Georreferenciacion

Cartografia

Geobases

Postgis

Migrar

Conceptos – definiciones

SOA

Cloud

como lo estan aplicando con mapas

como brinda a google su api

los mapas opensourse

¿Qué es un SIG?
Un Sistema de Información Geográfica (SIG o GIS, en su acrónimo inglés
[Geographic Information System]) es una integración organizada de hardware, software
y datos geográficos diseñada para capturar, almacenar, manipular, analizar y desplegar
en todas sus formas la información geográficamente referenciada con el fin de resolver
problemas complejos de planificación y  de gestión.

FUNCIONAMIENTO DE UN SIG

El SIG funciona como una base de datos con información geográfica (datos
alfanuméricos) que se encuentra asociada por un identificador común a los objetos
gráficos de un mapa digital. De esta forma, señalando un objeto se conocen sus atributos
e, inversamente, preguntando por un registro de la base de datos se puede saber su
localización en la cartografía.

La razón fundamental para utilizar un SIG es la gestión de información espacial. El

sistema permite separar la información en diferentes capas temáticas y las almacena
independientemente, permitiendo trabajar con ellas de manera rápida y sencilla, y
facilitando al profesional la posibilidad de relacionar la información existente a través
de la topología de los objetos, con el fin de generar otra nueva que no podríamos
obtener de otra forma.
Las principales cuestiones que puede resolver un Sistema de Información Geográfica,
ordenadas de menor a mayor complejidad, son:

1. Localización: preguntar por las características de un lugar concreto.

2. Condición: el cumplimiento o no de unas condiciones impuestas al sistema.
3. Tendencia: comparación entre situaciones temporales o espaciales distintas de
alguna característica.
4. Rutas: cálculo de rutas óptimas entre dos o más puntos.
5. Pautas: detección de pautas espaciales.
6. Modelos: generación de modelos a partir de fenómenos o actuaciones
simuladas.

Por ser tan versátiles, el campo de aplicación de los Sistemas de Información

Geográfica es muy amplio, pudiendo utilizarse en la mayoría de las actividades con un
componente espacial. La profunda revolución que han provocado las nuevas tecnologías
ha incidido de manera decisiva en su evolución.

LA CREACIÓN DE DATOS

Las modernas tecnologías SIG trabajan con información digital, para la cual existen
varios métodos utilizados en la creación de datos digitales. El método más utilizado es
la digitalización, donde a partir de un mapa impreso o con información tomada en
campo se transfiere a un medio digital por el empleo de un programa de Diseño Asistido
por Ordenador (DAO o CAD) con capacidades de georreferenciación.

Dada la amplia disponibilidad de imágenes orto-rectificadas (tanto de satélite y como

aéreas), la digitalización por esta vía se está convirtiendo en la principal fuente de
extracción de datos geográficos. Esta forma de digitalización implica la búsqueda de
datos geográficos directamente en las imágenes aéreas en lugar del método tradicional
de la localización de formas geográficas sobre un tablero de digitalización.

LA REPRESENTACIÓN DE LOS DATOS

Los datos SIG representan los objetos del mundo real (carreteras, el uso del suelo,
altitudes). Los objetos del mundo real se pueden dividir en dos abstracciones: objetos
discretos (una casa) y continuos (cantidad de lluvia caída, una elevación). Existen dos
formas de almacenar los datos en un SIG: raster y vectorial.
Los SIG que se centran en el manejo de datos en formato vectorial son más populares en
el mercado. No obstante, los SIG raster son muy utilizados en estudios que requieran la
generación de capas continuas, necesarias en fenómenos no discretos; también en
estudios medioambientales donde no se requiere una excesiva precisión espacial
(contaminación atmosférica, distribución de temperaturas, localización de especies
marinas, análisis geológicos, etc.).

Sistema de información geográfica

(Redirigido desde «Sistema de Información Geográfica»)

En la imagen capas raster y vectoriales en el SIG de código libre QGIS.

Un ejemplo de uso de capas en una aplicación SIG. En este ejemplo la capa de la
cubierta forestal (en verde) se encuentra en la parte inferior, seguida de la capa
topográfica con las curvas de nivel. A continuación la capa con la red hidrográfica y a
continuación la capa de límites administrativos. En los SIG el orden de superposición de
la información es muy importante para obtener visualización correcta del mapa final.
Nótese que la capa que recoge las láminas de aguas se encuentra justo por debajo de la
capa de ríos, de modo que una línea de flujo puede verse que cubre uno de los
estanques.

Un Sistema de Información Geográfica (también conocido con los acrónimos SIG en

español o GIS en inglés) es un conjunto de herramientas que integra y relaciona
diversos componentes (usuarios, hardware, software, procesos) que permiten la
organización, almacenamiento, manipulación, análisis y modelización de grandes
cantidades de datos procedentes del mundo real que están vinculados a una referencia
espacial, facilitando la incorporación de aspectos sociales-culturales, económicos y
ambientales que conducen a la toma de decisiones de una manera más eficaz.

En el sentido más estricto, es cualquier sistema de información capaz de integrar,

almacenar, editar, analizar, compartir y mostrar la información geográficamente
referenciada. En un sentido más genérico, los SIG son herramientas que permiten a los
usuarios crear consultas interactivas, analizar la información espacial, editar datos,
mapas y presentar los resultados de todas estas operaciones.

La tecnología de los Sistemas de Información Geográfica puede ser utilizada para

investigaciones científicas, la gestión de los recursos, la gestión de activos, la
arqueología, la evaluación del impacto ambiental, la planificación urbana.

Índice
 1 Historia de su desarrollo
 2 Técnicas utilizadas en los sistemas de información geográfica
o 2.1 La creación de datos
o 2.2 La representación de los datos
 2.2.1 Raster
 2.2.2 Vectorial
 o 2.3 Ventajas y desventajas de los modelos raster y vectorial
 2.3.1 Ventajas
 2.3.2 Desventajas
o 2.4 Datos no espaciales
o 2.5 La captura de los datos
o 2.6 Conversión de datos raster-vectorial
o 2.7 Proyecciones, sistemas de coordenadas y reproyección
o 2.8 Análisis espacial mediante SIG
 2.8.1 Modelo topológico
o 2.9 Redes
o 2.10 Superposición de mapas
o 2.11 Cartografía automatizada
o 2.12 Geoestadística
o 2.13 Geocodificación
 3 Software SIG
o 3.1 Comparativa de software SIG
 4 El futuro de los SIG
o 4.1 Cartografía en entornos web
o 4.2 La tercera dimensión
o 4.3 Semántica y SIG
o 4.4 Los SIG temporales
 5 Véase también
 6 Notas y referencias
 7 Bibliografía
 8 Enlaces externos

Historia de su desarrollo
Hace unos 15.000 años1 en las paredes de las cuevas de Lascaux (Francia) los hombres
de Cro-Magnon pintaban en las paredes los animales que cazaban, asociando estos
dibujos con trazas lineales que, se cree, cuadraban con las rutas de migración de esas
especies.2 Si bien este ejemplo es simplista en comparación con las tecnologías
modernas, estos antecedentes tempranos imitan a dos elementos de los sistemas de
información geográfica modernos: una imagen asociada con un atributo de
información.3
Mapa original del Dr. John Snow. Los puntos son casos de cólera durante la epidemia
en Londres de 1854. Las cruces representan los pozos de agua de los que bebían los
enfermos.

En 1854 el pionero de la epidemiología, el Dr. John Snow, proporcionaría otro clásico

ejemplo de este concepto cuando cartografió, en un ya famoso mapa, la incidencia de
los casos de cólera en el distrito de Soho en Londres.4 Este protoSIG, uno de los
ejemplos más tempranos del método geográfico,5 permitió a Snow localizar con
precisión un pozo de agua contaminado como la fuente causante del brote.

Si bien la cartografía topográfica y temática ya existía previamente, el mapa de John

Snow fue el único hasta el momento, que, utilizando métodos cartográficos, no solo
representaba la realidad, sino que por primera vez analizaba conjuntos de fenómenos
geográficos dependientes.

El comienzo del siglo XX vio el desarrollo de la "foto litografía" donde los mapas eran
separados en capas. El avance del hardware impulsado por la investigación en
armamento nuclear daría lugar, a comienzos de los años 60, al desarrollo de
aplicaciones cartográficas para computadores de propósito general.6

El año 1962 vio la primera utilización real de los SIG en el mundo, concretamente en
Ottawa (Ontario, Canadá) y a cargo del Departamento Federal de Silvicultura y
Desarrollo Rural. Desarrollado por Roger Tomlinson, el llamado Sistema de
información geográfica de Canadá (Canadian Geographic Information System, CGIS)
fue utilizado para almacenar, analizar y manipular datos recogidos para el Inventario de
Tierras Canadá (Canada Land Inventory, CLI) - una iniciativa orientada a la gestión de
los vastos recursos naturales del país con información cartográfica relativa a tipos y
usos del suelo, agricultura, espacios de recreo, vida silvestre, aves acuáticas y
silvicultura, todo ello a una escala de 1:50.000. Se añadió, así mismo, un factor de
clasificación para permitir el análisis de la información.

El Sistema de información geográfica de Canadá fue el primer SIG en el mundo similar

a tal y como los conocemos hoy en día, y un considerable avance con respecto a las
aplicaciones cartográficas existentes hasta entonces, puesto que permitía superponer
capas de información, realizar mediciones y llevar a cabo digitalizaciones y escaneos de
datos. Asimismo, soportaba un sistema nacional de coordenadas que abarcaba todo el
continente, una codificación de líneas en "arcos" que poseían una verdadera topológica
integrada y que almacenaba los atributos de cada elemento y la información sobre su
localización en archivos separados. Como consecuencia de esto, Tomlinson está
considerado como "el padre de los SIG", en particular por el empleo de información
geográfica convergente estructurada en capas, lo que facilita su análisis espacial.7 El
CGIS estuvo operativo hasta la década de los 90 llegando a ser la base de datos sobre
recursos del territorio más grande de Canadá. Fue desarrollado como un sistema basado
en una computadora central y su fortaleza radicaba en que permitía realizar análisis
complejos de conjuntos de datos que abarcaban todo el continente. El software, decano
de los sistemas de información geográfica, nunca estuvo disponible de manera
comercial.

En 1964, Howard T. Fisher formó en la Universidad de Harvard el Laboratorio de

Computación Gráfica y Análisis Espacial en la Harvard Graduate School of Design
(LCGSA 1965-1991), donde se desarrollaron una serie de importantes conceptos
teóricos en el manejo de datos espaciales, y en la década de 1970 había difundido
código de software y sistemas germinales, tales como SYMAP, GRID y ODYSSEY -
los cuales sirvieron como fuentes de inspiración conceptual para su posterior desarrollos
comerciales - a universidades, centros de investigación y empresas de todo el mundo.8

En la década de los 80, M&S Computing (más tarde Intergraph), Environmental

Systems Research Institute (ESRI) y CARIS (Computer Aided Resource Information
System) emergerían como proveedores comerciales de software SIG. Incorporaron con
éxito muchas de las características de CGIS, combinando el enfoque de primera
generación de sistemas de información geográfica relativo a la separación de la
información espacial y los atributos de los elementos geográficos representados con un
enfoque de segunda generación que organiza y estructura estos atributos en bases de
datos.

En la década de los años 70 y principios de los 80 se inició en paralelo el desarrollo de

dos sistemas de dominio público. El proyecto Map Overlay and Statistical System
(MOSS) se inició en 1977 en Fort Collins (Colorado, EE. UU.) bajo los auspicios de la
Western Energy and Land Use Team (WELUT) y el Servicio de Pesca y Vida Silvestre
de Estados Unidos (US Fish and Wildlife Service). En 1982 el Cuerpo de Ingenieros
del Laboratorio de Investigación de Ingeniería de la Construcción del Ejército de los
Estados Unidos (USA-CERL) desarrolla GRASS como herramienta para la supervisión
y gestión medioambiental de los territorios bajo administración del Departamento de
Defensa.

Esta etapa de desarrollo está caracterizada, en general, por la disminución de la

importancia de las iniciativas individuales y un aumento de los intereses a nivel
corporativo, especialmente por parte de las instancias gubernamentales y de la
administración.

Los 80 y 90 fueron años de fuerte aumento de las empresas que comercializaban estos
sistemas, debido el crecimiento de los SIG en estaciones de trabajo UNIX y ordenadores
personales. Es el periodo en el que se ha venido a conocer en los SIG como la fase
comercial. El interés de las distintas grandes industrias relacionadas directa o
indirectamente con los SIG crece en sobremanera debido a la gran avalancha de
productos en el mercado informático internacional que hicieron generalizarse a esta
tecnología.

En la década de los noventa se inicia una etapa comercial para profesionales, donde los
sistemas de información geográfica empezaron a difundirse al nivel del usuario
doméstico debido a la generalización de los ordenadores personales o
microordenadores.

A finales del siglo XX principio del XXI el rápido crecimiento en los diferentes
sistemas se ha consolidado, restringiéndose a un número relativamente reducido de
plataformas. Los usuarios están comenzando a exportar el concepto de visualización de
datos SIG a Internet, lo que requiere una estandarización de formato de los datos y de
normas de transferencia. Más recientemente, ha habido una expansión en el número de
desarrollos de software SIG de código libre, los cuales, a diferencia del software
comercial, suelen abarcar una gama más amplia de sistemas operativos, permitiendo ser
modificados para llevar a cabo tareas específicas.

Técnicas utilizadas en los sistemas de información

geográfica
La creación de datos

La teledetección es una de las principales fuentes de datos para los SIG. En la imagen
artística una representación de la constelación de satélites RapidEye.

Las modernas tecnologías SIG trabajan con información digital, para la cual existen
varios métodos utilizados en la creación de datos digitales. El método más utilizado es
la digitalización, donde a partir de un mapa impreso o con información tomada en
campo se transfiere a un medio digital por el empleo de un programa de Diseño Asistido
por Ordenador (DAO o CAD) con capacidades de georreferenciación.

Dada la amplia disponibilidad de imágenes orto-rectificadas (tanto de satélite y como

aéreas), la digitalización por esta vía se está convirtiendo en la principal fuente de
extracción de datos geográficos. Esta forma de digitalización implica la búsqueda de
datos geográficos directamente en las imágenes aéreas en lugar del método tradicional
de la localización de formas geográficas sobre un tablero de digitalización.

La representación de los datos

Los datos SIG representan los objetos del mundo real (carreteras, el uso del suelo,
altitudes). Los objetos del mundo real se pueden dividir en dos abstracciones: objetos
discretos (una casa) y continuos (cantidad de lluvia caída, una elevación). Existen dos
formas de almacenar los datos en un SIG: raster y vectorial.

Los SIG que se centran en el manejo de datos en formato vectorial son más populares en
el mercado. No obstante, los SIG raster son muy utilizados en estudios que requieran la
generación de capas continuas, necesarias en fenómenos no discretos; también en
estudios medioambientales donde no se requiere una excesiva precisión espacial
(contaminación atmosférica, distribución de temperaturas, localización de especies
marinas, análisis geológicos, etc.).

Raster

Un tipo de datos raster es, en esencia, cualquier tipo de imagen digital representada en
mallas. El modelo de SIG raster o de retícula se centra en las propiedades del espacio
más que en la precisión de la localización. Divide el espacio en celdas regulares donde
cada una de ellas representa un único valor. Se trata de un modelo de datos muy
adecuado para la representación de variables continuas en el espacio.

Interpretación cartográfica vectorial (izquierda) y raster (derecha) de elementos

geográficos.

Cualquiera que esté familiarizado con la fotografía digital reconoce el píxel como la
unidad menor de información de una imagen. Una combinación de estos píxeles creará
una imagen, a distinción del uso común de gráficos vectoriales escalables que son la
base del modelo vectorial. Si bien una imagen digital se refiere a la salida como una
representación de la realidad, en una fotografía o el arte transferidos a la computadora,
el tipo de datos raster reflejará una abstracción de la realidad. Las fotografías aéreas son
una forma de datos raster utilizada comúnmente con un sólo propósito: mostrar una
imagen detallada de un mapa base sobre la que se realizarán labores de digitalización.
Otros conjuntos de datos raster podrán contener información referente a las elevaciones
del terreno (un Modelo Digital del Terreno), o de la reflexión de la luz de una particular
longitud de onda (por ejemplo las obtenidas por el satélite LandSat), entre otros.

Los datos raster se compone de filas y columnas de celdas, cada celda almacena un
valor único. Los datos raster pueden ser imágenes (imágenes raster), con un valor de
color en cada celda (o píxel). Otros valores registrados para cada celda puede ser un
valor discreto, como el uso del suelo, valores continuos, como temperaturas, o un valor
nulo si no se dispone de datos. Si bien una trama de celdas almacena un valor único,
estas pueden ampliarse mediante el uso de las bandas del raster para representar los
colores RGB (rojo, verde, azul), o una tabla extendida de atributos con una fila para
cada valor único de células. La resolución del conjunto de datos raster es el ancho de la
celda en unidades sobre el terreno.

Los datos raster se almacenan en diferentes formatos, desde un archivo estándar basado
en la estructura de TIFF, JPEG, etc. a grandes objetos binarios (BLOB), los datos
almacenados directamente en Sistema de gestión de base de datos. El almacenamiento
en bases de datos, cuando se indexan, por lo general permiten una rápida recuperación
de los datos raster, pero a costa de requerir el almacenamiento de millones registros con
un importante tamaño de memoria. En un modelo raster cuanto mayores sean las
dimensiones de las celdas menor es la precisión o detalle (resolución) de la
representación del espacio geográfico.

Vectorial

En un SIG, las características geográficas se expresan con frecuencia como vectores,

manteniendo las características geométricas de las figuras.

Representación de curvas de nivel sobre una superficie tridimensional generada por una
malla TIN.

En los datos vectoriales, el interés de las representaciones se centra en la precisión de la

localización de los elementos geográficos sobre el espacio y donde los fenómenos a
representar son discretos, es decir, de límites definidos. Cada una de estas geometrías
está vinculada a una fila en una base de datos que describe sus atributos. Por ejemplo,
una base de datos que describe los lagos puede contener datos sobre la batimetría de
estos, la calidad del agua o el nivel de contaminación. Esta información puede ser
utilizada para crear un mapa que describa un atributo particular contenido en la base de
datos. Los lagos pueden tener un rango de colores en función del nivel de
contaminación. Además, las diferentes geometrías de los elementos también pueden ser
comparadas. Así, por ejemplo, el SIG puede ser usado para identificar aquellos pozos
(geometría de puntos) que están en torno a 2 kilómetros de un lago (geometría de
polígonos) y que tienen un alto nivel de contaminación.

Dimensión espacial de los datos en un SIG.

Los elementos vectoriales pueden crearse respetando una integridad territorial a través
de la aplicación de unas normas topológicas tales como que "los polígonos no deben
superponerse". Los datos vectoriales se pueden utilizar para representar variaciones
continuas de fenómenos. Las líneas de contorno y las redes irregulares de triángulos
(TIN) se utilizan para representar la altitud u otros valores en continua evolución. Los
TIN son registros de valores en un punto localizado, que están conectados por líneas
para formar una malla irregular de triángulos. La cara de los triángulos representan, por
ejemplo, la superficie del terreno.

Para modelar digitalmente las entidades del mundo real se utilizan tres elementos
geométricos: el punto, la línea y el polígono.9

 Puntos

Los puntos se utilizan para las entidades geográficas que mejor pueden ser
expresadas por un único punto de referencia. En otras palabras: la simple
ubicación. Por ejemplo, las localizaciones de los pozos, picos de elevaciones o
puntos de interés. Los puntos transmiten la menor cantidad de información de
estos tipos de archivo y no son posibles las mediciones. También se pueden
utilizar para representar zonas a una escala pequeña. Por ejemplo, las ciudades
en un mapa del mundo estarán representadas por puntos en lugar de polígonos.

 Líneas o polilíneas

Las líneas unidimensionales o polilíneas10 son usadas para rasgos lineales como
ríos, caminos, ferrocarriles, rastros, líneas topográficas o curvas de nivel. De
igual forma que en las entidades puntuales, en pequeñas escalas pueden ser
utilizados para representar polígonos. En los elementos lineales puede medirse la
distancia.

 Polígonos

Los polígonos bidimensionales se utilizan para representar elementos

geográficos que cubren un área particular de la superficie de la tierra. Estas
entidades pueden representar lagos, límites de parques naturales, edificios,
provincias, o los usos del suelo, por ejemplo. Los polígonos transmiten la mayor
cantidad de información en archivos con datos vectoriales y en ellos se pueden
medir el perímetro y el área.

Ventajas y desventajas de los modelos raster y vectorial

Existen ventajas y desventajas a la hora de utilizar un modelo de datos raster o vector

para representar la realidad.

Ventajas

Vectorial Raster
La estructura de los datos es compacta. Almacena los datos sólo de los
La estructura de los datos es
elementos digitalizados por lo que requiere menos memoria para su
muy simple.
almacenamiento y tratamiento.
Las operaciones de
Codificación eficiente de la topología y las operaciones espaciales. superposición son muy
sencillas.
Buena salida gráfica. Los elementos son representados como gráficos Formato óptimo para
 Vectorial Raster
vectoriales que no pierden definición si se amplía la escala de
variaciones altas de datos.
visualización.
Tienen una mayor compatibilidad con entornos de bases de datos Buen almacenamiento de
relacionales. imágenes digitales
Las operaciones de re-escalado, reproyección son más fáciles de ejecutar.
Los datos son más fáciles de mantener y actualizar.
En algunos aspectos permite una mayor capacidad de análisis, sobre todo
en redes.

