CUARTO INFORME

SISTEMAS DE INFORMACIÓN GEOGRÁFICA (SIG)

Presentado por:
ANDREA JULIANA MUÑOZ SALAZAR 2181518

Presentado a:
KELLY PATRICIA SANDOVAL RINCÓN

UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE FISICOQUIMICAS
ESCUELA DE GEOLOGÍA
BUCARAMANGA
2021
 CONTENIDO

Pág

1. Introducción…………………………………………………………………………3
2. Objetivos………………………………………………………………....………….4
3. Ejercicios de operaciones con ráster……………………………………………..5
4. Ejercicios de Interpolación………………………………………………………...39
5. Conclusiones y recomendaciones………………………………………………..54
6. Bibliografía…………………………………………………………………………..55

2
 1. INTRODUCCIÓN

Como se ha estudiado anteriormente, un ráster es un modelo de datos espaciales

que definen el espacio como un conjunto de celdas del mismo tamaño, ordenadas
en filas y columnas, y con valores asignados. Como cada celda tiene un valor
numérico, y con este se conforman las representaciones del ráster, es posible que
con estos valores se realicen operaciones, algunas operaciones de ráster
requieren de dos ráster para ejecutarse, mientras que otras solo requieren de uno
solo.

Algunas de las operaciones mas usadas son mayoría, minoría, sumatorias, entre
otras. En el siguiente informe se realizan 10 ejercicios en los cuales se debe poner
a prueba los conocimientos adquiridos hasta el momento para poder realizarse
correctamente.

Es importante distinguir entre la herramienta “Estadísticas zonales” y la

herramienta “Estadísticas zonales tabla”; las dos sirven para extraer información
estadística de un ráster, pero el producto obtenido es diferente, ya que la primera
da como resultado un mapa, mientras que el producto de la segunda es una tabla
que contiene las estadísticas pedidas.

Otra herramienta muy importante, que se usa en este informe es la calculadora

ráster, esta construye y ejecuta una expresión simple de Álgebra de mapas
utilizando la sintaxis de Python en una interfaz similar a una calculadora. Es
importante conocer cuales son las operaciones que se pueden realizar con esta y
tener una muy buena escritura del código.

Por otro lado, en este informe se trabajan algunos ejercicios de interpolación de

mapas ráster, la interpolación predice valores para las celdas de un ráster a partir
de una cantidad limitada de puntos de datos de muestra. Puede utilizarse para
prever valores desconocidos de cualquier dato de un punto geográfico, tales
como: elevación, precipitaciones, concentraciones químicas y niveles de ruido,
entre otros. Existen varios métodos para realizar la interpolación, pero en este
informe se trabajan el IDW, el Vecino más cercano y el Spline.

3
 2. OBJETIVOS

El objetivo principal del informe tiene como fin estudiar y aprender a ejecutar todas
las operaciones que se pueden realizar con un modelo ráster.

Algunos objetivos de las operaciones más específicos son:

 Aprender a extraer zonas de un ráster.

 Obtener mapas con valores estadísticos puntuales para realizar análisis.
 Usar las estadísticas zonales para interpretar y resolver ejercicios
importantes en el aprendizaje del SIG.

Otro objetivo muy importante es aprender a generar la interpolación de mapas y

estadísticamente elegir los más aptos.

4
 3. EJERCICIOS DE OPERACIONES CON RÁSTER

3.1. Utilizar la herramienta reclassify de ToolBox Spatial Analyst para extraer

zonas del ráster de pendientes del municipio Santiago.

Zonas para extraer:

-Inundables periódicamente.
-Inundables en eventos extremos.
-Escarpes o paredes de roca.
-Áreas con pendientes de 10 a 30° ubicadas en zonas altitudinalmente altas
(1200m-1800m), para el cultivo de café. Es posible jugar con las tablas de
clasificación de pendientes.

Hay diversas formas de poder resolver este ejercicio, en la hora de clase se

trabajaron ambas, pero en el presente informe se explica la más practica ya que
se busca que se resuelvan todos los ejercicios de la forma más practica y hábil
posible.

Al tener cargado el ráster de pendientes se debe buscar en ArcToolBox, la

herramienta “Spatial Analyst” luego “Reclass” y posteriormente “Reclassify”, tal
como se muestra en la figura 1, posteriormente se desplegará un cuadro, como el
que se muestra en la figura 2, en el cual se debe añadir la información de las
zonas que se desean extraer.

5
 Figura 1. Pasos para llegar a Reclassify.
En input ráster se debe seleccionar el ráster de pendientes, en “Reclass Field” se
deja la opción VALUE, posteriormente de da click en donde dice “classify” para
elegir el número de clases que se desean tener (4), en este caso la tabla de las
clases deberá ser:

1-5 1
5-7 2
7-40 NoData
Mayores a 40 3

Luego se elige la carpeta donde se desea guardar y se da “ok”.

