico (TI) 8 - 14 µm
Microondas 300µm - 20cm
Radio-TV > 200cm
Tabla 6.1: Regiones (bandas) del espectro electromagnético
(en julios por segundo) emitida por un cuerpo es proporcional a la cuarta potencia de su temperatura expresada
en grados Kelvin:
M = σT 4 (6.2)
σ = 5.670400 × 10−8 J s−1 m−2 K−4 (6.3)
por otro lado la ley de Wien:
2898
λmax = (6.4)
T
nos permite calcular a que longitud de onda se produce el pico de máxima emisión de energía de un cuerpo a
una temperatura T . Como puede observarse a mayor temperatura mayor emisión de energía y menor longitud
de onda, de nuevo la temperatura se expresa en grados Kelvin y λmax en micras (µm).
La temperatura del Sol es de aproximadamente 6000o K mientras que la de la Tierra es de 300o K. Esto significa
que la radiación solar va a ser máxima para una longitud de onda de 0.48 µm (región visible) y la terrestre
máxima en una longitud de onda de 9.66 µm (infrarrojo térmico), la figura 6.2 muestra, aproximadamente, los
espectros de emisión del Sol (linea roja) y de la Tierra (linea azul).
Determinados fenómenos de la superficie terrestre (por ejemplo los incendios) implican una temperatura mucho
mayor (548.5 − 693.5o K) que la habitual sobre la superficie terrestre, esto significa que el total de radiación
emitida va a ser mucho mayor y que el pico de emisión va a estar en longitudes de onda de 4.3 - 5.28 µm, en el
infrarrojo medio y con valores considerablemente diferentes a los correspondientes a la temperatura normal de
la Tierra.
Por tanto puede concluirse que la radiación solar domina aquellas regiones del espectro electromagnético que
corresponden a la radiación visible y al infrarrojo cercano y medio. La radiación terrestre domina el infrarrojo
térmico. La Tierra tiene una emisividad pequeña pero detectable en las longitudes de onda más cortas de la
región de microondas, mientras que las radiaciones más largas son despreciables en la naturaleza, deben ser por
tanto de origen artificial, generadas por el propio sensor que las recibe posteriormente reflejadas, un ejemplo es
el radar (figura 6.2).
6.1.2 Interacciones entre la radiación y los objetos
Todos los objetos (independientemente de la radiación que emitan) van a recibir radiación, fundamentalmente
del sol, que, en función del tipo de objeto que estemos considerando, puede seguir tres caminos:
• reflejarse (la radiación es reenviada de vuelta al espacio)
• absorberse (la radiación pasa a incrementar la energía del objeto)
• transmitirse (la radiación se transmite hacia los objetos situados debajo).
La fracción de energía que se refleja se denomina reflectividad o albedo (ρ ); la fracción de energía que se
absorbe se denomina absortividad (α ); la fracción de energía que se transmite se denomina transmisividad (τ )
cumpliéndose que ρ + τ + α = 1. Las tres variables tienen lógicamente valores entre 0 y 1, pueden expresarse
también como porcentaje.
La interacción de la radiación con la atmósfera y con los objetos terrestres, es decir los valores de ρ, τ y α de
un cuerpo concreto, va a depender de la longitud de onda de que se trate y de las características de ese cuerpo.
Unas primeras líneas generales acerca del comportamiento de diferentes objetos respecto a su interacción con
la radiación serían:
• Atmósfera despejada:
– ρ muy baja para todas las longitudes de onda

– α depende de la longitud de onda
– τ depende de la longitud de onda
• Nubes :
– ρ muy alta en el visible

• Agua:
– ρ muy baja en todas las longitudes de onda

• Superficie terrestre:
– ρ y α muy variable, dependiendo de la longitud de onda y del tipo de cobertura

– τ nulo
6.1.3 Interacción atmósfera-radiación electromagnética
Algunos de los gases que componen la atmósfera absorben radiación en determinadas longitudes de onda. La
radiación no absorbida se transmite a la superficie terrestre aunque se ve afectada por procesos de dispersión
(responsables del color azul del cielo y de que podamos ver en zonas de sombra) y refracción. Los gases
responsables de la absorción son fundamentalmente:
• Ozono: Absorbe radiación ultravioleta
• Dióxido de carbono: Absorbe radiación en 13 − 17.5µm;
• Vapor de agua: Absorbe radiación en 5.5 − 7µm y por encima de 27µm;
De este modo aparecen una serie de regiones en el espectro en las que la radiación es absorbida por uno o
varios de los gases. Esto deja, por otro lado, regiones del espectro en las que no se produce absorción, son las
denominadas ventanas atmosféricas (figura 6.3).
• Visible e infrarrojo cercano (0.3 − 1.35µm)
• Varias en el infrarrojo de onda corta e infrarrojo medio (1.5 − 1.8µm; 2 − 2.4µm; 2.9 − 4.2µm; 4.5 −
5.5µm)
• Infrarrojo térmico (8 − 14µm)
• Microondas, por encima de 1cm la atmósfera es prácticamente transparente
En general se considera que si el día es suficientemente despejado la absorción atmosférica puede despreciarse
en las ventanas atmosféricas. Dispersión y refracción son más difíciles de evitar, introduciendo distorsiones que
deben ser corregidas.
Figura 6.3: Bandas de absorción y ventanas en el espectro electromagnético
Problema aparte supone la aparición de partículas líquidas (nubes, figura 6.4) o sólidas (figura 6.5) que reflejan
gran parte de la radiación solar que reciben. Las nubes emiten su propia radiación en el infrarrojo térmico,
diferente a la terrestre debido a su menor temperatura, con lo que ocultan la superficie terrestre en ambas
regiones del espectro. Debido a la saturación en vapor de agua, su capcidad de absorber radiación en la banda
de absorción del vapor de agua dependerá de su espesor.
A la hora de diseñar un sensor pasivo, existen tres posibilidades fundamentales:
• Captar radiación solar reflejada por la superficie (en una longitud de onda correspondiente a una ventana
atmosférica)
• Captar radiación térmica procedente de la superficie terrestre o las nubes para estimar la temperatura del
cuerpo emisor
• Captar radiación de una banda en la que un gas presente una elevada capacidad de absorción para así
estimar la concentración de este gas. Cuanto menos radiación llegue mayor será la cantidad de gas.
Las tres bandas del sensor MVIRI1 (Meteosat Visible and Infrared Imager) de Meteosat (figura 6.6) son un
ejemplo de cada una de estas posibilidades:
1
Las últimas misiones de Meteosat han sustituido el sensor MVIRI por SEVIRI con más canales y mejor resolución espacio-
temporal
Figura 6.4: Efecto de las nubes sobre las observaciones de satélite
1. La imagen visible capta radiación solar reflejada integrando todas las longitudes de onda del visible y
parte del infrarrojo reflejado (0.5 − 0.9µm), cuanto mayor sea el valor recibido por el sensor mayor es el
albedo (tonos claros).
2. La imagen del infrarrojo térmico capta radiación emitida por la Tierra (5.7 − 7.1µm) que, por tanto,
depende de su temperatura, a mayor temperatura mayor energía recibida (tonos oscuros).
3. La imagen del vapor de agua (10.5 − 12.5µm) capta energía en la longitud de onda en que mayor es
la absorción del vapor de agua; por tanto cuanto mayor sea la cantidad de vapor de agua presente en la
columna atmosférica menor es la cantidad de energía que capta el sensor (tonos claros).
La combinación de estas tres bandas permite distinguir:
• Tierra de oceano, por su diferente albedo y temperatura
• Temperatura de la superficie terrestre sin cubierta nubosa
• Nubes bajas (albedo muy alto, temperatura moderada, contenido en vapor de agua moderado)
• Nubes altas (albedo muy alto, temperatura muy baja, contenido en vapor de agua moderado)
• Nubes de desarrollo vertical (albedo muy alto, temperatura muy baja, contenido en vapor de agua ele-
vado)
6.2 Interacción de los elementos de la superficie terrestre con la radiación
De cara a la identificación de objetos y procesos en la superficie terrestre, lo que nos interesa es la reflectividad
de estos objetos respecto a las diferentes longitudes de onda. Cada tipo de material, suelo, vegetación, agua,
etc. reflejará la radiación incidente de forma distinta, lo que permitirá distinguirlo de los demás si medimos la
Figura 6.5: Efecto del polvo sobre las observaciones de satélite
radiación reflejada. A partir de medidas de laboratorio se ha obtenido la reflectividad para las distintas cubiertas
en diferentes longitudes de onda.
Existen dos tipos de superficies (figura 6.7), aquellas que reflejan la radiación solar direccionalmente con un
ángulo igual al ángulo incidente (superficies especulares) y aquellas que reflejan la radiación hacia todas di-
recciones (superficies lambertianas). En la naturaleza la mayor parte de la superficie tienden a comportarse de
un modo intermedio, aunque suele asumirse que el comportamiento es lambertiano. En el espectro visible sólo
el agua en calma presenta un carácter especular, por ello en algunos casos, la superficie marina captada en
fotografías aéreas o imágenes de satélite muestra el reflejo del sol (figura 6.7).
El comportamiento lambertiano de las superficies, junto con la dispersión atmosférica tienen el efecto de pro-
ducir una imagen más borrosa de la que se contemplaría directamente sobre la superficie terrestre. La razón es
que las respuestas espectrales de píxeles contiguos se mezclan unas con otras.
El gráfico que, para cada longitud de onda, nos da la reflectividad en tanto por ciento se conoce como signatura
espectral (figura 6.8) y constituye una marca de identidad de los objetos. Resulta así fácil por ejemplo distinguir
entre suelo y vegetación, e incluso entre diferentes tipos de suelo o diferentes tipos de vegetación.
A continuación se expone el comportamiento de los tipos básicos de cobertura sobre la superficie terrestre, la
figura 6.8 resume el comportamiento de las diferentes coberturas.
6.2.1 Respuesta espectral del agua
El agua clara tiene unas excelentes propiedades en cuanto a transmisión de la radiación electromagnética en el
espectro visible y de absorción en el infrarrojo. En cuanto a la reflectividad, es muy baja en el visible, con un
Visible Infrarrojo térmico Vapor de agua
Figura 6.6: Imágenes de cada uno de los canales del satélite Meteosat
pico en el verde que va reduciéndose hasta el infrarrojo donde es nula. Esta falta de reflectividad en el infrarrojo
va a ser la clave para distinguir entre áreas de tierra y agua tanto en costas o lagos como en ríos, incluso en ríos
pequeños dependiendo de la resolución espacial.
El carácter tridimensional de las superficies de agua hace que en su respuesta espectral aparezca un componente
debido a la superficie, otro a la columna de agua y un tercero al fondo. Por lo tanto, cualquier variación tanto
en la columna de agua como en los materiales del fondo van a alterar su respuesta; un fondo de arena clara
proporciona mayor reflectividad que otro compuesto por arcilla o materia orgánica. Sin embargo debido a la
escasa capacidad de penetración de la radiación, estas consideraciones sólo son válidas en aguas muy someras.
La profundidad a la que la luz puede penetrar depende de la longitud de onda. En el agua clara la profundidad
de penetración son 10 m entre 0.5 y 0.6µ cayendo hasta 10 cm en 0.8 − 1.1µ. Por tanto al incrementarse la
profundidad del agua la reflectividad, en cualquier longitud de onda, desciende.
Cuando el agua contiene turbidez, las consecuencias sobre la respuesta espectral van a depender del tipo
de turbidez. Si se trata de fitoplancton, aparecen importantes alteraciones en el verde (aumenta) y en el azul
(disminuye). Estos resultados han permitido el desarrollo de diversas ecuaciones empíricas que relacionan
la respuesta espectral del agua con el desarrollo del fitoplancton. Si se trata de sedimentos inorgánicos la
reflectividad aumenta, especialmente en el rojo
La reflectividad en la nieve es completamente diferente a la del agua, alta en todas las longitudes de onda,
especialmente en el caso de la nieve fresca, pudiendo incluso saturar los sensores2 . Es posible confundir nieve
con nubes altas (al fin y al cabo formadas por partículas de hielo) con la salvedad de que la reflectividad de la
nieve cae hasta cero para longitudes de onda mayores de 1.4µ mientras que la de las nubes sigue siendo alta.
6.2.2 Respuesta espectral de la vegetación
La vegetación sana tiene una reflectividad baja en el visible aunque con un pico en el color verde debido a la
clorofila, ese pigmento aparece en concentraciones entre 5 y 10 veces mayores que otros como el caroteno).
La reflectividad es muy alta en el infrarrojo reflejado o próximo debido a la escasa absorción de energía por
parte de las plantas en esta banda. En el infrarrojo medio hay una disminución especialmente importante en
2
Un sensor se satura cuando la radiación que recibe es superior al máximo que puede recibir dada su resolución radiométrica (ver
sección 6.3.2)
Figura 6.7: Tipos de superficies en cuanto a la reflexión; efecto de la reflectividad lambertiana y reflexión
especular en una superficie marina. Costa de Altea
Figura 6.8: Respuestas espectrales
aquellas longitudes de onda en las que el agua de la planta absorbe la energía. Durante el otoño, las hojas
pierden los cloroplastos (organos que contienen la clorofila) ya que dejan de ser necesarios, por tanto deja de
ser la clorofila el pigmento principal y las plantas adquieren un color pardo-amarillento debido a la cada vez
mayor importancia relativa de carotenos y otros pigmentos.
En cuanto al infrarrojo medio, el agua presente en los tejidos vegetales absorbe la radiación en diversas lon-
gitudes de onda hasta alcanzar valores de α = 0.9 que afectan incluso a las longitudes de onda vecinas de
aquellas en las que se produce máxima absorción. En general cuanto menor sea el contenido de agua de una
planta, mayor será su reflectividad en el infrarrojo medio.
Esta curva tan contrastada se debilita en el caso de la vegetación enferma en la que disminuye la reflectividad
del infrarrojo cercano y aumenta la reflectividad en el rojo y azul. Se observa también que la reflectividad de
una planta depende de su contenido en agua. Cuando el contenido de agua aumenta disminuye la reflectividad
ya que aumenta la absorción de radiación por parte del agua contenida en la planta. El envejecimiento de la
planta conlleva también una reducción en la reflectividad en el infrarrojo (figura 6.9).
Las variaciones en la estructura interna de las hojas son la causa principal de que los patrones de respuesta
espectral sean diferentes de unas especies a otras.
6.2.3 Respuesta espectral del suelo
Las propiedades espectrales del suelo son relativamente simples, la transmisión es nula, por tanto toda la energía
se absorbe o refleja. La reflectividad es relativamente baja para todas las bandas aunque aumentando hacia el
infrarrojo.
Hay una cierta dependencia entre reflectividad y contenido en agua del suelo, cuanto mayor es el segundo,
menor es la primera como se puede ver en la figura 6.103 . Este aumento se ve interrumpido en aquellas regiones
3
Esta es la razón de que un suelo mojado se vea más oscuro
Figura 6.9: Estado de las hojas y signatura espectral (rangeview.arizona.edu/Tutorials/intro.asp)
en las que el agua absorbe energía, por tanto cuanto mayor sea el contenido de agua en el suelo, mayor va a a
ser la disminución en reflectividad de estas regiones.
Otros factores que afectan la respuesta espectral del suelo son la textura con una mayor reflectividad al au-
mentar el tamaño medio de las partículas de suelo, los suelos arenosos tienen mayor reflectividad (se ven más
claros) que los arcillosos. El problema es que la textura afecta también al contenido de humedad por lo que no
resulta fácil diferenciar (con imágenes de satélite) entre ambos factores. Los minerales de la arcilla tienen, por
su parte, una caída en reflectividad entorno a 2.2 µm que no tienen las arenas.
El contenido en materia orgánica también afecta a la reflectividad, cuanto mayor sea su contenido y cuanto
menos descompuesta se encuentre más oscuro resulta el suelo (menor reflectividad). La composición química
y mineralógica también va a influir en la respuesta espectral, así por ejemplo el contenido en óxidos de hierro
va a incrementar la reflectividad en el rojo.
La fuerte correlación entre muchos de los factores que influyen sobre la respuesta espectral del suelo, imposi-
bilita el que puedan sacarse conclusiones claras del análisis de una imagen de unas zonas cuyas características
edáficas se desconocen. En todo caso se ha comprobado que las áreas de suelo desnudo de una misma imagen
siguen una serie de pautas reconocibles. La más estudiada es que si se hace una representación gráfica con la
reflectividad en el rojo en abcisas y la reflectividad en el infrarojo cercano en ordenadas, las zonas de suelo
desnudo aparecen formando una linea que se conoce como linea del suelo (figura 6.11).
6.3 Caracterización de las imágenes de satélite
6.3.1 Plataformas, sensores y canales
Se entiende por plataforma los satélites (LANDSAT, METEOSAT, NOAA, SPOT) o aviones que transportan
los aparatos necesarios para captar, almacenar y transmitir imágenes a distancia (sensores).
Un sensor es el instrumento que reúne la tecnología necesaria para captar imágenes a distancia y que es trans-
portado en una plataforma. Puede captar información para diferentes regiones del espectro y cada una de estas
Figura 6.10: Reflectividad del suelo en función del contenido de humedad