Desventajas

Vectorial Raster
Mayor requerimiento de memoria de almacenamiento. Todas
La estructura de los datos es más compleja.
las celdas contienen datos.
Las operaciones de superposición son más
Las reglas topológicas son más difíciles de generar.
difíciles de implementar y representar.
Las salidas gráficas son menos vistosas y estéticas.
Eficacia reducida cuando la variación de Dependiendo de la resolución del archivo raster, los
datos es alta. elementos pueden tener sus límites originales más o menos
definidos.
Es un formato más laborioso de mantener
actualizado.

Datos no espaciales

Los datos no espaciales también pueden ser almacenados junto con los datos espaciales,
aquellos representados por las coordenadas de la geometría de un vector o por la
posición de una celda raster. En los datos vectoriales, los datos adicionales contiene
atributos de la entidad geográfica. Por ejemplo, un polígono de un inventario forestal
también puede tener un valor que funcione como identificador e información sobre
especies de árboles. En los datos raster el valor de la celda puede almacenar la
información de atributo, pero también puede ser utilizado como un identificador
referido a los registros de una tabla.

La captura de los datos

Con un par de fotografías aéreas tomadas en dos puntos desplazados, como las de la
imagen, se consigue realizar la estereoscopía. Mediante este paralaje se crea una ilusión
de profundidad que permite al observador reconocer información visual tridimensional
como las elevaciones y pendientes del área fotografiada.
La captura de datos, y la introducción de información en el sistema consume la mayor
parte del tiempo de los profesionales de los SIG. Hay una amplia variedad de métodos
utilizados para introducir datos en un SIG almacenados en un formato digital.

Los datos impresos en papel o mapas en película PET pueden ser digitalizados o
escaneados para producir datos digitales.

Con la digitalización de cartografía en soporte analógico se producen datos vectoriales a

través de trazas de puntos, líneas, y límites de polígonos. Este trabajo puede ser
desarrollado por una persona de forma manual o a través de programas de vectorización
que automatizan la labor sobre un mapa escaneado. No obstante, en este último caso
siempre será necesario su revisión y edición manual, dependiendo del nivel de calidad
que se desea obtener.

Los datos obtenidos de mediciones topográficas pueden ser introducidos directamente

en un SIG a través de instrumentos de captura de datos digitales mediante una técnica
llamada geometría analítica. Además, las coordenadas de posición tomadas a través un
Sistema de Posicionamiento Global (GPS) también pueden ser introducidas
directamente en un SIG.

Los sensores remotos también juegan un papel importante en la recolección de datos.

Son sensores, como cámaras, escáneres o LIDAR acoplados a plataformas móviles
como aviones o satélites.

Actualmente, la mayoría de datos digitales provienen de la interpretación de fotografías

aéreas. Para ello se utilizan estaciones de trabajo que digitalizan directamente elementos
geográficos a través de pares estereoscópicos de fotografías digitales. Estos sistemas
permiten capturar datos en dos y tres dimensiones, con elevaciones medidas
directamente de un par estereoscópico de acuerdo a los principios de la fotogrametría.
Errores topológicos y de digitalización en los sistemas de información geográfica (SIG).

La teleobservación por satélite proporciona otra fuente importante de datos espaciales.

En este caso los satélites utilizan diferentes sensores para medir la reflectancia de las
partes del espectro electromagnético, o las ondas de radio que se envían a partir de un
sensor activo como el radar. La teledetección recopila datos raster que pueden ser
procesados usando diferentes bandas para determinar las clases y objetos de interés,
tales como las diferentes cubiertas de la tierra.

Cuando se capturan los datos, el usuario debe considerar si estos deben ser tomados con
una exactitud relativa o con una absoluta precisión. Esta decisión es importante ya que
no solo influye en la interpretación de la información, sino también en el costo de su
captura.

Además de la captura y la entrada en datos espaciales, los datos de atributos también

son introducidos en un SIG. Durante los procesos de digitalización de la cartografía es
frecuente que se den fallos topológicos involuntarios (dangles, undershoots, overshoots,
switchbacks, knots, loops, etc.) en los datos vectoriales y que deberán ser corregidos.
Tras introducir los datos en un SIG, estos normalmente requerirán de una edición o
procesado posterior para eliminar los errores citados. Se deberá de hacer una
"corrección topológica" antes de que puedan ser utilizados en algunos análisis
avanzados y, así por ejemplo, en una red de carreteras las líneas deberán estar
conectadas con nodos en las intersecciones.

En el caso de mapas escaneados, quizás sea necesario eliminar la trama resultante

generada por el proceso de digitalización del mapa original. Así, por ejemplo, una
mancha de suciedad podría unir dos líneas que no deberían estar conectadas.

Conversión de datos raster-vectorial

Los SIG pueden llevar a cabo una reestructuración de los datos para transformarlos en
diferentes formatos. Por ejemplo, es posible convertir una imagen de satélite a un mapa
de elementos vectoriales mediante la generación de líneas en torno a celdas con una
misma clasificación determinando la relación espacial de estas, tales como proximidad o
inclusión.

La vectorización no asistida de imágenes raster mediante algoritmos avanzados es una

técnica que se viene desarrollado desde finales de los años 60 del siglo XX. Para ello se
recurre a la mejora del contraste, imágenes en falso color así como el diseño de filtros
mediante la implementación de transformadas de Fourier en dos dimensiones.

Al proceso inverso de conversión de datos vectorial a una estructura de datos basada en

un matriz raster se le denomina rasterización.

Dado que los datos digitales se recogen y se almacenan en ambas formas, vectorial y
raster, un SIG debe ser capaz de convertir los datos geográficos de una estructura de
almacenamiento a otra.

Proyecciones, sistemas de coordenadas y reproyección

Antes de analizar los datos en el SIG la cartografía debe estar toda ella en una misma
proyección y sistemas de coordenadas. Para ello muchas veces es necesario reproyectar
las capas de información antes de integrarlas en el sistema de información geográfica.

La Tierra puede estar representada cartográficamente por varios modelos matemáticos,

cada uno de los cuales pueden proporcionar un conjunto diferente de coordenadas (por
ejemplo, latitud, longitud, altitud) para cualquier punto dado de su superficie. El modelo
más simple es asumir que la Tierra es una esfera perfecta. A medida que se han ido
acumulando más mediciones del planeta los modelos del geoide se han vuelto más
sofisticados y más precisos. De hecho, algunos de estos se aplican a diferentes regiones
de la Tierra para proporcionar una mayor precisión (por ejemplo, el European
Terrestrial Reference System 1989 - ETRS89 – funciona bien en Europa pero no en
América del Norte).

La proyección es un componente fundamental a la hora de crear un mapa. Una

proyección matemática es la manera de transferir información desde un modelo de la
Tierra, el cual representa una superficie curva en tres dimensiones, a otro de dos
dimensiones como es el papel o la pantalla de un ordenador. Para ello se utilizan
diferentes proyecciones cartográficas según el tipo de mapa que se desea crear, ya que
existen determinadas proyecciones que se adaptan mejor a unos usos concretos que a
otros. Por ejemplo, una proyección que representa con exactitud la forma de los
continentes distorsiona, por el contrario, sus tamaños relativos.

Dado que gran parte de la información en un SIG proviene de cartografía ya existente,

un sistema de información geográfica utiliza la potencia de procesamiento de la
computadora para transformar la información digital, obtenida de fuentes con diferentes
proyecciones y/o diferentes sistemas de coordenadas, a una proyección y sistema de
coordenadas común. En el caso de las imágenes (ortofotos, imágenes de satélite, etc.)
este proceso se denomina rectificación.

Análisis espacial mediante SIG

Ejemplo de un proceso llevado a cabo en un SIG vectorial para la obtención de ejes de

calles mediante el uso de polígonos de Thiessen.

Dada la amplia gama de técnicas de análisis espacial que se han desarrollado durante el
último medio siglo, cualquier resumen o revisión sólo puede cubrir el tema a una
profundidad limitada. Este es un campo que cambia rápidamente y los paquetes de
software SIG incluyen cada vez más herramientas de análisis, ya sea en las versiones
estándar o como extensiones opcionales de este. En muchos casos tales herramientas
son proporcionadas por los proveedores del software original, mientras que en otros
casos las implementaciones de estas nuevas funcionalidades se han desarrollado y son
proporcionados por terceros. Además, muchos productos ofrecen kits de desarrollo de
software (SDK), lenguajes de programación, lenguajes de scripting, etc. para el
desarrollo de herramientas propias de análisis u otras funciones.

Modelo topológico

Artículo principal: Topología geoespacial

Desde la elaboración del mapa del Metro de Londres estos se han convertido en el
paradigma de los mapas topológicos para ilustrar una red. En la imagen el plano de
metro de la red de Madrid.

Un SIG puede reconocer y analizar las relaciones espaciales que existen en la

información geográfica almacenada. Estas relaciones topológicas permiten realizar
modelizaciones y análisis espaciales complejos. Así, por ejemplo, el SIG puede
discernir la parcela o parcelas catastrales que son atravesadas por una línea de alta
tensión, o bien saber qué agrupación de líneas forman una determinada carretera.

En suma podemos decir que en el ámbito de los sistemas de información geográfica se

entiende como topología a las relaciones espaciales entre los diferentes elementos
gráficos (topología de nodo/punto, topología de red/arco/línea, topología de polígono) y
su posición en el mapa (proximidad, inclusión, conectividad y vecindad). Estas
relaciones, que para el ser humano pueden ser obvias a simple vista, el software las debe
establecer mediante un lenguaje y unas reglas de geometría matemática.

Para llevar a cabo análisis en los que es necesario que exista consistencia topológica de
los elementos de la base de datos suele ser necesario realizar previamente una
validación y corrección topológica de la información gráfica. Para ello existen
herramientas en los SIG que facilitan la rectificación de errores comunes de manera
automática o semiautomática.

Redes
Cálculo de una ruta óptima para vehículos entre un punto de origen (en verde) y un
punto de destino (en rojo) a partir de datos del proyecto OpenStreetMap.

Un SIG destinado al cálculo de rutas óptimas para servicios de emergencias es capaz de

determinar el camino más corto entre dos puntos teniendo en cuenta tanto direcciones y
sentidos de circulación como direcciones prohibidas, etc. evitando áreas impracticables.
Un SIG para la gerencia de una red de abastecimiento de aguas sería capaz de
determinar, por ejemplo, a cuantos abonados afectaría el corte del servicio en un
determinado punto de la red.

Un sistema de información geográfica puede simular flujos a lo largo de una red lineal.
Valores como la pendiente, el límite de velocidad, niveles de servicio, etc. pueden ser
incorporados al modelo con el fin de obtener una mayor precisión. El uso de SIG para el
modelado de redes suele ser comúnmente empleado en la planificación del transporte,
hidrológica o la gestión de infraestructura lineales.

Superposición de mapas

La combinación de varios conjuntos de datos espaciales (puntos, líneas o polígonos)

puede crear otro nuevo conjunto de datos vectoriales. Visualmente sería similar al
apilamiento de varios mapas de una misma región. Estas superposiciones son similares
a las superposiciones matemáticas del diagrama de Venn. Una unión de capas
superpuestas combina las características geográficas y las tablas de atributos de todas
ellas en una nueva capa. En el caso de realizar una intersección de capas esta definiría la
zona en las que ambas se superponen, y el resultado mantiene el conjunto de atributos
para cada una de las regiones. En el caso de una superposición de diferencia simétrica se
define un área resultante que incluye la superficie total de ambas capas a excepción de
la zona de intersección.

En el análisis de datos raster, la superposición de conjunto de datos se lleva a cabo

mediante un proceso conocido como álgebra de mapas, a través de la aplicación de
métodos matemáticos simples que permiten combinar los valores de cada matriz raster.
En el álgebra de mapas es posible ponderar determinadas coberturas que asignen el
grado de importancia de diversos factores en un fenómeno geográfico.

Cartografía automatizada
Precisión y generalización de un mapa en función de su escala.

Tanto la cartografía digital como los sistemas de información geográfica codifican

relaciones espaciales en representaciones formales estructuradas. Los SIG son usados en
la creación de cartografía digital como herramientas que permiten realizar un proceso
automatizado o semiautomatizado de elaboración de mapas denominado cartografía
automatizada.

En la práctica esto sería un subconjunto de los SIG que equivaldría a la fase de

composición final del mapa, dado que en la mayoría de los casos no todos los software
de sistemas de información geográfica poseen esta funcionalidad.

El producto cartográfico final resultante puede estar tanto en formato digital como
impreso. El uso conjunto que en determinados SIG se da de potentes técnicas de análisis
espacial junto con una representación cartográfica profesional de los datos, hace que se
puedan crear mapas de alta calidad en un corto período. La principal dificultad en
cartografía automatizada es el utilizar un único conjunto de datos para producir varios
productos según diferentes tipos de escalas, una técnica conocida como generalización.

Geoestadística

Modelo de relieve sombreado generado por interpolación a partir de un Modelo Digital

de Elevaciones (MDE) de una zona de los Apeninos (Italia)

La geoestadística analiza patrones espaciales con el fin de conseguir predicciones a

partir de datos espaciales concretos. Es una forma de ver las propiedades estadísticas de
los datos espaciales. A diferencia de las aplicaciones estadísticas comunes, en la
geoestadística se emplea el uso de la teoría de grafos y de matrices algebraicas para
reducir el número de parámetros en los datos. Tras ello, el análisis de los datos
asociados a entidad geográfica se llevaría a cabo en segundo lugar.

Cuando se miden los fenómenos, los métodos de observación dictan la exactitud de

cualquier análisis posterior. Debido a la naturaleza de los datos (por ejemplo, los
patrones de tráfico en un entorno urbano, las pautas meteorológicas en el océano, etc.),
grado de precisión constante o dinámico se pierde siempre en la medición. Esta pérdida
de precisión se determina a partir de la escala y la distribución de los datos recogidos.
Los SIG disponen de herramientas que ayudan a realizar estos análisis, destacando la
generación de modelos de interpolación espacial.

Geocodificación

Artículo principal: Geocodificación

Geocodificación mediante SIG. Por un lado existen unos números de policía conocidos
y por otro líneas discontinuas entre esos números de portal presupuestos, las cuales
representan los tramos en los cuales se aplica el método de interpolación.

Geocodificación es el proceso de asignar coordenadas geográficas (latitud-longitud) a

puntos del mapa (direcciones, puntos de interés, etc.). Uno de los usos más comunes es
la georreferenciación de direcciones postales. Para ello se requiere una cartografía base
sobre la que referenciar los códigos geográficos. Esta capa base puede ser, por ejemplo,
un tramero de ejes de calles con nombres de calles y números de policía. Las
direcciones concretas que se desean georreferenciar en el mapa, que suelen proceder de
tablas tabuladas, se posicionan mediante interpolación o estimación. El SIG a
continuación localiza en la capa de ejes de calles el punto en el lugar más aproximado a
la realidad según los algoritmos de geocodificación que utiliza.

La geocodificación puede realizarse también con datos reales más precisos (por
ejemplo, cartografía catastral). En este caso el resultado de la codificación geográfica se
ajustará en mayor medida a la realizada, prevaleciendo sobre el método de
interpolación.

En el caso de la geocodificación inversa el proceso sería al revés. Se asignaría una

dirección de calle estimada con su número de portal a unas coordenadas x,y
determinadas. Por ejemplo, un usuario podría hacer clic sobre una capa que representa
los ejes de vía de una ciudad y obtendría la información sobre la dirección postal con el
número de policía de un edificio. Este número de portal es calculado de forma estimada
por el SIG mediante interpolación a partir de unos números ya presupuestos. Si el
usuario hace clic en el punto medio de un segmento que comienza en el portal 1 y
termina con el 100, el valor devuelto para el lugar seleccionado será próximo al 50. Hay
que tener en cuenta que la geocodificación inversa no devuelve las direcciones reales,
sino sólo estimaciones de lo que debería existir basándose en datos ya conocidos.

Software SIG
Editando una capa vectorial de polígonos con el sistema de información geográfica de
código libre gvSIG.

Visualizando capas WMS con el SIG 2.5D de código abierto Capaware.

SIG SAGA abriendo diferentes tipo de datos y una vista en 2.5D

La información geográfica puede ser consultada, transferida, transformada, superpuesta,

procesada y mostradas utilizando numerosas aplicaciones de software. Dentro de la
industria empresas comerciales como ESRI, Intergraph, MapInfo, Bentley Systems,
Autodesk o Smallworld ofrecen un completo conjunto de aplicaciones. Los gobiernos
suelen optar por modificaciones ad-hoc de programas SIG, productos de código abierto
o software especializado que responda a una necesidad bien definida.

El manejo de este tipo de sistemas son llevados a cabo generalmente por profesionales
de diversos campos del conocimiento con experiencia en sistemas de información
geográfica (cartografía, geografía, topografía, etc.), ya que el uso de estas herramientas
requiere una aprendizaje previo que necesita de conocer las bases metodológicas sobre
las que se fundamentan. Aunque existen herramientas gratuitas para ver información
geográfica, el acceso del público en general a los geodatos está dominado por los
recursos en línea, como Google Earth y otros basados en tecnología web mapping.

Originalmente hasta finales de los 90, cuando los datos del SIG se localizaban
principalmente en grandes ordenadores y se utilizan para mantener registros internos, el
software era un producto independiente. Sin embargo con el cada vez mayor acceso a
Internet/Intranet y a la demanda de datos geográficos distribuidos, el software SIG ha
cambiado gradualmente su perspectiva hacia la distribución de datos a través de redes.
Los SIG que en la actualidad se comercializan son combinaciones de varias aplicaciones
interoperables y APIs.

Hoy por hoy dentro del software SIG se distingue a menudo seis grandes tipos de
programas informáticos:

 SIG de escritorio. Son aquellos que se utilizan para crear, editar, administrar,
analizar y visualizar los datos geográficos. A veces se clasifican en tres
subcategorías según su funcionalidad:
o Visor SIG. Suelen ser software sencillos que permiten desplegar
información geográfica a través de una ventana que funciona como visor
y donde se pueden agregar varias capas de información.
o Editor SIG. Es aquel software SIG orientado principalmente al
tratamiento previo de la información geográfica para su posterior
análisis. Antes de introducir datos a un SIG es necesario prepararlos para
su uso en este tipo de sistemas. Se requiere transformar datos en bruto o
heredados de otros sistemas en un formato utilizable por el software SIG.
Por ejemplo, puede que una fotografía aérea necesite ser ortorrectificada
mediante fotogrametría de modo tal que todos sus píxeles sean
corregidos digitalmente para que la imagen represente una proyección
ortogonal sin efectos de perspectiva y en una misma escala. Este tipo de
transformaciones se pueden distinguir de las que puede llevar a cabo un
SIG por el hecho de que, en este último caso, la labor suele ser más
compleja y con un mayor consumo de tiempo. Por lo tanto es común que
para estos casos se suela utilizar un tipo de software especializado en
estas tareas.
o SIG de análisis. Disponen de funcionalidades de análisis espacial y
modelización cartográfica de procesos.

 Sistemas de gestión de bases de datos espaciales o geográficas (SGBD

espacial). Se emplean para almacenar la información geográfica, pero a menudo
también proporcionan la funcionalidad de análisis y manipulación de los datos.
Una base de datos geográfica o espacial es una base de datos con extensiones
que dan soporte de objetos geográficos permitiendo el almacenamiento,
indexación, consulta y manipulación de información geográfica y datos
espaciales. Si bien algunas de estas bases de datos geográficas están
implementadas para permitir también el uso de funciones de geoprocesamiento,
el principal beneficio de estas se centra en la capacidades que ofrecen en el
almacenamiento de datos especialmente georrefenciados. Algunas de estas
capacidades incluyen un fácil acceso a este tipo de información mediante el uso
de estándares de acceso a bases de datos como los controladores ODBC, la
capacidad de unir o vincular fácilmente tablas de datos o la posibilidad de
generar una indexación y agrupación de datos espaciales, por ejemplo.

 Servidores cartográficos. Se utilizan para distribuir mapas a través de Internet

(véase también los estándares de normas Open Geospatial Consortium WFS y
WMS).
  Servidores SIG. Proporcionan básicamente la misma funcionalidad que los SIG
de escritorio pero permiten acceder a estas utilidades de geoprocesamiento a
través de una red informática.

 Clientes web SIG. Permiten la visualización de datos y acceder a

funcionalidades de análisis y consulta de servidores SIG a través de Internet o
intranet. Generalmente se distingue entre cliente ligero y pesado. Los clientes
ligeros (por ejemplo, un navegador web para visualizar mapas de Google) sólo
proporcionan una funcionalidad de visualización y consulta, mientras que los
clientes pesados (por ejemplo, Google Earth o un SIG de escritorio) a menudo
proporcionan herramientas adicionales para la edición de datos, análisis y
visualización.

 Bibliotecas y extensiones espaciales. Proporcionan características adicionales

que no forman parte fundamental del programa ya que pueden no ser requeridas
por un usuario medio de este tipo de software. Estas nuevas funcionalidades
pueden ser herramientas para el análisis espacial (por ejemplo, SEXTANTE),
herramientas para la lectura de formatos de datos específicos (por ejemplo,
GDAL/OGR), herramientas para la correcta visualización cartográfica de los
datos geográficos (por ejemplo, PROJ4), herramientas para funciones
geométricas fundamentales (JTS), o para la implementación de las
especificaciones del Open Geospatial Consortium (por ejemplo, GeoTools).