6
 Figura 2. Configuración de Reclassify.

Los valores de pendientes entre 0-5 representan las zonas que se inundan
periódicamente. Los valores entre 5-7 representan las zonas que se inundan en
eventos extremos. Los valores entre 40-77.5 representan las zonas de escarpes o
paredes de roca. El mapa obtenido se muestra en la figura 3.

7
Figura 3. 1. Zonas inundables periódicamente. 2. Zonas inundables en eventos extremos. 3. Zonas
con escarpes o paredes de roca.

Para realizar el mapa de áreas de pendientes de 10 a 30° se realiza el mismo

proceso que con lo anterior, pero se deben poner 3 clases y asignarles lo
siguiente:

0-10 NoData
10-30 4
Mayores a 30 NoData

8
 Figura 4. Configuración de Reclass para pendientes entre 10 y 30.
El resultado de pendientes de 10 a 30 es:

Figura 5. Resultado de pendientes entre 10 y 30.

Ahora se debe añadir al proyecto el DEM del municipio Santiago y realizar una
reclasificación para tomar los valores entre 1200 y 1800, que corresponden a una
zona altitudinal alta. Para esto se realiza el mismo proceso que con los dos
anteriores pero las clases deben ser 3 y ajustarse de la siguiente forma:

0-1200 NoData
1200-1800 5
Mayores a 1800 NoData

9
 Figura 6. Configuración de Reclassify para altitudes altas.

Figura 7. Resultado de altitudes altas.

Para el mapa que se desea obtener, se deben unir los ráster de pendientes de 10
a 30 con el de altitudes altas, para esto se usa la calculadora ráster y se suman
los ráster.

figura 8. Calculadora ráster para unir dos ráster.

10
 Figura 9. Resultado de ráster de pendientes y alturas combinados.

3.2. Obtenga los ráster de los métodos de clasificación (NB, Cuantiles, Intervalos I,
Geométrico). Observe e indique como se comporta el rango (o la diferencia) y la
desviación estándar, en los dos métodos más favorables (NB y Geométrico) y el
menos favorable (Intervalos I).

En uno de los puntos del informe 3, se realizaron varios métodos de clasificación y

se eligieron los que mejor se ajustaban al reconocimiento de unidades
geomorfológicas, pero este reconocimiento se hizo de forma visual, para ser un
poco mas exactos se pueden sacar las estadísticas y corroborar dichas
elecciones.

Lo primero que se debe realizar es obtener los ráster de los cuatro métodos
mencionados en el enunciado, para eso, desde la opción reclassify, se ingresa a

11
“classify”, y allí se elige el método y el numero de clases, que para este ejercicio
son 5. Es importante poner un nombre que represente el método que se está
ejecutando.

Figura 10. Configuración de reclassify para obtener un ráster con métodos.

El ejemplo se realizó para el método NB, se debe repetir el proceso eligiendo los
otros tres métodos.

1 2 3 4
7

Figura 11. Ráster reclasificados. 1=NB, 2=Geométrico, 3=Cuantiles, 4=Intervalos iguales.

12
Ahora teniendo las reclasificaciones de los métodos, se procede a usar la
herramienta “Estadísticas zonales en tabla”, esta se encuentra en Spatial Analyst
Tools, luego en Zonal, y se elige “Estadísticas zonales en tabla”. En el input se
debe añadir el ráster clasificado y en el input valores ráster se debe poner el ráster
Slope.

Figura 12. Configuración de la herramienta de estadísticas zonales en tabla.

Se debe generar esta tabla para los ráster de NB, Geometría e intervalos iguales,
a continuación, se encuentra una comparación de estos.

13
 Figura 13. Estadísticas zonales en tabla.

En base a la figura anterior es posible afirmar que el mejor método es el de NB, ya

que la desviación estándar es baja de acuerdo con el promedio y el rango,
mientras que, para el método de intervalos iguales, la desviación estándar es alta,
y esto indica poca confiabilidad.

3.3. Determine la pendiente máxima y media de cada una de las veredas que
conforman el municipio en estudio (Santiago), indique cual es la vereda de mayor
pendiente media.

Para resolver este ejercicio se deben tener como insumos las capas de pendientes
y la capa de veredas Santiago. Este proceso re realiza con la herramienta de
estadísticas zonales en tabla y la configuración es la siguiente:

Figura 14. Estadísticas zonales de las veredas.

En la imagen anterior es posible afirmar que la vereda con mayor pendiente

media es la vereda Zul Alto.

De igual forma en la casilla Max, se presenta la pendiente máxima de cada

vereda, siento la vereda El Paramo la que tiene el valor de pendiente mayor.

14
3.4. Obtenga un mapa de las pendientes medias de las veredas que conforman el
municipio.

Para obtener este mapa se usa la herramienta Estadísticas zonales, que da como
producto un mapa con la configuración que se le ponga, esta herramienta se
encuentra en Spatial Analyst Tools, luego en Zonal, y se elige “Estadísticas
zonales”. La configuración para obtener el mapa se encuentra en la figura 15.

Figura 15. Configuración para obtener mapa de pendientes medias.

