Hacia mtodos de anlisis de datos espaciales raster

en el nivel semntico
Towards Raster Spatial Analysis Methods at the Semantic Level
Eydel Jaime, Rainer Larn y Eduardo Garea
Centro de Aplicaciones de Tecnologas de Avanzada,
La Habana, Cuba
{ejaime, rlarin, egarea}@cenatav.co.cu

Artculo recibido el 14 de febrero de 2011; aceptado el 30 de junio de 2011

Resumen. Los Sistemas de Informacin Geogrfica
(SIG), debido a sus aplicaciones en el anlisis y
recuperacin de la informacin geo-grfica, se han
convertido en una necesaria herramienta para la ayuda
a la toma de decisiones.
Con el surgimiento de la Geosemntica, un nuevo
enfoque en la recuperacin y anlisis de informacin
espacial se impone, recuperar y analizar la informacin
por su significado semntico. El presente trabajo
pretende hacer una sntesis de las diferentes tcnicas y
mtodos a travs de los cuales los SIG han venido
recuperando la informacin espacial, llegando hasta las
nuevas pro-puestas que incluyen la semntica,
enfocndose en el modelo de datos raster,
especficamente en la tcnica de superposicin de
mapas y la problemtica de la naturaleza heterognea
de los datos geogrficos. Por lo que se plantea la
necesidad de encontrar mtodos que tomen en cuenta
esta limitante y permitan trabajar con los datos
mezclados de manera simultnea.
Palabras clave. Recuperacin y anlisis, ontologas y
datos raster.
Abstract. Geographic Information Systems (GIS), due to
their applications in analysis and geographic
information retrieval, have become a necessary tool to
aid decision making.
After the emergence of Geosemantic a new approach
in the retrieval and analysis of spatial information is
imposed, retrieve and analyze information by its
semantic meaning. This paper aims to summarize the
different techniques and methods by which GIS has
been recovering spatial information reaching new
proposals that include semantics, focusing on the raster
data model specifically the map overlay technique and
the problem of the heterogeneous nature of
geographic data. As there is a need to find methods
that takes into account this limitation and allows
working with mixed data simultaneously.
Keywords. Retrieval and analysis, ontologies and raster
data.
1 Introduccin
Desde el surgimiento de los Sistemas de
Informacin Geogrfica (SIG) hasta la actualidad,
estos sistemas han ido cobrando paulatinamente
cada vez ms importancia y se han convertido en
una necesaria herramienta de anlisis y
recuperacin de la informacin geogrfica en el
proceso de toma de decisiones a todos los
niveles.
Con el acelerado crecimiento del volumen de
datos almacenados en las bases de datos
espaciales, cada vez se hace ms difcil y
complejas las operaciones de recuperacin y
anlisis de la informacin de forma rpida y
precisa.
Los mtodos y algoritmos convencionales se
centran slo en las coordenadas o proyecciones
geogrficas, adems de que se necesita de un
buen dominio de la informacin geogrfica por
parte de los usuarios que operan estos sistemas.
Por lo tanto no cuentan con un nivel de
abstraccin que les permita asemejarse al
razonamiento que un humano realizara a la hora
de extraer una determinada informacin de entre
un gran volumen de datos. Las tendencias
actuales para el tratamiento de la informacin
geoespacial estn enfocadas en el desarrollo de
tcnicas basadas en la representacin y
recuperacin de estos datos desde un punto de
vista semntico.

Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106

ISSN 1405-5546
92 Eydel Jaime, Rainer Larn y Eduardo Garea
Fig. 1. Taxonoma sobre mtodos de recuperacin de datos espaciales raster
Sin embargo aunque las herramientas por
excelencia para el tratamiento de la informacin
geoespacial son los Sistemas de Informacin
Geogrfica (SIG) actualmente estos sistemas no
disponen de las herramientas necesarias para el
procesamiento de la naturaleza semntica
subyacente en este tipo de informacin.
Con el lanzamiento de la Web Semntica, y
posteriormente el surgimiento de la
Geosemntica, un nuevo enfoque en la
Recuperacin de la Informacin espacial se
impone, lograr recuperar la informacin
geoespacial por su significado semntico y
tomando como base las geo-ontologas.
Por otra parte una nueva generacin de los
SIG ha sido propuesta, se trata de los Sistemas
de Informacin Geo-grfica Gobernados por
Ontologas (SIGGO) como nueva herramienta
para recuperar la informacin espacial basndose
en las geo-ontologas como forma de
representacin del conocimiento geogrfico. Sin
embargo todo esto an constituye un tema
abierto, en el cual todava no se han logrado
pasos significativos en la prctica, y sigue
representando un gran reto para las
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
Comunidades de la Informacin Geoespacial de
todo el mundo. En este trabajo nos centraremos
especficamente en el tipo de datos espaciales
raster y los mtodos de recuperacin y anlisis.
Veremos como la naturaleza de los datos
geogrficos no queda explcitamente
representada en este modelo por lo que los
mtodos de recuperacin y anlisis actuales,
sobre todo la superposicin de mapas no
favorecen la generacin de nuevo conocimiento
sobre la base de su valor semntico al codificar
variables tanto cualitativas como cuantitativas
utilizadas para describir los fenmenos u objetos
que se estn representando. El trabajo se
estructura de la siguiente forma:
En la seccin 2 de este trabajo se hace un
anlisis de las diferentes formas que existen en la
actualidad para realizar la recuperacin de datos
espaciales raster, en la seccin 3 se discuten los
principales mtodos de anlisis raster y a
continuacin de ello, en la seccin 4 se discuten
los principales mtodos de recuperacin
semntica de este tipo de informacin. En la
seccin 5 presentamos la propuesta para
enfrentar el problema de la superposicin
 Hacia mtodos de anlisis de datos espaciales raster en el nivel semntico 93
semntica de datos raster. En la seccin 6 se
expresan las conclusiones y los trabajos futuros.
2 Mtodos de recuperacin de datos
espaciales raster
Basndonos en un estudio del estado actual de la
recuperacin de datos espaciales raster, se pudo
representar una clasificacin taxonmica de los
principales mtodos, as como las principales
deficiencias detectadas en cada tipo de mtodos.
La Fig. 1 muestra como se pudo desglosar en 3
principales grupos de mtodos, los Mtodos
basados en Consultas a Mapas, los Mtodos
basados en Extraccin de Objetos en Mapas
Topogrficos y los Mtodos de Anlisis de Mapas
2.1 Mtodos basados en consultas a
mapas
Estos mtodos han sido desarrollados tomando
como punto de partida el conocido Lenguaje
Estructurado de Consultas (SQL, por sus siglas
en ingls), a partir del cual se han ido
implementando nuevas variantes
especficamente para el trabajo con los datos
raster. Entre los principales problemas
detectados en este tipo de mtodos podemos
mencionar que slo se centran en las
coordenadas y proyecciones cartogrficas para
las localizaciones de los objetos geoespaciales,
es decir, si realizramos una consulta a un mapa
tendramos que especificar las coordenadas
geogrficas exactas de la zona de la cual se
quiere extraer la informacin. Por otra parte,
realizan un procesamiento sintctico de la
consulta basndose exclusivamente en la sintaxis
del lenguaje de consultas empleado, por lo que
no se tiene en cuenta el valor semntico que se
pudiera aprovechar de estos datos. O sea, se
procesan los datos por lo que contienen y no por
lo que significan. Adems, es necesario resaltar
que la mayor eficacia alcanzada en estos
mtodos va a estar condicionada por el grado de
experticia en el dominio de la informacin
geogrfica por parte de los usuarios.
Dentro de este tipo de mtodos tenemos dos
variantes principales que se utilizan para
recuperar datos espaciales raster, se trata del
Mtodo Directo y del Indirecto. A continuacin se
profundiza en ellos.
2.1.1 Mtodo directo
El Mtodo Directo [Graeff y Carosio, 2001] se
ejecuta directamente como un mtodo de
consulta tradicional, debido a que este no
depende de un algoritmo o estrategias de
segmentacin de los objetos geogrficos. Las
estrategias de entrelazamiento de imgenes
modificadas basadas en el conocimiento
concerniente a las caractersticas geomtricas y
topolgicas de los objetos posibilitan consultar
estructuras de datos raster de forma directa. De
esta forma, no se necesita segmentar la imagen,
y no se obtienen objetos desde la imagen, por lo
que no se puede encuestar estructuras de datos
raster a partes separadas de los objetos ni a ms
de un objeto segmentado.
En los documentos cartogrficos se utilizan
generalmente estrategias de entrelazamiento que
proveen un extenso campo de algoritmos que se
pueden usar para construir una herramienta de
consulta. Su apariencia geomtrica y topolgica
es bien conocida y declarada en leyendas de
mapas que proveen un conocimiento base de
patrones.
Fig. 2. Uso de las consultas en el mtodo directo
En el Mtodo Directo no se tiene una base de
datos derivada de la imagen. La estructura de
datos raster consultada es en s el valor con que
se cuenta. El atributo luego es llamado regin
debido a que la estructura de datos raster es
concertada como regiones certeras de la imagen.
Por otro lado, en vez de comparar exactamente
los operadores matemticos, se usan diferentes
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
94 Eydel Jaime, Rainer Larn y Eduardo Garea
operadores de entrelazamiento. La Fig. 2 muestra
la estructura de consulta del Mtodo Directo.
La eleccin del operador de entrelazamiento
indicar el grado de ambigedad que se
mantenga. Entre los operadores de
entrelazamiento, se han desarrollado cuatro
operadores con varios grados de ambigedad,
especialmente varios lmites de tamaos y
orientaciones. La Tabla 1 muestra estos
operadores as como los tamaos y las
orientaciones posibles para cada operador.
Tabla 1. Operadores difusos del Mtodo Directo
[Graeff y Carosio, 2001]
Operador Tarea de entrelazamiento Difuso
LIKE patrones en un solo tamao y una
sola orientacin
LIKE patrones en un solo tamao, pero
ROTATED en todas las posibles orientaciones
SIMILAR patrones en todos los tamaos
posibles, pero sin rotar
SIMILIAR patrones en todos los tamaos y
ROTATED orientaciones posibles
Debido a que las estructuras de imgenes
raster con el mismo significado no son
representadas exactamente como el patrn de la
leyenda, los operadores de entrelazamiento
deben ser poco difusos. En los documentos
cartogrficos existen una gran cantidad de
sealizaciones, las cuales estn localizadas en
una sola orientacin y un slo tamao, y existen
otras con diferentes tamaos y orientaciones.
Entre las sealizaciones con diferentes tamaos
y orientaciones, la orientacin vara
continuamente, pero los tamaos estn
meramente escalonados en pocos tamaos
posibles [Graeff, 2002].
2.1.2 Mtodo indirecto
El Mtodo Indirecto [Graeff y Carosio, 2001] se
basa en consultar las caractersticas de los
objetos que son extrados inicialmente de la
imagen de un mapa topogrfico escaneado.
Despus de un proceso de segmentacin de la
imagen y posterior generacin de objetos por
medio de caractersticas radiomtricas, se puede
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
obtener una lista de objetos segmentados. A
cada objeto segmentado se le puede asignar
caractersticas cmo rea, permetro, densidad,
as como muchas otras. Para extraer objetos de
una clase de objetos es requerida una
combinacin ideal de caractersticas a identificar
en la imagen. Luego de seleccionar por medio de
consultas, las caractersticas relacionadas con el
objeto que se encuentra en la base de datos, se
puede visualizar el objeto seleccionado en la
imagen. Este mtodo es llamado indirecto debido
a que la seleccin es realizada de las
caractersticas relacionadas con el objeto que se
encuentra en la base de datos, y no sobre la
propia imagen.
Tanto en el mtodo directo como en el
indirecto se sigue la formulacin conocida del
lenguaje SQL utilizado para consultar bases de
datos. De esta forma, las consultas comienzan
por una declaracin SELECT, seguida por la
indicacin del recurso en la parte FROM y la
seleccionando la especificacin de los
parmetros a la parte WHERE. El Mtodo Directo
consume ms tiempo de ejecucin que el Mtodo
Indirecto debido a las herramientas de
entrelazamiento implementadas en los
algoritmos. Por lo tanto estas estrategias tienen
que ser modificadas.
Para la implementacin del Mtodo Indirecto
se emplea el lenguaje RaQueL, desarrollado por
Frischknecht en el ao 1999 [Graeff y Carosio,
2001] especficamente para la recuperacin de
datos raster, el cual se basa en la misma
funcionalidad del lenguaje SQL. No obstante,
despus de ejecutadas las consultas, el resultado
no es mostrado como una tabla de datos, sino
visualizando directamente el resultado en un
mapa y en donde todos los objetos seleccionados
son mostrados con un color diferente al usado
por el mapa, de manera que contraste. La fuente
de datos est en la base de datos de las
caractersticas de objetos, la cual hay que crear
preliminarmente. Entre las caractersticas de los
objetos, se usan atributos, en donde el lenguaje
RaQueL calcula el rea, permetro, densidad,
tamao de los parmetros, orientacin de los
parmetros (ejes principales) y otra gran cantidad
de caractersticas geomtricas, las cules son
independientes de la estructura raster.
 Hacia mtodos de anlisis de datos espaciales raster en el nivel semntico 95

Tabla 2. Tipos de anlisis en un SIG Raster (Durand 2004)