 SIG móviles. Se usan para la recogida de datos en campo a través de

dispositivos móviles (PDA, teléfonos inteligentes, tabletas, etc.). Con la
adopción generalizada por parte de estos de dispositivos de localización GPS
integrados, el software SIG permite utilizarlos para la captura y manejo de datos
en campo. En el pasado la recogida de datos en campo destinados a sistemas de
información geográfica se realizaba mediante la señalización de la información
geográfica en un mapa de papel y, a continuación, se volcaba esa información a
formato digital una vez de vuelta frente al ordenador. Hoy en día a través de la
utilización de dispositivos móviles los datos geográficos pueden ser capturados
directamente mediante levantamientos de información en trabajo de campo.

Comparativa de software SIG

Listado incompleto de los principales programas SIG existentes en el sector y los

sistemas operativos en los que pueden funcionar sin emulación,11 así como su tipo de
licencia.

Licencia
GNU/
Software SIG Windows Mac OS X BSD Unix Entorno Web de
Linux
software
Software
ABACO DbMAP Sí Sí Sí Sí Sí Java
no libre
Software
ArcGIS Sí No Sí No Sí Sí
no libre
Software
Autodesk Map Sí No No No No Sí
no libre
Software
Bentley Map Sí No No No No Sí
no libre
 Licencia
GNU/
Software SIG Windows Mac OS X BSD Unix Entorno Web de
Linux
software
Libre:
Capaware Sí (C++) No Sí No No No GNU
GPL
Software
Caris Sí No No No No Sí
no libre
Software
CartaLinx Sí No No No No No
no libre
Libre:
El Suri Java Java Java Java Java No
GNU
Software
Geomedia Sí No No No Sí Sí
no libre
Libre:
GeoPista Java Java Java Java Java Sí
GNU
GestorProject - Software
Sí No No No No Java
PDAProject no libre
Libre:
GeoServer Sí Sí Sí Sí Sí Java
GNU
Mediante Libre:
GRASS Sí Sí Sí Sí Sí
pyWPS GNU
Libre:
gvSIG Java Java Java Java Java No
GNU
Software
IDRISI Sí No No No No No
no libre
Libre:
ILWIS Sí No No No No No
GNU
Generic Mapping Libre:
Sí Sí Sí Sí Sí Sí
Tools GNU
Libre:
JUMP Java Java Java Java Java No
GNU
Libre:
Kosmo Java Java Java Java Java En desarrollo
GNU
Libre:
LocalGIS Java Java Java Java Java Sí
GNU
Software
LatinoGis Sí No No No No Sí
no libre
Software
Manifold Sí No No No No Sí
no libre
MapGuide Open LAMP/ Libre:
Sí Sí Sí Sí Sí
Source WAMP LGNU
Software
MapInfo Sí No Sí No Sí Sí
no libre
LAMP/ Libre:
MapServer Sí Sí Sí Sí Sí
WAMP BSD
Software
Maptitude Sí No No No No Sí
no libre
Sí Libre:
MapWindow GIS No No No No No
(ActiveX) MPL
Software
MiraMon Sí (C) No No No No Sí
no libre
Software
ortoSky Sí (C++) No No No No No
no libre
Libre:
Quantum GIS Sí Sí Sí Sí Sí Sí
GNU
 Licencia
GNU/
Software SIG Windows Mac OS X BSD Unix Entorno Web de
Linux
software
Libre:
SAGA GIS Sí Sí Sí Sí Sí No
GNU
Software
GE Smallworld Sí ? Sí ? Sí Sí
no libre
Software
Integración
no libre:
SavGIS Sí No No No No con Google
Freewar
Maps
e
Libre:
SEXTANTE Java Java Java Java Java No
GNU
Integración
Software
SITAL Sí No No No No con Google
no libre
Maps
Software
no libre:
SPRING Sí No Sí No Solaris No
Freewar
e
Software
SuperGIS Sí No No No No Sí
no libre
Software
TatukGIS Sí No No No No ?
no libre
Software
TNTMips Sí No No No Sí Sí
no libre
Software
TransCAD Sí No No No No Sí
no libre
Libre:
uDIG Sí Sí Sí No No No
LGNU
Sí Sí Sí Sí
Sí Software
GeoStratum (Flex/Java (Flex/Java (Flex/Java (Flex/Java Sí (Flex/Java)
(Flex/Java) no libre
) ) ) )
Software
ASINELSA SIDAC Java Java Java Java Java Sí
no libre

El futuro de los SIG

Muchas disciplinas se han beneficiado de la tecnología subyacente en los SIG. El activo
mercado de los sistemas de información geográfica se ha traducido en una reducción de
costes y mejoras continuas en los componentes de hardware y software de los sistemas.
Esto ha provocado que el uso de esta tecnología haya sido asimilada por universidades,
gobiernos, empresas e instituciones que lo han aplicado a sectores como los bienes
raíces, la salud pública, la criminología, la defensa nacional, el desarrollo sostenible, los
recursos naturales, la arqueología, la ordenación del territorio, el urbanismo, el
transporte, la sociología o la logística entre otros.

En la actualidad los SIG están teniendo una fuerte implantación en los llamados
Servicios Basados en la Localización (LBS) debido al abaratamiento y masificación de
la tecnología GPS integrada en dispositivos móviles de consumo (teléfonos móviles,
PDAs, ordenadores portátiles). Los LBS permiten a los dispositivos móviles con GPS
mostrar su ubicación respecto a puntos de interés fijos (restaurantes, gasolineras,
cajeros, hidrantes, etc. más cercanos), móviles (amigos, hijos, autobuses, coches de
policía) o para transmitir su posición a un servidor central para su visualización u otro
tipo de tratamiento.

Cartografía en entornos web

Por otro lado el mundo de los SIG ha asistido en los últimos años a una explosión de
aplicaciones destinadas a mostrar y editar cartografía en entornos web como Google
Maps, Bing Maps u OpenStreetMap entre otros. Estos sitios web dan al público acceso
a enormes cantidades de datos geográficos. Algunos de ellos utilizan software que, a
través de una API, permiten a los usuarios crear aplicaciones personalizadas. Estos
servicios ofrecen por lo general callejeros, imágenes aéreas o de satélite,
geocodificación, búsquedas en nomenclátores o funcionalidades de enrutamiento.

El desarrollo de Internet y las redes de comunicación, así como el surgimiento de

estándares OGC que facilitan la interoperabilidad de los datos espaciales, ha impulsado
la tecnología web mapping, con el surgimiento de numerosas aplicaciones que permiten
la publicación de información geográfica en la web. De hecho este tipo de servicios web
mapping basado en servidores de mapas que se acceden a través del propio navegador
han comenzado a adoptar las características más comunes en los SIG tradicionales, lo
que ha propiciado que la línea que separa ambos tipos de software se difumine cada vez
más.

La tercera dimensión

Los sistemas existentes en la actualidad en el mercado están básicamente sustentados en

la gestión y análisis en dos dimensiones de los datos, con las limitaciones que esto
supone. Existen sistemas híbridos a medio camino entre el 2D y el 3D que poseen
capacidades, fundamentalmente de visualización, denominadas de dos dimensiones y
media (2.5D) o falso 3D.

No obstante hoy en día cada vez más se requieren aplicaciones avanzadas con
funcionalidades capaces de gestionar conjuntos de datos complejos tal y como se
perciben en el mundo real por el usuario, es decir, en tres dimensiones. Este entorno
proporciona un conocimiento mucho mejor de los fenómenos y patrones geoespaciales,
ya sea a pequeña o gran escala, por ejemplo en la planificación urbana, la geología, la
minería, la gestión de redes de abastecimiento, etc.12

Las dificultades con que se enfrenta un SIG completamente 3D son grandes y van desde
las gestión de geometrías 3D y su topología hasta su visualización de una manera
sencilla, pasando por el análisis y geoprocesado de la información.

Actualmente el Open Geospatial Consortium trabaja en cómo abordar la combinación

de los diferentes tipos de modelados resultantes de las distintas tecnologías SIG, CIM,
CAD y BIM de la forma más íntegra posible. La interoperabilidad de estos formatos y
modelos de datos constituye el primer paso hacia la creación de modelos 3D inteligentes
a diferentes escalas.13

Semántica y SIG
Las herramientas y tecnologías emergentes desde la W3C Semantic Web Activity están
resultando útiles para los problemas de integración de datos en los sistemas de
información. De igual forma, esas tecnologías se han propuesto como un medio para
facilitar la interoperabilidad y la reutilización de datos entre aplicaciones SIG14 15 y
también para permitir nuevos mecanismos de análisis.16 En suma la incorporación de
cierta inteligencia artificial que dote a estos sistemas de nuevas funcionalidades tales
como la recuperación selectiva de información, el análisis estadístico, la generalización
automática de mapas o la interpretación automática de imágenes geoespaciales.17

Las ontologías son un componente clave de este enfoque semántico, ya que facilitan una
legibilidad por parte de las máquinas de conceptos y relaciones en un dominio dado.
Esto a su vez permite al SIG centrarse en el significado de los datos en lugar de su
sintaxis o estructura. Por ejemplo, podemos razonar que un tipo de cobertura del suelo
clasificada como bosques de frondosas caducifolias son un conjunto de datos detallados
de una capa sobre cubiertas vegetales de tipo forestal con una clasificación menos
minuciosa, lo que podría ayudar a un SIG a fusionar automáticamente ambos conjuntos
de datos en una capa más general de clasificación de la cubierta vegetal terrestre.

Pero el desarrollo futuro de los SIG con la inclusión de la semántica en la gestión no

solo permitiría la generalización o coflación de datos geoespaciales con cierta similitud,
sino que, por ejemplo, facilitaría la generación automatizada o semiasistida de una tarea
tradicionalmente considerada como tediosa y poco gratificante como es la creación de
metadatos para las diferentes capas de información geográfica.18

Ontologías muy profundas y exhaustivas han sido desarrolladas en áreas relacionadas

con el uso de los SIG, como por ejemplo la Ontología de Hidrología desarrollada por el
Ordnance Survey en el Reino Unido, la ontología geopolítica de la FAO,19 las
ontologías OWL hydrOntology y Ontología GML y las ontologías SWEET llevadas a
cabo por el Laboratorio de Propulsión a Chorro de la NASA.

Los SIG temporales

Una de las principales fronteras a las que se enfrenta los sistemas de información
geográfica es la de agregar el elemento tiempo a los datos geoespaciales. Los SIG
temporales incorporan las tres dimensiones espaciales (X, Y y Z) añadiendo además el
tiempo en una representación 4D que se asemeja más a la realidad. La temporalidad en
los SIG recoge los procesos dinámicos de los elementos representados. Por ejemplo,
imaginémonos las posibilidades que ofrecería un sistema de información geográfica que
permita ralentizar y acelerar el tiempo de los procesos geomorfológicos que en él se
modelizan y analizar las diferentes secuencias morfogenéticas de un determinado
relieve terrestre; o modelizar el desarrollo urbano de una área determinada a lo largo de
un período dado.13

Véase también
 Ciencias de la Tierra
 Geomática
 Neogeografía
 Servicio basado en localización
Notas y referencias
1. «Lascaux Cave». Ministerio de Cultura francés. Consultado el 13 de febrero de
2008.
2. Curtis, Gregory. The Cave Painters: Probing the Mysteries of the World's First
Artists. NY, USA: Knopf. ISBN 1-4000-4348-4.
3. Dr David Whitehouse. «Ice Age star map discovered». BBC. Consultado el 9 de
junio de 2007.
4. Cerda Lorca, Jaime; Gonzalo Valdivia C. (13 de julio de 2007). «John Snow, la
epidemia de cólera y el nacimiento de la epidemiología moderna» (pdf).
Consultado el 20 de septiembre de 2013.
5. «John Snow's Cholera Map». York University. Consultado el 9 de junio de
2007.
6. Joseph H. Fitzgerald. «Map Printing Methods». Consultado el 9 de junio de
2007.
7. «GIS Hall of Fame - Roger Tomlinson». URISA. Consultado el 9 de junio de
2007.
8. Lucia Lovison-Golob. «Howard T. Fisher». Harvard University. Consultado el 9
de junio de 2007.
9. Es común en el ámbito de los sistemas de información geográfica referirse a
estos elementos gráficos que representan elementos del mapa con su
denominación inglesa feature. Su traducción oficial y normalizada en España es
la de «objeto geográfico».[1]
10. Líneas de múltiples nodos, también denominadas multilíneas.
11. Nótese que aquellos productos en los que existen versiones para Unix y/o Linux,
la disponibilidad para MacOS X y BSD es también muy factible dado que el
sobrecoste de su compilación es escaso para el desarrollador, especialmente
cuando el código fuente es público. Las aplicaciones Java funciona en todas las
plataformas en cuyas versiones existen una Máquina Virtual de Java o un
compilador de Java (en estos momentos Windows, MacOS X, Linux y Solaris).
12. 3D and Beyond. «Alias Abdul Rahman» (en inglés). Consultado el 19 de abril
de 2011.
13. Matt Ball (2009). «What are some of the technological frontiers for GIS
advancement?» (en inglés). Consultado el 2 de febrero de 2009.
14. Federico Fonseca y Amit Sheth (2002). «The Geospatial Semantic Web» (en
inglés). Consultado el 18 de octubre de 2008.
15. Federico Fonseca y Max Egenhofer (1999). «Ontology-Driven Geographic
Information Systems» (en inglés). Consultado el 18 de octubre de 2008.
16. Perry, Matthew; Hakimpour, Farshad; Sheth, Amit (2006), «Analyzing Theme,
Space and Time: an Ontology-based Approach» (PDF), Proc. ACM
International Symposium on Geographic Information Systems, pp. 147-154
17. Mónica Medina (2011). «Cambio de paradigma: Sistemas de Información
Geográfica gobernados por ontologías» (en español). Consultado el 20 de
noviembre de 2011.
18. Rafael Oliva-Santos, Leonid Mendoza-Robaina, Cynthia Costales-Llerandi3,
Eduardo Garea- Llano y Francisco Maciá Pérez (2009). «Modelo de anotación
semántica para Sistemas de Información Geogŕafica» (en español). Consultado
el 6 de octubre de 2012. A. Beltran Fonollosa, C. Granell Canut y J. Huerta
Guijarro (2011). «Descripción de recursos multimedia georreferenciados» (en
español). Consultado el 6 de octubre de 2012.
 19. http://www.fao.org/countryprofiles/geoinfo.asp?lang=es

Bibliografía
 Berry, J.K. (1993) Beyond Mapping: Concepts, Algorithms and Issues in GIS.
Fort Collins, CO: GIS World Books.
 Bolstad, P. (2005) GIS Fundamentals: A first text on Geographic Information
Systems, Second Edition. White Bear Lake, MN: Eider Press, 543 pp.
 Bosque Sendra, J. (1992) Sistemas de Información Geográfica. Rialp. Madrid.
 Burrough, P.A. and McDonnell, R.A. (1998) Principles of geographical
information systems. Oxford University Press, Oxford, 327 pp.
 Busai, G.D.; Baxendale, C.A. (2011) Análisis Socioespacial con Sistemas de
Información Geográfica. Tomo 1: Perspectiva Científica / temáticas de base
raster. Buenos Aires, Lugar Editorial, 302 pp.
 Buzai, G.D.; Baxendale, C.A. (2012) Análisis Socioespacial con Sistemas de
Información Geográfica. Tomo 2: Ordenamiento territorial / temáticas de base
vectorial. Buenos Aires, Lugar Editorial, 315 pp.
 Calvo, M. (1992) Sistemas de Información Geográfica Digitales: Sistemas
geomáticos. IVAP-EUSKOIKER, Oñati, 616 pp.
 Calvo, M. (2012) "Geo-conceptualización y modelado del espacio geográfico".
EAE. Saarbrücken, 492 pp.
 Chang, K. (2007) Introduction to Geographic Information System, 4th Edition.
McGraw Hill.
 Coulman, Ross (2001 - present) Numerous GIS White Papers
 de Smith M J, Goodchild M F, Longley P A (2007) Geospatial analysis: A
comprehensive guide to principles, techniques and software tools", 2nd edition,
Troubador, UK available free online at: [2]
 Elangovan, K (2006)"GIS: Fundamentals, Applications and Implementations",
New India Publishing Agency, New Delhi"208 pp.
 Harvey, Francis(2008) A Primer of GIS, Fundamental geographic and
cartographic concepts. The Guilford Press, 31 pp.
 Heywood, I., Cornelius, S., and Carver, S. (2006) An Introduction to
Geographical Information Systems. Prentice Hall. 3rd edition.
 Longley, P.A., Goodchild, M.F., Maguire, D.J. and Rhind, D.W. (2005)
Geographic Information Systems and Science. Chichester: Wiley. 2nd edition.
 Maguire, D.J., Goodchild M.F., Rhind D.W. (1997) "Geographic Information
Systems: principles, and applications" Longman Scientific and Technical,
Harlow.
 Moreno Jiménez, A. (coord.); Gómez García, N., Vidal Domínguez, M. J.,
Rodríguez Esteban, J. A., Martínez Suárez, P., Prieto Flores, M. E., Cervera
Cruañes, B. y Fernández García, F. (2008): Sistemas y análisis de la
información geográfica: manual de auto-aprendizaje con ArcGIS, Madrid, Ra-
Ma, 2.ª ed., 940 pp.
 Ott, T. and Swiaczny, F. (2001) Time-integrative GIS. Management and analysis
of spatio-temporal data, Berlin / Heidelberg / New York: Springer.
 Olaya, V., (2012) Sistemas de Información Geográfica. Víctor Olaya. 877 pp.
(Creative Common Atribución).
 Thurston, J., Poiker, T.K. and J. Patrick Moore. (2003) Integrated Geospatial
Technologies: A Guide to GPS, GIS, and Data Logging. Hoboken, New Jersey:
Wiley.
  Tomlin, C.Dana (1991) Geographic Information Systems and Cartographic
Modelling. Prentice Hall. New Jersey.
 Tomlinson, R.F., (2005) Thinking About GIS: Geographic Information System
Planning for Managers. ESRI Press. 328 pp.
 Wise, S. (2002) GIS Basics. London: Taylor & Francis.
 Worboys, Michael, and Matt Duckham. (2004) GIS: a computing perspective.
Boca Ratón: CRC Press.
 Wheatley, David and Gillings, Mark (2002) Spatial Technology and
Archaeology. The Archaeological Application of GIS. London, New York,
Taylor & Francis.

Enlaces externos
 Wikimedia Commons alberga contenido multimedia sobre sistemas de
información geográfica.

 "Estudio sobre Sistemas de Localización e Información Geográfica" publicado

por el Observatorio Regional de la Sociedad de la Información de Castilla y
León (ORSI)
 Comparativa sobre características y funcionalidades de los SIG de código libre.

Categorías:

 Aplicaciones informáticas
 Sistemas de Información Geográfica
 Logística

Menú de navegación
 Crear una cuenta
 Acceder

 Artículo
 Discusión

 Leer
 Editar
 Ver historial

 Portada
 Portal de la comunidad
 Actualidad
 Cambios recientes
 Páginas nuevas
 Página aleatoria
 Ayuda
 Donaciones
 Notificar un error
Imprimir/exportar

 Crear un libro
 Descargar como PDF
 Versión para imprimir

Herramientas

 Lo que enlaza aquí

 Cambios en enlazadas
 Subir un archivo
 Páginas especiales
 Enlace permanente
 Información de la página
 Elemento de Wikidata
 Citar esta página

Otros proyectos

 Commons

En otros idiomas

 ‫العربية‬
 Azərbaycanca
 Беларуская
 Български
 भोजपुरी
 Bosanski
 Català
 ‫کوردی‬
 Čeština
 Dansk
 Deutsch
 Ελληνικά
 English
 Esperanto
 Eesti
 Euskara
 ‫فارسی‬
 Suomi
 Français
 Galego
 ‫עברית‬
 हिन्दी
 Hrvatski
 Magyar
 Հայերեն
 Bahasa Indonesia
  Íslenska
 Italiano
 日本語
 ქართული
 한국어
 Lietuvių
 Latviešu
 Македонски
 മലയാളം
 मराठी
 Bahasa Melayu
 Nederlands
 Norsk nynorsk
 Norsk bokmål
 Polski
 Português
 Română
 Русский
 Srpskohrvatski / српскохрватски
 සිංහල
 Simple English
 Slovenčina
 Slovenščina
 Shqip
 Српски / srpski
 Svenska
 தமிழ்
 ไทย
 Türkçe
 Українська
 Oʻzbekcha
 Tiếng Việt
 中文

Editar los enlaces

 Esta página fue modificada por última vez el 11 nov 2014 a las 21:10.
 El texto está disponible bajo la Licencia Creative Commons Atribución
Compartir Igual 3.0; podrían ser aplicables cláusulas adicionales. Léanse los
términos de uso para más información.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una
organización sin ánimo de lucro.
 Contacto

 Política de privacidad
 Acerca de Wikipedia
 Limitación de responsabilidad
 Desarrolladores
 Versión para móviles
 

¿Qué es un SIG?
 

Se entiende por "Sistema de Información" la conjunción de información con

herramientas informáticas, es decir, con programas informáticos o software. Si el objeto
concreto de un sistema de información (información+software) es la obtención de datos
relacionados con el espacio físico, entonces estaremos hablando de un Sistema de
Información Geográfica o SIG (GIS en su acrónimo inglés, Geographic Information
Systems).

Así pues, un SIG es un software específico que permite a los usuarios crear consultas
interactivas, integrar, analizar y representar de una forma eficiente cualquier tipo de
información geográfica referenciada asociada a un territorio, conectando mapas con
bases de datos.