Se elige la opción Mean ya que se desea conocer las pendientes medias de las
veredas. El mapa obtenido es:

15
 Figura 16. Mapa de pendientes medias de las veredas de Santiago.
Para que el mapa salga con valores únicos y no con rangos, en simbología se
debe elegir la opción valores únicos y seleccionar la gama de colores preferida, en
este caso la gama semáforo.

16
 Figura 17. Configuración de la simbología.

Si se compara el mapa de la figura 16 con la tabla de la figura 14, es posible

comprobar que las veredas de pendiente media más altas son Zul Alto y Los
Naranjos, y así van decreciendo sucesivamente como se evidencia de ambas
formas.

3.5. Identifique y genere un mapa con el tipo de movimiento en masa

predominante (que más área abarca) en cada vereda.

Para generar este mapa se requieren como insumos las capas de MM_Santiago, y
la de veredas Santiago.

Como los MM están en Shape y se necesita que estén en ráster, con el campo
Cod_MM se genera un ráster, para esto se usa la herramienta Polygon to raster
que se encuentra en Conversion Tools. En input features se pone el Shape de
MM, en el campo value se pone el código de MM y en el tamaño de celda se debe
poner 12.5, tal como se muestra a continuación.

17
 .
Figura 18. Polygon to raster.

Luego de tener el ráster se usa la herramienta Estadísticas zonales que se

encuentra en Spatial Analyst para generar el mapa, y se configura así:

Figura 19. Configuración para sacar Mayoría.

18
Se debe elegir la estadística de mayoría ya que recopila cuales son los valores
que más se repiten en cada vereda. Para que el nuevo ráster no salga cortado en
sus extremos se debe ir a Enviroments y elegir la opción “procesing extent” y en
donde dice Extent, darle en la opción de que sea igual que el layer de Veredas
Santiago, para que no se corten los extremos.

Figura 20. Configuración para que no salgan errores en los extremos.

Finalmente, el mapa obtenido es:

Área urbana
Caída de roca
Deslizamiento en cuña
Deslizamiento traslacional
Flujo de detritos
Flujo de tierra
Figura 21. Mapa de los MM predominantes en cada vereda.

19
3.6. De acuerdo con el punto anterior, determine el % del municipio que está
expuesto a cada tipo de MM.

Este procedimiento se hace con la tabla de atributos del ráster generado

anteriormente. Lo primero que se debe hacer es añadir un campo de tipo doble
que se llame porcentaje, luego abrir la calculadora de campos y se debe hacer
una división entre la cantidad de pixeles por clase y la cantidad total.

Para saber la cantidad total se da click derecho en el campo de la cantidad de

pixeles y se da en la opción “estadísticas”, y se copia el valor de suma.

Figura 22. Valor de la suma de pixeles.

Para calcular el campo se debe dar click derecho en el campo porcentajes y se

abre la calculadora de campos, y se selecciona el valor para cada clase sobre el
valor de la suma y se multiplica por 100, tal como se muestra en la siguiente
imagen.

20
 Figura 23. Calcular el campo de porcentaje.

Figura 24. Porcentajes del municipio que está expuesto a cada tipo de MM.

3.7. Identifique y genere un mapa del estado (grado de actividad) de los MM

predominantes en cada una de las veredas.

Para este ejercicio se necesita como insumo el Shape de MM.

Primero se debe rasterizar el Shape con el campo de código de estado (para

determinar si las veredas son activas o inactivas), para rasterizar el Shape se
busca en Conversion Tools la opción To Ráster, y luego polygon to raster, tal
como se hizo para los movimientos predominantes en el ejercicio 3.5.

La configuración de la herramienta se muestra en la siguiente figura:

Figura 25. Configuración para rasterizar con el código de actividad.

21
El resultado de mapa de actividad se muestra a continuación:

Figura 26. Mapa de estados de actividad.

Para obtener el mapa de los estados que predominan se usa la herramienta Zonal
Estadísticas.

Figura 27. Configuración de estadísticas zonales.

22
Para que el nuevo ráster no salga cortado en sus extremos se debe ir a
Enviroments y elegir la opción “procesing extent” y en donde dice Extent, darle en
la opción de que sea igual que el layer de Veredas Santiago, para que no se
corten los extremos.

Figura 28. Configuración para que no salgan errores en los extremos.

Finalmente, el resultado del ejercicio, un mapa que tenga el estado predominante

de los MM.

Activo
Latente
Zona urbana

23
 Figura 29. Mapa de los estados de actividad predominantes en cada vereda.
3.8. Se requiere obtener un mapa que indique tanto el tipo como el estado
predominante de los movimientos en masa en cada vereda.

Para este ejercicio se requieren como insumos, el mapa de MM predominantes y

el mapa de Estados de MM predominantes. (Generados en el punto 3.5 y en el
punto 3.7).

Para obtener el mapa que se pide en el ejercicio se deben combinar los mapas de
MM predominante y de actividad predominante de MM, la opción combinar se
encuentra en Spatial Analyst Tools, luego en la opción local, y finalmente combine.

