Análisis Espacial De Datos: Tipos, Prácticas Y Usos

¿Qué Es El Análisis Espacial?

El análisis geoespacial geográfico es un proceso de interpretación, exploración y modelización de datos SIG, desde su adquisición hasta el entendimiento del resultado obtenido. La información obtenida se procesa por medio de software específico para análisis espacial, y dependiendo de la finalidad que se quiera obtener, puede ser más o menos complejo. La función más simple sería la de visualización de los datos, mientras que obtener conocimiento útil requiere un análisis exhaustivo de ellos.

En general, un análisis espacial completo consta de cinco etapas clave: definir el objetivo, preparar los datos, elegir las herramientas y técnicas adecuadas, realizar la investigación y evaluar los resultados. Algunos ejemplos de análisis espacial sería la medición de distancias, la selección de rutas o el establecimiento de correlación entre diferentes objetos o lugares en función de su posición geográfica actual o histórica.

Estableciendo Los Objetivos Del Análisis Espacial

Uno de los aspectos positivos del análisis espacial es su flexibilidad, combinando tantas capas de datos como sean necesarias para obtener los resultados deseados. Además, es de utilidad en numerosos sectores y para diferentes propósitos, como agricultura, silvicultura, minería, economía o demografía, por mencionar algunos.

En el caso de la agricultura, el análisis espacial de datos permite conocer factores como la densidad de la vegetación, el grado de humedad y temperatura del suelo, el estado de los cultivos, etc., lo que permite a los agricultores asignar recursos de manera más eficiente. En lo que respecta a la silvicultura, el análisis espacial es útil para detectar la deforestación y predecir incendios forestales cuando la temperatura se acerca a niveles críticos.

Los especialistas y científicos en oceanografía se apoyan en los resultados del análisis espacial para localizar vertidos de petróleo. Los encargados de estudios demográficos utilizan el análisis espacial para determinar si los servicios de los que dispone un área son suficientes. Los trabajadores del sector logístico se basan en los datos del análisis espacial y el SIG para trazar las rutas más rápidas o eficientes en función de la tarea. Los equipos de rescate usan el análisis espacial para asignar la cantidad de ayuda a cada zona en función de cómo de afectadas se han visto.

Como se puede apreciar, los usos son ilimitados. Para resultados más complejos, es importante establecer preguntas más específicas en lugar de buscar una única pregunta general. Respondiendo a cada una de ellas, se alcanzará el objetivo paso a paso. Por ejemplo, si un propietario de una cadena de tiendas buscase como objetivo general “¿Cuál es la mejor ubicación para abrir una nueva tienda?”, se puede determinar preguntas menores que ayudarán a responder a la pregunta principal, como:

• ¿Cuántos competidores que prestan el mismo servicio hay en la ciudad?
• ¿En qué zonas de la ciudad hay más clientes objetivo?
• ¿Están las tiendas de mis competidores distribuidas uniformemente o responden a algún patrón socioeconómico?
• ¿Hay alguna zona de la ciudad que carezca de tiendas de nuestra cadena y que tenga tiendas de algún competidor nuestro?
• ¿Cuál es el poder adquisitivo medio de la ciudad?

Obteniendo Y Preparando Los Datos Necesarios Para El Análisis Espacial

Para llevar a cabo un análisis espacial con éxito, es vital que los datos disponibles sean los adecuados para el propósito establecido. Esto incluye no solo que se disponga de todos los datos, sino que estos se encuentren en un estado óptimo. El preprocesamiento de los datos e imágenes del análisis espacial puede requerir de varios pasos antes de que estén listos. Entre los métodos de preprocesamiento de un análisis espacial encontramos los siguientes.

Corrección Geométrica

La rectificación geométrica para el análisis espacial de datos implica la referencia geográfica de las imágenes y la mejora de las discrepancias geométricas en función de los distintos tipos de imágenes de satélite.

La superficie de la Tierra no es uniforme y es que, debido a su forma esférica, las capturas más precisas son las realizadas en el nadir (la línea central de exploración). Cuanto más alejados del nadir, mayores distorsiones habrá.

Las curvas de relieve también influyen en la precisión de la imagen. Sin embargo, dada la gran distancia entre la órbita del satélite y la Tierra en el análisis espacial se suele ignorar debido a su suavidad, salvo en zonas de gran altitud, por ejemplo, las regiones montañosas.

Otro aspecto a tener en cuenta es que nuestro planeta se mueve constantemente alrededor de su órbita y alrededor del Sol. Su posición varía en 0,25 cada minuto y dicha rotación afecta al enfoque. Además, el satélite orbita a su vez alrededor de la Tierra y modifica también la calidad de la imagen.