Tipo de Localizacin
Tipo de operacin Pxel Vecindad Zona
valor tpico valor tpico valor tpico
valor no caracterstico valor no valor no caracterstico
Slo opera con los caracterstico
atributos temticos variedad variedad variedad
comparacin a un valor comparacin a un valor Comparacin a un valor
reclasificacin reclasificacin reclasificacin
sntesis estadstica sntesis estadstica sntesis estadstica
posicin geogrfica posicin geogrfica posicin geogrfica
variabilidad espacial variabilidad espacial
Slo emplea los
aspectos espaciales forma forma
tamao tamao
distancia y proximidad
direccin
vecinos a

mtodos de anlisis de superposicin de mapas y
2.2 Mtodos basados en la extraccin de ms adelante nos centraremos en explicar su
objetos en mapas topogrficos esencia y principales deficiencias detectadas que
actualmente presentan.
Estos mtodos han sido desarrollados para la
extraccin de objetos en mapas topogrficos
3 Anlisis espacial raster
digitalizados, obtenidos a partir de imgenes
areas, satelitales, y de la rasterizacin de datos
El proceso de anlisis se considera como el
espaciales en formato vectorial. Estos mtodos
conjunto de mtodos que permiten al usuario del
se centran en la extraccin de determinados
dato generar nueva informacin partiendo de la
objetos contenidos en los mapas ya que los
ya existente en funcin de un objetivo. El anlisis
algoritmos son programados para que encuentren
espacial abarca un conjunto de tcnicas y
rasgos especficos dentro de dichos mapas.
procedimientos para el estudio de las
Ejemplo de esto son los trabajos desarrollado
caractersticas de los datos espaciales [Bosque-
trabajos para la extraccin de edificaciones
Sendra, 2002]. Por otra parte este mismo autor
[Miyoshi, 2004], extraccin de lneas y caracteres
plantea que en gran medida este tipo de anlisis
[Chiang, 2006], extraccin de intersecciones de
se ha ido desarrollando apoyndose en el uso de
carreteras [Chiang, 2009], entre otros. Estos
la metodologa estadstica y su adaptacin en la
mtodos tambin realizan el proceso de
integracin con el estudio de los datos espaciales
extraccin sin tener en cuenta la semntica
y que tambin se pueden incluir en l
asociada a los objetos espaciales, por lo que
determinados procedimientos que analizan, de
tampoco se tiene en cuenta el valor semntico
forma exclusiva, las caractersticas geomtricas
que se pudiera aprovechar de estos datos.
de los objetos geogrficos sin considerar de
forma simultnea, los valores temticos
2.3 Mtodos de anlisis de mapas asociados a dichas caractersticas.
En los datos espaciales raster los datos
Debido a que el anlisis espacial raster constituye siempre se analizan teniendo en cuenta su
la herramienta fundamental del proceso de toma representacin espacial y los procesos de
de decisiones, nuestra trabajo se centrar en los anlisis se clasifican en aquellos que se realizan

Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106

ISSN 1405-5546
96 Eydel Jaime, Rainer Larn y Eduardo Garea
sobre el conjunto de uno o varios mapas raster y
los que se realizan sobre determinadas
localizaciones especiales que es posible en l: el
pxel, la vecindad y la zona, vase Tabla 2.
En las Fig. 3a, 3b y 3c se muestra el ejemplo
de estos tipos de localizacin. Estos
procedimientos coinciden en gran medida con
varios mtodos empleados para la modelacin
cartogrfica de sistemas vectoriales o, otros
pocos casos, con el anlisis de la componente
espacial [Durand, 2004].

Fig. 3a. Localizacin de un pxel. 3b Localizacin vecindad de un pxel. 3c Localizacin regiones o zonas

Entre los mtodos u operaciones analticas ubicacin de Parques Elicos en el Municipio

empleados para analizar los datos espaciales Especial Isla de la Juventud perteneciente a la
raster que ms se utilizan, se encuentran la Repblica de Cuba.
superposicin y la reclasificacin de mapas
[Durand, 2004]. En la subseccin 3.1 y 3.2 se
abordarn con mayor profundidad acerca de
estos mtodos analticos.

3.1 Mtodos de superposicin de mapas

El mtodo de superposicin de mapas consiste

en la combinacin de dos o ms capas o mapas
en donde cada celda (pxel) de cada capa o
mapa referencia la misma localizacin geogrfica
y con lo cual se genera una nueva capa o mapa
que contiene la combinacin de la informacin de
las capas o mapas de entrada. En la Fig. 4, se
muestra un ejemplo de cmo mediante la
superposicin de un mapa de relieve (orografa)
que contiene los valores de alturas del terreno,
con un mapa de recursos elicos que contiene lo
valores de velocidades del viento, se pueden
identificar posibles zonas factibles para la
Fig. 4. Ejemplo de superposicin de mapas. Se realiza
una operacin lgica (AND) entre los valores de las
celdas de cada mapa combinando valores de altura del
terreno y valores de velocidades del viento
Segn Bosque-Sendra [Bosque-Sendra,
2002], la operacin de anlisis de anlisis de
superposicin de mapas se puede realizar de dos
formas:

Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106

ISSN 1405-5546
 Hacia mtodos de anlisis de datos espaciales raster en el nivel semntico 97
Anlisis local pxel a pxel: Se realiza
teniendo en cuenta de forma aislada pxel a
pxel de una o varias capas de un mapa
raster.
Anlisis en zonas o regiones: Se realiza
teniendo en cuenta un conjunto de pxeles
que se encuentren de forma contigua en
una o varias capas de un mapa raster.
3.2 Reclasificacin de mapas
Esta operacin se realiza sobre un solo mapa. Al
igual que las operaciones de superposicin,
constituye una de las tcnicas ms usadas en el
anlisis de los datos espaciales raster debido a
que posibilitan la bsqueda y recuperacin de
forma selectiva de los datos raster almacenados
en las bases de datos espaciales. La
reclasificacin es una tcnica de generalizacin
utilizada para reasignar valores en una capa de
entrada raster como pueden ser la posicin, el
valor, la forma, el tamao, la medida de los pxel,
el grado de contigidad y as crear una nueva
capa de datos. La reclasificacin cambia el valor
de las celdas de entrada trabajando con una base
"celda-a-celda" dentro del rea de anlisis. La
Fig. 5 muestra un ejemplo de reclasificacin de
mapas en un Modelo Digital de Elevacin (DEM
por sus siglas en ingls) donde a partir de un
mapa que contiene inicialmente 9 intervalos de
alturas del terreno, se realiza una generalizacin
de los intervalos con lo cual se reclasifican en 5
nuevos intervalos.
Fig. 5. Reclasificacin de mapas. Reclasificacin de un
DEM en 5 intervalos de altura del terreno
Esta operacin posibilita convertir los datos en
escala de intervalos y de razn a una
clasificacin ordinal, para el modelado de la
idoneidad de usos del suelo, utilizando el lgebra
de mapas. Tiene el beneficio adicional de reducir
el tamao del archivo de las capas raster. La Fig.
6 muestra un ejemplo de un mapa que contiene n
tipos de suelos y al que se le realiza una
reclasificacin binaria donde el nuevo mapa de
salida contendr slo dos tipos de valores de
suelos, valor 0 para las suelos no aptos y valor 1
para los suelos aptos. En este caso se buscan los
suelos aptos para el Cultivo del Caf en Cuba.
Fig. 6. Reclasificacin de mapas. Mapa de suelos
aptos para el cultivo del Caf, se reclasifican con
valores binarios
Los valores generalmente son nmeros
(enteros, flotantes) o expresiones Booleanas, o
sea realizar la codificacin de rasgos no
numricos es un procedimiento que puede
considerarse inadecuado.
Por ejemplo: Un mapa raster de tipos de
suelos que codifique el tipo Ferraltico Rojo = 1,
Pardo = 2, Esqueltico = 3. Se sabe que la
media entre 1 y 3 es 2, pero para los edaflogos,
pudiera ser difcil aceptar que en un rea donde
hay suelos ferralticos y pardos que son muy
frtiles, pueda catalogarse como un rea,
medianamente apta para cultivos varios. De este
modo, los operadores para comparar atributos
con valores son los mismos usados en la
Matemtica. Esta es la principal limitante tanto de
la recuperacin como del anlisis de mapas
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
98 Eydel Jaime, Rainer Larn y Eduardo Garea
raster, pues como es sabida la naturaleza de los
datos geogrficos puede ser heterognea, con
variables tanto cualitativas como cuantitativas
utilizadas para describir los fenmenos u objetos
que se estn representando.
4 Recuperacin semntica de datos
espaciales raster
La recuperacin de la informacin espacial por su
significado semntico contenida en los datos
raster es an un tema abierto, en el que se
continan realizando estudios en busca de dar
pasos significativos. Las mayores aproximaciones
hasta la actualidad en este sentido han llegado
hasta la representacin semntica de estos
datos. Entre una de las mayores aproximaciones
en este sentido lo constituye el trabajo realizado
en [Oliva, 2009], en el cual se propone una
metodologa que presenta una arquitectura
basada en estructuras de datos de bsqueda
espacial (se escogi R-tree para datos vectoriales
y Quadtree para datos raster) en dependencia del
tipo de datos a anotar y como soporte para la
persistencia de las anotaciones semnticas de
datos geogrficos tomando como bases slidas
las geo-ontologas. Este trabajo deja sentadas las
bases para que se contine trabajando en
mtodos eficientes para la recuperacin de los
datos una vez que se encuentren realizadas las
anotaciones semnticas.
Entre otros de los trabajos que se han
desarrollado y que se aproxima an ms a la
recuperacin semntica de los datos espaciales
raster, est el realizado por [Quintero, 2009], que
propone una metodologa para realizar una
representacin semntica de datos espaciales
raster, enfocndose en los modelos digitales de
elevacin como caso particular de los datos
espaciales raster. Esta metodologa se basa en
tres etapas: Conceptualizacin, Sntesis y
Descripcin. La primera etapa que es la
Conceptualizacin consta de tres partes
fundamentales: la conceptualizacin del dominio
geoespacial o de alto nivel, la conceptualizacin
del dominio especfico de un Conjunto de Datos
Espaciales Raster (CDER) sobre el cual se vaya
a operar, y la conceptualizacin de la aplicacin
a travs de la cual se implementar la
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
representacin de los datos. Esta primera etapa,
mediante dos grandes ontologas; una ontologa
para el Dominio Geogrfico y la otra para el
Dominio de las Formas del Terreno;
conceptualiza el dominio geogrfico. Una
segunda etapa, que es la Sntesis, en la cual
mediante algoritmos, extraen las caractersticas
del CDER, teniendo en cuenta al dominio en el
que stos son analizados. Y por ltimo y no la
menos importante, la tercera etapa, en la cual se
determinan los extractos, que segn este trabajo,
son segmentos del CDER identificados con algn
concepto en general, y los cuales se describen de
acuerdo a la Conceptualizacin. Con esta
metodologa se logra describir que es lo que se
encuentra contenido en un conjunto de datos
espaciales raster, mediante un lenguaje muy
cercano al natural utilizado por los humanos, pero
a la vez en un formato legible
computacionalmente que garantiza la integracin
y la interoperabilidad entre otros formatos
semejantes. Sin embargo deja pendiente y
abierta las posibles soluciones para recuperar y
analizar la informacin una vez que se haya
realizado la representacin de los datos.
4.1 Ontologas de representacin de
datos para la integracin semntica de
datos geogrficos
Larin-Fonseca y Garea-Llano [Larin y Llano,
2010] proponen un nuevo tipo de ontologa, las
Ontologas de Representacin de Datos (ORD),
la cual se genera automticamente mediante
tcnicas de clasificacin a partir de distancias y
con el uso de medidas de disimilitud. Las ORD
representan la abstraccin semntica de los
datos geogrficos aportando un mayor grado de
especializacin y por tanto una mayor
granularidad a partir del complemento entre la
ORD y las Ontologas de Nivel Superior (ONS).
La ORD puede representarse como una
especializacin tanto de Ontologas de Aplicacin
como de las de Dominio o de Tarea. Esto
depende del nivel del detalle conceptual con el
que se estn manejando los datos. Esta
Ontologa constituye una capa intermedia entre
los datos y las ONS, en la cual se representan de
forma explcita tanto la semntica subyacente en
 Hacia mtodos de anlisis de datos espaciales raster en el nivel semntico 99

los datos como las relaciones existentes entre

ellos.
La ORD es en esencia una ontologa dinmica
ya que su estructura, trminos y relaciones
siempre van a depender de los datos incluidos en
el sistema. El uso de la ORD permite la
integracin de datos heterogneos y proporciona
una mayor riqueza semntica a partir del
complemento que se genera entre la ORD y la(s)
ONS utilizadas. Este complemento va dirigido en
ambos sentidos, de la ONS a la ORD y viceversa.
Si observamos la Fig. 7, en la zona 2 se muestra
como a travs de la capa de Interconexin se
relacionan los conceptos de las ONS con los
objetos representados en la ORD.
Esto se explica desde el hecho de que por un
lado, la ONS puede contar con informacin Fig. 7. Representacin grfica de los diferentes
precisa de los datos integrados al sistema lo que modelos en los que pueden ser almacenados los datos
implica contar con mayores niveles de geogrficos (Zona 1). La Zona 2 muestra la proyeccin
especializacin que aumentan el nivel de en el Espacio Semntico de estos datos y las
precisin semntica en la ontologa. Por el otro relaciones existentes entre ellos. Tambin se muestran
lado la ORD dispone de un contexto sobre el cual la ORD y la ONS complementadas entre s (Larin y
Garea 2010)
es posible procesar los datos, que es
proporcionado por las ONS. Aqu se pone de
Esta ontologa puede adems contener
manifiesto un proceso de sinergia, en el cual los
nuevos conceptos que no existen de forma
resultados obtenidos a travs del uso de estos
explcita ni en las ONS ni en los datos. Estos
dos tipos de Ontologas (ORD y ONS) son
nuevos conceptos son aprendidos a partir del
mejores que la suma de los resultados obtenidos
procesamiento realizado a los datos en el
por cada una de ellas por separado.
proceso de generacin de la ORD aplicando
Basado en lo planteado anteriormente
tcnicas de agrupamiento.
proponen que el uso de la ORD sea siempre en
conjunto con al menos una ONS de manera que
el usuario puede gestionar los datos geogrficos 5 Propuesta para enfrentar el
incluidos en el sistema con la posibilidad de
problema de la superposicin
agregar nuevos datos, modificar datos y/o
eliminar datos, este dinamismo de los datos semntica de datos raster (SSDR)
incluidos en el sistema provoca cambios
estructurales en la ORD ya que esta, como se ha Sobre la base de las premisas analizadas y de
mencionado anteriormente, es generada las deficiencias detectadas es posible plantear
automticamente a partir de estos datos. una estrategia para el desarrollo de un mtodo de
Cambios en estos datos implican cambios en los superposicin de mapas raster sobre una base
trminos y relaciones existentes en la ORD, es semntica.
por esta razn que plantean que esta es una La estrategia se basa en la representacin
ontologa dinmica y cambia segn cambian los semntica de los datos raster mediante ORD
datos. Otro aspecto a destacar es que todos [Larin y Llano, 2010] y su combinacin con
estos cambios estructurales que puede sufrir la mtodos desarrollados para el Reconocimiento
ORD no implican absolutamente ningn cambio Lgico Combinatorio de Patrones que trabajan
en la(s) ONS manteniendo esta(s) su estructura con las descripciones mezcladas e incompletas
original, cada uno de estos cambios ocurren por [Ruiz-Shulcloper, Martnez-Trinidad y Guzmn-
debajo de la capa de interconexin, vase Fig. 7.

Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106

ISSN 1405-5546
100 Eydel Jaime, Rainer Larn y Eduardo Garea
Arenas, 1999], [Martnez-Trinidad y Guzmn-
Arenas, 2001].
En esta nueva propuesta presentamos una
modificacin al trabajo descrito por Larin-Fonseca
y Garea-Llano, en el que insertamos nuestra idea
de solucin, con lo cual se pretende modificar el
anlisis espacial raster al lograr integrar las
variables tanto cuantitativas como cualitativas de
los datos geogrficos y dar origen a nueva
informacin espacial la cual ser representada a
travs de ontologas.
Al igual que el trabajo de Larin-Fonseca y
Garea-Llano, partimos de una fuente de datos
geogrficos, que en nuestro caso particular sern
mapas o capas del modelo de datos raster, de los
cuales mediante un proceso de Sntesis
propuesto por en el trabajo realizado por Quintero
[Quintero, 2009] para los Modelos Digitales de
Elevacin (DEM), reutilizaremos los algoritmos de
extraccin implementados en dicho trabajo.
Basado en lo planteado anteriormente
proponemos que las operaciones de
superposicin se realicen en el nivel semntico a
travs de la combinacin de los Nodos de
representacin de datos (NRD), los cuales sern
creados a partir de los objetos geogrficos
discretos y de las representaciones de variables
continuas de distribucin espacial que estn
contenidos en los mapa raster y que sern
representados en la ORD. Los NRD se presentan
en dos variantes, NRD-O para objetos
geogrficos los cuales presentan las tres
subestructuras (ctemat, cespac y ctemp) en el
espacio semntico y NRD-C para clases
abstractas de objetos geogrficos, donde estas
carecen de la subestructura ctemp para la
componente espacial, ya que esta variante
representa la abstraccin semntica, en un nivel
mayor, del conjunto de datos que ella agrupa, en
este caso de los NRD-O. En las subsecciones 5.1
y 5.2 se explicaran en detalles las estructuras
internas de los NRD para los objetos geogrficos
discretos y de los NRD para la representacin de
variables continuas de distribucin espacial para
el modelo de datos raster.
Una vez que en el nivel semntico se
encuentren representados todos los NRD, en
nuestra propuesta aadiremos una etapa
posterior a la concebida por Larin-Fonseca y
Garea-Llano. Procederemos a realizar los
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
mtodos de SSDR, los cuales a diferencia de los
mtodos convencionales de superposicin de
mapas, que realizan la operacin entre los
pxeles con la misma posicin geogrfica y las
mismas dimensiones de los mapas o capas a
procesar, esta SSDR se realizar entre los NRD
presentes en el espacio semntico. En la
subseccin 5.3 se mostrarn los pasos
necesarios para llevar a cabo este mtodo.
5.1 Estructura interna de los NRD para la
representacin de objetos geogrficos
discretos en el modelo raster
La estructura de los NRD correspondientes a los
datos raster para el caso de la representacin de
objetos geogrficos discretos, como puede ser un
mapa aptitud de suelos, estara basada en la
representacin de las caractersticas temticas,
espaciales y temporales de los objetos presentes
en el mapa raster formado por conjuntos de
pixeles o celdas, a travs de tres subestructuras
(ctemat, cespac y ctemp) en el espacio
semntico. Estos NRD representan la abstraccin
semntica tanto de los objetos geogrficos como
de las clases aprendidas en la etapa de
procesamiento de los datos. La Fig. 8 muestra un
mapa con objetos geogrficos discretos binarios
donde slo se toman valores de unos y ceros.
Fig. 8. Ejemplo de un mapa raster representando
regiones de aptitud para el cultivo del caf
Por tanto la estructura interna de los NRD de
los datos raster discretos de manera general est
determinada de la siguiente manera:
 Hacia mtodos de anlisis de datos espaciales raster en el nivel semntico 101

El NRD puede ser representado por la 5tupla ubic: Define la ubicacin espacial de la entidad
(id, rel, ctemp, ctemat, cespac) donde: geogrfica representada en el plano
(coordenadas).
id: Es el identificador del NRD.
repres: Define el tipo de objeto geomtrico en
rel: Es el conjunto finito de relaciones.
el que est representado la entidad (conjunto
ctemp: Representa las caractersticas
de celdas). Esta pro-piedad de la tupla es la
temporales de la entidad geogrfica
que se tomar para saber sobre que NDR en la
representada.
ORD se realiza la operacin de superposicin
ctemat: Representa las caractersticas
esca: Define el tipo de escala de
temticas de la entidad geogrfica
representacin de la entidad geogrfica a partir
representada.
de la resolucin de las celdas que conforman el
cespac: Representa las caractersticas
mapa raster.
espaciales de la entidad geogrfica
representada.
5.2 Estructura interna de los NRD para la
La estructura ctemp puede representarse por la representacin de variables continuas de
2tupla (eventos, rel) donde: distribucin espacial en el modelo raster
eventos: Se define como un conjunto de
acciones o hechos que afectan a una o varias Para la estructura de los NRD correspondientes a
propiedades de la misma entidad geogrfica en los datos raster en el caso de la representacin
el tiempo. (p.e: cambios de posicin, forma de variables continuas, como puede ser un mapa
etc.). de valores de altura del terreno (vase Fig. 9),
rel: Es el conjunto finito de relaciones estara basada en la representacin de las
temporales que puede tener la entidad caractersticas temticas, espaciales y
geogrfica con otra(s) entidad(es) temporales de las celdas presentes en el mapa
geogrfica(s). raster, a travs de tres subestructuras ya
descritas (ctemat, cespac y ctemp) en el espacio
La estructura eventos de la componente ctemp semntico.
puede representarse por la 5tupla (id, nombre,
descrip, tiporeg, granul) donde:
id: Es el identificador del evento.
nombre: Nombre del evento.
descrip: Representa la descripcin del evento.
tiporeg: Define el registro del tiempo de
existencia del evento.
granul: Define el tipo de granularidad en el
tiempo (Ao, Mes, Da, etc.).
La estructura ctemat puede representarse por la Fig. 9. Ejemplo de un mapa raster representando
2tupla (nombre, ()) donde: regiones de aptitud para el cultivo del caf
nombre: Nombre de la entidad geogrfica
representada. En este caso la estructura cespac estar
(): Propiedad Temtica de la entidad representada por la 3tupla (ubic, repres, esca)
geogrfica representada que la definen donde:
semnticamente. Aqu es donde se realizar ubic: Define la ubicacin espacial de la celda
las operaciones de anlisis lgico combinatorio representada en el plano, (coordenadas).
de los datos de diferente naturaleza. repres: Define el tipo de objeto geomtrico en
La estructura cespac puede representarse por la el que est representado la entidad (celda).
3tupla (ubic, repres, esca) donde: Esta propiedad de la tupla es la que se tomar

Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106

ISSN 1405-5546
102 Eydel Jaime, Rainer Larn y Eduardo Garea
para saber sobre que NDR en la ORD se
realiza la operacin de superposicin
esca: Define la resolucin espacial de la celda
representada en el NRD.
5.3 Superposicin de los NRD
En esta operacin entrara a jugar un papel
preponderante los mtodos de anlisis lgico
combinatorio los cuales darn la posibilidad de
realizar una diversidad de operaciones
matemticas y lgicas entre las representaciones
semnticas de los mapas consultados y permitir
trabajar con las descripciones mezcladas de
manera simultnea, ya que frecuentemente y de
forma errnea, la representacin de los objetos
es considerada como una secuencia de valores
exclusivamente numricos o categricos. Sin
embargo, existen muchos problemas reales de
Reconocimiento de Patrones donde, en la
descripcin de cada objeto, ambos tipos de
valores aparecen mezclados (se puede ver, por
ejemplo, las bases de datos del Repositorio de la
UCI [Merz, C. J. y Murphy P. M, 1998]).
En los intentos por resolver esta problemtica,
se han planteado 4 estrategias generales para
tratar de trabajar con los datos mezclados:
Conversin de los datos numricos a datos
categricos. En [Dougherty, Kohavi y Sahami,
1995] Se plantea que este proceso se realiza
utilizando mtodos de discretizacin. Estos estn
basados frecuentemente en histogramas, clculo
de la entropa, o alguna tcnica de construccin
de rboles de decisin. En este caso decidir el
nmero de categoras puede ser difcil, y lo que
es ms importante, cuando las categoras son
tratadas como nominales, la informacin del
orden se pierde [Lumijarvi, Laurikkala y Juhola,
2004]. Podemos mencionar como ejemplo de
esta estrategia el trabajo presentado por
[Quintero, 2009], el cual propone una
metodologa para realizar una representacin
semntica de datos espaciales raster,
enfocndose en los DEM como caso particular de
los datos espaciales raster. En este trabajo se
discretizan los valores continuos de las variables
de alturas del terreno contenidas en los DEM,
llevndolos a variables cualitativas que
almacenarn los valores de elevacin, llanura y
depresin en dependencia de los intervalos de
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
altura que posea cada variable numrica para
luego integrarlas con ontologas de dominio de
formas del Terreno.
Convertir los datos categricos a numricos.
Aunque no hemos encontrado trabajos dedicados
especialmente a esta variante, si se encuentra en
algunos artculos, donde a cada valor categrico
se le asigna un cdigo numrico, y despus son
aplicadas operaciones de suma y producto por un
escalar. Por otra se puede decir que es de las
ms usadas a la hora de realizar operaciones de
superposicin y reclasificacin de mapas raster.
Esto se puede evidenciar si tomamos como
ejemplo un mapa de tipos de suelos donde se
muestren varios tipos de suelos y se requiera
realizar una reclasificacin de suelos con valores
binarios donde slo se necesite conocer de todos
estos tipos de suelos cuales son factibles para un
determinado objetivo, los cuales se reclasificaran
con el valor de 1 y los dems no factibles con
valor 0, o viceversa. Sin embargo, este enfoque
es cuestionable, debido a que no tiene sentido
para las operaciones aritmticas con valores no
ordenados. Por ejemplo, supongamos que
asignamos los cdigos 0, 1, 2 y 3 para valores de
no posee, izquierdo, derecho y bilateral. En
este caso, la distancia euclidiana de derecho a
no posee, como el doble de derecho a
izquierdo, lo que no es razonable desde la
perspectiva del especialista [Lumijarvi, Laurikkala
y Juhola, 2004].
Construir distancias heterogneas, que
trabajen directamente con datos mezclados.
Existen varios resultados en esta direccin
[Wilson y Martnez, 1997] y algunos estudios
comparativos con distancias clsicas [Lumijarvi,
Laurikkala y Juhola, 2004]. En este caso no se
requieren transformaciones, por lo que no se
pierde informacin. Sin embargo, varias de las
funciones reportadas no cumplen con algunas de
las propiedades de una distancia, y hay que tener
cuidado cuando se utilizan en un algoritmo que lo
requiera.
Trabajar con disimilitudes ms generales y
algoritmos que las permitan.
Actualmente ninguna de estas estrategias
satisface las expectativas que se necesitan para
lograr trabajar sobre las descripciones mezcladas
e incompletas de los objetos geogrficos en
problemas de reconocimiento de patrones con un
 Hacia mtodos de anlisis de datos espaciales raster en el nivel semntico 103
nivel de veracidad muy confiable. La idea radica
final que se persigue se basa en no discretizar las
variables, no codificarlas o booleanizarlas, para
ello nos basaremos en los mtodos desarrollados
en el campo del Reconocimiento Lgico
Combinatorio de Patrones (LCPR por sus siglas
en ingls).
El Enfoque Lgico Combinatorio, se origina a
partir de los trabajos desarrollados en la antigua
Unin Sovitica continuados por un grupo de
investigadores de Cuba y Mxico encabezados
por el Dr. Jos Ruiz Shulcloper. Este enfoque
tiene su basamento en la idea de que la
informacin debe de ser tratada de forma muy
cuidadosa para evitar situaciones extremas,
como por ejemplo el uso de nmeros a manera
de codificadores de descripciones en lugar de
haberse utilizado algn otro mtodo de
codificacin. Este tratamiento inadecuado de la
informacin puede llevar a la obtencin de
resultados completamente errneos que en
algunos casos pueden ocasionar perdidas
econmicas o propiciar situaciones catastrficas
[Ruiz-Shulcloper, Martnez-Trinidad y Guzmn-
Arenas, 1999]; [Martnez-Trinidad and Guzmn-
Arenas, 2001].
En el caso de la informacin geogrfica en el
anlisis raster actual, los objetos a tratar son n-
arias, elementos del producto cartesiano simple
sin ningn tipo de propiedades algebraicas,
lgicas o topolgicas que supone este espacio.
Entonces, cmo se seleccionan en estos casos
las caractersticas ms informativas? Clasificar
un nuevo objeto dado una muestra (de
entrenamiento) de cada clase del problema o
encontrar las relaciones entre todos los objetos
en funcin de un cierto grado de similitud? Este
es el principal problema resuelto por LCPR. Este
enfoque es una respuesta metodolgica
necesaria para el hecho de que muchos
problemas en funcin de seleccin y clasificacin,
que aparecen con frecuencia, las descripciones
de los objetos son datos mezclados e
incompletos.
Por ejemplo: la descripcin de zonas
geolgicas para el establecimiento de algn
pronstico acerca de la presencia de yacimientos
de minerales tiles. Para muchos geofsicos los
problemas prcticos que deben tener en cuenta
estn no slo en las medidas como los campos
magnticos, la anomala gravimtrica de
Bouguer, la intensidad del campo magntico del
aire, que son todas variables numricas, deben
tomar en cuenta tambin caractersticas como la
serie gentica de los suelos, la presencia o
ausencia de defectos, en el nivel de desarrollo del
suelo, y otros. Se puede decir entonces: bueno,
vamos a procesar todas las caractersticas
categricas y tomar una decisin, mediante el
procesamiento de todas las variables numricas y
hacer un segundo procesamiento mediante la
codificacin de las variables descriptivas. Por
ltimo, se puede llegar a una conclusin sobre las
decisiones parciales hechas antes. Pero el
problema es, como se puede ver, obviamente,
que las variables categricas no se deben
analizar en conjunto con las variables numricas.
Para los geofsicos este es un gran problema. No
es posible adoptar una solucin basada en estas
condiciones.
En la Fig. 10 se muestra grficamente la
estrategia de solucin de nuestra propuesta,
donde se puede observar cmo la ORD es
generada a partir de los datos geogrficos
extrados de los mapas raster. Dichos datos son
representados en los NRD-O. Una vez creados
estos nodos, se generan nuevos conceptos que