Figura 30. Ruta de la herramienta combinar.

Se eligen las capas

que se desean
combinar.

24
 Figura 31. Configuración de la herramienta combinar.
El resultado del mapa de Movimientos predominantes y estado de actividad
predominante es:

Figura 32. Mapa de MM predominantes y estados de actividad predominantes.

Para un mejor entendimiento del mapa, se puede ir a la tabla de atributos y añadir

un campo con la descripción de la combinación (como solo son nueve valores es
preferible hacerlo manual ya que es más preciso y no se quedarían las palabras
pegadas, porque también se puede realizar con Joins y con Concat, pero
quedarían las palabras pegadas).

25
 Figura 33. Tabla de atributos con la descripción.
3.9. Para el municipio La Paz, del cual se tiene la geomorfología, determine
espacialmente (mapa) cuantas subunidades geomorfológicas únicas existen por
vereda.

Para resolver el ejercicio se requiere tener el Shape de Gmf_LaPaz y el de

Veredas_LaPaz.

Primero se debe rasterizar el Shape de geomorfología, porque es aquel del cual

se calculan las estadísticas. Para rasterizar se debe añadir un campo que se llame
VALOR CODIGO, en este caso se puede añadir manualmente este valor ya que el
municipio de La Paz solo tiene nueve polígonos de geomorfología. Es importante
guiarse del cogido de la geoforma y observar si se repite alguno.

A continuación, se presenta la tabla de atributos con este nuevo campo.

Figura 34. Tabla de atributos del Shape de geomorfología La Paz.

Ahora se debe ir a convertir polígono a ráster y ejecutar la herramienta tal como se

muestra en la siguiente figura:

Figura 35. Configuración de la herramienta polígono a ráster.

26
Es importante centrar el píxel con MDT de la zona.
Para obtener el mapa de estadísticas se usa la herramienta Estadísticas zonales,
y se configura como se muestra en la figura 36.

Figura 36. Configuración para obtener el mapa.

Se debe elegir la estadística de variedad porque es aquella que asigna valores

únicos a una zona, según los valores independientes que esta tenga. Por ejemplo,
si hay una vereda que tiene tres unidades geomorfológicas el VALUE del ráster
debe tener este numero 3.

El mapa generado es:

27
 Figura 37. Cantidad de subunidades geomorfológicas por vereda.
3.10. Determine el ingreso total anual en usos del suelo por vereda. Teniendo en
cuenta que los ingresos anuales por metro cuadrado de uso de suelo son:

Cítricos= 0.5 millones/añom2

Forestal= 0.6 millones/añom2
Ganadería= 1 millones/añom2
Guanábana= 0.2 millones/añom2
Minero= 2.5 millones/añom2
Silvopastoril= 0.7 millones/añom2
Rio y Tejido urbano= 0 millones/añom2

Recuerde que el píxel del trabajo tiene 12.5m x 12.5m

Para este ejercicio se requieren como insumos la capa de coberturas y la capa de

veredas de Durán, puesto que la cobertura también es de este municipio.

Lo primero que se debe realizar es rasterizar el Shape de coberturas, para esto se

debe añadir un campo en la tabla de atributos que se llame IngMill_m2 y llenar con
los valores dados en el enunciado, comparando con el campo unidad (que tiene
los nombres de los usos del suelo).

Para llenar este campo es más fácil si se selecciona por atributos y luego se llena,
por ejemplo:

1
3 4
2

5
2

28
 Figura 38. Selección de atributos.
Al realizar eso se seleccionan todos los valores de esa unidad, entonces en el
campo que se desea llenar se da click derecho, calculadora de campos, y se
realiza lo que se refleja en la figura 39.

Figura 39. Configuración de la calculadora de campos.

Se debe repetir este mismo procedimiento para todos los usos del suelo y así al
tener el campo completamente lleno, poder rasterizar, para rasterizar se usa la
opción Polígono a ráster que ya se ha trabajado anteriormente y la configuración
se muestra a continuación:

Nota: es importante no tener seleccionado ningún elemento a la hora de hacer la

rasterización.

Figura 40. Configuración de polígono a ráster.

29
Ahora se debe multiplicar el campo “IngMill_m2” por 12.5 al cuadrado, esto con el
fin de obtener cual es el ingreso, pero no por metro cuadrado sino por pixel; se usa
12.5 porque es el valor del pixel que se ha trabajado en todos los municipios, y
porque corresponde al valor de las descargas MDT. Para realizar la multiplicación
se usa la calculadora ráster que se encuentra en Spatial Analyst Tools, luego en
Map algebra, como se muestra en la figura 41.

Figura 41. Ruta de la calculadora ráster.

En la calculadora ráster se debe poner lo siguiente:

Figura 42. Operación en la calculadora ráster para obtener un ráster de ganancia por píxel.