(rscc.umn.edu/rscc/Volume4/Leblon/leblon.html)
regiones se denomina canal. Diferentes tipos de sensores y frecuencias en el espectro electromagnético puede
proporcionar diferente información sobre los fenómenos situados sobre la superficie terrestre.
La mayoría de satélites utilizan dos tipos de sensores: pasivos y activos. Los sensores pasivos detectan radiación
que se emite o refleja por un objeto en la superficie terrestre o en la atmósfera, mientras que los sensores
activos emiten energía para analizar los objetos y, a continuación, detectan y miden la radiación reflejada o
dispersada por el objetivo. Entre los ejemplos más conocidos destacan el radar (utilizando microondas) y el
lidar (utilizando luz polarizada en el visible). Un tipo específico de radares son los dispersómetros, que miden
el coeficiente de dispersión o reflexión de los impulsos de retorno del radar para determinar la rugosidad de
la superficie y deducir la velocidad y dirección del viento sobre superficies marinas. También se han utilizado
para caracterizar la vegetación o la humedad del suelo.
Los sensores pueden también dividirse entre sensores de imagen (imager en inglés) orientados a la toma de
imágenes de la superficie terrestre mediante la región visible o infrarrojo cercano del espectro electromagnético
y sondas (sounder en inglés) orientadas a la obtención de información, generalmente temperatura atmosférica y
humedad, de la columna atmosférica completa o por niveles, utilizando el infrarrojo o la región de microondas.
Otras variables como la presión o la distribución del ozono pueden estimarse mediante análisis matemático a
partir de los datos observados.
Por ejemplo, landsat es una plataforma que ha transportado (en diferentes versiones) dos sensores landsat-TM
y landsat-MSS, el primero de los cuales tiene 7 canales (azul, verde, rojo, 3 en el infrarrojo cercano y 1 en el
infrarrojo térmico y el segundo 4 canales (verde, rojo y 2 en el infrarrojo cercano). La figura 6.8 muestra la
ubicación, dentro del espectro electromagnético, de las 6 bandas de landsat que corresponden con el espectro
solar.
Además de los sensores electromagnéticos, se están utilizando en teledetección sensores de microgravedad para
Figura 6.11: Linea del suelo (www.soils.orf/publications/aj/articles/100/2/320)
determinar con precisión las características del Geoide (ver tema 6) y medir las variaciones espacio-temporales
en el total de almacenamiento de agua terrestre (satélites GRACE y GOCE); o nuevas tecnologías como el
SODAR (SOnic Distance And Ranging) que utiliza pulsos cortos de sonido para determinar las características
del viento.
6.3.2 Resolución
La salida de radiación (emitida o reflejada) de la superficie terrestre es un fenomeno continuo en 4 dimensiones

(espacio, tiempo y longitud de onda). Un sensor debe muestrear en este continuo discretizándolo en cada una
de esas dimensiones. El modo en que esta discretización se lleva a cabo define los cuatro tipos de resolución
con los que se trabaja en teledetección:
• Resolución espacial, es decir tamaño de píxel.
• Resolución temporal, es el tiempo que tarda el satélite en tomar dos imágenes del mismo sitio.
• Resolución espectral, capacidad de discriminar entre longitudes de onda vecinas en el espectro, así como
el número de bandas disponible.
Finalmente la resolución radiométrica hace referencia al número de intervalos de intensidad que puede captar
el sensor. Al recibir la radiación procedente de la superficie terrestre, el sensor almacena un número entero,
se trata de un intervalo de intensidad o nivel digital a partir del cual se puede obtener de nuevo la radiación
recibida mediante una sencilla transformación lineal. El número de niveles de intensidad se denomina resolu-
ción radiométrica
En la tabla 6.2 aparecen estas características para varios sensores y plataformas. Se trata de un resumen ya que
en algunos casos (Landsat-ETM, Spot, Ikonos) se dispone también de una banda pancromática (todo el visible
integrado, como si se tratase de una fotografía en blanco y negro) generalmente con mayor resolución espacial
que las restantes; en otros casos no todas las bandas tienen la misma resolución espacial
La figura 6.12 muestra como cambios en la resolución de una imagen afectan a la capacidad de discriminar
información a partir de ella. La imagen procede del sensor Quick Bird, con una resolución espacial de aprox-
imadamente 1 metro, y es una composición de 3 bandas (rojo, verde y azul) en color real, la resolución ra-
diométrica es de 256 niveles de gris por banda. En la segunda imagen se ha simulado una reducción de la
resolución espectral agrupando las tres bandas del visible en una sóla banda pancromática que se representa
con 256 niveles de gris. La tercera y la cuarta imágenes simulan una reducción de la resolución radiométrica a
4 niveles por banda en lugar de los 256 anteriores, lo que da un total de 12 colores para la tercera imagen y 4
para la cuarta. Las dos imágenes inferiores muestran una reducción de la resolución espacial a 25 y 50 metros
respectivamente.
La altura a la que se sitúa el satélite y sus movimientos van a condicionar las características geométricas y la
resolución temporal de las imágenes que producen (figura 6.13).
Los satélites que como Meteosat se sitúan en órbita geoestacionaria (36.000 Km) permanecen fijos y producen
una imagen que abarca la mayor parte de la porción del globo terrestre visible desde el satélite, sin embargo las
distorsiones que aparecen hacia los polos limitan su utilización a la porción entre 50o N y 50o S. El área de la
superficie abarcada por cada píxel es necesariamente grande (1000 - 5000 metros dependiendo del sensor y la
banda) su resolución espacial es por tanto pequeña. Al permanecer fijos su resolución temporal puede ser muy
grande, en el caso de Meteosat hay una imágen cada 15 minutos.
Por el contrario los satélites situados en órbita baja, como landsat, pueden lograr mayor resolución espacial
pero no están constantemente apuntando al mismo sitio ya que continuamente se desplazan (generalmente en
órbita polar4 alrededor de la Tierra con lo que la resolución temporal es necesariamente menor (figura 6.13).
Por otra parte hay que tener en cuenta que la necesidad de almacenar y transmitir información supone que
a mayor resolución temporal las necesidades de almacenamiento son mayores y debe reducirse la resolución
espacial.
4
De manera que cada órbita del satélite pasa, aproximadamente, por ambos polos
Figura 6.12: Efectos de los cambios en la resolución de las imágenes de satélite

Figura 6.13: Efecto de la altura del satélite sobre las imágenes y órbita polar
El problema de la correlación negativa entre resolución espacial y temporal se está solucionando en parte
mediante una serie de desarrollos tecnológicos:
• Mejores sistemas de almacenamiento de datos,
• Sensores reorientables, de manera que pueden tomar varias imágenes de un mismo punto a intervalos
cortos de tiempo,
• Desarrollo de la teledetección aerotransportada, los sensores se colocan en aviones de forma que la res-
olución espacial depende de la altura de vuelo y la resolución temporal es la que se requiera.
En los últimos años se están desarrollando mucho los UAV (aviones no tripulados) de tamaño reducido con los
que se pueden alcanzarse resoluciones espaciales y temporales tan detalladas como se quiera. La figura 6.14
muestra un ejemplo de un prototipo con una cámara multiespectral de características muy similares al sensor
Landsat-TM.
Figura 6.14: Modelo de UAV (microdrones)

Sensor Res.espacial Tamaño de imagen Res.temporal Res. Radiométrica Res. espectral

Meteosat MVIRI 2500 m Toda la esfera 0.5 horas 256 ND 1Vis 1Ir 1 It
Meteosat SEVIRI 1 y 3 km Toda la esfera 0.5 horas 256 ND 2Vis 2Ir 7It
NOAA AVHRR 1100 m 2700 x 2700 Km 12 horas 1024 ND 2Vis 1Ir 1It
Landsat TM y ETM 30 m 185x185 Km 16 días 256 ND 3Vis 3Ir 1It
SPOT HRV 20 m 60x60 Km 20 días 256 ND 2Vis 1Ir
SPOT Vegetation 1150 m 2200x200 Km 1 día 1024 ND 2Vis 2Ir
MODIS 250 - 100 m 2330x2330 Km 1 día 1024 ND 36 bandas
IKONOS 4m 100x100 Km a petición 2048 ND 3Vis 1Ir
Tabla 6.2: Características de los principales sensores utilizados en teledetección
6.4 Visualización de imágenes
Tradicionalmente se ha dividido el análisis de imágenes de satélite en 2 fases, un análisis visual y un análisis

digital. El primero es similar en muchos aspectos a la fotointerpretación clásica con las ventajas que aporta la
fotografía digital en cuanto a las posibilidades de retocar y realzar las imágenes ya que una imagen de satélite
en bruto presenta un aspecto bastante apagado, por lo que el análisis visual no resulta sencillo. En teledetección
se han desarrollado diferentes técnicas que permiten resaltar determinados aspectos para facilitar este análisis.
Una imagen de satélite en bruto, tal como normalmente llega al usuario final, consiste en un conjunto de capas
raster, una por cada canal del sensor, en la que aparecen números cuyo rango de valores depende de la resolución
radiométrica (entre 0 y 255 en el caso de 8 bits como en landsat). El cero índica que no llega nada de radiación
desde ese punto y el 255 que llega el valor más alto de radiación. Estos valores se denominan Niveles Digitales
y podremos integrar los niveles digitales de hasta 3 bandas visualizándolos como niveles de rojo, verde y azul
(figura 6.16).
Una imagen de satélite tiene varios canales, algunas de ellas responden a estos colores y otras a regiones fuera
del espectro visible. Para visualizarlas podemos representar hasta 3 bandas al mismo tiempo utilizando una
composición RGB.
6.4.1 Ajuste de contraste
Los sensores utilizados en teledetección están calibrados para recibir valores muy altos de radiación sin llegar a
saturarse por lo que lo normal es que todos los valores recibidos estén muy por debajo de los máximos posibles.
La consecuencia es que los valores de ND obtenidos son muy bajos y las imágenes se van a ver oscuras, muy
poco contrastadas. Una forma de solventar este problema es ajustar el contraste mediante diversas técnicas:
1. Expansión lineal
N D − N Dmin
N D0 = 255 (6.5)
N Dmax − N Dmin
2. Expansión lineal restringida, los valores de N Dmax y N Dmin los decide el usuario en lugar de cor-
responder a los valores reales de la imagen. De esta forma si N Dmax > N D > N Dmin se aplica la
fórmula 6.5; si N Dmax < N D entonces N D0 = 255 y si N Dmin > N D entonces N D0 = 0
3. Ecualización del histograma. Tiene en cuenta, nó sólo los valores de ND, sino también su frecuencia
de manera que aquellos valores de ND más frecuentes resultarán más ajustados que los menos frecuentes
(figura 6.15).
Figura 6.15: Imagen sin ajuste, expansión lineal y ecualización del histograma
6.4.2 Composición de color
Los dispositivos de visualización de imágenes (monitores, televisiones, etc) forman sus imágenes mediante la
combinación de diferentes niveles de intensidad de los tres colores (rojo, verde y azul). Cada píxel en pantalla
es representado mediante 3 puntos de luz, rojo, verde y azul (composición RGB, figura 6.17).
En el ejemplo de la figura 6.16 se puede ver la descomposición de una imagen de colores vivos en 3 imágenes
que reflejan la intensidad en el azul, el verde y el rojo.
Figura 6.16: Descomposición de una imagen en las componentes azul, verde y rojo y composiciones
Figura 6.17: Composición RGB en un monitor de video

Puesto que la imagen de cada canal de un sensor representa niveles de intensidad en la correspondiente banda
del espectro electromagnético (azul, verde, rojo, etc.) y los monitores y tarjetas de video disponen de 3 canales
para representar los colores básicos como una mezcla aditiva de colores rojo, verde y azul, puede utilizarse cada
canal de video para representar la intensidad de un canal del sensor y obtener así una composición de color, la
más obvia seria simular el color real. Para ello, en landsat-TM, la correspondencia sería:
b1 -> B
b2 -> G
b3 -> R
pero como en landsat-TM se dispone de más canales, nada impide utilizarlas para generar visualizaciones en
falso color. Estas composiciones servirán para resaltar los elementos que mayor reflectividad presentan en las
bandas utilizadas, además de obtener visualizaciones más o menos estéticas. Por ejemplo, si se pasa la banda
4 de landsat (con alta reflectividad por parte de la vegetación) por el canal verde, la vegetación se verá mucho
más claramente que si se utiliza la banda 2
b1 -> B
b4 -> G
b3 -> R
En general, se trata de aprovechar que podemos visualizar tres canales a la vez para introducir las tres bandas
que más nos van a ayudar a discriminar visualmente los elementos que nos interesan.
La figura 6.20 es el equivalente, utilizando imágenes de satélite, a la figura 6.16, se puede ver en el extremo
NO el embalse de Puentes y en el SE la ciudad de Lorca y parte del valle del Guadalentín. En la composición
en falso color se pasa la banda 4 de landsat (infrarrojo cercano) por el canal rojo.
6.4.3 Filtros
Se utilizan para destacar algunos elementos de la imagen. Consiste en la aplicación a cada uno de los píxeles
de la imagen de una matriz de filtrado (generalmente de 3x3) que genera un nuevo valor mediante una media
ponderada del valor original y los de los 8 píxeles circundantes. Mediante diferentes combinaciones de los
factores de ponderación se pueden conseguir diferentes efectos. En el tema 3 se analizaron los métodos que se
utilizan en GRASS para hacer filtrados.
Los filtros más utilizados son los de paso bajo que asignan a cada píxel el valor medio de los píxeles circun-
dantes; o los de paso alto para resaltar el contraste entre píxeles y compensar el fenómeno de la reflectividad
lambertiana.
Los coeficientes de ponderación almacenados en estas matrices dependerán de lo que se busque con el filtrado.
Un filtro de paso bajo tenderá a suavizar la imagen, uno de paso alto (incluyendo valores negativos en algunos
coeficientes de ponderación) resalta las variaciones. Finalmente existen filtros direccionales que resaltarán ele-
mentos lineales con determinadas orientaciones (figura 6.5).
1.0 1.0 1.0

1.0 1.0 1.0
1.0 1.0 1.0
Tabla 6.3: Filtro de paso bajo

Figura 6.18: Bandas 1 a 3 y composiciones de color real y falso color, imagen landsat de Abril-1993
6.5 Análisis de imágenes de satélite en un SIG
6.5.1 Correcciones
El tratamiento de una imagen de satélite previo a su análisis incluye diversos pasos que se resumen a contin-
uación.
Georreferenciación y corrección geométrica
Constituye el paso de un sistema de filas y columnas a un sistema de coordenadas basado en un sistema de

referencia espacial estándar. Para ello debe obtenerse una muestra de puntos de control de los que conozcamos
tanto sus coordenadas reales como sus coordenadas en la imagen, deben ser por tanto objetos de un tamaño
adecuado para resultar identificables tanto en la imagen como sobre el terreno, el tamaño dependerá lógicamente
de la resolución de la imagen (figura 6.19). En esta figura vemos en la parte superior izquierda la imagen que
-1.0 -1.0 -1.0