El uso de este tipo de sistemas facilita la visualización de los datos obtenidos en un

mapa con el fin de reflejar y relacionar fenómenos geográficos de cualquier tipo, desde
mapas de carreteras hasta sistemas de identificación de parcelas agrícolas o de densidad
de población. Además, permiten realizar las consultas y representar los resultados en
entornos web y dispositivos móviles de un modo ágil e intuitivo, con el fin de resolver
problemas complejos de planificación y gestión, conformándose como un valioso apoyo
en la toma de decisiones.

es un SIG?
Un sistema de información geográfica es un sistema para la gestión, análisis y
visualización de conocimiento geográfico que se estructura en diferentes conjuntos de
información:
 

Mapas interactivos.

Proporcionan una visión interactiva de la información geográfica que permite dar

respuesta a cuestiones concretas, y presentar un resultado de dichas respuestas. Los
mapas proporcionan al usuario las herramientas necesarias para interactuar con la
información geográfica.

Datos Geográficos.

En la base de datos se incluye información vectorial y raster, modelos digitales del

terreno, redes lineales, información procedente de estudios topográficos, topologías y
atributos.

Modelos de Geoprocesamiento.

Son flujos de procesos que permiten automatizar tareas que se repiten con frecuencia,
pudiendo enlazar unos modelos con otros.

Modelos de datos.

La información geográfica en la Geodatabase es algo más que un conjunto de tablas

almacenadas en un Sistema Gestor de Base de Datos. Incorpora, al igual que otros
sistemas de información, reglas de comportamiento e integridad de la información.
Tanto el esquema, como el comportamiento y las reglas de integridad de la información
geográfica juegan un papel fundamental en un Sistema de Información Geográfica.
 

Metadatos.

Son los datos que describen la información geográfica, facilitando información como
propietario, formato, sistema de coordenadas, extensión, etc... de la información
geográfica.

Un catálogo de metadatos permite al usuario organizar, realizar búsquedas y acceder a

información geográfica compartida. Cualquier catálogo de metadatos debe tener
herramientas disponibles para generar, editar y sincronizarse de forma automática con la
información que describen los metadatos

Sistemas de Información Geográficos (SIG)

Los Sistemas de Información Geográficos (SIG) constituyen el
conjunto de procedimientos diseñados para procesar la
captura, recolección, administración, manipulación,
transformación, análisis, modelamiento y graficación de
información que tiene referencia en el espacio. Los SIG
permiten representar y localizar espacialmente estadísticas e
indicadores, estudiar su evolución, así como localizar zonas
vulnerables o sujetas a riesgos dados por fenómenos
naturales o de carácter antrópico, realizar evaluaciones de los
sistemas ambientales (suelos, agua, biodiversidad), analizar
la distribución de la pobreza, infraestructura y, por la
capacidad sintetizadora de la información, contribuir a generar
una visión integrada que permita comprender y estudiar la
sostenibilidad del desarrollo en los países de la región.
Se suele decir que "una imagen dice más que mil palabras",
por eso los SIG constituyen una poderosa herramienta para el
estudio de la interrelación ambiente-sociedad y tienen la
ventaja de integrar el análisis de grandes cantidades de datos,
superponer y diseñar indicadores que admitan distintas
escalas o niveles de agregación. Así como las series de
tiempo nos permiten entender cuándo ocurren y cómo
evolucionan eventos y situaciones, los SIG nos facilitan
conocer "dónde" tienen estos lugar.
El SIGESALC
La División de Desarrollo Sostenible y Asentamientos
Humanos de la través del Proyecto "Evaluación de la
Sostenibilidad en América Latina y el Caribe" (ESALC) ha
desarrollado un SIG (el SIGESALC) que incluye numerosas
variables e indicadores para toda la región. El SIGESALC
posee más de 240 indicadores georeferenciados (mapas) los
cuales se han dispuesto, por separado, para cada país de la
región y son accesibles a través de una interafase gráfica
amigable de menúes interactivos que permiten seleccionar
países e indicadores según sean estos sociales, ambientales
o económicos y, a partir de otros subcriterios.
La información que contiene el SIGESALC proviene de numerosas fuentes entre las que se
destacan, la producción propia (CEPAL y CELADE), fuentes nacionales (Censos de
Población y Vivienda y Censos Agropecuarios), las ímagenes satelitales de baja resolución
 (NOAA-AVHRR, Landsat, Spot 4) (provistas por instituciones como la ESA, NASA o la
USGS), fuentes provistas por otras Agencias Internacionales (FRA2000-FAO, CIAT, MEA,
IUCN, WCMC, PNUMA), proyectos internacionales en curso y ONG (WRI, WWF, GLC2000-
UE), y Universidades e Institutos Científicos entre otras. Si bien existen muchas iniciativas
nacionales que proveen información georeferenciada, la cualidad de la base de información
del SIGESALC es que ha reunido información obtenida de similares fuentes, permitiendo
que sea posible la comparación entre países para la evaluación de la sostenibilidad del
desarrollo en los países de la región. Por esta razón, no se han incluido en el sistema,
indicadores que, estando disponibles para algún país, no lo están para el resto. El
SIGESALC es el sistema de información con indicadores georeferenciados más completo (y
actualizado) realizado en la región hasta la fecha, no sólo por la cantidad de información
disponible, sino también por el nivel de desagregación con que se trabajó .

Además, el SIGESALC posee información detallada de los metadatos de cada indicador,

donde se especifican las fuentes de la información, los investigadores y entidades
responsables de su desarrollo, la metodologías empleadas y toda la información que se
considere útil para identificar las características principales de los indicadores.
Información que contiene el SIGESALC
Los criterios considerados para incluir la información en el SIGESALC han sido:
1. Disponibilidad de la información
2. Confiabilidad y calidad de los datos primarios
3. Representatividad en relación con los problemas y sus causas subyacentes
4. Usabilidad: Relevancia y utilidad para los usuarios
5. "Mensurabilidad"

Es posible discriminar entre dos tipos de información georeferenciada disponible:

1. Perfiles de base es decir aquellas carácterísticas que no cambian en la escala temporal
considerada (como pueden ser las elevaciones y pendiente del terreno, los tipo de suelos, el
sistema de drenaje, las zonas sísmicas y vulcanismo, etc.)
2. Indicadores propiamente dichos (cobertura forestal, costas y áreas protegidas, cambios en
el Índice de Vegetación (NDVI) y la productividad primaria neta (PPN), los indicadores
sociales (que provienen de los Censos de Población y Vivienda), las zonas urbanizadas (a
partir del Índice de luz nocturna), etc.

Unos de los principales inconvenientes que ha detectado el proyecto es la escasa cultura

que aun existe en cuanto al poblamiento de información a niveles desagregados (con
excepción de los censos) y la baja frencuencia de actualización de la información (dados los
excesivos costos de obtención), o los constantes cambios en las metodologías de
recolección de datos (que impiden tener conocimiento certero acerca de la evolución de
muchos indicadores), especialmente en lo que respecta a la información de los sistemas
ambientales.

  CÁLCULO DE LA SIMILARIDAD CARTOGRÁFICA (MAP SIMILARITY)

A menudo vemos en conferencias al presentador de turno señalando con un puntero

láser sobre una proyección y afirmando "fíjense en el parecido entre la distribución de
casos entre esta parte y esta...", a la vez que mueve su puntero rápidamente entre dos
mapas parecidos situados uno al lado del otro y que sirven de ilustración para sus
razonamientos.

Pero realmente ¿cuál es el parecido entre un caso y otro de ambos mapas? ¿Realmente
similares o sólo un poco similares? y... ¿cómo es la similaridad en el resto de las partes
de los mapas? Mientras que un análisis visual y subjetivo puede identificar relaciones
generales, necesitamos de una aproximación cartográfica cuantitativa para realizar un
escrutinio detallado y riguroso que nos permita extraer toda la información contenida en
las series de datos de ambos mapas.

Figure 1. Superficies cartográficas de

identificación de la distribución espacial de
Fósforo (P), Potasio (K) y Nitrógeno (N) sobre
una misma zona de cultivo. (Click para ampliar).

Echémos un vistazo a los tres mapas de la Figura

1. ¿Podríamos decir cuáles son las zonas que
muestran tramas similares? En concreto, si nos
fijamos en la zona sureste de los mapas: ¿qué
parecido hay entre las tres imágenes?

Las respuestas a estas preguntas son demasiado

complicadas para un simple análisis visual, e
incluso se puede decir que van más allá de las
posibilidades de visualización y análisis de
paquetes de cartografía sencillos. Aunque los
datos del ejemplo muestran la distribución de
fósforo, potasio y nitrógeno en una zona de cultivo de maíz, bien podrían ser datos de
carácter demográfico que representasen niveles de renta, educación o precios del
terreno. O puestos a imaginar, también podrían ser datos de seguimiento de las ventas
de tres productos diferentes... Y por qué no: mapas sanitarios con la representación de la
incidencia de tres enfermedades distintas, o estadísticas policiales geográficamente
referenciadas...

Con idependencia de la naturaleza de los datos y el campo de aplicación en el que

estemos trabajando, el procedimiento 'map-temático' para analizar la similaridad
cartográfica (Map Similarity) es el mismo.

En el análisis visual y subjetivo inconscientemente movemos los ojos de un mapa a otro

tratando de hacer una valoración de la distribución de colores en cada zona. La
dificultad de este tipo de aproximaciones tiene una doble vertiente: a la vez hay que
recordar las tramas de colores y además calcular las diferencias. Con un análisis
cartográfico cuantitativo hacemos lo mismo, pero con la diferencia de que en vez de
usar los colores y sus variaciones visuales, usamos los valores cartográficos verdaderos
existentes en el interior de los mapas. Además, contamos con la ventaja de que el
ordenador no se cansa de calcular como nuestros ojos y puede completar la
comparación para todas las celdas del mapa en cuestión de segundos (2 segundos
concretamente en el ejemplo anterior sobre un total de 3289 celdas).

La parte superior izquierda de la Figura 2, donde vemos las tres 'tartas' de datos
superpuestas, muestra el proceso de captura de las tramas de datos para la comparación
de dos posiciones. Imaginemos un pincho que atraviesa las tres 'tartas' de datos por la
localización 18, 45 (fila 18, columna 45): obtendríamos un valor de P de 11.0 ppm,
niveles de K de 177.0 y 32.9 de N. Este paso realizado con un análisis a ojo nos
permitiría observar tramas de colores rojo intenso, naranja oscuro y verde claro,
respectivamente. La otra posición que analizamos para comparación (fila 62, columna
32) tiene una trama de datos de P= 53.2, K= 412.0 y N=27.9; si procedemos a simple
vista vemos una trama de colores con verde oscuro, verde oscuro y amarillo,
respectivamente.

Figura 2. Unión conceptual entre

el espacio geográfico y el espacio
de datos.

La parte derecha de la figura

describe conceptualmente cómo
calcula el ordenador la relación
de similaridad, a partir de las
tramas de datos comparadas. El
hecho de que los datos
cartográficos pueden ser
expresados tanto en forma de
espacio geográfico como en
espacio de datos es clave para
entender el proceso.

El espacio geográfico utiliza coordenadas (por ejemplo latitud-longitud) para localizar

los elementos del mundo real; en el ejemplo que estamos viendo un punto estaría en la
parte sureste del mapa y otro en el noroeste. La expresión geográfica del conjunto
completo de mediciones de que disponemos da lugar a su modelo de distribución
espacial, plasmado en forma cartográfica.

Por el contrario, el espacio de datos es un poco menos familiar para nosotros. A

primeras no podemos recorrer este espacio de datos como si fuera el espacio geográfico,
pero podemos recurrir a una conceptualización del mismo que nos ayudará a entenderlo.
Pensemos en el espacio de datos como si fuera una caja cristal tridimensional en la cual
tenemos metidas un montón de bolas flotando en su interior. En el ejemplo que estamos
siguiendo, las magnitudes que definirían las dimensiones de la caja de cristal están
definidas por los ejes de las mediciones de fósforo (P), potasio (K) y nitrógeno (N). Las
bolas flotantes, por su parte, representan tramas de datos para cada localización.

Las coordenadas que localizan de esta forma tridimensional la posición de las bolas
tienen los valores 11.0, 177.0 y 32.9 para el punto de comparación y valores bastantes
más altos para el otro punto (53.9, 412.0 y 27.9). En consecuencia, la posición de ambas
bolas difiere notablemente en el espacio de datos.

Lo importante aquí es comprender que la posición de cualquier punto en el espacio de

datos (bolas flotantes) se corresponde con su trama de datos (pincho que atraviesa las
tres 'tartas' y extrae sus valores numéricos). Si los tres valores en la trama de datos son
bajo, bajo, bajo, la bola aparecerá en la esquina inferior izquierda del fondo del cubo
(que es el origen de los tres ejes) y si los tres valores son alto, alto, alto aparecerá en la
esquina superior derecha del frente del cubo (la más cercana a nuestro punto de vista en
el ejemplo). Si entendemos esto no nos será difícil comprender que aquellos puntos que
estén más cercanos entre sí dentro de este espacio tridimensional serán más similares
que aquellos que tienen posiciones relativas más alejadas.
Volviendo al ejemplo, si vemos en la Figura 2 la bola que está más cercana a nosotros
(por eso es más grande), podemos ver que es a su vez la más alejada en el espacio de
datos al punto tomado como comparación. En consecuencia, es también el punto menos
similar a dicho punto de comparación. Esta distancia existente entre los puntos más
alejados se toma como referencia para establecer el criterio de 'más diferente' en toda la
serie de datos, y se iguala al valor mínimo de 0% en una escala virtual de similaridad.
Por contra, un punto con una trama de datos idéntica tendría una representación
exactamente en el mismo punto del espacio de datos, lo que daría lugar a una distancia 0
de nuestro punto de comparación y por tanto al valor mínimo de la escala virtual de
similaridad (100%).

Figura 3. Mapa de Similaridad representando la relación existente entre cada celda del
mapa y un punto concreto del mismo tomado como base de la comparación.

El Mapa de Similaridad mostrado en la Figura 3 aplica todo lo dicho anteriormente

sobre la escala porcentual de similaridad a todas las celdas de un mapa, sobre las cuales
se ha calculado su distancia en el espacio de datos a un punto de comparación. Los
tonos verdes indican tramas de datos bastante similares en los contenidos de P, K y N,
mientras que los tonos rojos indican puntos con valores bastante diferentes. Es
interesante ver que la mayor parte de las posiciones que podríamos denominar como
'muy similares' están situadas en la parte oeste del espacio analizado (en este caso, un
campo de cultivo).

Un mapa de similaridad como este que hemos mostrado puede ser una herramienta de
un valor incalculable cuando tratamos de averiguar las relaciones espaciales existentes
en un conjunto complejo de datos cartográficos. Mientras el ser humano no puede
conceptualizar más de tres variables a la vez (recordemos el espacio de datos que
imaginábamos como un cubo de cristal), con ordenadores podemos crear índices de
similaridad que pueden trabajar con cualquier cantidad de mapas como variables de
entrada. Además, las diferentes capas de estos índices pueden ser ponderadas
debidamente para reflejar la importancia relativa en el proceso general de determinación
de la similaridad, dando lugar a modelos más o menos complejos.

En efecto, los Mapas de Similaridad son una aproximación mucho más depurada que el
puntero láser del conferenciante que veíamos al principio recorriendo a toda velocidad
varios mapas similares para apuntar apreciaciones subjetivas acerca de la similaridad o
diferencia entre zonas. Aportamos de esta forma mediciones objetivas y cuantitativas
para cada punto de nuestro espacio de análisis, llevando el análisis cartográfico al
terreno del método científico de donde no debe salir.
  IDENTIFICACIÓN DE ZONAS DE DATOS

En el punto anterior hemos introducido el concepto de 'distancia de datos' como

herramienta para medir la similaridad en un mapa. Con el software adecuado y un
simple click en una celda podemos saber en cualquier momento la similaridad del resto
de las celdas con respecto a la primera, en un rango entre 0 (cero por cien similar) y 100
(idéntica trama de datos, es decir, idénticos valores en el conjunto de capas cartográficas
analizadas). Dichas estadísticas hemos visto cómo pueden reemplazar a los tradicionales
análisis visuales, llenos de subjetividad.

No obstante, podemos extender la técnica anteriormente descrita mediante la aplicación

de un círculo que establezca un área sobre el que computar la similaridad cartográfica, a
partir de las tramas de datos contenidas en su interior. En este caso, el ordenador
calcularía el valor medio de cada parámetro (capa cartográfica) para todo el área del
círculo. Dicho valor medio sería tomado como base para establecer la comparación, y
posteriormente para el cálculo del conjunto de distancias normalizadas en el espacio de
datos con respecto al resto de las celdas del mapa. El resultado sería un mapa que
mostraría la similaridad en cada punto con respecto a un área de interés, en vez de como
hacíamos antes (con respecto a un solo punto).

De la misma forma, en un estudio de mercado podríamos tomar un mapa de ventas de

un producto para identificar zonas inusualmente altas en lo que a ventas se refiere, y
posteriormente generar un Mapa de Similaridad utilizando otros datos de carácter
demográfico. Podríamos de esta forma obtener puntos con una trama demográfica
parecida en otros puntos de la ciudad. O un gestor forestal podría identificar áreas con
condiciones de suelo, orientación del terreno, etc. similares a las que exiten donde crece
un tipo de vegetación que necesita reforestar.

Figura 4. Identificación de áereas

con mediciones inusualmente
altas.

La clave para entender todo esto

es la relación existente entre el
espacio de datos y el espacio
geográfico propiamente dicho.
Tal y como se muestra en la
Figura 4, un conjunto de datos
espaciales puede ser visualizado
bajo la forma de un histograma
de frecuencias o como un mapa
convencional. Mientras que el
mapa nos muestra 'dónde están las cosas', el histograma nos informa de 'con qué
frecuencia ocurren las cosas', con indepencia de dónde tienen lugar.

La parte superior izquierda de la Figura 4 muestra una representación de un mapa en 2D

con una superficie 3D superpuesta donde se puede ver la cantidad relativa de fósforo (P)
en una explotación agrícola. Fíjese en los picos que se dan en los bordes de la
explotación, con un pico que destaca sobre todos en la zona norte.
El histograma que encontramos a la derecha nos aporta una perspectiva diferente de los
datos. En vez de posicionar las mediciones en el espacio geográfico, realiza un conteo
de las frecuencias relativas de cada caso en el espacio de datos (básicamente este gráfico
nos dice cuántos casos hay en el mapa de medidas entre 5 y 6, entre 6 y 7, entre 7 y 8,
etc.) El eje X del histograma se corresponde con lo que sería la Z del mapa
convencional (es decir, la cantidad de fósforo detectada). En este caso, los picos del
gráfico nos indican qué intervalos de mediciones ocurren más frecuentemente;
observemos la alta frecuencia que tienen los valores entorno a 11 partes por millón.

Bien, ahora vamos a realizar la unión entre el espacio geográfico y el espacio de datos.
La parte sombreada en verde de los histogramas denota mediciones inusualmente altas.
Hemos empleado para ello el estadístico de la desviación típica sobre la media, con lo
que hemos realizado un corte que nos permite aislar las mediciones inusualmente altas
de acuerdo con el desarrollo de la serie de datos (esta cuestión ya la hemos visto en este
artículo anterior). Con dicha delimitación hemos trazado los mapas 2D y superficies 3D
que están en la parte derecha de la Figura 4, repetidos tanto para los valores de fósforo
como de potasio.

Figura 5. Identificación de zonas

coincidencia comunes a ambos
espacios geográfico y de datos.

La Figura 5 muestra cómo se

pueden combinar las series de
datos del fósforo (P) y del potasio
(K) para localizar áreas en la
explotación que tengan niveles
altos de ambos elementos. El
gráfico de puntos negros que está
flanqueado por los histogramas
de frecuencias se denomina
gráfico o diagrama de dispersión (scatter plot). Este tipo de representaciones permite
ver de forma gráfica la ocurrencia conjunta de ambas series de datos cartográficos.

Cada punto negro en el gráfico de dispersión representa de forma esquemática una

localización en el terreno real, de tal manera que su posición en el diagrama identifica
los niveles de P y K para esa celda del mapa. Aquellas bolas que caen dentro de la zona
sombreada en color verde se corresponden con celdas que tienen elementos
anormalmente altos de ambos componentes P y K (ya hemos visto antes qué
entendemos por 'anormalmente altos'). Por su parte, aquellos valores que caen a los dos
lados del recuadro verde se corresponden con celdas que tienen un componente alto,
pero no los dos.

La parte derecha de la Figura 5 muestra tres mapas alineados con lo que sería la
solución geográfica para la localización de zonas con ambos elementos químicos altos
(P y K); primero la delimitación de las zonas altas en P, luego las zonas altas en K y por
fin abajo del todo las zonas altas en P y K a la vez. Una forma bastante sencilla de
conseguir estas delimitaciones consiste en asignar un valor 1 a todas las celdas con
mediciones altas de P y K, en cada una de sus dos capas independientes (pintadas de
verde); al resto de celdas las daríamos un valor 0 (gris). Luego multiplicamos una capa
por la otra y al estar compuestas de 0 y 1 sólo nos dará valores verdes (1) en aquellas
zonas donde ambas capas P y K tengan 1, mientras que nos dará valores grises (0) en el
resto de combinaciones, debido a que multiplican por algún 0. Como podemos ver, este
tipo de técnicas de 'cortes por niveles' nos permiten cartografiar selectivamente
cualquier tipo de trama de datos que queramos... sólo hay que asignar valores 1 a los
intervalos de datos que nos interesan dentro de cada variable o capa cartográfica, y
valores 0 al resto para luego realizar una extracción selectiva.

Figura 6. Clasificación de 'Cortes

por niveles' (Level-slice) sobre
tres capas cartográficas.