30
Ahora como se tiene un ráster con valores de ingreso por pixel, se debe realizar la
suma de estos, pero clasificadas por las veredas y ya se obtendría la respuesta
del ejercicio, para esto se usa la herramienta Estadísticas Zonales.

Figura 43. Configuración de estadísticas zonales para obtener el resultado final.

Figura 44. Mapa de ganancias de las veredas al año.

Es posible observar que las veredas que más ganan son Batatal y La Cuchilla.

31
3.11. Obtenga el mapa ráster de las veredas que tienen una pendiente media
>15°.

Para este ejercicio se requiere como insumo el mapa de pendientes medias de las
veredas, generado en el inciso 3.4 del presente informe, y se necesita de la
calculadora ráster ya antes trabajada.

El comando que se debe ingresar en la calculadora es, elegir el ráster de

pendientes medias (MeanSlope) el signo mayor (>) y escribir el número 15, de
esta forma ArcMap arrojará como resultado un mapa ráster en donde las veredas
tienen pendiente media mayor a 15°.

Figura 45. Configuración de la calculadora ráster para hallar pendientes medias mayores a 15.

Se obtiene como resultado un mapa binario en el cual los tonos verdes son las
veredas mayores con pendiente media mayor a 15° y los tonos grises son las
menores.

32
 Figura 46. Mapa ráster de veredas con pendiente media mayor a 15°.

3.12. Obtenga el mapa de las veredas con pendiente media mayor a 15° donde
predominan los deslizamientos traslacionales, flujos de detritos y flujos de tierra.

Para resolver este ejercicio se necesita como insumo el mapa de pendiente media
mayor a 15, generado en el punto anterior, y también el mapa de MayorMM, y
nuevamente se usa como herramienta la calculadora ráster.

Antes de abrir la calculadora ráster, se debe abrir el ráster de Mayoría de

movimientos en masa, y observar que valor de pixel tienen los movimientos en
masa mencionados en el enunciado.

33
 Figura 47. Tabla de atributos del ráster de MMmayor.

De la tabla anterior es posible extraer que para deslizamiento traslacional se elige

el valor 3, para flujo e detritos el 6 y para flujos de tierra el 7. Estos valores hay
que tenerlos presentes para hacer la operación en la calculadora ráster.

Es necesario identificar las operaciones que se realizarán, primero se debe añadir

la &, para que extraiga los valores comunes de ambos lados de la ecuación. En la
parte en donde va el raster de movimientos en masa, es importante separar muy
bien con paréntesis y seleccionar el ráster e igualarlo a los números VALUE de los
movimientos en masa que se requieren. La operación se muestra en la siguiente
imagen.

Figura 48. Configuración de la calculadora ráster para el ejercicio.

34
El mapa obtenido se muestra a continuación, se muestran en tono celeste
aquellas veredas con pendiente media mayor a 15° y en las que predominan los
MM mencionados en el enunciado.

Figura 49. Mapa de veredas con pendiente media mayor a 15° y con MM predominantes.

3.13. Usted necesita determinar en cuales de las veredas identificadas en el punto

anterior predomina el estado activo. Puede considerar primero obtener que
estados predominan en cada una de estas veredas.

Para resolver este ejercicio se requieren como insumos el Shape de MM, el mapa
obtenido en el punto anterior, y el shape de Veredas Santiago.

Con el shape de MM, se debe rasterizar con la casilla codigo de actividad (para saber si
es activo, latente…), pero sería un error si re rasteriza todo el shape, ya que solo se están
trabajando tres tipos de movimientos, entonces, se usa la herramienta selección por
atributos para elegir solo los que se desean (codigo de MM 3, 6 y 7).

35
 Figura 50. Selección por atributos de los MM mencionados en el enunciado del ejercicio 3.12.

Ahora teniendo seleccionados estos valores en la tabla de atributos, se debe dar

click derecho sobre el campo de Codigo de Actividad, y seleccionar la opcion de
rasterizar. La configuración del ráster se muestra a continuación.

Figura 51. Configuración para el ráster de estado de actividad.

36
Ahora teniendo ese ráster, primero se deben elegir las veredas obtenidas en el
punto anterior (elegirlas en el shape de veredas) y posteriormente se abre la
herramienta Estadísticas zonales (aun teniendo seleccionadas las veredas), y se
configura de la siguiente forma:

Nota: No olvidar centrar el pixel y ajustar los bordes.

Figura 52. Estadísticas zonales para generar el mapa.

Finalmente, se obtiene un mapa como el que se muestra a continuación:

Figura 53. Veredas del punto anterior con tipo de estado.

37
Se muestran en gris (valor 1) las veredas en las que predominan los movimientos
activos y en azul (valor 2) en las que predominan los latentes.

El ejercicio pide un mapa en donde solo se muestren las veredas de estado activo,
para esto se debe reclasificar el mapa anteriormente obtenido, y la configuración
debe ser la siguiente:

Figura 54. Configuración para obtener el mapa de movimientos activos.

Figura 55. Mapa en los cuales predominan los MM activos.