-1.0 9.0 -1.0
-1.0 -1.0 -1.0
Tabla 6.4: Filtro de paso alto
-1.0 -1.0 -1.0 -1.0 2.0 -1.0

2.0 2.0 2.0 -1.0 2.0 -1.0
-1.0 -1.0 -1.0 -1.0 2.0 -1.0
Tabla 6.5: Filtros direccionales (N-S y E-W)
debe ser georreferenciada, en la parte superior derecha el mapa a cuyo sistema de referencia espacial se quiere
georreferenciar; los puntos verdes y rojos son los puntos de control que se han tomado. En la parte inferior
aparecen sendos zoom a la ciudad de Yecla para permitir una ubicación correcta de dichos puntos (parte inferior
de los zoom).
A partir de estos puntos de control se obtendrán por regresión unas ecuaciones que permitirán a cada par
fila,columna un par de coordenadas X,Y.
Corrección atmosférica y de luminosidad
El objetivo es eliminar las interferencias producidas por la absorción, dispersión y refracción en la radiación
recibida y eliminar el efecto de solana-umbría.Los procedimientos son demasiado complejos y no se intro-
ducirán aquí. En todo caso, los problemas relacionados con la interacción de la atmósfera tienen mayor impor-
tancia en estudios multitemporales. Si se trabaja con imágenes de una sola fecha se asume que la distorsión
atmosférica es equivalente en todo el espacio (al menos en las imágenes de alta resolución que cubren una
pequeña porción de la superficie terrestre).
6.5.2 Cálculo de la reflectividad
Si asumimos que la influencia de la atmósfera es despreciable, ya que estamos trabajando en una ventana
atmosférica y en un día despejado, podemos calcular la reflectividad en una banda k como:
Lsue,k
ρk = (6.6)
E0sue,k
donde E0sue,k es la radiación solar que llega a la superficie terrestre en una determinada longitud de onda k y
Lsue.k es la radiación reflejada por la superficie terrestre que se obtiene a partir de una ecuación lineal:
Lsen,k = a0k + a1k N Dk (6.7)
cuyos parámetros se suministran junto con la imagen. En la tabla 6.6 aparecen los parámetros para las 6 bandas
del sensor LANDSAT -TM que utilizan el espectro solar, junto con la irradiancia solar extraterrestre, cantidad
de energía solar que llega al límite de la atmósfera que se utiliza para calcular la reflectividad.
Figura 6.19: Localización de puntos de control
Asumiendo que no hay ningún tipo de efecto atmosférico, los valores de Lsue,k y E0sue,k pueden aproximarse
a partir de los de Lsen,k y E0k , es decir la irradiancia recibida por el sensor y la irradiancia solar que alcanza
el techo de la atmósfera (que en la práctica es constante y conocida):
π · Lsen,k π · Lsen,k · D
ρ∗k = E0k ·cosθ
= (6.8)
D
E0k · cosθ
La introducción de π en la ecuación es para tener en cuenta la reflectividad lambertiana.

Donde θi es el ángulo solar cenital que se calcula como:
cos(θi ) = cos(φ) · cos(δ) · cos(ω) + sin(φ) · sin(δ) (6.9)
donde φ es la latitud, ω = 15 · (h − 12) es el ángulo horario obtenido a partir de la hora solar (h) a la que pasa
el satélite (10:30 AM en el caso de landsat) y δ es la declinación solar que se calcula a partir del día juliano
como:

284 + J
δ = 23.45 · sen 360 (6.10)
365
y D es el factor corrector de la distancia Tierra-Sol, en unidades astronómicas, que se calcula también de forma
inmediata a partir del día juliano mediante la ecuación:
Banda a0 a1 E0
1 (Azul) -6.2 0.768 1970
2 (Verde) -6 0.818 1843
3 (Rojo) -4.5 0.639 1555
4 (Infrarrojo a) -4.5 0.635 1047
5 (Infrarrojo b) -1 0.128 227.1
6 (Infrarrojo térmico)
7 (Infrarrojo c) -0.35 0.044 80
Tabla 6.6: Parámetros del sensor Landsat ETM+ (landsat-7)
2
J − 93.5
D = 1 + 0.01674 · sen 2 · π · (6.11)
365
En las dos ecuaciones anteriores J es el número de día juliano, de 1 a 365.

El valor de ρ∗k así calculado se conoce como reflectividad aparente y no tiene en cuenta las alteraciones que la
atmósfera introduce en los flujos de energía que se establecen a traves de ella ni las diferencias solana-umbría
en cuanto a la radiación recibida sobre el terreno.
6.6 Obtención de variables. Índices y transformaciones
Cuando interesa detectar algún aspecto específico de la superficie terrestre, pueden utilizarse índices que utili-
cen algunas de las bandas. Estos índices suponen a su vez una transformación de las bandas.
En general podemos hablar de dos tipos de transformaciones:
• Orientadas: Se sabe lo que se busca
– Indices de vegetación
– Transformación Tasseled Cap
• No orientadas: No sabemos a priori lo que buscamos
– Análisis de Componentes Principales
6.6.1 Indices de vegetación
El más conocido es el Indice Normalizado de Vegetación (NDVI) cuya ecuación es:
ρir − ρr
N DV I = (6.12)
ρir + ρr
Este índice se basa en que la vegetación tiene una reflectividad muy alta en el infrarrojo cercano d y muy baja
en el rojo. Por tanto cuanto mayor sea la diferencia entre ambas bandas mayor es el porcentaje de cobertura
vegetal y más sana es esta. El dividir el índice entre la suma de ambas reflectividades compensa tanto el efecto
de mayor o menor luminosidad como el efecto de la atmósfera.
Se han propuesto distintas variantes para mejorar este índice, con el objetivo fundamental de eliminar la influ-
encia que el suelo puede tener sobre las reflectividades en el rojo y el infrarrojo y que pueda enmascarar las de
la vegetación.
Otros índices, utilizando otras bandas, permitirían analizar otros aspectos como puede ser la litología. Este tipo
de índices pueden calcularse en un SIG ya que , en definitiva, no son más que operadores sencillos de álgebra
de mapas. Para calcularlo a partir de landsat se utiliza la banda 3 (rojo) y la 4 (infrarrojo cercano).
Figura 6.20: NDVI de Abril-1993 y septiembre-1993
6.6.2 Transformación Taselled Cap
La transformación tasseled cap supone pasar de las 6 bandas del espectro solar de landsat a 3 bandas con un
claro sentido físico que representan el brillo de la imagen (albedo), el verdor y la humedad. Estas nuevas bandas
se obtienen mediante:
6
X
brillo = Ckb ρk (6.13)
k=1
6
X
verdor = Ckv ρk (6.14)
k=1
X6
humedad = Ckh ρk (6.15)
k=1
(6.16)
En estas ecuaciones Ckb significa Coeficiente para obtener brillo (b) en la banda k. Los coeficientes Ckb , Ckv
y Ckh de estas ecuaciones aparecen en la tabla 6.7. Permiten llevar a cabo análisis de la densidad y estado de
salud de la vegetación.
Componente TM1 TM2 TM3 TM4 TM5 TM7

Brillo 0.3037 0.2793 0.4743 0.5585 0.5082 0.1863
Verdor -0.2848 -0.2435 -0.5436 0.7243 0.0840 -0.1800
Humedad 0.1509 0.1973 0.3279 0.3406 -0.712 -0.4572
Tabla 6.7: Coeficientes de la transformacion tasseled cap
6.6.3 Análisis de Componentes Principales
Uno de los problemas que aparecen en la clasificación estadística es la alta correlación entre variables, cuanto
más cerca estén dos bandas en el espectro electromagnético mayor sea su grado de correlación. En este caso
la introducción de varias variables en la clasificación no aporta más información. En la figura 6.23 aparece un
ejemplo en el cual las bandas 3 y 4 de Landsat TM podrían resumirse en una sola variable, ya que conociendo
una podríamos estimar con muy poco margen de error la otra.
Las diferentes técnicas de análisis multivariante permiten transformar una serie de variables en nuevas variables,
denominadas componentes, incorrelacionadas, que absorben la varianza (variabilidad) total de los datos. Estos
componentes están ordenados además de mayor a menor en relación al porcentaje de la varianza total que
absorben. Ello permite eliminar los componentes que absorban un escaso porcentaje de la varianza original y
quedarnos con los que absorban mayor variabilidad.
Sería como si en la figura 6.23 el primer componente fuera la linea recta que maximiza la distancia entre los
puntos más alejados (varianza) y el segundo una perpendicular a la anterior mucho más corta (menor varianza)
ya que la distancia máxima entre los puntos en esa dirección es mucho menor.
Sin entrar demasiado en los detalles del procedimiento, las imágenes landsat en la Región de Murcia, el primer
componente suele poder asimilarse al albedo, el segundo a la presencia de vegetación y el tercero a la presen-
cia de agua, por lo que son similares a la transformación tasseled cap. Los últimos componentes, puesto que
absorben fundamentalemnte aleatoriedad, ruido, tienen un aspecto similar a una televisión no sintonizada.
Figura 6.21: Efecto de la transformación tasseled cap

1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Figura 6.22: Alta correlación entre bandas. Los rectángulos azules muestran la cantidad de información real-
mente contenida en las bandas
Figura 6.23: Análisis de componentes principales: CP1, CP2, CP3, CP4, CP5 yP6
6.7 Clasificación de imágenes
La elaboración de una clasificación del área de estudio asignando cada píxel a una clase relativa a litología, tipos
de vegetación o, más comunmente, usos del suelo, es uno de los objetivos fundamentales en teledetección.
La clasificación en teledetección es un caso particular del problema general de clasificar N individuos en un
conjunto de K clases en función de n variables cuantitativas ( X1 , X2 ,...,Xn ). Para resolver este problema se
necesita representar los N individuos en un espacio definido por las n variables y establecer una medida de la
semejanza o diferencia entre los diferentes individuos y entre los individuos y las clases. Dos individuos muy
parecidos pertenecerán probablemente a la misma clase, mientras que dos individuos distintos pertenecerán
a diferentes clases. Aunque pueden utilizarse otro tipo de distancias la medida más utilizada es la distancia
euclidiana:
v
u n
uX
di,j 2
=t (Xvi − Xvj )2 (6.17)
v=1
En la figura 6.24 aparece un ejemplo sencillo en que se muestra un conjunto de píxeles representados en un
espacio de variables definido por las bandas 3 y 4 (rojo e infrarrojo cercano) de landsat TM. En dicha figura
aparecen representados píxeles cuya clase (suelo desnudo, vegetación y agua) se conoce a priori (ver figura 6.8
para ver a que regiones del espectro electromagnético equivalen) . Este ejemplo se utilizará durante el resto del
tema para mostrar el comportamiento de los distintos métodos de clasificación.
Puesto que en la práctica no podemos saber con certeza a que clase corresponde cada uno de los píxeles, el
problema de la clasificación se convierte en un problema de probabilidad de pertenencia a cada una de las
clases de un conjunto, por tanto se suelen usar métodos estadísticos.
El procedimiento de clasificación supone dos fases:
• Definición de las clases
• Adjudicación de cada uno de los píxeles del terreno a las clases previamente definidas
6.7.1 Definición de clases
Existen dos métodos complementarios para afrontar la definición de clases, estos son válidos tanto en imágenes
de satélite como en cualquier otro campo.
• Clasificación supervisada.
• Clasificación no supervisada.
Clasificación supervisada
La clasificación supervisada se basa en una decisión previa acerca de las clases que se pretende distinguir
(denominadas clases informacionales) y en la disponibilidad de áreas de entrenamiento (los puntos rojos
verdes y azules que en la figura 6.24 se corresponderían con píxeles de vegetación, suelo desnudo y agua
respectivamente) de las que se conoce a priori a que clase pertenecen y que servirán para generar una signatura
Figura 6.24: Representación de píxeles en un espacio de variables simplificado
espectral característica de cada una de las clases (figura 6.24). Deben ser áreas lo más homogéneas posibles y
en las que sepamos lo que había el día que se tomó la imagen. Por ello esta operación se realiza el mismo día en
el que el satélite toma la imagen y luego se compra esta. En caso de que no pueda hacerse así, otra posibilidad
es utilizar fotografía aérea o información de otro tipo lo más cercana posible a la fecha de la imagen.
Obtener las características de reflectividad de cada una de las clases implica una simple consulta a las imágenes
(figura 6.25). La respuesta espectral de una clase será la respuesta espectral media de sus píxeles.
Uno de los problemas de la clasificación supervisada consiste en intentar extraer clases que, aunque pueda
ser interesante distinguirlas para los objetivos del estudio, no puedan realmente distinguirse a partir de las
imágenes que van a utilizarse. Por ejemplo en una imagen de landsat-TM puede ser factible diferenciar bosque
de matorral, pero será mucho más difícil distinguir entre especies forestales.
Figura 6.25: Definición supervisada de clases
Clasificación no supervisada
En la clasificación no supervisada no se establece ninguna clase a priori, aunque es necesario determinar el

número de clases que queremos establecer, y se utilizan algoritmos matemáticos de clasificación automática.
Los más comunes son los algoritmos de clustering que dividen el espacio de las variables en una serie de
regiones de manera que se minimice la variabilidad interna de los píxeles incluidos en cada región. Cada región
de este espacio de variables (figura 6.26) define de este modo una clase. En teledetección se les suele denominar
clase espectral.
El procedimiento consta de una serie de pasos, en cada paso se identifican los dos individuos más próximos,
se hace una clase con ellos y se sustituyen por el centroide de la clase resultante. De este modo cada paso
analiza un individuo menos que el anterior ya que los individuos van siendo sustituidos por clases. El proceso
se detiene cuando se ha alcanzado un número de clases igual al número de clases que había sido establecido a
priori.
El resultado final de un proceso de clustering suele ser un dendrograma en el que puede verse como los
diversos individuos se aglutinan en clases, primero los que están a una menor distancia (los mas parecidos),
Figura 6.26: Definición no supervisada de clases