Corrección Espectral

Las imágenes de satélite tienen inicialmente los llamados valores de brillo “en bruto” (números digitales). Por esta razón, la corrección espectral (o radiométrica) en el análisis espacial se aplica para ajustar los números digitales a unidades físicas significativas, como valores reales de reflectancia o emitancia de la superficie.

Corrección Atmosférica Radiométrica

La calidad de la imagen también depende de las condiciones atmosféricas que debilitan la señal tanto del sensor como del objetivo. La dispersión debida a los aerosoles atmosféricos (polvo, niebla, dióxido de carbono, metano, etc.) junto con la absorción de la radiación y la nubosidad son los principales factores que afectan a la luminosidad del píxel y, por tanto, requieren un ajuste adicional.

Para reducir los efectos atmosféricos existen varias técnicas matemáticas que buscan una modelización en diferentes condiciones atmosféricas en función de la estación del año, las condiciones meteorológicas, los aerosoles, etc. Un detalle a tener en cuenta es que las propiedades ópticas de las masas de agua son similares a las de los objetos negros en las bandas roja e infrarroja. Sabiendo esto, un experto en análisis espacial puede distinguir fácilmente las nubes del fondo marino.

Restauración De Píxeles Perdidos

Debido a errores del sistema durante la adquisición o transmisión de los datos, estelas, etc., a veces parte de la información se pierde. El método más común de reconstrucción de líneas perdidas requiere tomar píxeles de líneas cercanas o hacer la media entre la línea perdida y la que no. Aunque conlleva el tener algunos datos incorrectos, facilita la interpretación posterior de la imagen.

Mejora Del Contraste De La Imagen

Se denomina contraste a la diferencia de luminancia mínima y máxima, o de brillo y saturación de color, que permite distinguir el objeto y sus contornos respecto del fondo. Un contraste bajo es un problema común en el análisis espacial y, habitualmente, para solucionarlo, los contornos pueden perfilarse mejor con la decodificación visual de las imágenes.

El procesamiento digital para la mejora del contraste requiere de las siguientes técnicas de modificación del histograma:

• La expansión lineal otorga nuevos valores a los píxeles de la imagen de entrada ampliando el rango de valores.
• La normalización en el análisis espacial en los SIG amplía la zona más intensa del histograma.
• La ecualización corrige el brillo de los píxeles para que su número sea igual o similar en cada nivel de brillo.

Filtrado De Imágenes

El filtrado en el análisis espacial de datos perfila los objetos y reduce el ruido por medio de modificaciones mediante recálculos de los valores de los píxeles existentes. Los nuevos valores son funciones matemáticas determinadas a partir de los píxeles cercanos. En función de la fórmula y su coeficiente se puede saber cómo descodificar.

Además de la nitidez y la eliminación del ruido, la técnica de filtrado se aplica para el suavizado y el recorte del contorno.

Eligiendo Las Técnicas De Análisis Espacial Necesarias

Las imágenes digitales pueden recibir un tratamiento informático no solo para preparar los datos, también para llevar a cabo un análisis espacial propiamente dicho. Aunque lo ideal es que el proceso esté automatizado, esto es poco frecuente. Para ello, los investigadores se apoyan en herramientas de análisis espacial para facilitar el proceso y ajustarlo en base a sus intereses particulares.

Transformaciones De Color

Un solo canal de imágenes multiespectrales se muestra en gris. Por ello, uno de los métodos de análisis espacial es la transformación de color, que consiste en otorgar color mediante la combinación de tres canales, el llamado modelo RGB (rojo, verde y azul). En las imágenes de análisis espacial, esta puede presentarse en color natural o falso, dependiendo de si los canales RGB coinciden o son sustituidos por otras bandas.

Los tonos predominantes vienen determinados por la luminosidad de cada canal, por lo que, por ejemplo, valores altos en el canal R dará tonos principalmente rojizos a la imagen, mientras que valores altos en el canal G provocará tonos más verdosos. Aunque es más fácil identificar los objetos en color natural, las imágenes en falso color en el análisis espacial permiten distinguir y perfilar los contornos.

Imágenes Indexadas

El método de las imágenes indexadas en análisis espacial emplea el recálculo de los valores de luminosidad de cada píxel en diferentes canales con operaciones matemáticas. De este modo, los píxeles se representan para el análisis no en su brillo absoluto, sino que se les asignan nuevos valores indexados según la matriz del mapa de colores. La indexación resalta los objetos objetivo y simplifica la investigación.

Análisis De Componentes Principales

La técnica del análisis de componentes principales correlaciona los datos multiespectrales, lo que implica que una mayor o menor luminosidad en una banda conseguirá también una mayor o menor luminosidad en las demás bandas.