38
Nota: Al intentar comparar lo obtenido con las áreas de los MM, es posible
identificar que se generan errores, ya que las veredas que destacaron como
activas, tienen realmente mayor área inactiva, esto se debe a que hay
movimientos en masa que se comparten entre dos veredas, y como quedan en el
límite, no son tenidos en cuenta. Para un trabajo más detallado seria muy bueno
separar los pixeles compartidos.

3.14. Individualice las veredas del punto anterior en distintas zonas ráster, es
decir, discretice el ráster en distintos valores.

En este caso se usa un pequeño truco para poder separar las veredas, ya que no
se pueden separar por código de vereda puesto que tienen números con muchos
dígitos. El atajo consiste en seleccionar las tres veredas que se desean
individualizar y se realiza una estadística zonal con un ráster que tenga valores
diferentes para cada vereda, por ejemplo, el ráster de pendiente media. El proceso
se muestra a continuación.

Figura 56. Configuración para individualizar las veredas.

Finalmente, el ráster que se obtiene tiene valores únicos para cada vereda, como
se muestra a continuación:

39
 Figura 57. Veredas individualizadas.

3.15. Teniendo en cuenta los resultados de los cuatro puntos anteriores haga una
breve descripción sobre los movimientos en masa de las veredas seleccionadas.

Las veredas, El Páramo, Quebrada Seca y Cornejito son veredas que tienen una
pendiente media mayor a 15°, también que se caracterizan por tener en mayoría
los movimientos en masa como deslizamientos traslacionales, flujos de detritos y
flujos de tierra, y a su vez, todos estos se encuentran activos (teóricamente no
100% activos, según la nota puesta en el ejercicio 3.13).

40
 4. EJERCICIOS DE INTERPOLACIÓN

Como se mencionó en el capitulo de introducción, la interpolación predice valores

para las celdas de un ráster a partir de una cantidad limitada de puntos de datos
de muestra; en este capítulo, se determinan diversas formas en las que se puede
interpolar un ráster.

Los insumos que se requieren para realizar las operaciones de los métodos de
interpolación son tres capas, enviadas por la docente, las cuales son:

Figura 58. Insumos para los ejercicios de interpolación.

4.1. Método IDW

El método inverso de la distancia o también conocido como IDW, es un método de

interpolación que mediante distancia inversa ponderada determina los valores de
celda a través de una combinación ponderada linealmente de un conjunto de
puntos de muestra. La ponderación es una función de la distancia inversa. La
superficie que se interpola debe ser la de una variable dependiente de la
ubicación.

Este método presupone que la variable que se representa cartográficamente

disminuye su influencia a mayor distancia desde su ubicación de muestra. Por
ejemplo, al interpolar una superficie de poder adquisitivo de los consumidores para
analizar las ventas minoristas de un sitio, el poder adquisitivo de una ubicación
más distante tendrá menos influencia porque es más probable que las personas
compren cerca de sus casas.

Existen dos formas de interpolar por IDW en ArcMap, una de estas se encuentra
en las herramientas de 3D Analyst, en esta hay un criterio muy importante que se
llama potencia, esta puede ir entre 0.5 y 3, y entre mayor sea el número, menos
suave será la interpolación. A continuación, se presentan algunos ejercicios sobre
esto.

41
 -IDW con 3D Analyst:

La herramienta se encuentra en ArcToolbox, en la sección 3D Analyst Tools, luego

la opción “Ráster interpolación”, y se elige el método IDW, esta ruta se muestra en
la imagen 59.

Al abrirlo se abre una ventana la cual se configura como se observa en la figura

60.

Figura 59. Ruta de la herramienta IDW.

Capa que contiene la

nube de puntos

42
 Campo en el que se
encuentran las
elevaciones

El grupo de personas
que tomó los datos
caminó cada 5 metros
para tomarlos, por ende,
Primero se realiza el
el tamaño del pixel es 5.
ejercicio con la potencia
que no genera
suavidad.

Figura 60. Configuración para interpolar con IDW.

Finalmente, se obtiene un mapa como el que se muestra a continuación:

Figura 61. Resultado de interpolar con IDW potencia 3.

Como se desea realizar el proceso académico de determinar cual es la diferencia

con las potencias, se procede a realizar el mismo ejercicio, pero en lugar de poner

43
potencia 3, se debe poner una potencia de 0.5, el resultado del mapa se muestra
en la siguiente figura.

Figura 62. Resultado de interpolar con IDW potencia 0.5.

Es posible identificar que el mapa mostrado en la figura 62 tiene zonas más
suaves, eso se puede determinar sacando el perfil del terreno, esta herramienta se
encuentra en 3D Analyst, en esta se elige el ráster al que se desea realizar el
corte, y luego se elige la opción que dice “linea de interpolación”, y se dibuja.

Figura 63. Herramienta para realizar el corte.

A continuación, se muestran los cortes, en el mismo sitio, para el ráster de

potencia 3 y para el de potencia 0.5.