Siguiendo con nuestra

exposición, en la Figura 6 se
muestra otro ejemplo que va un
poco más allá de lo visto
anteriormente. En este caso
hemos aislado en el espacio de
datos el área con niveles
inusualmente altos de P, K y N,
que se puede ver como una sub-
caja en 3D con bolas dispersas
que caen en su interior.

Para conseguir esto hemos empleado un pequeño truco cartográfico que nos ha
permitido conseguir la solución mostrada en la figura anterior. En cada mapa individual
(o capa cartográfica), hemos otorgado a las áreas que llamamos inusualmente altas los
valores de P=1, K=2 y N=4, antes de cruzar entre sí los mapas. El resultado tras este
cruce es un rango de coincidencia que va de cero (0+0+0=0, que serían las zonas grises
que carecen de interés por no tener alto ningún elemento), hasta siete (1+2+4=7, que
serían las zonas de altos niveles a la vez de P, de K y de N). Los valores que quedan
entre el 0 y el 7 nos identifican capas con otras combinaciones de elementos. Por
ejemplo, las zonas pintadas de amarillo tienen un valor de 3 lo que significa niveles
altos de P y K, pero no de N (1+2+0=3). El lector probáblemente se esté preguntando
qué pasaría si tuvieramos más capas cartográficas que 3... en ese caso, garantizaríamos
la identificación unívoca de casos utilizando valores en progresión binaria creciente
(...8, 16, 32, etc.) para garantizar que las combinaciones de resultados sean únicas y
poder de este modo identificar qué categorías o valores dieron lugar en cada caso al
resultado.

Aunque la técnica de 'Corte por niveles' (Level-slicing) no es una forma de clasificación

demasiado sofisticada, nos sirve para ilustrar con claridad la importantísima unión que
subyace entre el espacio de datos y el espacio geográfico. Este concepto que es a todas
luces fundamental, forma la base de muchos análisis geoestadísticos... incluyendo las
técnicas de agrupamiento (clustering) y regresión que veremos más en profundidad a
continuación.

  CARTOGRAFÍA DE CÚMULOS DE DATOS Y AGRUPACIÓN

(CLUSTERING)
Recapitulando un poco hemos visto cómo analizar el parecido entre datos a partir de
mapas apilados con distintas capas temáticas. La primera técnica que veíamos, y que
hemos dado en llamar Similaridad Cartográfica (Map Similarity), nos permitía generar
un nuevo mapa mostrando el parecido de todos los puntos del mapa con respecto a una
localización tomada como base para la comparación y teniendo en cuenta todas las
capas cartográficas apiladas. El resultado lo expresábamos en una escala relativa de
porcentajes que mostraban el parecido con respecto a la ubicación base de la
comparación.

La otra técnica que hemos visto ha sido la denominada 'Corte por niveles' (Level-
slicing) que nos permitía especificar un rango de datos de interés para cada uno de los
mapas apilados, y luego generar mapas que cumplieran todas las combinaciones de
criterios: desde sólo un criterio hasta todos los criterios cumplidos a la vez, así como las
posibles combinaciones correctamente identificadas que quedan en medio.

Ambas técnicas son muy útiles a la hora de examinar las relaciones espaciales
subyacentes en los datos, pero exigen al usuario tener que especificar los parámetros
que desea para el análisis. Pero... ¿qué pasa si uno no sabe qué intervalos de corte usar
para el análisis, o qué ubicaciones elegir como base de comparación para analizar la
similaridad cartográfica? ¿Podríamos plantearnos con ciertas garantías que fuera el
ordenador por sí mismo quien identificara los grupos de datos similares? ¿Qué clase de
resultados daría este tipo de clasificaciones automáticas? ¿Funcionarían?

Figura 7. Ejemplos de
Agrupamiento Cartográfico (Map
Clustering).

La Figura 7 muestra algunos

ejemplos de Agrupamiento
Cartográfico (Map Clustering).
Los mapas 'flotantes' que se
pueden ver en la parte izquierda
de la imagen son las capas
cartográficas que nos sirven de
base para el análisis. Dichas capas son, como se puede ver, los mismos mapas que
hemos visto en los puntos anteriores de distribución de Fósforo (P), Potasio (K) y
Nitrógeno (N) en una hipotética explotación de maíz. No obstante, hacemos hincapié
una vez más en que la naturaleza de los datos puede ser cualquiera: datos de
geomárketing, características del medio natural, datos demográficos, etc... en fín,
cualquier conjunto de capas cartográficas relacionadas entre sí. El principio siempre es
el mismo: el agrupamiento 'mira' la trama numérica de cada ubicación (el valor de cada
celda y en cada mapa) y 'ordena' todas las ubicaciones en grupos discretos.

El mapa que vemos en la parte central del gráfico anterior muestra el resultado de
reclasificar los mapas P, K y N en dos cúmulos de datos (clusters) tras el agrupamiento.
La trama de datos para cada ubicación cartográfica es usada para zonificar la
explotación de maíz en dos grupos o clusters separados que cumplan las siguientes
condiciones:
  1/. Que los grupos sean tan diferentes como sea posible entre sí (diferencia entre
grupos).
 2/. Que estos grupos internamente estén formados por celdas con tramas
cartográficas lo más similares posibles entre sí (similitud en el seno de cada
grupo).

Los dos mapas que están a la derecha de la Figura 7 contienen los mismos datos pero
grafiados en tres y cuatro cúmulos respectivamente. En los tres mapas de agrupamiento
que vemos (el grande central y los dos de la derecha), se ha asignado el color rojo a los
datos con respuestas relativamente bajas, mientras que el verde equivale a respuestas
relativamente altas. Fijémonos en cómo a medida que vamos pasando de dos a tres
clusters y luego a cuatro, las áreas de los dos cúmulos iniciales van siendo invadidas
paulatinamente por los nuevos grupos creados, de bordes hacia adentro.

El mecanismo para generar estos cúmulos de datos o clusters es bastante sencillo.

Símplemente especificamos los mapas de entrada para el análisis y el número de
clusters que queremos; luego, como por arte de magia, nos aparece un nuevo mapa con
nuevos agrupamientos discretos de los datos. Ahora en serio... ¿qué hay detrás de este
supuesto milagro? ¿Qué es lo que pasa dentro de la caja negra del ordenador cuando
decidimos ejecutar una técnica de este tipo?

Figure 8. Las tramas de datos

para cada punto del espacio
analizado son vistas en esta
representación del espacio de
datos como bolas flotantes.

La Figura 8 puede ayudarnos

bastante a entender el proceso.
Las bolas flontantes identifican
las tramas de datos para cada
punto del mapa y grafiadas sobre
tres ejes que forman el espacio de
datos (P, K y N). Recordamos,
igualmente, que por trama de
datos entendemos el conjunto de
valores de todas las capas temáticas para una celda dada, como si las capas cartográficas
fueran tres tartas apiladas y atravesáramos las mismas de arriba a abajo con un gran
pincho que nos identificara qué sabor hemos interceptado en cada uno de los pisos de la
tarta.

Bien, volviendo a la Figura 8, la bola que aparenta estar más cercana a nosotros (la más
grande que está cerca de la arista derecha del cubo) se corresponde con valores altos en
todos los niveles de P, K y N. Por contra, la bola más pequeña que aparece en el
extremo opuesto del cubo (cerca del origen de los ejes), se corresponde con valores
bajos. Parece evidente, pues, que ambas bolas con respuestas tan opuestas pertenecen a
grupos de datos distintos.

Será tarea de otro artículo el tratamiento en profundidad del algoritmo específico

aplicado para el agrupamiento, pero en este caso nos basta con comprender que la base
del proceso está en la distancia en el espacio de datos que existe entre las bolas flotantes
(o lo que es lo mismo: las tramas de datos). Así, grupos de bolas que están relativamente
cercanas entre sí forman un posible grupo, y aquellos cúmulos de bolas que están
alejados de este grupo mencionado forman otros potenciales clusters. En el ejemplo de
la figura anterior, las bolas rojas identifican un grupo con respuestas relativamente bajas
de los niveles P, K y N, mientras que las bolas berdes forman el cúmulo de datos
(cluster) opuesto con respuestas relativamente altas. Todo esto traducido en forma de
mapa da lugar a la representación cartográfica de la parte inferior derecha de la Figura
8.

Sin embargo, identificar estos grupos de datos cercanos entre sí en el espacio de datos
puede ser una tarea árdua. Lo ideal sería encontrarnos con una estructura de 'nubes' de
bolas en el espacio de datos para facilitar la tarea de identificación de los clusters, pero
eso raramente ocurre, así que no queda otro remedio que aplicar ciertas reglas de
decisión que nos permitan partir los datos por contornos que se tienen que corresponder
con respuestas similares en los datos. Se pueden aplicar técnicas más o menos
sofisticadas que ponderen criterios en función de las tendencias de las series de datos y
otros recursos estadísticos expertos como la consideración de la autocorrelación
espacial, el tratamiento categórico de los datos, etc.

Figura 9. Los resultados del

agrupamiento se pueden validar
preliminarmente con estadística
básica.

Ahora bien, ¿cómo podemos

saber si los resultados del
agrupamiento son aceptables?

La mayor parte de los expertos en

estadística responderían a esta
pregunta "es imposible saberlo a
ciencia cierta". No obstante,
nosotros trataremos de buscar una respuesta.

Aunque hay algunos procedimientos bastante elaborados que se centran en las

asignaciones de los agrupamientos y en el estudio de los umbrales de tales grupos, la
estadística tradicional -a través de los índices comunes que todos utilizamos- es una de
las formas más utilizadas de comprobar la bondad de los resultados del clustering.

La Figura 9 muestra una tabla con estadísticas básicas y tres gráficos de apertura: uno
por cada capa cartográfica (P, K y N) y cada uno con los resultados de los dos cúmulos
realizados (cluster 1 y cluster 2). En la tabla de estadísticas básicas se han incluido la
media, la desviación típica y los valores máximos y mínimos de cada cúmulo. Lo ideal
sería que las medias entre los grupos fueran radicalmente diferentes y que las
desviaciones típicas dentro de cada grupo fueran muy pequeñas, lo que implicaría que
existen grandes diferencias entre los grupos pero pequeñas diferencias en el seno de
cada grupo.
Los gráficos de apertura nos permiten visualizar estas diferencias. Dentro de estos
gráficos las cajas están centradas en la media (posición) y se extienden hacia arriba y
abajo una desviación típica (ancho); los hilos de apertura que las acompañan se
extienden de los valores máximos a los mínimos, dándonos una idea del rango de
apertura que tiene la serie. Cuando los diagramas de dos clusters se solapan, como
ocurre en el caso de las respuestas del fósforo, quiere decir que dichos cúmulos no son
muy distintos en lo que respecta a ese parámetro (o lo que es lo mismo, a ese eje en el
espacio de datos). Sin embargo, la separación que existe en las cajas de los gráficos de
K y N sugieren un mayor éxito en la distinción de los clusters (especialmente en el caso
del potasio).

Dados estos resultados del ejemplo, un analista GIS daría por aceptable la
clasificación... y yo espero que los expertos en estadística acepten mis disculpas por
tratar un tema tan complejo de una forma tan breve y simplificada.

  MAPAS DE PREDICCIÓN

Hablar del futuro de los Sistemas de Información Geográfica es hablar de mapas que
puedan describir cosas que aún no han sucecido... Suena un poco a ciencia ficción pero
lo cierto es que las técnicas de Data Mining espacial no paran de progresar e
inexorablemente nos llevan en esa dirección. Durante décadas, la estadística
convencional (no espacial) ha estado prediciendo cosas mediante el análisis exhaustivo
de muestras de datos en busca de relaciones numéricas (ecuaciones) que luego pueden
ser aplicadas a otros conjuntos de datos. Claro que cuando se realiza una aproximación
basada en la estadística tradicional sobre datos con una componente espacial, estamos
pasando por alto las relaciones geográficas y el resultado al final es sólo una tabla de
números, precisamente por no tener en cuenta dicha componente espacial.

La simbiosis existente entre el análisis estadístico predictivo y la cartografía parece

evidente. Después de todo, los mapas no son más que un conjunto organizado de
números... y los Sistemas de Información Geográfica nos permiten precisamente unir
estos números con su distribución espacial. Llevamos vistas en este artículo varias
técnicas 'descriptivas' para el análisis de la similaridad, el agrupamiento de datos, etc.
Ahora nos toca el siguiente paso lógico que es aplicar técnicas 'predictivas' para generar
mapas de extrapolación.

La primera vez que yo usé cartografía predictiva fue en 1992 para extender los
resultados de un estudio de mercado de una compañía de telefonía. La dirección del
cliente fue utilizada para geocodificar las ventas de un nuevo producto que permitía
asignar a un mismo aparato de teléfono disponer de dos líneas con números distintos y
sonido de llamada también distinto: uno para los más jóvenes de la casa y otro para los
mayores. Poco a poco emergió de la pantalla del ordenador un mapa de toda la ciudad
con el patrón de ventas, como si fuera uno de aquellos viejos mapas plagado de
chinchetas. Pudimos ver que algunas áreas estaban respondiendo bastante bien, mientras
que en otras las ventas iban bastante peor.

Los datos demográficos de la ciudad fueron analizados para calcular una ecuación de
predicción entre las ventas del producto y los datos censales. Es decir, escribimos la
ecuación de predicción viendo la relación existente entre los datos del estudio de
mercado (sobre todo ventas) y los datos demográficos, todo ello de una sola ciudad.
Luego esta ecuación fue aplicada en otra ciudad utilizando sus propios datos censales
como elemento para 'resolver la ecuación' y en consecuencia generar un nuevo mapa
predictivo de ventas. Con posterioridad dicho mapa predictivo de ventas fue cruzado
con la información de cableado e instalaciones de la compañía para identificar
elementos de la red que deberían ser reforzados o actualizados previamente al
lanzamiento del producto.

Figura 10. El mapa de la

explotación de maíz (arriba)
identifica la trama de datos a
predecir; las imágenes del rojo e
infrarrojo cercano de abajo son
utilizadas para averiguar la
relación espacial.

Para ilustrar el procedimiento de

Data Mining predictivo vamos a
seguir con el ejemplo de la
explotación de maíz con la que
venimos trabajando en este
artículo. La parte de arriba de la
Figura 10 muestra la producción
de la explotación para un
momento dado (año 2000), con niveles que varían de 39 kg por hectárea (en rojo) a 279
en los valores más altos (pintados en verde). Al mapa de producción de cultivo se le
denomina la 'variable cartográfica dependiente' porque identifica los datos de partida del
fenómeno que pretendemos predecir.

Las 'variables cartográficas independientes' son las que figuran en la parte de abajo del
gráfico, las cuales nos permitirán poner al descubierto las relaciones espaciales
existentes (ecuación de predicción). En el ejemplo que estamos viendo, utilizamos como
variables cartográficas independientes dos imágenes aéreas; la imagen de la parte de
abajo a la izquierda indica la reflectancia relativa de luz roja que reflejan las copas de
las plantas en la explotación; la imagen de abajo a la derecha presenta la respuesta en el
infrarrojo cercano de la misma explotación (luz con una longitud de onda ligeramente
inferior al umbral mínimo que puede percibir el ojo humano).

Viendo estas tres imágenes parece imposible dar con las relaciones que existen entre los
tres conjuntos de datos; sin embargo, el ordenador es capaz de 'percibir' dichas
relaciones cuantitativamente. Cada posición relativa en los tres mapas (celda
equivalente) tiene un valor en
cada una de los mapas. Y cada
capa cartográfica (cada mapa)
está compuesto de 3.287 celdas
que cubren la totalidad de la
superficie de la explotación.

Figura 11. Las condiciones

comunes para ambas imágenes de
respuesta espectral y el mapa de
producción de cultivo son representadas en los gráficos de dispersión de la parte
derecha.

Por ejemplo, en la parte de arriba de la Figura 11 vemos que la celda ubicada en la fila
13 y columna 46 tiene una condición 'común' de 14.7 en la imagen del rojo y 218 en los
datos de producción de cultivo. Las líneas rojas que aparecen en el gráfico de dispersión
inmediatamente a su derecha muestran la posición precisa del par de datos cartográficos
X=14.7 e Y=218. Lo mismo podemos ver en la parte de abajo de la figura pero con los
datos del Infrarrojo cercano cruzados con la producción de cultivo.

De hecho, las nubes de puntos azules que vemos en los gráficos de dispersión
representan pares de datos para cada una de las 3.287 celdas con las que trabajamos para
representar la explotación agrícola analizada. Una cosa más, las líneas azules de los
gráficos representan de forma gráfica las ecuaciones de predicción derivadas del análisis
de regresión. En realidad, el fundamento matemático detrás de este tipo de análisis es
algo más complejo, pero se podría decir que el objeto es conseguir la línea que 'mejor se
adapte a los datos', es decir, con el mismo número de puntos por encima que por debajo
de la línea.

Análisis de Similaridad Cartográfica y generación de Mapas Predictivos

mediante Sistemas de Información Geográfica (Parte II) ::

En cierto modo, esta línea azul derivada del análisis de regresión identifica la
producción media de cultivo para cada punto dentro del eje X (respuestas en el rojo e
infrarrojo respectivamente). Piense un momento sobre ello... ¿No se podría utilizar este
tipo de análisis de regresión como un método para predecir la producción en otra lugar o
en otro momento del tiempo? Es decir, tomar el análisis de regresión como un modelo
predictivo en el cual introducimos un valor de respuesta en el infrarrojo (o rojo) para
otro momento del tiempo u otro lugar, y usar la ecuación que deriva la línea azul para
predecir la producción de cultivo bajo esas condiciones. Repetir el proceso en todas las
celdas del mapa de la explotación y de esa forma obtener un mapa predictivo de la
producción prevista en función de los datos proporcionados por la imágen aérea. Ojalá
fuera así de simple y de exacto...

Un problema muy importante es que el estadístico 'r-cuadrado' para ambas ecuaciones

del ejemplo es bastante pequeño (R²=26% en el primer caso y R²=4.7% en el segundo
caso). Y esto sugiere que las líneas de predicción no se ajustan a las series de datos
demasiado bien.

Una manera de mejorar el modelo predictivo podría ser combinar la información de

ambas imágenes. El Indice Normalizado de Densidad de Vegetación (Normalized
Density Vegetation Index o NDVI) permite realizar esta tarea mediante el cálculo de un
nuevo valor por celda que indica el estado de vigor de la vegetación, según la fórmula:

NDVI = ( (Infrarrojo_Cercano - Rojo) / (Infrarrojo_Cercano + Rojo) )

La Figura 12 muestra precisamente ese proceso de cálculo del índice NDVI para un
ejemplo de celda:

NDVI = ( (121 - 14.7) / (121 + 14.7) ) = 106.3 / 135.7 = 0.783

El gráfico de dispersión a la derecha de la misma Figura 12 muestra los datos de

producción de cultivo cruzados con el índice NDVI, incluyendo la línea de regresión
calculada para el conjunto de las celdas con que grafiamos el mapa de toda la
explotación. Fíjese que en este caso el valor de R² es ahora bastante mayor (30%), lo
que indica que el índice NDVI es un mejor elemento predictivo de la producción.

Figura 12. Las imágenes de

respuesta en el rojo e infrarrojo
cercano han sido combinadas
ahora para derivar el índice
NDVI, que es un mejor elemento
predictivo de la productividad de
los cultivos.

La parte de abajo de la figura se

centra en evaluar el rendimiento
de la ecuación de predicción en
todo el ámbito de la explotación
agrícola analizada. Así, los dos
mapas más pequeños de la
izquierda muestran los datos
disponibles de producción para el año 2000 (izquierda) y el mapa de predicción del
rendimiento futuro (derecha). Como era previsible, el mapa futuro no contiene la misma
amplitud de valores extremos (máximos y mínimos) que podemos ver en la versión del
año 2000.

Y otra cosa importante; el mapa de abajo a la derecha estima el error del cálculo
previsto, mediante una simple resta de los valores de producción obtenidos en el 2000
del nuevo mapa de previsión (procediendo celda por celda, como en todos los procesos
que estamos describiendo). Este mapa de error sugiere que las cábalas hechas no son del
todo malas: el error medio está en torno a 2.62 kg/ha (en sobreestimación) y el 67% de
la superficie de la explotación está dentro de los 20 kg/ha. También es importante
reseñar que la mayor parte de la sobreestimación ocurre a lo largo del eje de la
explotación, mientras que las subestimaciones están esparcidas a lo largo de dos
curiosas bandas que aparecen con orientación Noreste-Suroeste.

Algunos me podrán decir que evaluar una ecuación de predicción sobre los mismos
datos que se usaron para generarla no es un verdadero proceso de validación, y
ciertamente tendrían razón. No obstante, este procedimiento sí que proporciona al
menos una verificación empírica de la técnica descrita, y nos permite vislumbrar que
con algo más de refinamiento sobre el modelo predictivo, éste puede ser útil en el
pronóstico de producciones de cultivos antes de haber plantado nada.

Seguidamente analizaremos algunas de estas técnicas de refinamiento de la predicción y

qué otra información útil podemos extraer de los mapas el error.

  ESTRATIFICACIÓN DE MAPAS PARA MEJORAR LOS CÁLCULOS

PREDICTIVOS

Acabamos de ver un procedimiento para realizar mapas predictivos a partir de series de

datos interrelacionadas entre sí y de una misma zona. Aunque lo hemos explicado muy
brevemente, porque el procedimiento en sí lo es, la teoría que soporta este método, sus
consideraciones profundas y sus limitaciones podrían llevar toda una asignatura
semestral, sin duda alguna.