Este método de análisis espacial permite las siguientes modificaciones:

• crear una imagen de salida con tres componentes principales entre tres o más bandas ignorando los componentes menores y eliminando así el ruido;
• mejorar los objetos que se distinguen vagamente en las imágenes espaciales de un solo componente;
• comparar las series de imágenes espaciales tomadas en diferentes marcos temporales para comprender la dinámica y los cambios;
• reducir el tamaño de los datos espaciales con una pérdida mínima de información.

Separación Espectral

Otra de las prácticas de procesamiento en análisis espacial es la separación espectral, una técnica que se aplica para definir objetivos mucho más pequeños que el tamaño del píxel en imágenes con múltiples objetos. Para ello, un analista compara los datos obtenidos con registros antiguos existentes en busca de discrepancias entre los datos puros y la mezcla del espectro de cada pixel. Así, es posible distinguir el elemento principal por su coloración.

Clasificaciones

La clasificación en el análisis espacial es la decodificación informática de las imágenes o la categorización automatizada de los píxeles en clases específicas para diferenciar objetos. Loos tipos de clasificación de análisis espacial pueden realizarse con y sin datos de entrenamiento.

Clasificación Con Datos De Entrenamiento

Este tipo de clasificación se basa en la comparación del brillo de los píxeles con determinadas muestras. Analizando la correspondencia, se puede atribuir determinados objetos a las clases más adecuadas. Este método funciona si los elementos del paisaje son conocidos, son menos de treinta y se distinguen fácilmente en la imagen espacial.

Para esta clasificación se usan las siguientes técnicas:

• el método del ángulo espectral en el análisis espacial se usa para la clasificación de objetos con valores de brillo similares;
• la clasificación de paralelepípedos se utiliza cuando las escalas de brillo no coinciden;
• la estimación de la distancia mínima en el análisis espacial funciona cuando las escalas de luminosidad se cruzan;
• la distancia de Mahalanobis proporciona mediciones más precisas en el espacio multivariante;
• la estimación de máxima verosimilitud coloca el objeto en un grupo basándose en cálculos de máxima probabilidad. Se emplea en análisis espacial cuando las escalas de brillo se superponen y tienen una forma complicada;
• la división binaria divide todos los píxeles de la imagen espacial en dos grupos.

Clasificación Sin Datos De Entrenamiento

Los algoritmos separan automáticamente los píxeles a través de una distribución estadística del brillo cuando los objetos no están identificados o superan la treintena. Las clasificaciones sin datos de entrenamiento pueden utilizarse en el análisis espacial antes de las que tienen entrenamiento. Algunos ejemplos son ISODATA y K-Means clustering.

• ISODATA es el acrónimo de Iterative Self-Organizing Data Analysis Technique y se basa en referir los píxeles con los valores de brillo más cercanos en el espacio de características espectrales.
• K-Means clustering es similar a ISODATA, pero requiere valores medios básicos para categorizar los objetos.

Realizar El Proceso De Análisis

La realización del análisis espacial propiamente dicho es la siguiente etapa, tras determinar cuál es el problema que se pretende resolver, preparar el preprocesamiento y elegir las técnicas más adecuadas. Una vez completados los pasos preliminares, un analista de datos se centra en la obtención de resultados cualitativos y cuantitativos.

Evaluación Del Resultado

Una vez finalizado el proceso de análisis, es necesario evaluar de forma concienzuda si los resultados satisfacen las respuestas planteadas previamente. Este paso del análisis espacial sugiere considerar su uso práctico y la relevancia de la información datos obtenidos consultando fuentes alternativas. Por ejemplo, para elaborar un mapa de cultivos de una región basado en análisis espacial y cartografía, los resultados deben corresponder a las estadísticas oficiales del gobierno local.

Otros 2 detalles importantes son saber qué grado de precisión alcanzado con el análisis espacial y si la cantidad de datos ha proporcionado suficiente calidad. Una cantidad insuficiente o excesiva, o con errores, altera los resultados. A la hora de visualizar las imágenes y otros datos del análisis espacial, lo mejor es apoyarse en soluciones visuales como gráficos, diagramas, tablas o mapas.

Cómo Realizar Análisis Espacial Con EOS Data Analytics

El análisis espacial tiene muchas aplicaciones en diversos sectores y, en particular, en la agricultura y la silvicultura. Permite, por un lado, monitorizar el estado actual y aumentar los beneficios y, por otro, aumentar la conciencia medioambiental y hacer frente a los desastres naturales. Además, las imágenes de análisis espacial y la cartografía permiten a los expertos inspeccionar zonas de difícil acceso sin estar físicamente presentes en ellas, modelar situaciones y mitigar el efecto de los problemas.

Los siguientes casos de uso ilustran las aplicaciones del análisis espacial de los productos de EOS Data Analytics (EOSDA LandViewer y EOSDA Crop Monitoring) y su uso práctico.