y como posteriormente las clases se unen entre si. Una práctica habitual es determinar un número elevado de
clases para después, a partir del dendrograma, elegir el número de clases que queremos mantener en función de
diferentes criterios de homogeneidad de las clases.
La figura 6.26 muestra un dendrograma en el que se han extraído 6 clases del espacio de variables. En la
clasificación supervisada se habían considerado sólo 3. La vegetación puede dividirse entre sana y enferma
(Clases C y F), el suelo desnudo en dos grados de desnudez (clases D y E) y el agua en turbia y clara (clases A
y B).
En realidad suelen utilizarse ambos procedimientos (clasificación supervisada y no supervisada) ya que son
complementarios. La clasificación supervisada utiliza nuestro conocimiento del terreno pero si este conocimiento
no es perfecto pueden escaparse cosas que una clasificación no supervisada sí podría detectar.
6.7.2 Asignación de píxeles a clases. Métodos clásicos
Una vez que se dispone de un conjunto de clases y de sus signaturas espectrales características, vamos a tratar
de adjudicar cada uno de los píxeles a una clase.
A continuación se expondrán los métodos más clásicos, algunos de ellos (mínima distancia, paralelepípedos)
están hoy desfasados pero su sencillez permite entender mejor el proceso de clasificación. Se utiliza para ello
una muestra de celdillas pertenecientes a 3 clases diferentes (figura 6.24).
Clasificación por mínima distancia
Se calcula para cada clase el valor medio para cada una de las variables y se coloca este valor medio en el
espacio de variables como centroide de clase, posteriormente cada píxel x se asignará a la clase respecto a la
cual su distancia sea mínima (figura 6.27 a). Este método clasifica todos los píxeles aunque es posible dejar sin
clasificar los píxeles más alejados de su centroide de clase y considerarlos píxeles dudosos.
Clasificación por paralelepípedos
En este método se definen una serie de paralelepípedos, hiperparalelepípedos en realidad, que definen las fron-
teras de cada clase (figura 6.27 b). La definición de cada uno de los paralelepípedos debe hacerse teniendo en
cuenta los valores máximos y mínimos de reflectividad para cada una de las bandas. Con este método pueden
aparecer píxeles sin asignar o píxeles asignados a varias clases.
Aquellas celdillas que quedan sin clasificar representan otras clases que no se han tenido en cuenta o bien que
resultan demasiado complejas para adjudicarlas a una clase.
Arboles de clasificación
Suponen un análisis exhaustivo de las respuestas espectrales de las clases y del conjunto de datos disponibles,
consiste en ir haciendo preguntas a cada píxel cuya respuesta positiva o negativa conducirá a otra pregunta y
asi sucesivamente hasta obtener la clase a la que pertenece. Se basa en los mismos principios que los sistemas
expertos o las guías de reconocimiento de la naturaleza (figura 6.28).
En la figura 6.27(c) se muestra la partición del espacio de variables que resultaría de un árbol de clasificación.
a b
c d
Figura 6.27: Clasificación por mínima distancia (a), paralelepípedos (b), árbol de decisión (c) y máxima
verosimilitud (d)
Figura 6.28: Utilización de un árbol de clasificación
Clasificación por máxima verosimilitud
Puesto que se tiene una muestra de refelctividades para cada clase y cada banda, puede calcularse la media
y la desviación típica de cada una de las clases, y utilizar algún modelo de distribución de probabilidad. El
clasificador de máxima probabilidad asume que los datos siguen una función de distribución gaussiana para
asignar la probabilidad de que un píxel cualquiera pertenezca a cada una de las clases. El píxel se asigna de este
modo a la clase a la que es más probable que pertenezca.
En la figura 6.27(d) aparecen una serie de elipses rodeando a cada uno de los centroides, se trata de áreas de
isoprobabilidad, por tanto el píxel se clasificará como perteneciente a la clase en la que sus valores resulten más
probables.
Este método puede usarse de forma automática, o puede establecerse algún criterio que permita asignar píxeles
a una clase sólo si la probabilidad correspondiente es superior a determinado umbral. Permite por otro lado
definir algún tipo de criterio para medir la calidad de la asignación, por ejemplo la diferencia entre la máxima
probabilidad y la siguiente.
Hay un acurdo generalizado en que este método es el que proporciona mejores resultados siempre que se cumpla
la hipótesis de que los datos de reflectividad siguen una distribución normal, pero esta no siempre se cumple y
debería verificarse siempre.
6.7.3 Asignación de píxeles a clases. Métodos basados en aprendizaje automático
Son métodos más robustos y suelen ofrecer mejores resultados cuando las variables analizadas no siguen una
distribución gaussiana. En contrapartida son muy exigentes computacionalmente.
a b
Figura 6.29: Clasificación por vecino más próximo y máquinas de vectores soporte
Clasificación de vecino más próximo
Cada píxel se clasifica en la clase a la que pertenece el píxel de muestreo más cercano en el espacio de variables
(figura 6.29 a)
Clasificación por redes neuronales
Se basan en el uso de redes neuronales artificiales que, se supone, imitan a las redes neuronales reales en
el desarrollo de tareas de aprendizaje. Una neurona artificial es un objeto lógico (se trata de software no de
hardware) que recibe diversas entradas, hace una media ponderada de las mismas y produce una salida a partir
de la aplicación de una función umbral a la media ponderada:
X
y = f( wi · x i ) (6.18)
Si conectamos las salidas de unas neuronas como entradas de otras obtenemos una red neuronal pudiendo existir
diferentes diseños de red posibles. Uno de los ejemplos más típicos de red neuronal es la Back Propagation
Neural Network que aparece en la figura 6.30.
Consta de una capa de entrada con tantas neuronas como variables de entrada se vayan a introducir en el modelo
(en el caso de la teledetección sería una por cada banda utilizada para clasificar), una capa oculta que realiza
la mayor parte del cálculo y una capa de salida con tantas neuronas como posibles clases existan. Cada una de
las neuronas produce una señal de salida que suele consistir en un valor numérico entre 0 y 1 para cada clase,
cuanto mayor sea este valor más verosímil resulta que el píxel pertenezca a la clase en cuestión
Para trabajar con una red neuronal existen varias fases:
1. Entrenamiento. Se le introducen a la red la respuesta espectral de píxeles cuya clase se conoce y se

compara la salida que produce la red con la realidad. A partir de esta comparación se modifican los
Figura 6.30: Ejemplo de red neuronal Back propagation. Arriba a la izquierda funcionamiento de una neurona,
arriba a la derecha diseño de una red Back propagation, abajo a la izquierda aplicación al ejemplo estudiado,
abajo a la derecha relación entre posibles diseños de una red Back propagation y el tipo de partición posible en
el espacio de variables
coeficientes de ponderación de todas las neuronas para que se obtenga la respuesta adecuada (se trata de
un procedimiento automático) es decir un 1 en la clase correcta y ceros en las incorrectas
2. Estabilización. Al principio del entrenamiento, los factores de ponderación cambian muy deprisa, pero
conforme este se desarrolla (y si las áreas de entrenamiento se han seleccionado correctamente) se esta-
bilizan (no se modifican aunque se vuelvan a introducir los píxeles de entrenamiento). En este momento
finaliza la fase de entrenamiento
3. Clasificación. Se introducen las respuestas espectrales de los píxeles cuya clase no se conoce y se adju-
dican a la clase que de una respuesta más alta (que no va a ser necesariamente 1).
Se trata en definitiva de un método de clasificación no paramétrico robusto que da buenos resultados cuando
las respuestas espectrales de las clases no siguen una distribución normal. La clave está en el conjunto de
coeficientes de ponderación que constituyen un conjunto de parámetros que deben ajustarse a unos datos de
entrada y salida. Por tanto en cierto modo es equivalente a una regresión multivariante no paramétrica.
Random Forest
Consiste en la utilización de múltiples árboles de decisión en los que varía de forma aleatoria las variables que
se utilizan, al final cada píxel individual se clasifica con un sistema de votación entre los árboles.
Máquinas de Vectores Soporte
Es el método más complejo matemáticamente pero puede ser el que mejores resultados produce. Desde un
punto de vista conceptual, permite establecer fronteras curvilíneas en el espacio de variables (figura 6.29 b).
6.7.4 Métodos para mejorar la clasificación
Se han desarrollado diversas técnicas que permiten mejorar las clasificaciones aumentando el número de vari-
ables introducidas. Para ello puede tenerse en cuenta la información de los píxeles circundantes (clasificación
de contexto), información auxiliar relativa al pixel (contexto espacial) y datos de otras imágenes de fechas
cercanas (clasificación multitemporal)
Clasificación de contexto
Se trata de incorporar otras fuentes de información distintas a las bandas para la clasificación. Entre esta infor-
mación estaría la altitud, pendiente, litología, etc. Las distintas formaciones vegetales tienen mayor capacidad
para desarrollarse en determinados entornos definidos en parte por estas variables. Por tanto puede ser útil
establecer cual es la formación vegetal con mayor probabilidad de desarrollarse en un determinado píxel (en
función de topografía y litología) y combinar esta información con la de las bandas.
Contexto espacial
Todos los métodos estudiados hasta ahora utilizan, para clasificar una celdilla, sólo los valores de reflectividad
recogidos en dicha celdilla. Este hecho no es demasiado problemático si el tamaño de la celdilla es mayor que
los diferentes elementos físicos que componen el paisaje. Sin embargo si el tamaño de las celdillas es más
pequeño que las unidades de paisaje podría utilizarse la información de los píxeles de alrededor para estimar la
pertenencia a una clase o confirmar la estimación.
Puede resultar un método útil en combinación con el de máxima probabilidad ya que permite incluir la infor-
mación de los píxeles circundantes para tomar una decisión en caso de que las probabilidades para dos clases
sean similares o no exista una clase con probabilidades de pertenencia suficientemente altas.
Clasificaciones multitemporales
Si lo que se pretende es distinguir entre clases cuya respuesta espectral varían con el tiempo, por ejemplo entre
diferentes usos del suelo, puede ser interesante integrar imágenes obtenidas en diferentes fechas. Imágenes de
primavera y otoño tienen un gran valor discriminante ya que las superficies vegetales, especialmente las de
cultivo muestran grandes diferencias.
Si se utiliza esta técnica, resulta imprescindible realizar una buena corrección atmosférica de las imágenes. Si
todas son de la misma fecha, la influencia de la atmósfera es la misma para todas por tanto podemos asumir
que no influye demasiado en la clasificación. Sin embargo si las imágenes proceden de diferentes fechas, la
diferente influencia de la atmósfera puede enmascarar y distorsionar los cambios en la respuesta espectral.
Clasificadores borrosos
Sea cual sea el procedimiento de clasificación utilizado, surge el problema de que algunos píxeles resul-
tan inclasificables, bien porque sus probabilidades de pertenencia a cualquier clase sean muy bajas (máxima
verosimilitud, salidas de un método de redes neuronales, etc.) o porque aparezcan dos o más clases con muy
alta probabilidad que se disputen el píxel. En estos casos tiene más sentido no clasificar los píxeles de forma
unívoca sino establecer cual es su posibilidad de pertenencia a cada una de las clases (el concepto de posibili-
dad no es exactamente igual al de probabilidad). Puede aplicarse a diversos métodos; por ejemplo en máxima
verosimilitud la probabilidad de pertenencia a cada clase se asimila a la posibilidad de dicha clase.
Análisis Orientado a Objetos
La aparición de las imágenes de alta resolución espacial (Ikonos, QuickBird) supone un problema para los
métodos de clasificación orientados a píxeles, y es que en lugar de visualizar coberturas (bosques, secanos,
núcleos urbanos) lo que visualizamos son objetos (casas, árboles, etc.) y en muchos casos formados por var-
ios píxeles. Así habría que establecer un esquema de clasificación que incluyera tantas clases como posibles
objetos.
El método más utilizado para abordar este problema consiste en hacer en primer lugar una segmentación de la
imagen (figura 6.31) minimizando las variabilidad dentro de los objetos y maximizando la variabilidad entre
objetos. Posteriormente se pueden aplicar los procedimientos de clasificación analizados a los objetos en lugar
de a los píxeles con la ventaja de pueden incluirse nuevas variables como:
• Reflectividad media del objeto para cada una de las bandas
• Varianza y autocorrelación espacial de la reflectividad dentro del objeto
• Variables geométricas (área, perímetro, etc.) del objeto
• Diferencia en reflectividad respecto a los objetos situados alrededor
Figura 6.31: Segmentación de área de regadío en la cuenca del Argos
6.8 Validación. Error de clasificación
Existen dos posibilidades, evaluar una estimación teórica del error en función de las características del algo-
ritmo de clasificación o analizar una serie de áreas de validación obtenidas del mismo modo que las áreas
de entrenamiento. El segundo modo de proceder permite obtener una estimación más realista de los errores
mientras la muestra de píxeles para la estimación del error sea lo suficientemente grande y representativa.
La matriz de confusión muestra para cada clase como se han clasificado las celdillas incluidas en las áreas de
validación.
Cada fila corresponde a las celdillas de una clase en las áreas de validación y nos indica cuantas han sido
asignadas a cada una de las clases por el proceso de clasificación.
Cada columna corresponde a una clase en el mapa clasificado y nos indica a que clases pertenecían en realidad
estas celdillas.
En el siguiente ejemplo vemos que de las 284 celdillas de suelo urbano en las áreas de validación, 278 han
sido clasificadas correctamente (98.5 %); sin embargo también vemos como de las 415 celdillas que fueros
clasificadas como suelo urbano, sólo 278 lo eran realmente (67 %).
[,1] [,2] [,3] [,4] [,5] [,6] [,7] SUMA

1:Urbano 278 0 56 6 60 15 0 415
2:Suelo desnudo 0 2991 0 0 0 19 0 3010
3:Vegetación natural (solana) 0 0 6155 278 130 23 0 6586
4:Vegetación natural (umbría) 0 0 1219 2513 6 0 0 3738
5:Cultivos de secano 4 0 192 5 2286 34 0 2521
6:Cultivos de regadío 0 0 7 0 8 2537 0 2552
7:Agua 0 0 0 0 0 0 77 77
SUMA 282 2991 7629 2802 2490 2628 77 18899
Con estos datos podemos distinguir para cada clase entre el error de omisión (porcentaje de las celdillas de
una clase que no han sido clasificadas en esa clase) y el error de comisión (porcentaje de celdillas clasificadas
en una clase pero que realmente no pertenecen a ella:
CLASE Error de comisión Error de omisión

1:Urbano 33.0120482 1.418440
2:Suelo desnudo 0.6312292 0.000000
3:Vegetación natural (solana) 6.5441846 19.321012
4:Vegetación natural (umbría) 32.7715356 10.314061
5:Cultivos de secano 9.3216977 8.192771
6:Cultivos de regadío 0.5877743 3.462709
7:Agua 0.0000000 0.000000
En principio una buena medida de la calidad de una clasificación sería el porcentaje de celdillas que aparecen
en la diagonal principal de la matriz de confusión y que (por tanto) han resultado bien clasificadas. Sin embargo
una clasificación hecha al azar podría acertar por casualidad una proporción relativamente alta de celdillas. Para
evitar este efecto se utiliza el índice κ (kappa) que estima la proporción de celdillas correctamente clasificadas
eliminando las que lo habrían sido al azar. La ecuación de κ es:
Pn Pn
N· i,i −
i=1 xP i=1 ((si, · s,i )
κ= (6.19)
N 2 − ni=1 ((si, · s,i )
donde xi,j es el elemento situado en la fila i columna j de la matriz, s,i es la suma de los elementos de la
columna i (clase i), si, es la suma de los elementos de la fila i (clase i), N es el número de píxeles y n el número
de clases.
El índice κ del ejemplo sería 0.858 que también podría expresarse en porcentaje como 85.8 %.
En todo caso hay que tener en cuenta que el índice κ sólo mide la adecuación de la clasificación a las áreas de
validación, por tanto si las areas de validación no son adecuadas puede no ser significativo.
6.9 Bibliografía
• Chuvieco, E. (2010) Teledetección Ambiental, Ariel,
• Mather,P.M (1999) Computer Processing of Remotely-Sensed Images. An Introduction,Wiley,. 292 pp +

1 CDROM.
• NASA The remote sensing tutorial (http://rst.gsfc.nasa.gov/start.html)
• Sobrino,J.A. (2000) Teledetección Servicio de Publicaciones Universidad de Valencia, 467 pp.
• Tso, B. & Mather, P.M. (2009) Classification methods for remotely sensed , Taylor & Francis, 347 pp.
• VV.AA. The remote sensing Core curriculum (http://research.umbc.edu/ tbenja1/umbc7/)