En un análisis basado en datos raster como el que acabamos de ver, partimos de la

premisa de que cada celda de las capas cartográficas tomadas como base, tiene el dato
correcto. A partir de ahí, toda la amalgama de números que resultan de 'atravesar' de
arriba a abajo las capas cartográficas 'apiladas' son analizadas según el procedimiento
expuesto para obtener una ecuación de predicción que se supone modeliza las relaciones
espaciales existentes entre los datos.

En el ejemplo que hemos puesto en el punto anterior, usábamos el análisis de regresión

para relacionar un mapa con el índice NDVI con un mapa de producción de cultivo de
una explotación de maíz, tomado con mediciones empíricas. La ecuación resultante
veíamos que nos permitía derivar un nuevo mapa de producción futura prevista a partir
de la ecuación de regresión, pudiendo comprobar a posteriori la bondad de la predicción
(error cometido).

Figura 13. Estratificación de la explotación del ejemplo en función de los errores en la

predicción.

En la parte izquierda de la Figura 13 tenemos descrito el proceso que ya hemos visto

anteriormente para el cálculo del mapa de error; dicho procedimiento consiste en restar
los valores del mapa de producción actuales (procedentes de mediciones empíricas) del
mapa de predicción calculado, lo cual da lugar al mapa de error. Con este mapa de error
en la mano, hemos visto que las predicciones realizadas no eran del todo malas: un error
medio de 2.62 kg/ha con un el 67% de la superficie analizada dentro de los 20 kg/ha del
mapa de producción. Sin embargo, algunas celdas estaban muy lejos de lo esperado con
144 kg/ha (de sobre estimación) y 173 kg/ha (de subestimación).
Una manera para mejorar las predicciones realizadas es estratificar los datos mediante la
fragmentación de los mismos en grupos de características similares. La idea es que si
hacemos ecuaciones a medida para cada uno de los estratos de datos, el resultado final
será más preciso que si aplicamos una sola ecuación de predicción para todo el área de
la explotación. Esta técnica se usa frecuentemente en estadística convencional (no
espacial), donde determinados conjuntos de datos son agrupados por edad, ingresos,
nivel educativo u otro criterio antes de hacer su análisis. En estadística espacial
podemos aplicar más criterios aparte de los referidos a la naturaleza de los datos; por
ejemplo, podemos agrupar por las condiciones de vecindad y/o proximidad.

Lo primero que hay que decir es que existen diversas alternativas para realizar la
estratificación de los datos. Nosotros realizaremos la aproximación conceptual al
procedimiento a partir de una subdivisión del mapa de error, que nos permitirá ver qué
hay detrás de esta técnica. En este sentido, si miramos el centro de la Figura 13 vemos
el histograma de frecuencias que hemos preparado del mapa de error. Las líneas verdes
que se pueden ver en el histograma indican puntos de ruptura de más/menos una
desviación típica, que nos dividen todo el conjunto de datos en tres estratos:

 Zona 1, formada por celdas inusualmente sub-estimadas en lo que a producción

prevista se refiere (en rojo).
 Zona 2, formada por las celdas dentro del error típico de la serie (en amarillo).
 Zona 3, formada por celdas inusualmente sobre estimadas (verde).

Si ahora pasamos estas tres zonas al mapa de error, obtenemos el mapa que se puede ver
en la parte derecha de la Figura 13.

El razonamiento que hay detrás de la estratificación consiste en que la ecuación de

predicción que hemos hecho anteriormente funciona bastante bien para la zona 2, pero
no tan bien para las zonas 1 y 3 (donde encontramos los valores extremos de sobre-
estimación y sub-estimación). Es decir, hay algo que provoca que la ecuación en la zona
1 arroje valores sub-estimados y en la zona 3 sobre-estimados. Si esto es cierto, uno
podría pensar y con razón que una ecuación nueva a medida para cada una de estas
zonas 'especiales' podría mejorar los resultados.

La siguiente figura presenta los resultados de derivar y aplicar tres ecuaciones de

predicción a la vez:

Figura 14. Tras realizar la

estratificación de los datos, las ecuaciones de predicción pueden ser particularizadas
para cada zona resultante.
En la parte izquierda vemos el esquema del procedimiento: partiendo del mapa de zonas
de error en el cual hemos distinguido tres zonas, hemos cruzado dicho mapa con los
valores del índice NDVI y los valores del mapa de producción, resultando tres
ecuaciones de predicción separadas (una para cada zona de datos). En cada celda del
mapa, el algoritmo utilizado ahora tiene una diferencia: primero comprueba el valor que
tiene en el mapa de zonas de error y luego envía los datos al grupo adecuado para el
análisis de regresión. Es decir, primero se agrupan los datos en series independientes
según la zona y luego se genera la ecuación de regresión también por zonas
individuales. Los estadísticos de la 'r-cuadrado' resultantes para cada ecuación (0.68,
0.60 y 0.42 respectivamente) sugieren que las ecuaciones se adaptan y describen
bastante bien las series de datos, con lo cual deberían ser buenos elementos para la
predicción.

Por último, la parte derecha de la misma Figura 14 muestra el mapa de predicción

generado como consecuencia de aplicar las tres ecuaciones a la vez sobre los datos del
índice NDVI (lo que hemos llamado en el gráfico 'Predicción Compuesta'.

Figura 15. Las predicciones, sean

estratificadas o generales, pueden
ser comparadas y comprobadas
utilizando técnicas estadísticas.

Hablemos ahora de la
comparación y comprobación de
las predicciones entre sí. En la
Figura 15 (parte izquierda)
tenemos una comparación visual
entre los mapas de producción y
dos predicciones (general y
estratificada). La estratificada
muestra estimaciones detalladas
y de mayor precisión que la
predicción general. El mapa de error para la predicción estratificada (que le podemos
ver en grande) nos indica que el 80% de las estimaciones realizadas (celdas) están
dentro de un error de +/- 20 kg/ha, y que el error medio es de sólo 4 kg/ha. La horquilla
entre máximos y mínimos va de -81.2 a 113, así que no nos podemos quejar de las
predicciones realizadas usando un conjunto bastante limitado de datos (el índice NDVI
y el mapa de producción actual empíricamente medido); y lo más importante: todo esto
lo podemos saber antes de que los agricultores hayan movido un solo grano de tierra.

Antes de terminar, quisiera resaltar un par de cosas acerca de este ejemplo de Data
Mining Espacial que acabamos de ver. En primer lugar, es importante destacar que
existen muchísimos otros métodos de estratificación de datos cartográficos, por
ejemplo:

 Por zonas geográficas. Criterios tales como proximidad al borde de la

explotación.
 Por zonas cartográficas dependientes, tales como áreas de baja productividad de
cultivo, áreas de producción media y áreas de muy alta productividad.
  Por zonas de datos (ya hemos visto cómo se hace esto), aplicando un criterio,
por ejemplo, como los niveles de nutrientes presentes en el suelo.
 Por zonas cartográficas correlacionadas, usando el microrrelieve como elemento
diferenciador (identificación de pequeñas 'sierras' divisorias, depresiones, etc.

Los criterios de estratificación pueden ser muchos y la creatividad del analista SIG tiene
aquí campo para expandirse. De hecho, el proceso de identificar esquemas de
estratificación coherentes, consistentes y sobre todo útiles desde el punto de vista de su
aplicación y resultados es un campo emergente de investigación en las ciencias
espaciales de hoy en día.

En segundo lugar, quisiera resaltar también que los mapas de error son claves en el
proceso de evaluación y refinamiento de las ecuaciones de predicción. Este aspecto es
especialmente importante en los casos en los que pretendemos hacer una extrapolación
de los datos que vaya muy lejos en el tiempo y/o espacio. Es importante destacar que la
técnica de utilizar los mismos datos de partida para la evaluación de las predicciones no
siempre es oportuna (en los ejemplos que hemos visto en este artículo lo hemos hecho
por claridad en la exposición y porque basta para comprender el proceso, pero a efectos
de casos prácticos reales no es lo más adecuado).

Siempre que nos sea posible, deberemos contrastar las ecuaciones de predicción y los
mapas derivados de ellas con datos reales de otros lugares y/o momentos temporales
para tener una idea real del rendimiento del modelo. Este es un imperativo que no se
debe olvidar en ningún método sometido al método científico.

Finalmente, quisiera terminar diciendo que por supuesto el Data Mining Espacial no se
restringe en su aplicación a la gestión agrícola (lo que se ha dado en llamar Agricultura
de Precisión). Este tipo de métodos nos permiten una aplicación potencial en cualquier
campo en el que dispongamos de un conjunto de datos cartográficos interrelacionados
entre sí. Ya dimos algunas ideas a lo largo de este artículo de aplicaciones con modelos
predictivos para estudios de geomárketing.

Lo importante es que empecemos a ver los conjuntos de capas cartográficas de una

misma explotación agrícola, ciudad, etc. como una única fuente de datos que
debidamente organizada y analizada cartográficamente puede revelarnos sus relaciones
espaciales ocultas y ser un excelente arma de planificación... y eso que sólo hemos
descubierto un mínimo de los secretos que los datos ocultan dentro de sí.

  Sobre el autor:

El Dr. Joseph K. Berry es uno de los nombres que se pueden catalogar

de históricos dentro del desarrollo de los Sistemas de Información
Geográfica en los últimos 30 años. Es autor de múltiples libros de gran
éxito como Beyond Mapping o Spatial Reasoning, por citar algunas de
sus obras, a las que hay que sumar más de 200 artículos e intervenciones
en conferencias alrededor del mundo. Berry es también columnista de la
revista GEOWorld donde publica mensualmente sus artículos de la serie
Beyond Mapping.
Actualmente compatibiliza su dedicación profesional a la dirección de su propia
empresa (Berry & Associates // Spatial Information Systems -BASIS- de consultoría y
desarrollo en sistemas de información geográfica) con la actividad docente: es Miembro
Especial de la Universidad del Estado de Colorado y Miembro de Honor Keck de la
Universidad de Denver.

Junto con Dana Tomlin, fue uno de los desarrolladores del software MAP (Map
Analysis Package), con el que muchos de nosotros aprendimos los fundamentos de la
tecnología SIG hace ya mucho tiempo. Ahora es un honor para mí poder contar con su
colaboración en estas páginas.

Historial profesional completo de Joseph K. Berry.

SIG Libre

En los últimos años venimos asistiendo al nacimiento y a una constante proliferación de

las tecnologías abiertas aplicadas a sectores y disciplinas de diversa índole. No podía ser
de otro modo en el ámbito de la información geográfica, donde el objetivo de la
implantación de este tipo de software no es hacer frente a las grandes soluciones
comerciales o propietarias, sino poner al alcance de pequeñas y medianas empresas,
ayuntamientos, entidades locales, centros educativos y de investigación, entre otros,
herramientas para la gestión y el análisis de la información geográfica cuando el coste
es uno de sus principales condicionantes. 

¿Qué  es el software libre?

Según el norteamericano Richard Matthew Stallman, fundador del Movimiento del

Software Libre, el concepto de software libre se basa en cuatro libertades básicas:

1. Libertad para ejecutar el programa con cualquier propósito.

2. Libertad para estudiar cómo funciona y adaptarlo a las necesidades del usuario.
3. Libertad para distribuir copias y compartirlas con otros usuarios.
4. Libertad para mejorarlo y compartir dichas mejoras con otros usuarios con el
objetivo de que también ellos puedan beneficiarse del programa.

Este tipo de programas abiertos suelen ser gratuitos, pero no se debe asociar software
libre a software gratuito. Se trata de una cuestión de libertad de uso y manipulación, no
de precio.

El SIG libre constituye una solución altamente aceptable para el tratamiento de los datos
espaciales. Muchos de estos proyectos están respaldados por instituciones
gubernamentales o universidades a las que se han sumado miles de desarrolladores de
todo el mundo que contribuyen con sus mejoras a la constante y satisfactoria evolución
de las tecnologías geoespaciales libres.

De entre las muchas aplicaciones de sobremesa SIG desarrolladas en el ámbito del

software libre destacaremos tres: Open Jump, GvSIG y UDIG.

Para saber más acerca de estas aplicaciones, haga clic sobre los botones del menú
inferior.

o  
o  
o  

OpenJUMP

OpenJUMP es un SIG de código libre que permite realizar consultas, crear y editar
datos geográficos de formatos diferentes. Está programado en JAVA y es
multiplataforma, es decir, puede ejecutarse en entornos distintos como Windows, Linux
o Mac OS.

Es un sistema altamente intuitivo que basa su funcionalidad en módulos. Esta

arquitectura modular permite crear numerosos plugins para numerosos formatos que
añaden funcionalidades distintas a la aplicación. Así, para cargar cualquier tipo de
imagen o dato vectorial sólo habrá que cargar o programar el módulo en cuestión.
Su interfaz es parecida a la de ArcView: tabla de contenidos a la izquierda y ventana
central para el mapa. Tiene herramientas de edición muy interesantes para la
modificación de datos vectoriales y otras herramientas básicas de geoprocesado (zonas
de influencia, uniones, etc.). Cualquier nueva función es fácilmente implementable. Con
este software, incluso es posible conectarse a servidores de cartografía WMS. WMS es
un servicio que constituye una plataforma de datos (imágenes); el tipo de dato al que se
accede mediante conexión remota permite la visualización de imágenes, pero no permite
acceder al dato, es decir, sólo permite ver, pero no modificar.

Existen versiones internacionalizadas y sites varios con información sobre OpenJUMP,

tanto para la creación de nuevos plugins como para generar nuevos proyectos o
programas basados en este software que aporten nuevas funcionalidades y más
específicas, como por ejemplo, GvSIG o GeoPISTA.

Descargas:

Descarga del software OpenJump de su página oficial

Descarga de Manual de Usuario de su página oficial

GvSIG

GvSIG es un Sistema de Información Geográfica que tiene su origen en la Generalitat

Valenciana. Es gratuito y con licencia GNU/GPL (Licencia Pública General de GNU o
sistema operativo totalmente libre).

GvSIG es un software integrador, capaz de trabajar con información de cualquier tipo u

origen, tanto en formato raster como vectorial, y comparte algunas otras características
con JUMP como su arquitectura modular o su carácter multiplataforma. Además,
permite trabajar con formatos de otros programas como Autocad, Microstation o
ArcView, de acuerdo con los parámetros de la OGC (Open Geospatial Consortium) que
regula los estándares abiertos e interoperables de los Sistemas de Información
Geográfica. Las herramientas que implementa permiten una gran precisión en edición
cartográfica, incluye funciones avanzadas para usos en teledetección, morfometría e
hidrología, y otras funciones básicas como diseño de impresión y soporte de los
formatos más populares, tanto vectoriales como de imágenes. 

GvSIG es una aplicación de la que ya existen varias versiones, y aunque su

funcionalidad está prácticamente cubierta y se ha convertido en una referencia dentro de
las tecnologías SIG, continúa actualmente en fase de desarrollo y perfeccionamiento,
siempre bajo los principios de compartir y elaborar.

Descargas:
Descarga del software GvSIG de su página oficial
Descarga de Manual de Usuario de su página oficial

o  
o  

uDig

uDIG tiene su origen en la empresa Refracctions (creadores de PostGIS) y es

considerado en gran parte por eso como el sucesor de OpenJUMP, además de porque lo
utiliza como base de algoritmos para el análisis de los datos espaciales. uDIG también
utiliza Geotools como librería para la entrada y salida de datos, gracias a lo que es capaz
de trabajar con un gran número de formatos.

Este software también está basado en los parámetros del OGC (Open Geospatial
Consortium) que regula los estándares abiertos e interoperables de los Sistemas de
Información Geográfica. Está programado en JAVA mediante un entorno de desarrollo
llamado Eclipse.
De entre sus ventajas cabe destacar que permite la conexión a servidores WFS (Web
Feature Service) o acceso a través de Internet a objetos geográficos no sólo a efectos de
su visualización en un mapa (WMS) sino además para consulta y descarga, es decir, en
modo lectura y escritura. Eso le hace convertirse en un proyecto cada día más
prometedor, aunque actualmente aún esté en fase de desarrollo. Se caracteriza también
por su capacidad de impresión y productos gráficos en los más diversos formatos,
además de por su diseño modular que permite ser reutilizado también en diversos
proyectos o programas.

Descargas:

Descarga del software uDIG de su página oficial

Descarga de Manual de Usuario de su página oficial

Redes Sociales

Cada vez es más usual encontrar en Internet redes sociales verticales o especializadas
en una temática concreta. Existen, a este respecto, redes sociales como ArcGis.com,
creada por la compañía ESRI con el objetivo de que profesionales y/o potenciales
profesionales del sector puedan trabajar y compartir conocimientos sobre herramientas y
aplicaciones SIG.

Por otra parte, existen en redes sociales generalistas como Twitter o Facebook, y
profesionales como Xing o Linkedin, multitud de perfiles y páginas de personas,
corporaciones o marcas relacionadas con los SIG, la cartografía o las nuevas tecnologías
aplicadas a la información espacial que utilizan la red para compartir sus experiencias,
conocimientos o descubrimientos.

No se trata de una red social como tal, pero la filosofía de crear, editar y compartir
información y recursos a través de la red, en este caso mapas, se encuentra tras el
conocidísimo Google Maps, servicio gratuito de Google y servidor de aplicaciones de
mapas en la red.

También con esta pretensión de crear comunidad en torno al mundo de los mapas, en el
año 2004 se lanzó Open Street Map, también conocido como “Wiki Mapamundi Libre”,
el más claro ejemplo de proyecto de trabajo cartográfico colaborativo. Open Street Map
es un mapa que permite ver, editar y usar libremente información geográfica de manera
colaborativa desde cualquier lugar del mundo.

Recientemente, una startup gallega ha lanzado la versión beta de ikiMap.com. Se trata

de un servicio online que permite crear y compartir mapas de manera rápida e intuitiva,
y que busca convertirse en un lugar de referencia en la búsqueda de información
geográfica principalmente por la sencillez de su uso.
 

BlogRoll

En el sentido más estricto de la expresión, un "BlogRoll" es un "rollo" de "blogs", un

listado de bitácoras online que aparece reflejado en una web.

Existen en la red numerosos blogs destinados a aclarar conceptos e ideas en torno a los
Sistemas de Información Geográfica, la cartografía o la geografía en general,
normalmente enmarcada en entornos relacionados con las nuevas tecnologías. Algunas
de ellas se enumeran a continuación:

 Blog IDEE. El Blog de la Comunidad de la Infraestructura de Datos Espaciales

de España.
 GeoTux. Soluciones Geoinformáticas Libres. Site que pretende promover y
compartir conocimientos sobre las tecnologías basadas en herramientas libres y
en estándares abiertos en el área de la Geomática.
 GvSIG Blog. Blog sobre el sistema de información geográfica libre GvSIG.

Technorati, Alianzo o Bitacoras.com son otros sites en los que poder encontrar listados
de blogs de cualquier temática.
 

Los Sistemas de Información Geográfica (SIG) son el resultado de la aplicación de las

llamadas Tecnologías de la Información (TI) a la gestión de la Información Geográfica
(IG).

El término Sistema de Información Geográfica (SIG) tiene tres acepciones: el SIG como
disciplina; el SIG como proyecto, cada una de las realizaciones prácticas, de las
implementaciones existentes; el SIG como software, es decir los programas y
aplicaciones de un proyecto SIG.

La acepción principal es la de SIG como proyecto, Sistema de Información que gestiona

Información Geográfica, es decir información georreferenciada..La definición más
extendida de SIG, con pequeñas variaciones, es la establecida por el Departamento de
Medio Ambiente (DoE), Burrough, Goodchild, Rhin y otros. La cual podemos sintetizar
diciendo que un SIG es un:

«Conjunto integrado de medios y métodos informáticos, capaz de recoger, verificar,

almacenar, gestionar, actualizar, manipular, recuperar, transformar, analizar, mostrar
 y transferir datos espacialmente referidos a la Tierra.»

Sin embargo creemos que, tal y como sostienen Burrough y Bouillé, un SIG debe verse
también como un modelo del mundo real, por lo que se podría definir como:

«Modelo informatizado del mundo real, en un sistema de referencia ligado a la Tierra

para satisfacer unas necesidades de información concretas».

En cualquier caso, se compone de datos, hardware, software, recursos humanos y un

esquema organizativo.

Proyectos relacionados del IGN

SIGNA

SIGNA es un proyecto del Plan Estratégico del IGN-CNIG desde el año 2005 que tiene
como objetivo integrar las bases de datos geográficos digitales del IGN en un SIG,
especialmente las Bases Cartográficas y Topográficas, con la finalidad de utilizar sus
datos de forma conjunta y coherente, y dotarles de topología y continuidad más allá de
la unidad mínima de producción/actualización.

Como consecuencia, se dispone de un SIG básico, inteligente, integrado y coherente

para la consulta y actualización de los datos accesibles desde las unidades pertinentes
del IGN-CNIG y para la consulta de usuarios externos mediante una aplicación
accesible a través de Internet.

El proyecto SIGNA (Sistema de Información Geográfica Nacional) consta de dos

grandes áreas de trabajo que a grandes rasgos podrían definirse como: la parte
encargada de la continuidad y estructuración de los datos, denominada
ESTRUCTURACIÓN; y la parte de desarrollo y mantenimiento de las aplicaciones y
clientes que permiten al público acceder y analizar los datos geográficos, Geoportal
SignA.

 ESTRUCTURACIÓN: consiste en el tratamiento de las bases topográficas y cartográficas del IGN-

CNIG: Base Cartográfica Numérica a escala 1:25.000, Base Topográfica Numérica a escala 1:25.000
y Base Cartográfica Numérica a escala 1:200.000, con el objetivo de generar fenómenos
geográficos complejos y continuos a lo largo de todo el ámbito del Estado, a partir de los
elementos geográficos que componen estas bases de datos, e integrarlos en un Modelo de Datos
con topología
 Geoportal del SIGNA: consiste en el diseño de un portal web que permite la consulta y análisis de
los fenómenos geográficos a través de Internet, usando la propia base de datos SIGNA y aquellos
datos del IGN que son accesibles a través de servicios web: WMS, WFS, etc.