Incendios Forestales En Colorado, EE.UU.

Los incendios de finales de 2020 se convirtieron en una auténtica catástrofe, produciéndose en uno de los peores escenarios posibles debido a la sequía, un clima caluroso y la elevación en la zona montañosa. Aunque normalmente la nieve y su deshielo paulatino son de ayuda para gestionar el problema, esta vez no fue el caso y los incendios se expandieron rápidamente.

El caso de los incendios forestales en Colorado se basa en un análisis espacial que incluye datos multiespectrales del satélite Landsat-8 y las siguientes combinaciones de bandas:

• Falso color (urbano) con SWIR2, SWIR1 y Red es relativamente insensible a los efectos atmosféricos, incluidas las partículas dispersas en la atmósfera.
• El color natural y sus compuestos en el análisis espacial representan el objetivo tal y como lo percibe el ojo humano.
• El color infrarrojo (vegetación) se usa en el análisis espacial para distinguir entre suelos desnudos y cobertura vegetal sana y/o escasa. Las plantas de hoja ancha y/o más sanas tienen un tono rojizo intenso, mientras que las zonas de baja densidad se muestran con tonos rojos más apagados.
• El índice normalizado de área quemada (NBR) permite evaluar las zonas quemadas suavizando la influencia atmosférica.

Inundaciones En Colombia

También a finales de 2020 se produjeron una serie de inundaciones en Colombia cuando 6 ríos se desbordaron e inundaron 7 municipios de Magdalena, destruyendo miles de casas. Los municipios afectados fueron Aracataca, Algarrobo, El Reten, Fundación, Zona Bananera, Pueblo Viejo y Ciénaga.

Este caso se basa en un análisis espacial que incorpora datos obtenidos con el satélite radar Sentinel-1 y que aplica las combinaciones de bandas VV, VH, VV/VH. Estos compuestos son eficientes para monitorizar cuerpos de agua, territorios agrícolas húmedos, vegetación y suelos desnudos y áreas urbanas.

Ciclón Tropical Gati En Somalia

El ciclón Gati está considerado como la tormenta tropical más fuerte sucedida cerca de la costa de Somalia y el primero que toca tierra desde que se empezó a llevar un registro, en 1970. El ciclón arrasó entre el 21 y el 24 de noviembre, tocando tierra en Somalia el 22 de noviembre. La catástrofe fue clasificada como “muy grave” por el Departamento Meteorológico de la India y se le asignó la “categoría 3” según la escala de huracanes y vientos de Saffir-Simpson. Las estadísticas de víctimas mortales informan de que al menos ocho personas perecieron, con decenas de desaparecidos.

La solución para monitorizar el ciclón y evaluar sus consecuencias fue un análisis espacial de los datos obtenidos por el satélite Sentinel-2. Para ello, EOS Data Analytics empleó los canales infrarrojos de color estándar para la vegetación y los compuestos tierra/agua NIR, MIR e IR para identificar los objetos de agua en tierra y delinear las fronteras entre la tierra y el agua.

Campo De Arroz Dañado Por El Granizo

En agricultura, los métodos y técnicas de análisis espacial son usados para diferentes propósitos, incluyendo la identificación de varios tipos de daños por eventos naturales o actividades agrícolas rutinarias. El siguiente ejemplo muestra cómo el campo de arroz ha sido dañado por el granizo. El software EOSDA Crop Monitoring revela los cambios más visibles gracias a los índices NDVI y ReCI.

Beneficios De Usar El Análisis Espacial

El análisis espacial mediante SIG facilita la toma de decisiones en muchos ámbitos, desde pequeñas cuestiones empresariales rutinarias hasta respuestas a catástrofes mundiales. La tecnología de georreferenciación no sólo muestra las coordenadas, sino que también indica el tiempo, lo que permite controlar los cambios y evaluar las tendencias.

Mientras que los satélites captan lugares remotos y de difícil acceso, las técnicas de análisis espacial permiten manejar los datos con mayor precisión y rapidez que analizando los datos de forma manual, pues permite un procesamiento casi instantáneo de un enorme volumen de datos.

Los resultados obtenidos con el análisis espacial:

• ayudan a comprender el estado actual de las cosas;
• conocer tendencias y reaccionar en consecuencia;
• desarrollar estrategias empresariales analizando los datos referentes al espacio y al tiempo.

Así, el análisis espacial proporciona conocimiento valioso en diversas situaciones y que está listo para ser usado en cualquier investigación o trabajo presente o futuro donde la posición geográfica sea importante. Para visualizar los datos del análisis espacial, es ideal simplificar la información presentando los datos de forma visual con patrones y formas fáciles de recordar y que destaquen los valores más importantes.