Tema 7
Sistemas de Referencia Espacial. Geodesia y

Cartografía.
A lo largo de estos apuntes se han hecho constantes referencias a los sistemas de referencia espacial y sistemas
de coordenadas en que los mapas o capas de información espacial digital utilizan para ubicar en ellos los
diferentes elementos de la superficie terrestre.
Debido a la habitual necesidad de integrar en un mismo estudio conjuntos de datos que utilizan diferentes
sistemas de referencia espacial es necesario un conocimiento mayor de estos así como de los mecanismos
de transformación de unos a otros. Para ello es necesario comenzar por estudiar los problemas relacionados
con la forma y tamaño de la Tierra (Geodesia) y su representación sobre un plano mediante una proyección
(Cartografía)
7.1 Conceptos de Geodesia
La aproximación más sencilla a la forma de la Tierra es una esfera de 6400 km de radio, pero en realidad no
es un objeto esférico sino que su forma se aproxima a un elipsoide1 ligeramente achatado en los polos. Esta
aproximación tampoco es válida cuando se desciende al detalle ya que la Tierra incluye numerosas irregula-
ridades, se habla por tanto de Geoide2 para hacer referencia a la Tierra como objeto geométrico irregular y
único (figura 7.1)
Geodesia es la ciencia que estudia la forma y tamaño de la Tierra y las posiciones sobre la misma. La Geodesia
define el Geoide como una superficie en la que todos sus puntos experimentan la misma atracción gravitatoria
(superficie equipotencial) siendo esta equivalente a la experimentada al nivel del mar. Por tanto coincide con la
superficie media del mar en los océanos y con su continuación por debajo de los continentes no con la superficie
topográfica (ver figura 7.4).
La gravedad es el fenómeno físico fundamental que determina la forma de la Tierra. Debido a las diferentes den-
sidades de los materiales que componen la corteza y el manto terrestre y a alteraciones debidas a los movimien-
1
Fue Newton quien por primera vez sugirió la forma elipsoidal de la Tierra al tener noticia de la necesidad de acortar los péndulos
de los relojes en la proximidad del Ecuador
2
El matemático Gauss fue el primero en tratar de definir una figura más adecuada que un elipsoide para representar la superficie
terrestre
165
166 Tema 7. Sistemas de Referencia Espacial. Geodesia y Cartografía.
Figura 7.1: Esferoide y Geoide
tos isostáticos, esta superficie equipotencial no es regular sino que contiene ondulaciones que alteran los cálcu-
los de localizaciones y distancias. La superficie terrestre está, por otro lado, cambiando constantemente debido
a la tectónica de placas y a fenómenos de isostasia, por lo que cualquier definición del Geoide es necesaria-
mente temporal. Solo muy recientemente se ha podido obtener un modelo adecuado de la forma real del Geoide
gracias a los satélites gravimétricos (GRACE y GOCE).
Debido a esta irregularidad del Geoide, para describir la forma de la Tierra suelen utilizarse modelos regulares
de la misma denominados esferoides o elipsoides de referencia. Estos se definen mediante dos parámetros, el
tamaño del semieje mayor (a) y el tamaño del semieje menor (b) (figura 7.1). El achatamiento del esferoide se
define entonces como:
f = (a − b)/a (7.1)
Otro parámetro habitualmente utilizado para caracterizar un elipsoide es su excentricidad:

r
a2 − b2
e= (7.2)
a2
El achatamiento real de la Tierra es aproximadamente de 1/300 (es decir mucho menos de lo que la figura
7.1 y muchas imágenes que aparecen en textos de bachillerato pueden hacernos creer). Alterando los valores
de los coeficientes a y b se obtienen diferentes elipsoides de referencia. Se han propuesto diversos de ellos y
generalmente se conocen con el nombre de su creador (tabla 7.1).
7.1.1 Sistema de coordenadas geográficas
El sistema de coordenadas natural sobre una esfera o esferoide es el de coordenadas angulares (latitud y
longitud) que suele denominarse de coordenadas geográficas o geodésicas (figura 7.2). Para definir latitud y
longitud, debemos identificar el eje de rotación terrestre. El plano perpendicular al eje de rotación que corta la
Tierra atravesándola por su centro define el Ecuador en su intersección con el esferoide. El resto de las lineas
de intersección con la superficie terrestre de los infinitos planos perpendiculares al eje de rotación definen los
Elipsoide año a (metros) b (metros) f

Bessel 1841 6377397.16 6356078.96 1:299.153
Struve 1860 6378298.3 6356657.1 1:294.73
Internacional 1924 6378388 6356911.95 1:297
GRS-80 1980 6378137 6356752.314 1:298.2572
WGS-84 1984 6378137 6356752.3 1:298.257
Tabla 7.1: Algunos elipsoides de referencia utilizados en Geodesia y Cartografía en España. Los dos últimos
son geocéntricos.
diferentes paralelos o lineas de latitud constante. Finalmente, los meridianos (o lineas de longitud constante)
pueden definirse como las lineas de intersección con la superficie terrestre de los infinitos planos que contienen
al eje de rotación. Paralelos y meridianos se cruzan siempre en ángulo recto.
Se denomina gran círculo a cualquiera de los círculos trazados sobre la superficie terrestre cuyo radio es
equivalente al radio terrestre. El Ecuador surge de forma natural como el gran círculo perpendicular al eje
de rotación de la Tierra y tiene un carácter único. Sin embargo, el meridiano origen podría ser cualquiera de
los grandes círculos que contienen al eje de rotación y, antiguamente, cada nación solía establecer como suyo
el que pasaba por la capital. Sólo a finales del siglo XIX se llegó a un acuerdo para seleccionar como tal el
meridiano que pasa por Greenwich. De hecho, hasta hace 30-40 años, algunas bases de datos espaciales en
España seguían utilizando como meridiano cero el meridiano de Madrid.
La longitud (λ) es la distancia angular entre el meridiano de un lugar y el de Greenwich, se expresa en grados,
minutos y segundos de arco y se mide de 0 a 180o hacia el Este o hacia el Oeste desde el meridiano de
Greenwich. La latitud (ω) es la distancia angular entre el paralelo de un lugar y el Ecuador, se expresa en las
mismas unidades que la longitud y se mide de 0 a 90o hacia el Norte o el Sur.
Los grados se dividen en 60 minutos (60’) y estos en 60 segundos (60”) aunque por comodidad, los cálculos
geodésicos suelen hacerse en radianes, grados decimales o incluso en segundos. El formato más adecuado para
trabajar con ordenador son los grados decimales. Cuando se trabaja con ordenadores, es habitual también dar a
los grados de longitud Oeste un valor negativo y a los de longitud Este positivo, del mismo modo la latitud Sur
puede expresarse con números negativos.
Debido a la forma elipsoidal de la Tierra, la equivalencia entre grados y kilómetros varía. Así en el Ecuador un
grado de latitud mide 110.57 km mientras que en los polos son 111.7; por su parte un grado de longitud mide
111.32·cos(ω) km, es decir 111.32 km en el Ecuador descendiendo a cero en los polos.
La localización de un punto P sobre la superficie terrestre puede definirse de este modo mediante su longitud y
latitud. La ciudad de Murcia está situada en λ = 1o 030 2700 O y ω = 37o 590 0000 N 3 . La letra O indica al oeste del
meridiano de Greenwich (también suele utilizarse la W) y la letra N al Norte del Ecuador. En grados decimales
sería λ=-1.0575 y ω=37.9833
Las coordenadas de un rectángulo que enmarca a España (excluyendo las islas Canarias) son, en grados en
grados decimales:
• N: 43.80 N
• S: 35.82 N
3
Asumiendo el datum europeo de 1950 (ver más adelante)
Figura 7.2: Sistema de coordenadas geográficas
• E: 4.33 E
• O: 9.29 O
A pesar de que un elipsoide de referencia es un modelo (por tanto inexacto) del Geoide, la localización de un
punto sobre el mismo no es en absoluto imprecisa siempre que los parámetros del elipsoide estén perfectamente
establecidos. El cálculo de distancias sobre el elipsoide si está sujeto a errores respecto a las distancias medidas
sobre el Geoide sin embargo estas diferencias son mínimas, siendo mucho más fácil calcular distancias sobre
el elipsoide que sobre el Geoide..
7.1.2 Elipsoides de referencia. Datum
El objetivo fundamental de un elipsoide es establecer un sistema de coordenadas geográficas para asignar a

cada punto de la superficie del país donde se utiliza, un par de coordenadas de forma biunívoca4 . A lo largo de
la historia, y en diferentes países se han utilizado diferentes elipsoides como modelos del Geoide (tabla 7.1). La
razón es que ninguno de ellos podía adaptarse completamente a todas las irregularidades del Geoide, aunque
cada uno de ellos se adapta razonablemente bien a una zona concreta de la superficie terrestre. Por tanto en
cada país se utilizaba el más conveniente en función de la zona del planeta en que se encuentra.
La figura 7.3 muestra como el elipsoide (definido por los parámetros a y b) es un modelo del Geoide, pero para
poder asignar coordenadas geográficas a los diferentes puntos de la superficie terrestre es necesario establecer
la posición del elipsoide respecto al Geoide mediante un Punto Fundamental en el que el elipsoide y el Geoide
son tangentes y establecer la distancia (d) entre el centro del elipsoide y el centro de masas del Geoide (figura
7.3.3). De este modo el elipsoide se convierte en un sistema de referencia de la esfera terrestre. En los últimos
años se han definido diversos elipsoides geocéntricos, es decir cuyo centro coincide con el centro de masas del
Geoide (figura 7.3.4)
Un datum es el conjunto formado por los parámetros a y b del elipsoide, las coordenadas geográficas, latitud y
longitud (λ y ω), del punto fundamental, la localización del centro del elipsoide respecto al centro de masas y la
4
Es decir cada punto tiene un solo par de coordenadas y cada par de coordenadas corresponde a un único punto
dirección que define el Norte.Así mientras un esferoide es un modelo de la forma de la Tierra, un datum define
la posición del esferoide en relación con el Geoide. Establecer cual es el datum de un sistema de coordenadas
es tarea de los servicios nacionales de Geodesia.
Hasta 1950 el datum oficial español se basaba en el elipsoide de Struve con punto fundamental en el observa-
torio astronómico de Madrid, que se utilizó además como Meridiano de referencia o Meridiano cero. A partir
de este punto y de otros observatorios astronómicos se inició el desarrollo de la red geodésica española.
En 1950 tuvo lugar la primera compensación de la red geodésica española junto a las demás de Europa occi-
dental e un intento (desarrollado por el ejército americano en el marco de la OTAN) de crear una red geodésica
unificada. Se adoptó el elipsoide de Hayford de 1909 (también llamado Internacional de 1924) y como punto
fundamental Potsdam (Alemania). Los parámetros de este datum serían
• a=6378388
• b=6356911.946
• Punto fundamental: λ = 13o 030 58.74100 E; ω = 52o 220 51.44600 N
• La dirección de referencia la definen los meridianos y se dirige aproximadamente hacia la estrella polar.
Al mismo tiempo se pasó a utilizar el observatorio de Greenwich como Meridiano de referencia. Este sistema
se suele denominar como ED50 y es el datum utilizado tradicionalmente en cartografía, tanto en los mapas del
Servicio Geográfico del Ejercito (SGE) como en los del Instituto Geográfico Nacional (IGN).
Hasta la segunda mitad del siglo XX, el propósito de los diferentes datums era servir como modelos locales
del Geoide en porciones reducidas de la superficie terrestre a las que se adaptaban especialmente bien, lo que
implicaba que su ajuste al Geoide en otros lugares no era adecuado. Hoy en día la necesidad de estudios globales
y la disponibilidad de dispositivos de toma de datos también globales (GPS5 , teledetección), se busca un datum
geocéntrico que tenga validez para todo el planeta, de forma que puedan tener empleo mundial.
El desarrollo de tecnología geodésica basada en satélites permitió la aparición de nuevos modelos de elipsoide
geocéntricos y mucho más ajustados a la forma real de la Tierra, como el WGS84 (Sistema Geodésico Mundial
de 1984) en el que se basa el datum WGS84, utilizado por los dispositivos GPS, o el elipsoide GRS80 (Sistema
Geodésico de Referencia de 1980) prácticamente idéntico al WGS84 y utilizado por el datum ETRS89 (Sistema
Europeo de Referencia Terrestre de 1989).
El Real Decreto 1071/2007 de 27 de julio, regula la adopción en España del datum ETRS89, estableciendo un
período transitorio hasta 2015 en el que pueden convivir ambos sistemas (ED50 y ETRS89).
Resulta evidente que dar un par de coordenadas sin hacer referencia al datum no es lo suficientemente preciso.
En un datum todo punto tiene un par de coordenadas único, mientras que el mismo punto tendrá diferentes
coordenadas en diferentes datums, o lo que es lo mismo un par de coordenadas puede corresponder a diferentes
puntos en diferentes datums.
5
Sistema de Posicionamiento Global. Se trata de un sistema de satélites con los que se puede contactar desde un pequeño dispositivo
situado en Tierra, conociendo la posición de los satélites el dispositivo puede calcular por triangulación su posición sobre el planeta
con aproximación incluso centimétrica
Figura 7.3: Parámetros que definen un Datum
7.1.3 Altitud
En principio podría pensarse que la diferencia de cota entre un punto sobre la superficie terrestre y sus coorde-
nadas en el elipsoide (altitud elipsoidal) constituyen una buena aproximación a este parámetro, sin embargo
esta altitud constituye un parámetro puramente matemático con referencia a un modelo de la Tierra (elipsoide)
y no a la realidad (Geoide). Se daría incluso la paradoja de que la costa no tendría altitud cero sino una altitud
que podría ser positiva o negativa.
La altitud ortométrica, con referencia al Geoide proporciona un valor más físico ya que está vinculado a
la fuerza de la gravedad que apunta hacia el centro de la Tierra y es la que, en definitiva, define el concepto
intuitivo de abajo; mientras que la dirección hacia abajo en el elipsoide apunta al cento de este y ambos centros
no tienen por que coinicidir salvo en elipsoides geocéntricos (figura 7.3). Por otra parte, y debido a la propia
definición del Geoide, la altitud ortométrica de la linea de costa y de toda la superficie marina es siempre cero.
Ambas variables se relacionan con una tercera (figura 7.4) que es la ondulación del Geoide o diferencia de cota
entre Geoide y elipsoide. Se define también como la diferencia entre la altitud elipsoidal y la altitud ortométrica
En la figura 7.5 se aprecian las diferencias de altitud entre el elipsoide WGS-84 y el Geoide. Este llega a su
punto más alto en Nueva Guinea (75 metros por encima del elipsoide) y a su punto más bajo en la India (104
m por debajo del elipsoide). La figura 7.6 muestra una visión de detalle y en 3D de la altura del Geoide en la
península ibérica y áreas circundantes.
Puesto que, por la propia definición de Geoide, la altitud a nivel del mar es 0, suele utilizarse un sistema de
referencia basado en dicho nivel para el cálculo de altitudes. En España se utiliza como referencia el nivel
medio del mar en el puerto de Alicante ya que es el punto del litoral español donde la variabilidad de dicho
nivel, debida a las mareas, es menor.
Figura 7.4: Altura elipsoidal, altura ortométrica y ondulación del Geoide
Figura 7.5: Diferencia entre Esferoide y Geoide (Ondulación del Geoide)

Figura 7.6: Ondulación del Geoide entorno a la Península Ibérica

Figura 7.7: Procedimiento de nivelación. La altitud en
Conocida la altitud ortométrica a nivel del mar, puede calcularse dicha variable en el interior con procedimien-
tos topográficos clásicos como la nivelación. La figura 7.7 muestra de forma simplificada como se realiza una
nivelación. Se sitúa un visor telescópico entre los puntos A y B desde el que se visualizan sendas miras gradu-
adas. Puesto que la altitud en A es cero, la altitud en B será igual a la medida registrada en A menos la medida
registrada en B. Una vez conocida la altitud del punto B, el procedimiento puede continuar hacia el interior.
Los métodos de posicionamiento por satélite (GPS) proporcionan latitud y longitud con gran exactitud, pero nos
dan la altitud elipsoidal (elipsoide WGS-84). Para transformar esta en altitud ortométrica debemos conocer con
precisión la ondulación del Geoide (figura 7.4). Por desgracia todavía no se conoce esta con la suficiente pre-
cisión como para poder resolver el problema en trabajos aplicados a gran escala. Actualmente se llevan a cabo
campañas de gravimetría por satélite que permitirán en el futuro determinar la altitud ortométrica con exacti-
tud centimétrica. Mientras tanto la existencia de múltiples datum locales (tanto horizontales como verticales)
utilizados para la generación de cartografía complica la integración de información de diferentes orígenes.
7.1.4 Direcciones
Existen dos formas básicas de definir la dirección entre dos puntos sobre un elipsoide:
• acimut: Es el ángulo que forman la linea que une el punto de partida con el Norte y la linea que une el
punto de partida con el de llegada. Se expresa en ángulos medidos en el sentido de las agujas del reloj
desde la dirección Norte. Varía entre 0 y 360 grados (figura 7.8).
• Rumbo: Es el ángulo agudo que forman las direcciones Norte o Sur desde el punto de partida y la linea
que une ambos puntos. Varía entre 0 y 90 grados, se precede por una letra, N o S, en función de cual sea
la dirección de referencia y se termina con otra que hace referencia a la dirección (E o W) a la que se
dirige el ángulo (figura 7.8).
Un concepto básico en cartografía y geodesia es el de Norte, sin embargo existen hasta cuatro nortes diferentes:
• Norte astronómico, definido por la estrella polar,
• Norte magnético, definido por el Polo Norte magnético,