SIGNA es un geoportal* que actúa como la puerta de acceso al nodo IDE del IGN y que
además combina el mundo IDE con el mundo de los SIG. Como nodo IDE del IGN
tiene precargados la mayoría de servicios OGC que se producen en el IGN. En un futuro
próximo esperamos implementar todos y cada uno de los servicios OGC del IGN, tales
como el WPS y WCS para el cálculo de cotas, mapas de visibilidad, etc.

Permite el acceso a multitud de servicios OGC y de otros tipos no estándar, además de

tener la posibilidad de realizar consultas alfanuméricas y espaciales sobre la base de
datos del proyecto SIGNA. Esta base de datos se ha creado a partir de una selección de
los datos producidos en el IGN, por ahora mayoritariamente a escala 1:200.000, aunque
con excepciones que permiten una visualización continua de los datos hasta escalas
grandes.

Imagen del visualizador de SIGNA

En el canal youtube del IGN están subidos algunos videos de cómo realizar consultas y
añadir servicios, para que los usuarios conozcan la capacidad del geoportal y lo puedan
explotar al máximo:

 SIGNA-Consulta alfanumérica: Municipio de Robledo de Chavela.

 SIGNA-Consulta espacial: Hojas 25000 Robledo Chavela.
 SIGNA-Consulta espacial: municipios en el entorno de 10 km de la central de Garoña.
 SIGNA-Consulta espacial: Afluentes Jarama.
 SIGNA-Consulta múltiple de atributos: Poblaciones (Madrid mas de 20.000 hab).
Esto son sólo ejemplos que muestran el potencial de la herramienta, poco a poco
incluiremos otras herramientas como la descarga de los resultados, herramienta de
impresión, etc.

SIANE

El Sistema de Información del Atlas Nacional de España (SIANE) es un proyecto de

innovación y desarrollo que da soporte tecnológico a la producción y publicación del
Atlas Nacional de España (ANE), así como a otros productos y servicios ofrecidos por
el Área de Cartografía Temática y Atlas Nacional del IGN.

El IGN tiene la satisfacción de poner a disposición del público a través del portal
SIANEWEB toda la información recopilada y ordenada en los contenidos del Atlas
Nacional de España.

Como novedad, a través de ese portal, el usuario puede acceder por medio de consultas
personalizadas a la información geográfica actualizada y a los contenidos digitales de
forma individual (un mapa, una imagen, un epígrafe, etc.), ya que se presenta en forma
de catálogo; o crear su propia selección de contenidos, sin necesidad de esperar a que un
determinado grupo temático esté completamente actualizado.

Mapa obtenido a partir del SIANE

SIP de Santiago de Compostela

El Sistema de Información Patrimonial de Santiago de Compostela (SIP), es un sistema

geodocumental de gestión, inventario y administración del Patrimonio.
Sistemas de Información Geográficos
Empresariales
Este curso busca formar al estudiante en tecnologías avanzadas de integración de
Información Geográfica en Sistemas de Información Empresariales. Buscando así,
generar capacidad de análisis y diseño en problemas actuales de integración de
Información Geográfica en Aplicaciones Empresariales.

Objetivos: 

Formar al estudiante en tecnologías avanzadas de integración de Información

Geográfica en Sistemas de Información Empresariales. Generar capacidad de análisis y
diseño en problemas actuales de integración de Información Geográfica en Aplicaciones
Empresariales.

Temario: 

1. Conceptos de Información Geográfica.

2. Sistemas Empresariales - definición y sus arquitecturas. Arq. En Capas, SOA,

plataformas tecnológicas (Microsoft, JEE), Middleware (Web Services, ESB), SAAS,
Cloud Computing.

3. Casos de Aplicación de IG en Aplicaciones Empresariales y Metodología de

Análisis. 

4. Bases de Datos Geográficas - Estándares OGC. Tipos de Datos, Funciones, QL.

"Simple Features for SQL".

5. Servidores de Información Geográfica (o servidores de mapas) - Web Services

Geográficos. estándares OGC. GML, WMS, WFS, WMC, WCS.

6. Seguridad en Servicios de Mapas: GeoXACML.

7. Visualización de Mapas - Desktop, Web. Globos Web. 

 

8. Casos de Ejemplo de IG en Sistemas Empresariales

9. Infraestructura de Datos Espaciales (IDE). Gestión de la Información Espacial.

10. Metadatos - Catálogos de Metadatos. Estándares ISO 19115 y perfiles, FGDC.

11. Calidad de la Información Geográfica: ISO 19113, ISO 19114, ISO 19138

Créditos: 
6
Público objetivo: 
Profesionales interesados en profundizar en el área de sistemas de información, en
particular las aplicaciones de información geográfia en sistemas empresariales.
Conocimientos exigidos: 
Bases de Datos y Programación
Conocimientos deseables: 
Sistemas de Información Empresariales, nociones sobre Información Geográfica
Metodología de evaluación: 

El curso se evaluará a partir de:

 La realización del Caso de Estudio y su participación en clase y laboratorio.

(50%)
 El informe final del Caso de Estudio (25%)
 Presentación final del Caso de Estudio. (25%)

El curso se aprueba con el 60% de los puntos, teniendo un mínimo del 5% en cada
actividad.

ARQUITECTURA BASADA EN SERVICIOS

PARA LA INTEGRACIÓN DE BASES DE
DATOS ESPACIALES
Architecture based services for the integration spatial database

Janneth Pardo Pinzón 1* & Rubby Stella Pardo Pinzón 1**

1Universidad Distrital Francisco José de Caldas, Facultad del Medio Ambiente y
Recursos Naturales.
Correspondencia: *jpardop@udistrital.edu.co **rspardop@udistrital.edu.co.

RESUMEN
Un elemento efectivo para la planeación y toma de decisiones a nivel organizacional
es la información geoespacial, que día a día se ha ido incorporando en cada uno de
los procesos al interior de las organizaciones. Por lo tanto, existe la creciente
necesidad de compartir repositorios de datos espaciales para el manejo
eficientemente de los recursos y el adecuado engranaje institucional.

Básicamente, la manipulación, organización y análisis de los datos espaciales que

realizan en las diferentes dependencias de las organizaciones, se hace mediante un
Sistema de Información  Geográfica (SIG). El problema radica tanto en la
proliferación de las bases de datos espaciales heterogéneas, como en la creciente
necesidad de  minimizar esfuerzos y crear nuevos desarrollos tecnológicos que
faciliten el acceso a los recursos.

Existen  hoy en día diversos contextos y sistemas de aplicación que se han

desarrollado orientados en superar la complejidad y la inflexibilidad de los sistemas
locales. En este orden de ideas, y como un aporte a la solución del problema de
interoperabilidad entre bases de datos espaciales heterogéneas, en el presente
documento se proponer una arquitectura basada en servicios para la integración de
repositorios de bases de datos espaciales, usando para ello la  Arquitectura
Orientada a Servicios SOA, que permita a los usuarios utilizar una interfaz estándar
para la consulta de los recursos espaciales.

Palabras clave: Arquitectura  Orientada a Servicios (SOA), bases de datos

espaciales, integración de aplicaciones, Sistemas de Información Geográfica (SIG).

ABSTRACT
Geospatial Information is an effective element for planning and decision making at
the organizational level, particularly because it is incorporated in each of the
processes within an organization on a daily basis. Therefore, there is a growing
need to share spatial data repositories for efficient management of resources and
appropriate institutional machinery.

Basically, manipulation, organization and analysis of spatial data held in the various
departments of an organization require a Geographic Information System (GIS).
The problem lies in three main aspects, namely the proliferation of heterogeneous
spatial databases, the growing need to minimize efforts, and the creation of new
technological developments that facilitate access to resources.

Although there is a variety of contexts and application systems that have been
developed aiming at overcoming the complexity and inflexibility of local systems,
there is still a need for a seamless integration system that allows data complex-
access.
In this paper, a service-based architecture for integrating repositories of spatial
data bases is proposed. In this architecture, the use of the Service Oriented
Architecture SOA is analyzed, specifically with regard to the construction of a
middleware that allows customers to use a standard interface to query space
resources.

Keywords: Service Oriented Architecture (SOA), spatial databases, application

integration, Geographic Information Systems (SIG).

INTRODUCCIÓN
Las organizaciones invierten grandes cantidades de dinero en la adquisición de
aplicaciones que les permita el manejo de la lógica de sus negocios, así como
superar el reto de la interoperabilidad entre los diferentes sistemas de información
que poseen (Ross et al. 2006). Gran parte de la información que se maneja con los
SIG se trabaja por hilos de información o por una gran diversidad de proyecto que
no están interconectados y que hacen difícil aprovechar los procesos dinámicos del
negocio.

Las compañías privadas así como las entidades gubernamentales demandan

continuamente proyectos relacionados con una localización inteligente, es decir,
demandan la integración de los datos espaciales con la inteligencia de negocios.
Frente a esta problemática se han diseñado diversas estrategias que permiten
correlacionar los modelos organizacionales y proveer soluciones estándar, como el
desarrollo de plataformas empresariales y nuevas aplicaciones que permitan
compartir servicios entre diferentes sistemas o aplicaciones, algunas de estas
estrategias son la Arquitectura Orientada a Servicios (SOA) y todo lo relacionado
con los servicios Web.

SOA se ha convertido en una corriente importante para la ingeniería de software y

para las redes de nueva generación,            gracias a que mediante interfaces bien
definidas entre los módulos de las aplicaciones permite el intercambio de datos, la
reutilización de funcionalidades (Xiaofeng et al. 2007; Walend, 2006) y el proceso
de hacer más escalables y extensibles cada uno de los sistemas que hacen parte de
las organizaciones. Los SIG se encasillan dentro de esos sistemas porque utilizan la
arquitectura  SOA para el intercambio de información geográfica dando origen a la
nueva era de los sistemas de gestión basados en servicios de geoinformación.

El artículo está dividido en tres secciones: la primera presenta una breve reseña de
los conceptos básicos relacionados con algunas tecnologías que se han diseñado
para el proceso de intercambio de información así como una reseña de la
importancia de los SIG  y de los repositorios de bases de datos espaciales, la
segunda presenta la arquitectura   propuesta como método de integración de las
bases de datos espaciales y finalmente se cierra con algunas conclusiones.

ANTECEDENTES
En el marco de lo que se refiere tanto a la planificación urbana y rural, así como la
planificación de los diversos proyectos corporativos, es necesario resaltar el acceso
a los sistemas de gestión basados en los servicios SIG, así como el extraordinario
desarrollo de las diferentes plataformas para los procesos de interoperabilidad de
información, específicamente lo relacionado con la información espacial.

Si bien, las herramientas desarrolladas son realmente robustas es claro que en la

mayoría de las organizaciones las aplicaciones trabajan de manera autónoma y
desacoplada (Curl et al. 2009) no existe una interconexión entre los sistemas
porque no se han desarrollado arquitecturas de software que permitan la
orquestación entre funcionalidades y entre los procesos de cada uno de los
aplicativos.

La carencia de una estructura de interoperabilidad se fundamenta en que cada una

de las dependencias al interior de las organizaciones automatiza separadamente
sus requerimientos sin tener en cuenta los mecanismos de accesibilidad que se
deben generar tanto para los nuevos desarrollos como para los demás sistemas
existentes (Len-Bass et al. 1998, Rim et al. 2009).

En este sentido, son varias las organizaciones que han intentado desarrollar 
soluciones integradas para compartir la información haciendo así frente a los
desafíos actuales y mejorando sus procesos y servicios.

Algunas de las técnicas adoptadas para la integración de datos espaciales son las
relacionadas con los datawarehouse (Pascuale 2008), sistema mediante el cual se
construye una bodega de datos central en donde se almacena la información de los
diversos repositorios de datos, y así generar un único mecanismo de consulta con
información debidamente actualizada. El problema consiste  en diseñar  una base
de datos con un esquema global que sería la solución para un conjunto de
aplicaciones.

Otro mecanismo consiste en utilizar los estándares abiertos propuestos por la OGC
para el dominio de datos espaciales; además se ha propuesto el desarrollo de una
arquitectura basada en wrapper para acceso directo a los servicios y una
arquitectura cliente/servidor, en donde haya una entidad que exponga los servicios
y otra que esté interesada en consumirlos. Sin embargo, las tecnologías antes
mencionadas carecen de robustez y flexibilidad para el descubrimiento de servicios.
El objetivo es seleccionar una arquitectura que permita manejar los sistemas de
forma desacoplada, de manera que se pueda diseñar un proceso de consulta de la
información más complejo.

MARCO CONCEPTUAL PARA LA IMPLEMENTACIÓN DE LA

ARQUITECTURA ORIENTADA A SERVICIOS (SOA) Y LOS
SISTEMAS DE INFORMACIÓN GEOGRÁFICA (SIG)
Arquitectura integración de Aplicaciones Empresariales (EAI)

A nivel organizacional uno de los retos es la llamada integración de aplicaciones

para resolver el problema de intercambio de información,  cada vez  es más
necesario proporcionar un marco que sirva de puente entre las diversas bases de
datos y los programas de aplicación que se encuentran dispersos en casi todas las
empresas. De manera, que fluya con mayor facilidad la transferencia de archivos
entre las dependencias, se logre una transparencia en los datos intercambiados y
se fortalezca la integración en las consultas una vez que los datos han sido
debidamente compartidos (Land et al. 2009). Sin embargo, la mayoría de las
organizaciones no cuentan con tecnologías que se adapten a esos cambios, pero la
solución  no es atiborrarse de software o de hardware para  lograr  alcanzar  la 
competitividad deseada, por el contrario la solución requiere de una planeación
estratégica que sea la base para la implementación de iniciativas. (Finkelstein
2006, Lynn et al. 2008)

La planeación estratégica        requiere entonces un conjunto de técnicas y de

diagramas que describan perfectamente la lógica del negocio y permitan realizar a
partir de ellas un modelo corporativo integrado. La arquitectura diseñada no sólo
debe mostrar todas las conexiones posibles  y flujo de datos entre los sistemas
(Mecella 2000), sino que además debe ser flexible y de fácil ensamblaje, que pueda
adaptarse a las nuevas estrategias del negocio y asegure la conexión, acoplamiento
y la reutilización entre los sistemas existentes (Land et al. 2009).
 
Pero, para identificar apropiadamente el tipo de conexiones y desarrollar un
esquema que exprese la orquestación empresarial adecuada se deben definir
claramente los objetivos empresariales, tratar de maximizar la reusabilidad (De
María, 2002) y la interoperabilidad y pensar en adaptarse a soluciones comerciales
y no a soluciones propias (Land et al. 2009) para esto, se  puede iniciar aplicando
el  framework de Zachman (Vargas 2003), que es una herramienta básica para
recopilar la información, datos, objetivos,  recursos  y determinar  el  traslapo 
funcional y el potencial reúso (Finkelstein 2006, Lynn et al. 2008).

Arquitectura Orienta a Servicios SOA

Una  forma de integración de los sistemas de información que ha ganado suficiente

importancia en los últimos años es la Arquitectura Orientada a Servicios (SOA), y
que puede ser definida como una arquitectura de integración  basada en el
concepto de servicios, sin embargo, no existe un criterio estándar para definirla
sino que se puede interpretar como una estructura flexible diseñada para envolver
el problema de la interoperabilidad entre sistemas (Jeng et al. 2007), este esquema
no solo permite el acoplamiento entre los módulos de los diferentes servicios sino
promueve la reutilización de funcionalidades distribuidas optimizando con ello el
flujo de la información.

La interoperabilidad entre sistemas se logra cuando se establece una relación entre

sus componentes (Len-Bass et al. 1998), básicamente utilizando interfaces flexibles
que permitan compartir recursos (Maozhen et al. 2000); lo que se constituye en
una poderosa herramienta para coordinar una red de servicios en este caso
concreto lo relacionado con los SIG, de esta manera obtener una adecuada
elasticidad en el flujo de la información dentro de la dinámica organizacional.

Los servicios web se constituyen en la forma más utilizada para lograr la

implementación de SOA y utiliza esquemas XML para representar los datos
(estándar recomendado por W3C (W3C 2001); otras formas de implementación son
WSDL (Web Services Description Language) para describir las interfaces, SOAP
(Simple Object Access Protocol) para generar intercambio de datosy ESB (Bus de
Servicios Empresariales) para generar interoperabilidad mediante mensajería
(Xiaofeng et al. 2007, Thiran et al. 2001).

Sistemas de Información Geográfica SIG

Los SIG se han posicionado como una de las tecnologías más importantes para
capturar, almacenar, manipular, clasificar, analizar y representar los datos que
tienen un componente espacial. Cabe resaltar que los SIG no son programas para
producir cartografía, sino que gracias a su capacidad para de manejo de los datos
se convierten en una poderosa herramienta  para la planificación, gestión y la toma
de decisiones.

Un SIG permite modelar la realidad de un territorio en el ordenador bajo ciertos

criterios previamente seleccionados, el usuario recoge una información parcial de
los aspectos que resultan de su interés y el sistema le permite almacenar esa
información a modo de capas o layers. Sin embargo, la organización de las capas se
debe hacer de manera inteligente, es decir que cada una de ellas debe representar
un aspecto. Por lo tanto, esa diseminación de la realidad implica relaciones y
combinaciones con multivariada información.

Esa representación del territorio en multicapas de información conlleva a definir los

modelos de datos de los  SIG, entre ellos es necesario resaltar los que a
continuación se describen.

El modelo vectorial que utiliza para la representación de los elementos espaciales

figuras geométricas convencionales como el punto, la línea y los polígonos, por
supuesto una vez establecido un previo diseño lógico de mapas.

El modelo raster se caracteriza porque adopta una unidad estándar para la

representación de las entidades del mundo real, en este modelo se concibe el
territorio como si fuera cubierto por una malla regular de celdas o teselas, cada
celda también denominada pixel que hace referencia a una unidad de información y
que dependiendo de los intereses del usuario el tamaño del pixel puede cambiar en
cada tipo de estudio.

Otra forma avanzada de representar la realidad es la que ofrece el modelo de datos

orientado a objetos (MDOO), en donde cada objeto de la realidad se refiere a una
entidad real para la cual se definen una figura geométrica, unos atributos y una
forma de comportamiento que puede presentar una abanico de posibilidades. Por lo
tanto, es necesario catalogar cada objeto en unas clases y subclases que permitan
definir su comportamiento, este comportamiento representa las operaciones que
puede realizar el objeto; lo robusto en este tipo de modelos es que cada objeto
puede ser definido una sola vez pero puede ser instanciado varias veces dentro del
mismo proyecto o por proyecto independientes.

De esta manera se puede afirmar, que los datos geoespaciales son inmensamente
heterogéneos y comienzan a estar disponibles en múltiples formatos, tales como
estructuras raster, vector o bases de datos relacionales entre otros, y además, son
almacenados en diferentes  formas, Actualmente los estándares para el manejo de
los datos SIG están siendo desarrollados por la OGC, la cual propone el uso de esta
información mediante la construcción de bloques de sistemas basados en servicios.

REQUERIMIENTOS PARA EL MANEJO DE LOS GEODATOS

EN LA PLATAFORMA DE INTERCAMBIO
La integración de los SIG con otros sistemas del negocio pueden aumentar la
eficiencia y la productividad organizacional, para lo cual, es necesario construir
plataformas de intercambio de información o arquitecturas similares como SOA
espacial, de manera que los contenidos de la plataforma contengan datos
geográficos, imágenes satelitales, ortofotografías, bases de datos espaciales y
demás atributos especiales espaciales que estén directamente relacionados con los
formatos del negocio.
Una de las primeras fases para el diseño de la plataforma de intercambio consiste
en identificar y clasificar adecuadamente los tipos de datos que harán parte del
sistema de intercambio, y básicamente se pueden definir tres categorías:

1. Datos acceso común: lo conforman los datos que no requieren

confidencialidad al interior de la organización, son recursos comunes que
pueden ser fácilmente consultados y, a nivel de los datos espaciales se trata
de las consultas a las dos estructuras básicas de los SIG,  los datos raster y
los datos vectoriales, estos datos pueden ser descargados o consultados por
los usuarios de cada una de las dependencias de la organización, o pueden
ser consultados por  cualquier entidad que solicite acceso al servicio.

1. Datos Intercambiables: incluye los datos que pueden ser compartidos por
algunas dependencias o entre diversas entidades, y la forma de acceso a la
información así como su distribución se realiza mediante una estructura
estándar de datos que gestione la solicitud e identifique los datos que
pueden ser compartidos.

1. Datos no Intercambiables: hace referencia a los datos que no pueden ser

compartidos por todas las dependencias o por todos los usuarios, por efecto
de confidencialidad. Para lo cual se genera un esquema jerárquico de roles y
permisos de los clientes que hacen parte del sistema.

Con las categorías de datos anteriormente descritas se pueden componer diversos

tipos de consultas, análisis y simulaciones que aportan sustancialmente a los
procesos del negocio en cada una de las dependencias; para lo cual, los datos que
se requieran deben estar correlacionados espacialmente, es decir, estar bajo el
mismo sistema de coordenadas, ajustarse a las relaciones topológicas y garantizar
que cada elemento espacial posea un clave que le permita identificarse y asociarse
a la demás información atributiva.

Los datos debidamente categorizados podrán ser intercambiados a través de una

interfaz de usuario unificada y el acceso a cada uno de ellos dependerá si el dato
presenta una clave pública o privada para el proceso de intercambio. El sistema de
intercambio permitirá mapear las fuentes de datos inscritas de manera que se
puedan registrar los datos así como sus estructuras   para poderlas clasificar dentro
de las categorías anteriormente expuestas.