pudieran estar subyacentes en los datos
extrados. Estos nuevos conceptos que se
encuentran en un nivel superior de abstraccin
semntica sern representados en los NRD-C.
Una vez representados los NRD, se procede a
extraer las relaciones topolgicas y/o espaciales
entre los objetos geogrficos raster, los cuales
han sido ya representados en los NRD-O. Luego
de que se hayan extrado las relaciones
existentes, se tendr generada la ORD.
Posteriormente se procede a la integracin
semntica de la ORD generada con los
conceptos existentes en la(s) ONS. Una vez que
se tengan representados todos los objetos
geogrficos se puede comenzar a realizar los
mtodos de superposicin semntica entre los
NRD-O de la ORD. La ejecucin de estos
mtodos devuelve como resultado, nuevos NRD-
O con la informacin resultante de superponer la
informacin de los nodos interactuantes en los
mtodos, los cuales vuelven a ser integrados con
los conceptos de las ONS.
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
104 Eydel Jaime, Rainer Larn y Eduardo Garea
Este dinamismo de los datos incluidos en el
sistema provocar la generacin de nuevos
mapas resultantes de la operacin matemtica
y/o lgica y de nuevos NRD representados en la
ORD ya que esta, como se ha mencionado
anteriormente, es generada automticamente a
partir de estos datos. Esta actualizacin de la
ORD provoca adems el surgimiento de trminos
y relaciones existentes en la nueva informacin
generada, de esta forma y tomando en cuenta lo
planteado por Larin-Fonseca y Garea-Llano, el
surgimiento de nuevos NRD en la ORD no
implican absolutamente ningn cambio en la(s)
ONS manteniendo esta(s) su estructura original,
cada uno de estos cambios ocurren por debajo
de la capa de interconexin.
Esta ontologa puede adems contener
nuevos conceptos que no existen de forma
explcita ni en las ONS ni en los datos. Estos
nuevos conceptos son aprendidos a partir de la
operacin de superposicin de los NRD de los
datos raster realizado a los datos en el proceso
de regeneracin de la ORD.
Fig. 10. Esquema de la estrategia propuesta para la
Superposicin de los Datos Espaciales Raster en el
Nivel Semntico (modificado de Larin-Fonseca and
Garea-Llano 2010)
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
A continuacin se muestran los pasos
necesarios para realizar el mtodo de SSDR:
1. Definicin de la estructura raster en la que
estn almacenados los datos:
Como ya se explic esta estructura estarn
conformadas por sus tres principales
componentes, la espacial, la temporal y la
temtica.
2. Extraccin de valores contenidos en los datos:
Para la extraccin de los valores tanto
temticos como espaciales en los datos raster
reutilizaremos los algoritmos de extraccin
implementados en el proceso de Sntesis
propuesto en el trabajo realizado por Quintero
[Quintero, 2009] para los DEM. Posteriormente
se crearan los NRD-O con la informacin
extrada.
3. Generacin de nuevos conceptos a partir de
los datos extrados de los mapas:
Teniendo almacenada la informacin de la
componente temtica en los NRD-O, mediante
el uso de algoritmos de agrupamiento
jerrquico se pueden descubrir nuevos niveles
de abstraccin semntica de los objetos en
clases, las cuales sern almacenadas en los
NRD-C como ya se ha explicado
anteriormente.
4. Extraccin de las relaciones topolgicas y/o
jerrquicas que existen entre los objetos
geogrficos contenidos en los mapas raster:
Las relaciones existentes entre los datos
raster pueden extraerse a partir de
operaciones de anlisis espacial (ver seccin
3), utilizando la componente espacial
almacenada en los NRD-O. Si observamos la
Fig. 11, las zonas con diferentes colores
representan diferentes municipios dentro de
una provincia. Si nos enfocamos
especficamente en el municipio A que se
encuentra dentro del recuadro rojo, podremos
apreciar como los otros municipios B, C, D , E
y F tienen una relacin de adyacencia con A.
Esto adems de apreciarse visualmente, si
aplicaciones operaciones de anlisis
geoespacial sobre la componente espacial de
estos municipios que sern representados
como en NRD, podremos darnos cuenta de
que su ubicacin geogrfica aparece de forma
 Hacia mtodos de anlisis de datos espaciales raster en el nivel semntico 105
contigua, por lo que tienen relaciones de
adyacencia.
Luego de la ejecucin de estos pasos se
tendr generada la ORD. Seguidamente se
puede proseguir con la ejecucin de los
mtodos que permiten realizar una
superposicin de datos raster, ya que como se
ha mencionado anteriormente.
5. Ejecucin de los mtodos de SSDR entre los
NRD-O:
En estos mtodos entran a jugar las
componentes espaciales y temticas. La
componente espacial posibilitar seleccionar
cules sern los NRD necesarios para
ejecutar este mtodo. Esto estar
condicionado por las demandas de los
resultados que se quieran obtener. Por otro
lado la componente temtica es la que
contendr los datos necesarios para poder
realizar las operaciones de superposicin. Aun
cuando se han encontrado 4 estrategias para
tratar el tema de los datos mezclados, todava
seguimos trabajando en buscar una mejor
solucin que garantice mejores resultados.
Fig. 11. Relaciones de adyacencia entre los objetos
geogrficos raster
6 Conclusiones y Trabajos Futuros
Una de las principales limitantes de las
operaciones de recuperacin y anlisis raster
radica en que los valores de las celdas son
nmeros (enteros, flotantes) o expresiones
Booleanas, o sea realizan la codificacin de
rasgos no numricos por lo que los operadores
para comparar atributos con valores son los
mismos usados en la matemtica. La naturaleza
de los datos geogrficos puede ser heterognea,
con variables tanto cualitativas como cuantitativas
utilizadas para describir los fenmenos u objetos
que se estn representando. Por lo que se
necesita encontrar mtodos para que tomen en
cuenta esta limitante y permitan trabajar con las
descripciones mezcladas e incompletas de
manera simultnea. El campo del
Reconocimiento Lgico Combinatorio de
Patrones puede ofrecer una serie de mtodos y
algoritmos en este sentido.
En este trabajo se ha realizado el esbozo de
una estrategia de representacin y anlisis de
datos geogrficos raster, la misma se basa en su
representacin semntica mediante las ORD y a
travs de la combinacin de los NRD extrados
de los objetos espaciales representados en el
modelo raster en la ORD. Para el caso de los
objetos geogrficos discretos el NRD define el
tipo de objeto geomtrico en el que est
representada la entidad, (conjunto de celdas) y
para el caso de variables continuas de
distribucin espacial se toma como tipo de objeto
geomtrico la propia celda.
Como trabajos futuros nos proponemos
continuar desarrollando esta estrategia de forma
detallada, determinar, implementar y
experimentar mtodos de anlisis de los datos a
partir de sus descripciones mezcladas sobre la
base de los mtodos desarrollados en el campo
del LCPR.
Referencias
1. Bosque, J. (1994). Sistemas de Informacin
Geogrfica: prcticas con PC ARC/INFO e IDRISI.
Madrid: RA-MA.
2. Dougherty, J., Kohavi R. & Sahami M. (1995).
Supervised and unsupervised discretization of
continuous features. 12th International Conference on
Machine Learning, San Francisco, CA, USA, 194-202.
3. Geographic information systems in sustainable
development. (June, 2004,). Retrieved from
http://www.fao.org/SD/eidirect/gis/eigis000.htm.
4. Graeff, B. (2001). Querying Raster Data Structures
Probabilistic and non-probabilistic approaches on
knowledge based template matching methods. Vistas
for Geodesy in the new Millennium, IAG 2001 Scientific
Assembly, Budapest, Hungary. 371-376.
5. Graeff, B. & Carosio A. (2002). Automatic
interpretation of raster-based topographic maps by
means of queries. Spatial Information in Mapping and
Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106
ISSN 1405-5546
106 Eydel Jaime, Rainer Larn y Eduardo Garea