44
 Figura 64. Elevación de ambos ráster. Parte superior ráster con potencia 0.5, parte inferior con
potencia 3.

Es posible observar que la el ráster con potencia 0.5 es más suave, en cuanto a
los quiebres, ya que no es tan rectangular.

-IDW con Geostatistical Analyst:

Otra herramienta mediante la cual se puede calcular con IDW es Geostatistical

Analyst, esta herramienta se encuentra en la siguiente ruta:

45
 Figura 65. Ruta de la herramienta IDW con Geostatistical Analyst.

Poner un nombre
que lo diferencie
del realizado
anteriormente.

Figura 66. Configuración de la herramienta IDW en Geostatistical Analyst.

Al realizar este proceso se obtienen dos mapas, estos se muestran a continuación:

46
 Figura 67. Mapa de IDW con predicción.

Figura 68. Mapa de IDW sin predicción.

Es posible observar que los mapas tienen diferencias significativas sobre todo en
la parte central donde se encuentra la nube de puntos.

47
-Validación del mapa con el método IDW:

Visualmente no es muy apropiado decir si una interpolación es correcta o no, para

esto ArcMap ofrece estadísticas que ayudan a tomar mejor una decisión de que
método se adecua mejor a ciertos puntos. Este proceso de validar el método se
debe realizar tanto para IDW, como para los otros dos métodos que se explicarán
más adelante.

Anteriormente, se obtuvieron los mapas con la herramienta de Geostatistical

Analyst, uno de estos mapas (el de predicción, figura 67), es aquel que servirá
como herramienta para validar los puntos y obtener las tablas de errores, y las
estadísticas.

Sobre la capa del mapa, se debe dar click derecho y elegir la opción
Validación/predicción, tal como se muestra en la siguiente figura.

Figura 69. Validación/Predicción.

Al dar click se abre una ventana de configuración, la cual se debe llenar de la

siguiente forma:

48
 Se elige una
nube de puntos
diferente a la
usada para la
interpolación.

Figura 70. Configuración de la validación.

El resultado que se obtiene de ese proceso es un Shape, en el cual en la tabla de

atributos se muestran los valores reales de altura, con los que arrojó la predicción
de ArcMap, y también sale la casilla de error que es la diferencia entre estos dos
valores. Para calcular que tan optimo es el método, se debe seleccionar el campo
de error y sacarle las estadísticas, teniendo muy en cuenta los valores de
promedio y desviación estándar.

Figura 71. Estadisticas del error del metodo IDW.

4.2 Método del vecino más cercano

El algoritmo utilizado por la herramienta de interpolación de Vecino natural halla el

subconjunto de muestras de entrada más cercano a un punto de consulta y aplica
ponderaciones sobre éstas basándose en áreas proporcionales para interpolar un

49
valor. Sus propiedades básicas son que es local, utiliza sólo un subconjunto de
muestras que circundan a un punto de consulta y asegura que las alturas
interpoladas estarán dentro del rango de las muestras utilizadas. No infiere
tendencias ni produce picos, depresiones, crestas o valles que no estén ya
representados por las muestras de entrada. La superficie pasa por las muestras
de entrada y es suave en todas partes, excepto en las ubicaciones de las
muestras de entrada.

Este método se realiza mediante la herramienta 3D Analyst, la ruta es la siguiente.

Figura 72. Ruta de la herramienta Natural Neighbor.

La configuración es más sencilla que la de IDW y se muestra a continuación:

Figura 73. Configuración para interpolar con Natural Neighbor.

50
El mapa que se obtiene es:

Figura 74. Resultado de interpolar con el método del vecino mas cercano.

-Validación del mapa con el método del vecino más cercano:

A diferencia del método anterior, en el vecino más cercano no se cuenta con la

herramienta validación/predicción, entonces este proceso se debe realizar de
forma manual, para esto se deben extraer los puntos obtenidos en la interpolación
(con la herramienta extraer value to points), y posteriormente, realizar la resta
manualmente.

Figura 75. Ruta de la herramienta de extracción.

51
 Figura 76. Configuración de la extracción de puntos.

Al realzar la extracción se obtiene un Shape, en el cual la tabla de atributos tiene

dos valores muy importantes, primero el GRID_CODE, que es el valor del terreno,
y segundo el RASTERVALUE, que es el valor de la extracción (ósea el valor de la
interpolación), es posible notar que al principio hay valores en el rastervalue que
tienen la cifra “-9999”, TODOS los procesos que se realicen se deben hacer sin
estos valores, para esto, se seleccionan por atributos y se invierte la selección, de
tal forma que queden seleccionados los valores con los que si se desea trabajar.

Figura 77. Seleccionar los valores.

52
Ahora como quedaron seleccionados los valores con los que, SI se desea trabajar,
se procede a añadir un nuevo campo, el cual se debe llamar ERROR, y
posteriormente, sobre este, abrir la calculadora de campos, y ejecutar la resta, tal
como se muestra en la siguiente figura.

Figura 78. Resta para obtener el error.