Figura 7.8: Medición de acimuts y rumbos sobre un mapa
• Norte geodésico, definido por el elipsoide de referencia,
• Norte de la malla, definido por el sistema de proyección utilizado para pasar de coordenadas geográficas
a coordenadas cartesianas planas (ver más adelante).
Los dos primeros varían con el tiempo, especialmente el segundo que puede llegar a variar entorno a 25 m/año.
Los dos segundos son artificiales, el Norte geodésico depende del elipsoide utilizado y el segundo de la proyec-
ción que se utilice para pasar de coordenadas geográficas a coordenadas cartesianas a la hora de confeccionar
el mapa (ver sección 7.2).
7.1.5 Coordenadas cartesianas tridimensionales
El cálculo de distancias sobre un sistema de coordenadas geodésicas requiere sistemas de ecuaciones bastante
más complejos que los de la geometría euclidiana. Por ello, en algunos casos se utiliza un sistema alternativo
basado en coordenadas cartesianas tridimensionales con origen en el centro del elipsoide. El eje Z coincide
con el semieje menor del elipsoide (y por tanto pasa por sus polos), el eje X atraviesa el Ecuador por el
meridiano principal (meridiano de Greenwich) y el eje Y forma un ángulo de 90 grados respecto a los otros dos
(figura 7.9)
Este sistema simplifica enormemente los cálculos que debe (por ejemplo) desarrollar un GPS para determinar
una localización o los necesarios para obtener las coordenadas geodésicas de un punto sobre un elipsoide a
partir de las coordenadas sobre otro elipsoide. Sin embargo no resulta adecuado, por ejemplo, para el cálculo
de distancias entre puntos sobre el elipsoide, ya que la linea recta que separa dos puntos sobre un elipsoide se
sitúa dentro de este y por tanto no es el resultado adecuado, debiendo utilizarse en estos casos fórmulas más
complejas basadas en la trigonometría esférica.
Las ecuaciones para pasar de coordenadas geográficas a coordenadas cartesianas tridimensionales aparecen en
el anexo 1 (página 203).
7.1.6 Redes geodésicas. Topografía
La red geodésica constituye el sistema de referencia respecto al cual se desarrolla la cartografía de un país.
Cualquier trabajo topográfico o cartográfico realizado a partir de medidas sobre el terreno deberá apoyarse
Figura 7.9: Coordenadas cartesianas tridimensionalesy parámetros de la transformación de Bursa Wolf
en la red geodésica. En España es competencia del IGN establecer las redes geodésicas en que se apoya la
cartografía española.
Una red geodésica es una red de triángulos que cubre un territorio realizada con unos determinados criterios
que permitan obtener suficiente precisión (del orden de unos pocos centímetros) en las mediciones de ángulos
y distancias, así como en su tratamiento posterior. Estas redes se extienden de forma homogénea y regular por
el territorio. Los triángulos de una red geodésica deben tener visibilidad entre sus vértices y ninguno de los
ángulos debe ser inferior a 20o .
Aunque hoy en día las estaciones totales automaticas6 y los GPS han simplificado mucho el desarrollo de redes
de observación. Sin embargo, resulta interesante conocer como se definieron y midieron las redes geodésicas
nacionales en el siglo XIX.
Toda red geodésica necesita en primer lugar un punto de origen cuyas coordenadas se toman mediante obser-
vaciones astronómicas. A partir de estas, y habiendo resuelto la red, pueden obtenerse las coordenadas de todos
sus vértices.
Resulta sencillo medir ángulos con un teodolito. El teodolito es un instrumento topográfico de medición para
medir ángulos verticales y horizontales con una precisión elevada. Pero medir lados es bastante más complejo.
Cuando se definió la red geodésica, algunos lados de longitud reducida se medían con mucha precisión mediante
cadenas metálicas de longitud conocida (cadenas de Gunter o cadenas de agrimensor); a estos lados se les
denomina bases.
Siempre que se conozcan los ángulos y la longitud de uno de sus lados podrá obtenerse la longitud de los otros
dos La figura 7.11 muestra un ejemplo en el que para el primer triángulo de la red se conoce uno de los lados c
(la base) y los tres ángulos (α, β y γ). Para obtener los otros lados se utilizan las ecuaciones7 :
6
Que constituyen versiones computerizadas de los antiguos instrumentos topográficos
7
En realidad estas ecuaciones serían válidas si las redes geodésicas se establecieran en un plano, pero como no es así hay que recurrir
a la trigonometría esférica que resulta bastante más compleja
Figura 7.10: Teodolito
senα
a=c· (7.3)
senγ
senβ
b=c· (7.4)
senγ
Una vez conocidos los tres lados del primer triángulo, estos datos se utilizan para resolver los triángulos vecinos
y así sucesivamente. Esto significa que, en principio, conociendo la longitud de una base y todos los ángulos
podremos obtener las longitudes de todos los triángulos de una red. Sin embargo, para evitar acumular errores,
se medían otras bases con lo que se obtienen medidas redundantes que ayudaban a corregir los errores.
El posicionamiento absoluto de la red española se consiguió (1860) mediante la determinación astronómica
Figura 7.11: Resolución de una red por triangulación, el lado azul es una base
de las coordenadas del punto fundamental (inicialmente el Observatorio Astronómico de Madrid); se midieron
seis bases situadas en diferentes puntos de España; resolviéndose por triangulación el resto de la red.
Existen distintos tipos de redes:
• Redes planimétricas (tienen la finalidad de establecer latitud y longitud)
• Redes altimétricas (determinan la altitud respecto al Geoide mediante métodos gravimétricos)
• Redes tridimensionales (son a la vez altimétricas y planimétricas)
Otra clasificación de las redes geodésicas se basa en su densidad. Concretamente la cartografía española se basa
en una serie de redes de distinto orden:
• Red de primer orden, formada por 10 cadenas de triángulos de unos 50 km de lado, con 285 vértices
separados entre si unos 50 kilómetros (figura 7.12);
• Red de primer orden complementaria, formada por 288 vértices de triángulos con unos 30 km de lado
• Red de segundo orden, cuya realización se apoyó en la de primer orden, tiene 2150 vértices separados
entre 15 y 30 kilómetros;
• Red de tercer orden, constituida por triángulos con longitudes entre 5 y 15 km y 8000 vértices, su
realización se apoyó en la de segundo orden.
• Existe un conjunto de otros 9000 vértices auxiliares situados en torres, iglesias o formando parte de
redes locales.
El disponer de una red geodésica permite la homogeneidad de los trabajos topográficos y catastrales que siempre
se realizan apoyándose en ella, generándose así redes locales de cuarto orden con longitudes entre 1 y 5 km. Los
vértices de las redes de primer orden situadas en las fronteras forman parte de las redes geodésicas de ambos
países fronterizos, asegurándose así la coherencia entre países.
Las principales cualidades de una red geodésica son su precisión (que dependerá de los instrumentos utilizados
y las condiciones de trabajo); su homogeneidad (que se asegura tomando un único elipsoide y punto fundamen-
tal) y su conservación (los vértices geodésicos deben repararse regularmente).
7.1.7 Transformación a ETRS89
Al igual que en 1950 se unificó el datum europeo, las organizaciones geográficas europeas, han propuesto
implantar un sistema de referencia espacial común denominado ETRS-89 definido con 1 cm de precisión.
ETRS-89 se basa en el elipsoide GRS-80 cuyas características lo hacen prácticamente equivalente a WGS-84
(ver tabla 7.1) que es el datum en el que se basa el sistema GPS. Ambos elipsoides son geocéntricos (sus centros
coinciden con el centro de masas del Geoide) y se obtienen a partir de métodos de posicionamiento mediante
satélites.
La necesidad de adoptar un nuevo datum obliga a desarrollar un sistema sencillo pero preciso para convertir
pares de coordenadas de un sistema a otro. Es responsabilidad de los organismos cartográficos nacionales (en
el caso de España el IGN) establecer el sistema más adecuado.
Figura 7.12: Diseño original de la Red Geodésica española de primer orden (fuente Ruiz Morales,M. en revista
Mapping Interactivo, http://www.mappinginteractivo.com/plantilla-ante.asp?id_articulo=1341)
Península Noroeste Baleares

∆x -131.032 -178.383 -181.4609
∆y -100.251 -83.172 -90.2931
∆z -163.354 -221.293 -187.1902
Rx 1.2438 -0.5401 -0.1435
Ry 0.0195 0.5319 -0.4922
Rz 1.1436 0.1263 0.3935
e 9.39 x 10−6 21.2 x 10−6 17.57 x 10−6
Tabla 7.2: Parámetros para la transformación de Bursa-Wolf en España
Para ello se llevó a cabo una campaña de trabajos geodésicos con GPS que permitió determinar con gran
precisión la posición relativa entre estaciones. En España el proyecto REGENTE (Red Geodésica Nacional
mediante Técnicas Espaciales) seleccionó 1200 estaciones de la red geodésica de forma que hubiera una por
hoja del Mapa Topográfico Nacional 1:50000. Las coordenadas de estas estaciones fueron medidas con GPS.
A la red REGENTE se le denomina también red de orden 0.
A partir de esta red REGENTE se han desarrollado diversos métodos para la transformación de coordenadas.
En teoría la solución del problema debería ser relativamente trivial:
1. Paso de coordenadas geodésicas en ED50 a coordenadas cartesianas tridimensionales sobre el elipsoide

internacional (utilizando las ecuaciones 7.18 a 7.20 en el apéndice 1).
2. Paso de coordenadas tridimensionales sobre el elipsoide internacional a coordenadas tridimensionales

sobre el elipsoide GRS-80 mediante las ecuaciones 7.5 a 7.7.
3. Paso de coordenadas tridimensionales sobre el elipsoide GRS-80 a a coordenadas geodésicas en ETRS-

89 (utilizando las inversas de las ecuaciones 7.18 a 7.20 en el apéndice 1).
El segundo paso se lleva a cabo mediante un procedimiento denominado Transformación de Bursa-Wolf que
necesita 7 parámetros, 3 de traslación, 3 de rotación y 1 de cambio de escala y se basa en las ecuaciones:
X 0 = ∆X + (1 + e) · (X + Rz Y − Ry Z) (7.5)
0
Y = ∆Y + (1 + e) · (−Rz X + Y + Rx Z) (7.6)
0
Z = ∆Z + (1 + e) · (Ry X − RxY + Z) (7.7)
Esta solución debería funcionar sin errores si las coordenadas de los vértices se hubiesen tomado sin errores.
El problema es que la red geodésica española incluye diversos errores de origen debido a las limitaciones
tecnológicas de la época en que se definió, por lo que la transformación requiere la compensación de todos
ellos.
El IGN determinó un conjunto de parámetros adecuados para la transformación de Bursa-Wolf que aparecen
en la tabla 7.2. Tal como puede observarse hay tres juegos de parámetros diferentes ya que, debido a los errores
en la red geodésica, fue imposible disponer de un sólo conjunto para toda España.
Figura 7.13: Proyección cartográfica
Los parámetros de traslación (∆x, ∆y ∆z) se expresan en metros, los de rotación (Rx , Ry , Rz ) en segundos
de grado y el de escala (e) en partes por millón (por ello se divide entre 106 en la ecuación). El orden de
magnitud de los parámetros de traslación da una idea de cual sería el orden de magnitud (unos 100 metros en
cada dirección) de los errores resultantes de mezclar mapas con el datum ED50 con otros con el datum ERTS89.
Los errores de la transformación están entre 1 y 5 metros (muy poco para Cartografía pero mucho en To-
pografía), por otra parte las zonas a caballo entre el sector noroeste y el resto de la península sufren importantes
saltos en las coordenadas resultantes. Por todo ello recientemente se ha propuesto una aproximación diferente
basada en el uso de rejillas locales.
Se trata de un método que determina ecuaciones de transformación válidas localmente, y que al mismo tiempo
compensan los errores de las redes geodésicas antiguas, pero garantizando al mismo tiempo la continuidad a
lo largo de todo el territorio español. El IGN ha hecho público un fichero de rejilla en un formato estándar
internacional de manera que los diferentes programas de SIG puedan utilizarlo en sus cálculos.
7.2 Cartografía
La determinación de la forma y tamaño de la Tierra y la definición de un sistema de coordenadas que permita