Cadastral Systems. FIG XXII International Congress,
Washington D.C, USA, 1-12.
6. Larin, R. & Garea E. (2010). Automatic representation
of semantic abstraction of geographical data by means
of classification. Progress in Pattern Recognition, Rainer Larn Fonseca
Image Analysis, Computer Vision, and Applications.
Lectures Notes in Computer Science, 6419, 557568.
7. Lumijarvi, J., Laurikkala J. & Juhola (2004). A
comparison of different heterogeneous proximity
functions and Euclidean distance. In M. Fieschi, E.
Coeira & Li, YC (Eds), Medinfo 2004: Proceedings of Recibi el ttulo de Ingeniera Informtica y el ttulo de
the 11th World Congress On Medical Informatics, Profesor de Ciencias Informticas, dado en la CUJAE
(1362-1366). Amsterdam: IOS Press. (Ciudad Universitaria Jos Antonio Echeverra) en julio del
8. Martnez, J. F. & Guzmn A. (2001). The logical 2007. Actualmente se encuentra trabajando como
combinatorial approach to Pattern Recognition, An investigador en el departamento de Reconocimiento de
overview through selected works. Pattern Recognition, Patrones del Centro de Aplicaciones de Tecnologas de
34 (4), 741-751. Avanzada (CENATAV) en el rea de la Representacin
9. Merz, C. J. & Murphy P. M. (1998). UCI Repository of Semntica de Datos Geoespaciales.
Machine Learning Databases. Department of
Information and Computer Science, University of
California, Irvine, USA.
10. Oliva, R. (2009). Anotaciones Semnticas de Datos
Geogrficos. Tesis de Maestra, Universidad de La
Habana, La Habana, Cuba.
11. Quintero, R., Torres M., Moreno M. & Guzmn G. Eduardo Garea Llano
(2009). Towards a semantic representation of raster
spatial data. Geospatial Semantics. Lectures Notes in
Computer Science, 5892, 6382.
12. Ruiz, J., Guzmn A. & Martnez J. F. (1999). Enfoque
Lgico-Combinatorio al Reconocimiento de Patrones,
Seleccin de Variables y Clasificacin Supervisada.
Dr. en Ciencias Tcnicas, Investigador Auxiliar, obtuvo el
Mxico D.F: Editorial IPN.
ttulo de Ingeniero Gelogo e Hidrogelogo y de M.Sc. en
13. Wilson, R.D. & Martnez T. R. (1997). Improved
Geologa en el Instituto de Minas de San Petersburgo,
Heterogeneous Distance Functions. Journal of Artificial
Rusia en 1993 y el Grado Cientfico de Doctor en Ciencias
Intelligence Research, 6, 1-34.
Tcnicas en el Instituto Politcnico Superior de La Habana
Jos Mart en 2003. En la actualidad dirige el
Departamento de Reconocimiento de Patrones del Centro
de Aplicaciones de Tecnologas de Avanzada. Tambin es
el jefe del grupo de investigaciones en Semntica
Geoespacial y Sistemas de Informacin Geogrfica. Ha
Eydel Jaime Gonzlez enfocado sus investigaciones hacia la interpretacin
compleja de datos espaciales utilizando herramientas de
anlisis de los Sistemas de Informacin Geogrfica, el
procesamiento Digital de Imgenes y video, la
teledeteccin y la interpretacin semntica de datos
geoespaciales. Tiene publicados ms de 20 artculos en
revistas, libros y eventos nacionales e internacionales.
Obtuvo el ttulo de Ingeniera en Ciencias Informticas
dado en la UCI (Universidad de las Ciencias Informticas)
en julio del 2007. En la actualidad se encuentra trabajando
como investigador en el departamento de Reconocimiento
de Patrones del Centro de Aplicaciones de Tecnologas de
Avanzada (CENATAV) en el rea del Anlisis Semntico
de Datos Geoespaciales bajo la asesora del Dr. Eduardo
Garea Llano.

Computacin y Sistemas Vol. 15 No. 1, 2011 pp 91-106

ISSN 1405-5546