Finalmente sin deseleccionar lo que se tiene, se procede a calcular las

estadisticas del campo ERROR, tal como se hizo para el IDW, a continuación se
presentan las obtenidas para el método de vecino mas cercano.

Figura 79. Estadisticas del error del metodo vecino más cercano.
4.3. Método Spline

53
La herramienta Spline utiliza un método de interpolación que estima valores
usando una función matemática que minimiza la curvatura general de la superficie,
lo que resulta en una superficie suave que pasa exactamente por los puntos de
entrada.

Conceptualmente, los puntos de muestra extruden hasta la altura de su magnitud.

Spline curva una hoja de goma que pasa a través de los puntos de entrada y
minimiza a la vez la curvatura total de la superficie. Ajusta una función matemática
a una cantidad especificada de puntos de entrada más cercanos mientras pasa a
través de los puntos de muestra. Este método es mejor para generar superficies
que varían levemente, como la elevación, la altura de las tablas de agua o las
concentraciones de contaminación.

Hay dos tipos de Spline: Regularizado y de Tensión. El tipo Regularizado crea una
superficie suave que cambia gradualmente con valores que pueden estar fuera del
rango de datos de muestra. El tipo Tensión controla la rigidez de la superficie en
función del carácter del fenómeno modelado. Crea una superficie menos suave
con valores que están más restringidos por el rango de datos de la muestra.

Este método también se realiza mediante la herramienta 3D Analyst, la ruta es la

siguiente.

Figura 80. Ruta de la herramienta Spline.

54
La configuración de la herramienta también es muy sencilla y solo hay que tener
en cuenta que tipo de Spline se desea obtener, en este caso se elige el
regularizado.

Figura 81. Configuración de la herramienta Spline.

El mapa que se obtiene es un poco diferente a los dos anteriores, los rangos son
muy grandes y no se permite bien su visualización.

55
 Figura 82. Resultado de interpolar con el método Spline.

-Validación del mapa con el método Spline:

Se debe realizar un procedimiento exactamente igual al del vecino más cercano,

primero extraer los valores del ráster, luego seleccionar los que son de interés, y
finalmente generar la resta y calcular las estadísticas. Los resultados de las
estadísticas se muestran a continuación.

Figura 83. Estadisticas del error del metodo Spline.

DETERMINACIÓN DE QUE MÉTODO ES MEJOR:

56
Teniendo en cuenta las figuras 71, 79 y 83, en donde se muestran las estadísticas
de cada método, es posible analizar que el método, estadísticamente mas
favorable es el IDW, debido a que tiene el promedio de error medio más pequeño,
y de la misma forma, la desviación estándar también es la menor de los tres
métodos. En segundo lugar, estaría el método del vecino mas cercano, y
finalmente el que tiene mayor error y mayor desviación estándar es el Spline.

5. CONCLUSIONES Y RECOMENDACIONES

Conclusiones:

 Es posible concluir que las estadísticas zonales es una herramienta

fundamental cuando se trabaja con ráster, ya que permite extraer mucha
información con las operaciones que se elijan.
 La calculadora ráster es una muy buena herramienta, pero hay que tener
mucho cuidado al usarla, y diferenciar muy bien las operaciones que se
pueden hacer y lo que estas significan.
 Es importante mencionar que se debe tener mucho cuidado cuando un pixel
es compartido entre dos divisiones (por ejemplo, veredas), ya que si se
realizan cálculos con este tipo de pixeles, pueden ser algo erróneos.
 Los métodos de interpolación son fundamentales en un tratamiento
geoestadístico, ya que predicen un modelo muy acertado de la zona,
aunque en este informe no se trabajó el modelo de Kriging, es posible
afirmar que también es uno de los mejores, junto con el IDW.
 Es posible concluir que se necesita de la estadística para poder establecer
que tan optimo es o no un método de interpolación, ya que visualmente
puede ser sesgada la interpretación.

57
  Es importante establecer una gama de colores y configurar la cantidad de
clases, cuando se desea tener una buena visualización de un ráster.

Recomendaciones:

 Es fundamental tener en cuenta que siempre que se pueda centrar el píxel

en la creación de un nuevo ráster, debe hacerse, ya que esto hará que el
producto sea óptimo.
 Hay que tener cuidado al cargar los Shapes usados para la interpolación,
ya que contienen alrededor de 4000 puntos y esto puede hacer mas lento el
proceso ya que la memoria del equipo se consumirá en la visualización.

BIBLIOGRAFÍA

https://desktop.arcgis.com/es/arcmap/10.3/manage-data/raster-and-images/raster-
dataset-attribute-tables.htm

https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/raster-
calculator.htm

https://desktop.arcgis.com/es/arcmap/10.3/tools/spatialanalysttoolbox/
understandinginterpolationanalysis.htm#:~:text=La%20interpolaci%C3%B3n
%20predice%20valores%20para,qu%C3%ADmicas%20y%20niveles%20de
%20ruido.

https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/how-idw-
works.htm

https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/how-
natural-neighbor-works.htm

58
59