localizar diversos puntos sobre la misma resuelve la primera parte del problema de la representación de datos
espaciales. La segunda parte es el paso de estas coordenadas geográficas (esféricas) a coordenadas cartesianas,
también llamadas coordenadas métricas, en un un plano para facilitar tanto el almacenamiento y transporte
cómodo de las representaciones espaciales (mediante mapas) como el cálculo de áreas o distancias mediante el
uso de la geometría euclidiana (mucho más sencilla que la geometría esférica).
El proceso de transformar las coordenadas geográficas del esferoide en coordenadas planas para representar una
parte de la superficie del elipsoide en dos dimensiones se conoce como proyección (figura 7.13) y es el campo
de estudio tradicional de la ciencia cartográfica. La aparición de los SIG y la posibilidad de combinar infor-
mación espacial en formato digital de diferentes procedencias y con diferentes proyecciones ha incrementado
la relevancia de las transformaciones de coordenadas más allá de la mera confección de mapas.
El problema fundamental a la hora de abordar una proyección es que no existe modo alguno de representar
en un plano toda la superficie del elipsoide sin deformarla, el objetivo va a ser minimizar, en la medida de los
posible, estas deformaciones. Puesto que el efecto de la esfericidad de la superficie terrestre es proporcional al
tamaño del área representada ( y en consecuencia a la escala), estos problemas sólo se plantean al cartografiar
zonas amplias. Cuando se trata de cartografiar zonas pequeñas (menos de 10 km2 ), por ejemplo una ciudad, la
distorsión es despreciable por lo que se suelen utilizar coordenadas planas, relativas a un origen de coordenadas
arbitrario y medidas sobre el terreno. A estas representaciones se les llama planos en lugar de mapas. En
realidad incluso a una escala 1:25000 las distorsiones físicas debidas a los cambios de temperatura y humedad
del mapa son ya mayores que las debidas a la proyección.
7.2.1 Proyecciones
Una primera opción ingenua sería convertir los valores de latitud y longitud directamente en valores de Y y X
(a veces se le denomina proyección lat-long). El inconveniente es que las distorsiones aumentarían de forma
importante en latitud (figura 7.18).
Se hace entonces necesario buscar una ecuación que a cada par de coordenadas geográficas le asigne un par
de coordenadas planas de manera que los diferentes elementos y objetos de la superficie terrestre puedan ser
representados sobre un plano minimizando las distorsiones8 .
Un sistema de proyección se define mediante ecuaciones, basadas en funciones trigonométricas, que establecen
una correspondencia analítica, biunívoca y continua entre los puntos situados sobre el elipsoide (definidos por
sus coordenadas geográficas) y sus puntos homólogos sobre el mapa bidimensional (definidos por un sistema
de coordenadas cartesianas):
x = f1 (φ, λ) (7.8)
y = f2 (φ, λ) (7.9)
Las nuevas coordenadas así obtenidas no deben llamarse longitud y latitud sino simplemente X e Y o este
y norte. Las unidades en que se expresa la longitud en estas nuevas coordenadas va a ser generalmente el
metro, permitiendo el cálculo sencillo de variables de longitud, área o perímetro de los elementos cartografiados
expresados en unidades del Sistema Internacional.
Estas ecuaciones suelen ser funciones bastante complejas, en algunos casos (la proyección UTM por ejemplo)
más que ecuaciones son algoritmos en varios pasos. Sin embargo, su funcionamiento es fácil de entender
mediante un modelo sencillo (figura 7.14). Suponemos un foco de luz en el centro de un globo terráqueo
transparente situado dentro de una figura geométrica (un cilindro o un cono) o junto a un plano. El foco de
luz proyecta la superficie del globo sobre la figura geométrica, al desplegarse esta tenemos un mapa. Las
ecuaciones reproducen lo que distintas decisiones acerca del tipo y colocación de la superficie plana tendrían
sobre el resultado final.
Las ecuaciones de proyección tienen inversa, con lo que se puede pasar de nuevo de coordenadas proyectadas
a coordenadas geodésicas. Esta transformación permite, en un SIG, integrar capas con diferentes sistemas de
proyección reproyectándolas todas en el mismo sistema.
Podemos clasificar las proyecciones en función del objeto geométrico utilizado para proyectar, se habla en-
tonces de proyecciones cilíndricas, cónicas y acimutales o planas.
8
Es importante no confundir el concepto matemático de plano con el plano entendido como mapa de una zona reducida realizado
con coordenadas arbitrarias
Figura 7.14: Modelo de proyección
En el caso de proyecciones cilíndricas o cónicas, la figura envuelve al elipsoide y, tras desarrollarla, el resultado
será un plano en el que una parte de la Tierra se representa mediante un sistema de coordenadas cartesiano. En
el caso de las proyecciones acimutales, el plano es tangente al elipsoide en un punto.
Las proyecciones acimutales pueden clasificarse en función de donde se sitúa el foco o punto de vista desde el
que se proyecta el elipsoide contra el plano (figura 7.15). Así estas proyecciones pueden ser:
• Proyección gnomónica, que sitúa el foco en el centro del elipsoide
• Proyección estereográfica, que sitúa el punto de vista en el punto del elipsoide opuesto al punto de
tangencia
• Proyección ortográfica, sitúa el punto de vista en el infinito.
Las proyecciones cilíndricas y cónicas pueden ser directas, oblicuas o transversas en función de la orientación
del objeto geométrico respecto al esferoide, mientras que las acimutales, según el mismo criterio, se clasifican
en polares, oblicuas o ecuatoriales (figura 7.16). El utilizar unas u otras dependerá de la forma y orientación
de la superficie a cartografiar.
7.2.2 Propiedades de las proyecciones
Una proyección implica siempre una distorsión en la superficie representada, el objetivo de la cartografía es
minimizar estas distorsiones utilizando la técnica de proyección más adecuada a a cada caso. Las propiedades
del elipsoide que pueden mantenerse son:
• Conformidad. Si un mapa mantiene los ángulos que dos líneas forman en la superficie terrestre, se
dice que la proyección es conforme. El requerimiento para que haya conformidad es que en el mapa los
meridianos y los paralelos se corten en ángulo recto y que la escala sea la misma en todas las direcciones
alrededor de un punto, sea el punto que sea. Una proyección conforme mantiene además las formas de
polígonos pequeños. Se trata de una propiedad fundamental en navegación.
Figura 7.15: Tipos de proyecciones (1)

Figura 7.16: Tipos de proyecciones (2)
• Equivalencia, es la condición por la cual una superficie en el plano de proyección tiene la misma superfi-
cie que en la esfera. La equivalencia no es posible sin deformar considerablemente los ángulos originales,
por lo tanto, ninguna proyección puede ser equivalente y conforme a la vez.
• Equidistancia, cuando una proyección mantiene las distancias reales entre uno o dos puntos y el resto
del Globo (representada por el arco de Círculo Máximo que las une).
• En el caso de las proyecciones acimutales, se conservan las direcciones del punto central (punto donde el
plano toca el elipsoide) respecto a todos los puntos del mapa.
Puesto que las distorsiones son nulas en la linea donde la figura geométrica toca al elipsoide y aumentan a me-
dida que la separación entre ambas aumenta, deberá intentar maximizarse el contacto entre la figura geométrica
y la superficie a cartografiar.
Para minimizar el error medio suelen utilizarse figuras secantes en lugar de tangentes. De esta manera en lugar
de tener una sola linea del elipsoide tangente a la figura tenemos dos lineas secantes y las distancias a estas
en el mapa, y por tanto los errores, nunca aumentarán mucho tal como se puede ver en la figura 7.17. Así otro
criterio para clasificar sistemas de proyección sería en proyecciones secantes y tangentes.
7.2.3 Elipses indicatrices de Tissot
Se trata de una forma visual y sencilla de examinar las distorsiones introducidas por una determinada proyec-
ción. Se basa en una serie de círculos de tamaño unidad dibujados sobre el elipsoide que, al proyectarse, se
Figura 7.17: Tipos de proyecciones (3). El color rojo indica máxima distorsión y el verde mínima distorsión
(lineas donde la figura geométrica coincide con el elipsoide)
distorsionan y forman elipses. Los ejes de las elipses resultantes indican las dos direcciones principales de
la proyección en un un punto dado (las direcciones a lo largo de las que la escala es máxima y mínima).
Un aumento o descenso de tamaño indica un cambio de escala, pero si se mantiene la forma la proyección
es conforme. Mientras que si cambia la forma pero el área total se mantiene estaríamos ante una proyección
equivalente.
De esta manera resulta sencillo evaluar el tipo y grado de distorsión que una determinada proyección introduce
en las diversas partes del globo. La figura 7.18 muestra las elipses de Tissot en una proyección latlong. Como
se puede ver esta proyección no es ni conforme ni equivalente. y las distorsiones aumentan considerablemente
hacia los polos.
7.2.4 Proyección de Mercator
Es una proyección cilíndrica directa y conforme , diseñada de manera que las lineas de rumbo fijo (lineas
loxodrómicas) en el elipsoide se correspondan con lineas rectas sobre el mapa, por ello suele utilizarse para
confeccionar cartas náuticas. Para navegar basta con trazar una linea recta sobre el mapa entre el punto de
partida y el de llegada, determinar el rumbo al que corresponde, y seguirlo con la brújula. Sin embargo las
lineas loxodrómicas no indican la distancia más corta entre dos puntos, está vendría dada por el gran círculo
que pasa por los dos puntos.
Como en toda proyección cilíndrica directa, los meridianos se transforman en generatrices del cilindro y los
paralelos en secciones circulares sobre el cilindro aumentando su distancia hacia el polo, paralelos y meridianos
se cruzan en ángulo recto sobre el mapa. De este modo longitudes y áreas se hacen desproporcionadamente
grandes conforme se avanza hacia los polos, originando graves distorsiones más allá de los 70o de latitud Nore
Figura 7.18: Indicatriz de Tissot aplicada a la proyección latlong
y Sur. En la práctica esta proyección no se utiliza más allá de los 60o .

Sin embargo, las deformaciones son mínimas entre 3o Norte y 3o Sur; por tanto se adapta muy bien para
representar superficies que se extienden a lo largo de franjas de latitud constante muy cerca del Ecuador.
Las ecuaciones de la proyección de Mercator son relativamente simples:
x=R·λ (7.10)
y = R · ln(tan(π/4 + φ/2)) (7.11)
donde R es el radio de la Tierra a la escala del mapa. En la figura 7.19 puede verse un ejemplo de la proyección
de Mercator a la que se han añadido elipses de Tissot. Estas se mantienen como círculos ya que la proyección
es conforme pero su tamaño aumenta hacia los polos (la proyección no es equivalente).
7.2.5 Proyección cónica de Lambert
Es una proyección cónica conforme. Los meridianos aparecen como lineas rectas que concurren en el vértice
del cono, mientras que los paralelos aparecen como segmentos de circunferencias concéntricas. Sus ecuaciones
son más complejas que en el caso anterior.
La escala se conserva a lo largo del paralelo tangente o de los secantes y aumenta de forma importante al
alejarse (figura 7.20). Se adapta, por tanto, muy bien para representar superficies que se extienden a lo largo de
franjas de latitud constante en latitudes medias.
Figura 7.19: Proyección cilíndrica de Mercator

Figura 7.20: Proyección cónica de Lambert
La proyección de Lambert se utilizó antiguamente para la cartografía militar española y hoy en día el IGME
sigue utilizándola para realizar los mapas geológicos. Se utiliza también en mapas a pequeña escala de toda la
Península ibérica.
7.2.6 Proyección cilíndrica equivalente de Lambert
Sus ecuaciones son muy sencillas
x=R·λ (7.12)
y = R · sin φ (7.13)
donde R es el radio de la Tierra a la escala del mapa. En la figura 7.21 puede verse que se trata de una proyección
equivalente aunque no conforme.
7.2.7 Proyección Universal Transversa de Mercator (UTM)
Esta proyección se utiliza en España por el IGN y el SGE (Servicio Geográfico del Ejército) desde la década
de los setenta para el mapa topográfico nacional a escala 1:50000 y posteriormente para el de escala 1:25000.
Una característica bien conocida de las proyecciones cilíndricas directas (como la de Mercator) es que práctica-
mente no tiene distorsiones en una franja de 6o de latitud situada sobre el Ecuador. En una proyección cilíndrica
transversa la franja sin distorsiones se extendería 3 o a cada lado del meridiano tangente (figura 7.22).
Figura 7.21: Proyección cilíndrica equivalente
Figura 7.22: Cilindro generador de la proyección UTM y zonas 29 a 32

Figura 7.23: Zonas UTM
En la proyección UTM se divide el elipsoide en 60 husos o zonas (figuras 7.22 y 7.23) , con una anchura de 6
grados de longitud haciendo una proyección independiente para cada huso. De esta manera las distorsiones son
mínimas en cualquier región del planeta (figura 7.2.7), de ahí el calificativo de universal. El inconveniente es
que una región entre dos husos no podrá ser representada convenientemente.
La representación cartográfica en cada huso se genera a partir de un cilindro diferente siendo cada uno de ellos
secante al elipsoide. De esta manera en cada huso aparecen dos lineas verticales en las que no hay distorsiones
(lineas A-D y C-F en al figura 7.25), entre estas dos lineas las distorsiones disminuyen la escala (distancias
y áreas se representan menores de lo que son) hacia fuera de las lineas las distorsiones aumentan la escala
(distancias y áreas se representan mayores de lo que son). Estas distorsiones tienden a incrementarse conforme
se aumenta en latitud por lo que la proyección UTM no debe usarse en latitudes altas (más allá de los 80o Norte
y 80o Sur) y suele reemplazarse por proyecciones acimutales polares en las que el plano es tangente al elipsoide
en el polo correspondiente.
En cada uno de los husos el meridiano central tiene siempre un valor X= 500000 metros disminuyendo hacia
el Oeste (hasta 0) y aumentando hacia el Este (hasta 1000 Km). En el Ecuador, el valor de Y es 0 metros,
incrementandose el valor hacia el Norte y hacia el Sur. Los valores de la coordenada X en los bordes del huso
dependen de la latitud (figura 7.25).
Estas características suponen dos complicaciones:
• Dos puntos diferentes de la superficie terrestre pueden tener las mismas coordenadas si se sitúan en husos
diferentes. Por tanto a la hora de señalar con precisión la localización de un punto, no basta con el par de
Figura 7.24: Zonas 28 a 32 UTM

Figura 7.25: Coordenadas UTM y coordenadas geográficas en la zona 30 Norte

Figura 7.26: Distorsiones en coordenadas UTM en la Península Ibérica (fuente Alonso Fernández-Coppel,I.
coordenadas, es necesario dar también el huso.
• Una región situada a caballo entre dos husos deberá optar por uno u otro con lo que se incrementan las
deformaciones. Un buen ejemplo es lo que sucede con la cartografía española: la Península Ibérica queda
situada sobre tres husos, el 29, el 30 y el 31, estos últimos situados uno a cada lado del meridiano de
Greenwich (figuras 7.23, y 7.26); por otro lado las islas Canarias se sitúan en el huso 28. Para hacer un
mapa de toda España peninsular con proyección UTM se adopta la zona 30 con lo que Galicia y Cataluña
(zonas 29 y 31 respectivamente) sufrirán un cierto aumento de escala, alcanzándose un 4% de distorsion
lineal. En el caso de la Región de Murcia, esta se situa en una de las zonas de menor distorsión (figura
7.26).
La Región de Murcia se sitúa en el huso 30 con coordenadas UTM que oscilan entre
• Oeste: 552411 m
• Este: 709600 m
• Norte: 4293125 m
• Sur: 4134906 m
Las coordenadas UTM suelen expresarse en metros o kilómetros, siendo preferible hacerlo en metros en apli-
caciones SIG para evitar la aparición de decimales. En los mapas del IGN a escala 1:50000 y 1:25000 y del
Servicio Geográfico del Ejercito a escala 1:50000, los valores de las coordenadas X e Y UTM suelen expresarse
en kilómetros. Como resultado de emplear un sistema de coordenadas plano, puede representarse sobre el mapa
una malla que represente las lineas con igual coordenada X o igual coordenada Y. La malla se representa, en
los mapas antes mencionados, con una separación de 1 kilómetro (figura 1.18).
7.2.8 Proyección poliédrica
Se divide el territorio en pequeñas cuadrículas que se proyectan sobre un plano tangente al centro de cada una.
No es una proyección conforme ni equivalente ni equidistante; pero las deformaciones son, en todos los casos,
lo suficientemente bajas como para que no se aprecien errores significativos.
Se empleó hasta 1965 para confeccionar las hojas del mapa topográfico nacional escala 1:50000, a partir de
dicha fecha se utilizó la UTM. El territorio nacional se dividía en trapecios curvilíneos limitados por dos
paralelos separados 100 (con latitudes múltiplo de 100 y dos meridianos separados 200 con longitudes múltiplos
de 100 .
El inconveniente era que al tratar de unir 4 hojas aparecían vacíos que se hacían más grandes si se trataba de
unir más hojas.
Hoy en día esta proyección tiene un interés fundamentalmente histórico.
7.2.9 Proyecciones para hacer mapamundis
Lógicamente, las distorsiones que introduce una proyección aumentan cuanto mayor es el área cartografiada.
La proyección de Mercator es un buen ejemplo de ello, y fue bastante utilizada para producir mapamundis pero
sin introducir las áreas polares.
Recientemente se han desarrollado otras proyecciones destinadas a la realización de planisferios cuyo objetivo
es conseguir transmitir una imagen más natural de continentes y océanos. No son ni equivalentes ni conformes
pero establecen un adecuado compromiso entre ambas propiedades sin generar grandes distorsiones.
En general son similares a la de Mercator pero curvando de algún modo los meridianos hacia los polos (proyec-
ciones pseudocilíndricas). Buenos ejemplos son la proyección de Mollweide (figura 7.27) o la de Robinson
(figura 7.28) utilizada desde 1988 por National Geographic para su cartografía global.
7.2.10 Códigos EPSG
La existencia de diversos datum y proyecciones da lugar a un gran número de posibles sistemas de referencia
espacial surgidos de sus combinaciones y de la utilización de diferentes parámetros. La necesidad de combinar
información cartográfica diversa, y con diferentes sistemas de referencia, en proyectos internacionales requiere
alguna forma sencilla de hacer referencia a los posibles sistemas (especialmente a aquellos que tienen carácter
oficial en algún lugar del planeta).
El Grupo Europeo de Prospección Petrolífera (EPSG) se enfrentó a este problema al estudiar las reservas
en la plataforma del Atlántico Norte, desarrollando un código para clasificar los sistemas de coordenadas, cada
uno tiene un código único que hace referencia al datum y el sistema de proyección.
Estos códigos han sido adoptados como estándar por los diversos programas de cartografía y SIG. En la tabla
7.3 aparecen los códigos de los sistemas de coordenadas habitualmente utilizados hoy día en España.
7.3 El sistema GPS
Uno de los problemas fundamentales de la cartografía ha sido siempre el conseguir, de forma precisa, deter-
minar la posición en el espacio de los fenómenos a cartografiar. Tradicionalmente se han utilizado técnicas de
Figura 7.27: Proyección de Mollweide
Figura 7.28: Proyección de Robinson

Código Datum Proyección

4230 ED50 Coordenadas Geográficas
4326 WGS84 Coordenadas Geográficas
4258 ETRS89 Coordenadas Geográficas
32628 WGS84 UTM Zona 28
25828 ETRS89 UTM Zona 28
23028 ED50 UTM Zona 28
Tabla 7.3: Datums más usuales en la cartografía española y códigos EPSG correspondientes
topografía basadas en la triangulación. Hoy en día se cuenta con el sistema GPS que permite determinar las
coordenadas de cualquier punto de la superficie terrestre con mayor precisión que los antiguos métodos topográ-
ficos. La tecnología GPS (Global Positioning System) fue diseñada originalmente con propósitos militares pero
rápidamente se vio su aplicabilidad en el mundo civil, fundamentalmente en navegación y topografía.
El sistema consta de tres componentes:
• Componente espacial, formado por 24 satélites situados a unos 20200 km de la Tierra y que pasan por
el mismo lugar cada 12 horas de manera que se puede contar en cualquier lugar y en cualquier momento
con al menos 4 de estos satélites con un ángulo de elevación respecto a la superficie de por lo menos 15o .
Cada satélite lleva a bordo varios relojes atómicos de gran precisión y emiten constantemente una señal
característica de cada satélite que contiene, entre otras cosas, la posición del mismo, la hora y el satélite
del que se trata.
• Componente de control, formado por una serie de estaciones de observación cercanas al Ecuador en-
cargadas de controlar la posición orbital de los satélites y calibrar y sincronizar los relojes.
• Usuarios con un receptor GPS desarrollando distintos tipos de actividades (navegación marítima o
terrestre, excursionismo, topografía, control de maquinaria, etc).
Dependiendo de las necesidades existen tres modos de utilización de un dispositivo GPS:
– Navegación autónoma con un receptor simple, la precisión es de 20 metros para usuarios militares
y 100 metros para usuarios civiles. Utilizado en navegación marina.
– Posicionamiento diferencial corregido (DGPS) con precisiones de 0.5 a 5 metros utilizado en

SIG, navegación costera, posicionamiento de vehículos, etc.
– Posicionamiento diferencial de fase con precisiones entre 0.5 y 20 mm, utilizado en control de
maquinaria y topografía.
Rusia dispone de un sistema similar llamado GLONASS. La Unión Europea y la Agencia Espacial Europea
está desarrollando el sistema Galileo9 como alternativa propia al sistema GPS.
7.3.1 Cálculo de la posición
El cálculo del posicionamiento se basa en la medición de la distancia desde la posición de cada satélite a Tierra.
Puesto que la señal emitida por el satélite incluye la hora en que fue emitida y el receptor conoce la hora de
llegada, la distancia se puede calcular como:
d = c · ∆t (7.14)
donde c es la velocidad de la luz.

Si sólo se dispone de un satélite, al conocer su posición y la distancia a la que se encuentra el receptor de él, se
generaría una pseudoesfera con centro en el satélite y radio igual a la distancia medida (figura 7.29.a), el receptor
estaría en la superficie de aquella pero no se sabría donde. Si se dispone de dos satélites, la intersección de dos
pseudoesferas generaría una circunferencia (figura 7.29.b) sabríamos que el receptor está en ella pero no en que
punto de la misma. La intersección de tres pseudoesferas (figura 7.29.c) genera dos puntos que corresponden
con dos posibles posiciones. Para determinar cual de ellos es el correcto, y para compensar errores debidos a
los retrasos en las llegadas de las diferentes señales de los satélites, hacen falta al menos cuatro satélites.
Las distancias medidas por un receptor GPS están sujetas a las siguientes fuentes de error:
• Retrasos atmosféricos sobre la señal (relacionados con las variaciones de temperatura y humedad),
este problema puede solventarse recogiendo dos señales diferentes del mismo satélite y calculando su
velocidad relativa. Los receptores GPS capaces de hacer esto se denominan bifrecuencia y, lógicamente,
son más caros.
• Errores en los relojes, los satélites incorporan relojes atómicos de gran precisión y exactitud. A igualdad
de otras condiciones la exactitud en la obtención de una posición estará directamente relacionada con la
del reloj del receptor; también cuanto más exacto es el reloj del receptor más caro es este.
• Efecto multitrayectoria, la señal puede llegar al receptor reflejada desde alguna superficie reflectora
(láminas de agua, edificios) obteniéndose una medida de distancia errónea. En general cuanto más rugoso
sea el terreno (tanto por lo que se refiere a la topografía como por lo que se refiere a la vegetación) peor
será la medida. En las ciudades puede obtenerse una precisión adecuada para navegación pero no para
topografía.
• Pérdida de precisión debido a que los satélites están muy juntos. Un receptor GPS puede proporcionar
una medida de esta pérdida tanto en la horizontal (HDOP) como en la vertical (VDOP), ambas medidas
se resumen en una medida global de calidad denominada PDOP.
9
http://europa.eu.int/comm/dgs/energy_transport/galileo/index_en.htm
Figura 7.29: Determinación de la posición con el sistema. GPS
• Disponibilidad selectiva, distorsiones introducidas por el ejército americano para disminuir la precisión
a los usuarios civiles o a países extranjeros (actualmente está teóricamente en desuso). Los satélites del
sistema GPS disponen además de una señal, que permite posicionamiento de alta precisión, pero que es
sólo accesible a aplicaciones militares.
En todo caso siempre se puede mejorar (hasta cierto punto) la posición tomada por un GPS repitiendo la medida
varias veces y calculando la media. Para ello se necesita al menos un GPS capaz de tomar medidas en continuo
y promediarlas.
7.3.2 GPS diferencial
La técnica de GPS Diferencial (DGPS) (figura 7.30) permite solventar muchos de estos errores alcanzándose
precisiones de 2 a 3 metros. Se basa en la utilización de una estación base de coordenadas conocidas en las
que se mantiene fijo un GPS de gran exactitud que registra constantemente la posición que estima y por tanto
el error de posición (ya que la posición real es conocida). Los errores se almacenan en ficheros diarios y se
transmiten por radio.
Un terminal capaz de recibir esta señal puede obtener, al mismo tiempo que toma una posición, el error deter-
minado en la estación base (que se asume que es el mismo que ha ocurrido al tomar la posición con el receptor
móvil). En caso de no disponer de receptor de radio, los ficheros diarios con los registros de errores pueden
descargarse de una página web y hacer la corrección diferencial en postproceso con el software que incluyen
los GPS.
Figura 7.30: Esquema de funcionamiento de un GPS diferencial
La Dirección General de Medio Natural de la Región de Murcia (dependiente de varias consejerías desde
su creación) puso en marcha en 1995 una antena GPS de carácter público para dar servicio de corrección
diferencial accesible por Internet10 .
Más recientemente (2006) se desarrolló el proyecto Meristemum, consistente en una red de antenas GPS que
permiten compensar los mínimos errores que pudiese generar el uso de una sola antena (figura 7.31). Dentro
del conjunto convexo formado por las antenas (red optimizada) el sistema puede simular una antena virtual de
referencia óptima para cada usuario, en función de donde se encuentre, en un entorno de unos 20 km alrededor
de dicho conjunto (red extrapolada) se consiguen precisiones mejores que con una sola antena pero peor que
con la red optimizada. Finalmente en el resto de la Región se puede trabajar con la antena más cercana en el
modo clásico de GPS diferencial. En la Región de Murcia existe, además de Meristemum, otra red de estaciones
GPS operada y gestionada por el Servicio de Cartografía de la Región de Murcia.
La técnica de Posicionamiento diferencial de fase requiere como mínimo dos receptores que deben utilizarse
de forma simultanea para, tomando varias medidas, conseguir una reducción de errores mediante procedimien-
tos estadísticos.
Un buen GPS bifrecuencia con corrección diferencial en tiempo real puede llegar a alcanzar precisiones sub-
centimétricas apropiadas para topografía e ingeniería. De este modo la combinación de GPS, telefonía móvil y
ordenadores portátiles (PDA) está revolucionando el trabajo de campo en Ciencias de la Tierra y ambientales.
7.4 Bibliografía
• Alonso Fernández-Coppel, I. Las coordenadas geográficas y la proyección UTM

(http://www.cartesia.org/article.php?sid=38)
10
http://www.carm.es/medioambiente/medioAmbiente/GpsHTML/GPS.html
Figura 7.31: Red de antenas GPS del proyecto Meristemum e integración con redes vecinas.
• Kennedy,M. & Koop,S. (2001) Understanding Map Projections Esri Press. 110 pp.
• Leica Introducción al Sistema GPS www.incom.cl/arch_pdf/publicaciones/que-esgps-leica.pdf
• Lorenzo Martínez, R.M. (2004) Cartografía, urbanismo y desarrollo inmobiliario Ed. Dossat 2000,
• Martínez Marín,R. (2000) Topografía y Sistemas de Información Ediciones Bellisco, 238 pp.
• Maling,D.H. (1991) “Coordinate systems and map projections for GIS” en Maguire, D.J.; Goodchild,
M.F. and Rhind, D.W. (Eds.) Geographical Information Systems: Principles and Applications. John Wi-
ley & sons pp. 135-146 (www.wiley.co.uk/wileychi/gis/resources.html)
• Sanjosé Blasco, J.J.; Martínez García, E. y López González, M. (2004) Topografía para estudios de grado
Ediciones Bellisco, 413 pp.
• Van Sickle,J. (2004) Basic GIS Coordinates CRC Press 173 pags.
7.4.1 Páginas web
• http://www.gva.es/icv/GLOSARIO.HTM
• http://www.uco.es/ bb1rofra/documentos/proyecciones/proyecciones.html
• http://www.uco.es/ bb1rofra/documentos/utm/coordenadas_utm.html
• http://www.lsgi.polyu.edu.hk/cyber-class/geodesy/
• http://nivel.euitto.upm.es/ mab/tematica/htmls/proyecciones.html
7.4.2 Programas
• GMT (http://gmt.soest.hawaii.edu)
• Calculadoras geodésicas (http://www.ign.es/ign/home/calculadora/Calculadora.jsp)
7.4.3 Para profundizar
• IGN Material de apoyo para la preparación de las pruebas selectivas de acceso al Cuerpo de Ingenieros
Geógrafos (http://www.ign.es/ign/es/IGN/temario_opo_ing_geog.jsp)
• Martín Asín, F. (1983) Geodesia y cartografía matemática. Ed. Paraninfo, 422 pp. pp.
• Ruiz Morales,M. y Ruiz Bustos, M. (2000) Forma y dimensiones de la Tierra. Síntesis y evolución
histórica. Ed. del Serbal, 428 pp.
Anexo 1
El paso de coordenadas geodésicas a cartesianas tridimensionales en una esfera se realiza a partir de las sigu-
ientes ecuaciones:
X = ρ · cos(φ) · cos(λ) (7.15)
Y = ρ · cos(φ) · sin(λ) (7.16)
Z = ρ · sin(φ) (7.17)
Donde ρ es el radio de la esfera, φ la latitud y λ la longitud. Si en lugar de una esfera se trabaja con un elipsoide,
las ecuaciones son más complejas debido a que el radio no es constante sino que varía con la latitud:
X = (N + h) · ρ · cos(φ) · cos(λ) (7.18)
Y = (N + h) · ρ · cos(φ) · sin(λ) (7.19)
!
b2
Z= N + h · sin(φ) (7.20)
a2
donde h es la altitud elipsoidal, a y b los semiejes mayor y menor del elipsoide y N el radio del elipsoide en la
vertical principal del punto que depende de los semiejes del elipsoide y de la latitud:
a2
N=p (7.21)
a2 cos2 (φ) + b2 sen(φ)
No hay que confundir este parámetro con la ondulación del Geoide. En la bibliografía ambos suelen aparecer
representados con la letra N pero son diferentes.
203

Leer para Los Mapas

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Leer para Los Mapas

Încărcat de

Drepturi de autor:

Formate disponibile

Sistemas de Información Geográfica

Temario de la asignatura (2013-2014)

Francisco Alonso Sarría

2 Cartografía Digital y Sistemas de Información Geográfica 27

3 SIG: Modelos y estructuras de datos 43

4 Formato raster. Algebra de mapas. 67

4.2.2 Operadores de vecindad extendida, operadores extendidos . . . . . . . . . . . . . . . 77

5 Geoprocesamiento en formato vectorial. 95

7 Sistemas de Referencia Espacial. Geodesia y Cartografía. 165

• Olaya, V.; 2011; Sistemas de Información Geográfica,

Tradicionalmente la información cartográfica se ha representado y manejado mediante mapas en papel. Los

1.1 Un poco de historia

Figura 1.1: Portulano procedente del Atlas catalán de 1375 (http://www.vallenajerilla.com/glosas/catalan.htm)

Figura 1.2: Mapa de 1683 utilizando la proyección de Mercator (http://www.mapsofa.com)

Figura 1.3: Mapa de William Smith (http://commons.wikimedia.org/wiki/File:Geological_map_Britain_William_Smith_1815.jpg)

1.2 Datos espaciales e información espacial

1.3 La representación de los elementos de la superficie terrestre

1.3.1 Fenómenos en el espacio, variables, entidades y eventos

De modo general pueden distinguirse tres tipos de fenómenos sobre el espacio:

Figura 1.9: Ejemplo de superficie

– Puntos (pozos, cotas, puntos de observación,etc.)

1.3.2 Elementos de representación cartográfica

El conjunto de ciencias involucradas en la producción de mapas (Geodesia, Cartografía, Geografía, Geología,

Figura 1.11: Mapa de eventos: fenómenos sísmicos

• Toponimia, rótulos con los nombres de los diferentes elementos representados.

1.3.4 Sistema de Referencia Espacial

Mapa de isotermas Mapa de coropletas

Mapa de coropletas Mapa de símbolos

Mapa de lineas Mapa de polígonos

Figura 1.12: Elementos de representación cartográfica

Figura 1.13: Mapa extraído del Atlas Global de la Región de Murcia

metros Grado de Ciencias Ambientales

Un Modelo Digital de Elevaciones

750 derivadas de gran interés en la mo-

Datum europeo de 1950: Elipsoide interna-

Los valores de altitud se han obtenido a par-

Figura 1.14: MDE de la cuenca del Segura y áreas adyacentes

1.3.5 Elementos auxiliares en un mapa

• Cuadrícula con indicación de coordenadas.

• Leyenda, para interpretar los diferentes elementos de representación cartográfica.

• Autor (persona u organismo) del mapa.

• Fecha de realización del mapa y de recogida de la información básica en campo.

• Datum y sistema de proyección utilizado.

Figura 1.16: Mapa de vegetación actual (SIGA)

Figura 1.17: Mapa a partir de imágene de satélite (INUAMA)

1.4 Generalización cartográfica

• Disminuir el coste del muestreo necesario para confeccionar el mapa;

• Aumentar la robustez del mapa frente a errores de muestreo;

• Mejorar la visualización de los datos evitando que queden todos apelmazados.

1.4.1 Formas de generalización geométrica

1.4.2 Generalización temática

1.4.3 Generalización y escala

En muchos casos, y debido a la generalización, la representación de determinadas entidades en el mapa como

• A escala 1:10.000 y superior la generalización es muy escasa o inexistente

• Por debajo de 1:200.000 el mapa es una representación completamente simbolizada.

1.5 Cartografía española y de la Región de Murcia

1.5.1 Cartografía española

• Básica (mapas topográficos)

• Derivada (mapas topográficos)

Ministerio de Presidencia en el caso de cartografía terrestre y por el de Defensa en el caso de cartografía

• Mapa de España a escala 1/1.000.000 (proyección cónica de Lambert)

• Mapa de España a escala 1/500.000 (proyección cónica de Lambert, se divide en 12 hojas)

• Mapas provinciales a escala 1/200.000 (proyección UTM)