PROTOTIPO DE LA ARQUITECTURA BASADA EN

SERVICIOS PARA LA INTEGRACION DE LAS BASES DE
DATOS ESPACIALES
A fin de contribuir con el enfoque de interacción entre sistemas se propone el
modelo arquitectónico que se esquematiza en la figura 2 donde se muestran las
diferentes capas o niveles de información y los componentes de las mismas.

La propuesta es una arquitectura multicapa en donde los usuarios que requieren el

acceso a los servicios deben estar registrados de forma jerárquica, de manera que
se establezca un rol de autorizaciones para el acceso a los datos y para poder
compartir la configuración dinámica de los servicios; el usuario debe estar
relacionado con alguna dependencia que haga parte de la organización y que esté
inscrita al sistema de intercambio.

Figura  2. Arquitectura para la Integración de Bases de Datos espaciales.

La capa de aplicación: a esta capa se  pueden conectar una serie de sistemas y
aplicaciones que son completamente independientes una de la otra pero que
satisfacen los requerimientos de las organizaciones y dependencias a las cuales
pertenecen y que hacen parte del sistema de intercambio; la conexión se realiza
teniendo como base los servicios web proporcionados por la capa de servicios. Los
usuarios se comunican a través de la interfaz de la plataforma de integración para
enviar o recibir servicios.

La capa de Servicios: esta capa contiene diferentes tipos de servicios de

información geográfica relacionados con los procesos de acceso, consulta y análisis
de la información espacial, que se ejecutan independientes de los procesos del
negocio pero que están directamente relacionados con ellos. Se incluyen
funcionalidades básicas de consulta, registros y solicitudes pero también provee
servicios más complejos relacionados con el análisis de la información.
La capa de acceso a Datos: los recursos de los servicios pueden estar distribuidos
en cualquier dependencia de la organización y pueden ser repositorios de datos que
contengan datos básicos, datos transversales a toda la organización o datos no
compartidos, ya sean de tipo espacial o no espacial; sin embargo, se presentan  al
usuario como un repositorio centralizado.

CONCLUSIONES
Este artículo presenta un prototipo de integración de información geoespacial
mediante SOA, que pretende a través del sistema  las aplicaciones dentro de las
organizaciones lograr una integración exitosa entre bases de datos heterogéneas.

El artículo mostró algunos mecanismos que se han desarrollado para generar

interoperabilidad entre sistemas de información de datos espaciales, pensado en el
acceso a nuevos desarrollos. Los dispositivos propuestos deben ser creados forma
independiente y deben tener en cuenta una serie de criterios y esquemas. Sin
embargo, no se vislumbra una arquitectura que soporte todas las necesidades de
conexión y de consulta de forma integral, sino que se pueden reconocer algunas
limitaciones como que la mayoría de las estructuras propuestas generan una
transformación punto a punto entre los sistemas que necesitan interactuar, pero no
se propone una solución cuando se requiere un mayor número de sistemas a
interoperar.

Manipulando Bases de Datos en Cloud Computing

Uno de los usos m�s claros para las plataformas Cloud es la manipulaci�n de grandes
bases de datos, para lo cual resulta muy interesante contar con recursos de
procesamiento en gran escala. Si bien es posible usar estas posibilidades en algunos
proveedores de servicios Cloud, la forma de interactuar remotamente, no se tienen las
mismas facilidades que en las plataformas usadas com�nmente (centralizada o cliente-
servidor en una red local). En el mejor de los casos, la plataforma Cloud permite
interactuar con un DBMS relacionalmente completo (SQL completo) pero a trav�s de
Web Services u otros mecanismos que se deben programar. O sea que no existen
"herramientas front-end" o utilitarios que permitan operar el DBMS desde un puesto
cliente, lo cual resulta bastante inc�modo. El objetivo de este proyecto de TSI3 es
investigar las opciones de interacci�n con la plataforma Cloud de Microsoft para usar
Sql Server, y programar algunas funciones utilitarias seg�n las que se eval�en
interesantes y factibles. Por ejemplo, se podr�a tener un front-end interprete SQL que
interact�e con el DBMS en el Cloud a trav�s de un WS al cual se mandan las
sentencias. En el desarrollo de la tarea se contar� con apoyo de Microsoft Uruguay.

Grupo 1
Tutores: Laura González, Gustavo Vázquez
Estudiantes: Rodrigo Ordeix, Federico Parins
Control de Acceso en GIS
En un contexto de Arquitecturas de Sistemas de Informaci�n, que incluyen Informaci�n
Geogr�fica (cualquier tipo de informaci�n georreferenciada), se agrega un nuevo
componente que es el Servidor de Mapas. A su vez la OGC establece los protocolos
est�ndares para la interoperabilidad de los servidores de mapas y c�mo deber accederlos
sus clientes (Web Map Service WMS, Web Feature Service WFS, etc.). Estos protocolos
solamente establecen los tipos de mensaje de pedido y respuesta de informaci�n geogr�fica,
pero no tienen previstos componentes de seguridad. Recientemente la OGC estandariz� una
arquitectura propuesta para agregar el control de acceso a los Servidores de Mapas.

En este contexto y utilizando las herramientas JBoss y Map Server (Servidor de Mapas Open
Souce que implementa WMS y WFS), se plantea estudiar la propuesta de GeoXACML y la
arquitectura de referencia, e implementar un m�dulo que permita agregar el procesamiento
del control de acceso en MapServer.

http://www.geoxacml.org/
http://www.opengeospatial.org/standards/geoxacml
http://mapserver.gis.umn.edu/

Grupo 2
Tutores: Raquel Sosa, Marcelo Belén
Estudiantes: Julio Pintos, Mauricio Soto

Desarrollo de Aplicaciones RIA utilizando Silverlight

En los �ltimos a�os se ha dado una maduraci�n y proliferaci�n de las tecnolog�as para el
desarrollo de aplicaciones de internet ricas (o rich internet applications, RIA), las cuales
introducen nuevas capacidades para el desarrollo de interfaces gr�ficas web, tales como la
incorporaci�n de contenido multimedia, el uso de animaciones y gr�ficos vectoriales.
Silverlight es la propuesta de Microsoft para el desarrollo de aplicaciones RIA. Silverlight ha
tenido un crecimiento r�pido desde su aparici�n en el 2007. A mediados del 2009 va a salir
la versi�n 3 de la plataforma, incorporando diversas caracter�sticas interesantes como ser:
importantes mejoras a nivel gr�fico, soporte para ejecuci�n offline, .NET RIA Services, entre
otros. Prism v2 es una framework/gu�a, propuesta por el grupo de Pattern & Practices, para
la construcci�n de aplicaciones empresariales basadas en WPF y/o Silverlight. Los
lineamientos arquitect�nicos ofrecidos por Prism apuntan lograr aplicaciones compuestas por
componentes modulares, de bajo acampamiento y que permitan evolucionar por separado. El
presente proyecto apunta a evaluar la plataforma Silverlight versi�n 3 (actualmente se cuenta
con una Beta) en conjunto con el framework Prism propuesto por el grupo de Pattern &
Practices para el desarrollo de aplicaciones empresariales. Para ello se va a desarrollar un caso
de estudio que permita ejercitar los conceptos y tecnolog�as involucradas.

Grupo 3
Tutores: Leonardo Rodríguez, Gabriel López
Estudiantes: Alejandro Lopez, Ignacio Monta�o
Edición 2008
WS-Trust en Ambiente Heterogéneo
La tecnología de Web Services es el principal mecanismo para lograr interoperabilidad en
ambientes tecnológicamente heterogéneos. Dadas las limitaciones de los primeros estándares
para Web Services, un conjunto de nuevas especificaciones, conocidas como WS-*, ha surgido
recientemente con el fin de abordar problemáticas comúnmente presentes en sistemas
empresariales. WS-Trust, en concreto, es un protocolo interoperable que soporta la emisión,
renovación e intercambio de tokens de seguridad, permitiendo establecer relaciones de
confianza entre servicios. El objetivo de este proyecto es evaluar, a nivel de uso y funcional,
implementaciones de WS-Trust en un ambiente tecnológicamente heterogéneo, apuntando a
lograr interoperabilidad entre las plataformas .NET y Java. Para cumplir con dicho objetivo se
deberán implementar prototipos de escenarios que resulten de interés para evaluar dicha
especificación.

Grupo 1
Tutores: Laura González, Leonardo Rodríguez
Estudiantes: Emiliano Martinez, Soledad Felix, Felipe Rodriguez, Andrea Coronado

Federación de Servicios con SAML en Ambiente Java

Una federación es una colección de dominios de seguridad con relaciones establecidas para
compartir recursos de forma segura. En una federación, un proveedor de servicios en un
determinado dominio, brinda acceso a los recursos que administra basándose en los claims
otorgados por un proveedor de identidades de otro dominio. En la actualidad, WS-Federation y
SAML 2.0 son las dos alternativas principales para implementar una federación en el mundo de
los Web Services. El objetivo de este proyecto es evaluar soluciones de código abierto que
posibiliten la federación de Web Services en un ambiente Java utilizando SAML 2.0. Para
cumplir con dicho objetivo se deberán implementar prototipos de escenarios que resulten de
interés para evaluar dichas soluciones.

Grupo 2
Tutor: Leonardo Rodríguez, Laura González
Estudiantes: Fernando Colman, Matias Rodriguez, Alejandro Zinemanas

SCA con Apache Tuscany

Service Component Architecture (SCA) es un conjunto de especificaciones que definen un
modelo de programaci�n simple para la construcci�n, ensamblaje y deployment de
aplicaciones y sistemas basados en una arquitectura orientada a servicios (SOA). Dicho modelo
se basa en la idea de que la funcionalidad de negocio es provista como una serie de servicios
que se componen para crear soluciones que resuelven una necesidad espec�fica. SCA separa
la l�gica de negocio de temas de infraestructura definiendo formas de aplicar pol�ticas y
atributos de calidad en la invocaci�n de servicios. Apache Tuscany implementa SCA y provee
un ambiente de ejecuci�n liviano que puede f�cilmente ser embebido como una soluci�n.
El objetivo de este proyecto es evaluar el modelo de programaci�n definido por SCA para la
construcci�n de aplicaciones basadas en SOA, identificando ventajas y limitaciones del
mismo. Se deber� para esto desarrollar un caso de estudio espec�fico utilizando la
implementaci�n de SCA provista por el proyecto Apache Tuscany.

Grupo 3
Tutor: Gustavo Vázquez
Estudiantes: Diego Salido, Marcos Techera, Gustavo Fava

Arquitectura Orientada a Servicios para Sistemas que utilizan HL7

Actualmente existe una amplia variedad de est�ndares m�dicos para diversas áreas por
ejemplo: Dicom para imagen m�dica, HL7 para Historia Cl�nica, EHR Documentos Cl�nicos,
CDA Documentos Cl�nicos, HXP para historia cl�nica. La interoperabilidad entre instituciones
de salud es importante no sólo en Uruguay, sino en latinoam�rica y el mundo. Un ejemplo
claro es cuando una instituci�n como el Fondo Nacional de Recursos (FNR) necesita datos de
un transplante que paga el FNR, y el mismo se realiza en el Hospital Italiano de Buenos Aires
que publica CDAs. Recientemente fue creada la SUEIIDISS la cual se encarga de los est�ndares
m�dicos en Uruguay, tales como HL7. El objetivo de este proyecto es evaluar una
arquitectura SOA para sistemas que utilizan mensajes HL7. Para cumplir con dicho objetivo se
deberá implementar un caso de estudio específico, en particular el alta de pacientes perfil PIX,
evaluando la utilizaci�n de middlewares avanzados tales como ESBs en la arquietectura
planteada.

Grupo 4
Tutor: Marcelo Belén
Estudiantes: Pablo Pazos, Samanta de Barros

Estudio de Implementaciones de Control de Acceso en SIG

Los Sistemas de Informaci�n Geogr�ficos, en particular los Servidores de mapas, exponen un
conjunto fijo de informaci�n a trav�s de servicios web estándar. Esta informaci�n se
compone de varias "capas" de informaci�n, que se pueden superponer y cruzar para hacer
distintos an�lisis. El problema que enfrentamos es que algunas partes de ese conjunto de
informaci�n pueden ser privadas o con acceso restringido a algunos usuarios. Los servidores
de mapas no ofrecen una forma de controlar el acceso, sin embargo la OGC (Open Geospatial
Consortium) gener� en febrero de 2008 el est�ndar GeoXACML para la implementaci�n del
Control de Acceso en Sistemas de Informaci�n Geogr�ficos. GeoXACML es una extensi�n de
XACML de OASIS. La tarea de TSI3 es estudiar el est�ndar GeoXACML, estudiar su grado de
avance en la implementaci�n (hay un prototipo que tendr�n que evaluar) y desarrollar (o
extender el) un prototipo siguiendo la arquitectura propuesta por el estándar, para el
protocolo WMS de MapServer.

GIS Cloud, un sistema de información geográfica en el navegador

El 10.10.10, en En línea, SIG, por alpoma
Lo tenía por ahí, perdido entre un montón de enlaces pendientes de comentar.
Reconozco que no lo he probado, sólo he trasteado con su web de presentación y, de
momento, no siento la necesidad de registrarme para ver cómo funciona, pero me ha
llamado mucho la atención su planteamiento. De forma muy simple puedo decir que
GIS Cloud es algo así como un remedo de aplicación GIS de escritorio pero portada a
la web. Más detalladamente, se trata de una aplicación web que permite realizar las
operaciones que habitualmente llevaríamos a cabo con un programa desktop GIS
pero con ciertas particularidades. Como su propio nombre indica, se basa en cloud
computing, permite trabajar de forma colaborativa por medio de escritorios remotos
y, además, facilita la publicación de cartografía compleja en web. Emplea la filosofía
freemium, esto es, permite utilizar algunas de sus funciones de forma gratuita, dejando
las más avanzadas y complejas abiertas sólo para clientes de pago. Por lo demás, al
repasar sus capacidades se comprueba que su capacidad para importar y exportar
datos, las operaciones espaciales que se pueden realizar con GIS Cloud, el manejo de
WMS y muchos otros detalles, lo convierten en una herramienta muy interesante.
Personalmente pienso que es su aspecto colaborativo el más atractivo, sobre todo
porque coordinar varios equipos online con algo así puede resultar mucho más
agradable que con aplicaciones convencionales. Dicho esto, no puedo ir más allá de
anotarlo como simple curiosidad, si algún lector de La Cartoteca lo ha probado a fondo,
está invitado a compartir un comentario.

 Versión móvil 

 Twitter
 Facebook
  Linkedin

UTM Desarrollos

 Inicio
 Comunicación gráfica
 Señalización & Interpretación
 Consultoría & formación
 Cartografía & GPS/SIG
 Contacto


 

En UTM somos especialistas en edición de mapas y planos. Trabajamos con

herramientas especializadas como Sistemas de Información Geográfica (SIG),
integrando ortofotos, modelos digitales del terreno... con información obtenida por GPS.
Nuestro dominio de formatos vectoriales de entorno CAD nos permite generar mapas y
vistas 3D de gran atractivo y fuerza visual, resultando de gran interés como
complemento a la presentación de proyectos técnicos de ingenierías.
Contar con un departamento de diseño propio, con experiencia en cientos de
publicaciones impresas de todo tipo, nos permite la producción de numerosas salidas y
aplicaciones, desde folletos turísticos con mapas detallados, guías de viajes, topoguías,
carteles, paneles de interpretación o colecciones de mapas del territorio. Realizamos
planos callejeros de poblaciones tomando como base la cartografía de los PGOU,
catastro, ortofotos o información municipal, integrando información de todo tipo:
puntos de interés turístico, pictogramas, simbología o capas temáticas personalizadas.
Desarrollamos soluciones en formato digital, produciendo desde páginas web de
productos turísticos con mapas detallados (sobre la API de Google Maps o
programación propia), a portales complejos con acceso a bases de datos y servicios de
georeferenciación avanzados. Evolucionamos con la tecnología, con propuestas y
aplicaciones cartográficas para soportes móviles.

9as Jornadas SIG Libre: Abierta

convocatoria para la presentación
de resúmenes.
Posted by SIGTE

Las 9as Jornadas de SIG Libre, organizadas por el

SIGTE de la Universidad de Girona, tendrán lugar 25, 26 y 27 de marzo en Girona. Las
Jornadas de SIG Libre son un evento de referencia en el sector de las tecnologías libres
en el ámbito de la información geográfica, un punto de encuentro donde compartir
conocimientos, experiencias y crear sinergias, que reúnen a más de 150 profesionales.

La convocatoria para el envío de resúmenes para las 9as Jornadas de SIG Libre de
Girona está abierta hasta el 28 de noviembre de 2014.

El programa de presentaciones da cabida a perfiles e intereses diversos, desde

programadores expertos a usuarios básicos, investigadores universitarios, técnicos y
gestores. Profesionales procedentes de administraciones públicas, empresas, autónomos
y aquellos que asoman la cabeza por primera vez al mundo de las tecnologías
geoespaciales libres, tienen su oportunidad en las Jornadas de SIG Libre. Presentaciones
técnicas avanzadas, exposición de casos de uso, presentaciones introductorias para
noveles, comparativas de software y tecnologías,… pueden formar parte del programa.

Algunos de los temas de interés y posibles ideas para presentaciones son:

 Introducción a nuevas aplicaciones o programes geoespaciales libres.

 Presentación de nuevos desarrollos basados en proyectos de software existentes.
 Casos de uso de aplicación de tecnologías geoespaciales libres.
 Comparativas (benchmarking) de aplicaciones o programas.
 Modelos de negocio basados en software libre.
 Obtención, creación, edición y uso de datos libres y abiertos.
 Proyectos de visualización y tematización de datos.
 Etc.

Bases de la convocatoria:

http://www.sigte.udg.edu/jornadassiglibre/comunicaciones/

Envío de propuestas:

http://www.sigte.udg.edu/jornadassiglibre/comunicaciones/comunicaciones-formulario/

Web de las jornadas:

http://www.sigte.udg.edu/jornadassiglibre/

Share this:

 Facebook
 Twitter
 Correo electrónico


Publicado en SIG

Etiquetado como Jornadas SIG Libre, JSL, SIG Libre, siglibre9

nov03

formaSIG, plataforma especializada en el

aprendizaje de Software SIG Libre
Posted by SIGTE

formaSIG responde a la necesidad de formar profesionales de las soluciones libres en el

ámbito de los SIG. Es una plataforma promovida por el Servicio de SIG y Teledetección
(SIGTE) de la Universitat de Girona.

Los cursos permiten adquirir, ampliar o reforzar competencias profesionales en

temáticas específicas del uso de los SIG de código abierto. A continuación se detalla la
oferta formaSIG para este curso 2014-2015:

 Uso de gvSIG en el Análisis Ambiental de zonas agrícolas

gvSIG es un software con unas elevadas prestaciones para la visualización, edición y

análisis de información geográfica. Se trata de un software libre, que se distribuye bajo
licencia GNU GPL y que en los últimos años ha experimentado un desarrollo
extraodrinario, tanto en relación a las herramientas que ofrece, como en el número de
usuarios que lo utilizan en todo el mundo.

Las distintas herramientas que ofrece gvSIG se orientan fundamentalmente al trabajo

con datos vectoriales, con multitud de funciones que van desde la representacion y
creación de datos a la edición topológica, pasando por un ámplio abanico de
geoprocesos espaciales. Su combinación con la librería SEXTANTE, además, dota a
gvSIG con mas de 200 algoritmos de análisis raster principalmente, pudiendo de este
modo cubrir gran parte de las necesidades del trabajo con datos geoespaciales.

En el curso ‘Uso de gvSIG en el Análisis Ambiental de Zonas Agrícolas’ el alumno se

introducirá en el uso de gvSIG y sus flujos de trabajo, y podrá practicar con algunas de
las principales funcionalidades que este ofrece.

Más detalles

 Análisis Geográfico con GRASS GIS

GRASS GIS es, a día de hoy, el decano en el mundo del software libre geoespacial y
pasa por ser uno de los programas libres más potentes y versátiles.
Sus altas prestaciones y sus capacidades analíticas tanto en el trabajo con datos
vectoriales como en el trabajo con datos raster, hacen de GRASS una excelente
herramienta para desempeñar trabajos de análisis espacial o geográfico en muchos
campos de aplicación, desde el análisis ambiental hasta el análisis de redes, pasando por
la teledetección o la simulación de modelos.

GRASS, en combinación con QGIS, se convierte en un binomio de altas prestaciones y

largo recorrido pues, mientras GRASS tiene su rendimiento máximo en el trabajo con
datos ráster, algebra de mapas,… QGIS (producto libre, muy escalable y en constante
evolución y crecimiento) se integra con GRASS a través de un plugin ofreciendo
muchas funcionalidades y posibilidades en el trabajo con datos vectoriales, desde la
captura y edición de datos, hasta la aplicación de geoprocesos.

Más detalles

 Introducción a SQL Espacial con PostGIS

Las bases de datos espaciales se han convertido en una alternativa a los software SIG
tradicionales y  SQL es el lenguaje que utilizan los SGBD para gestionar sus bases de
datos tanto alfanuméricas como espaciales. Dentro del mundo del software libre
PostgreSQL y su extensión espacial PostGIS se han convertido en el sistema gestor de
bases de datos (SGDB) más extensamente utilizado a nivel mundial, siendo empleado
en multitud de proyectos y aplicaciones SIG tanto de escritorio como web.

Este curso pretende familiarizarnos con el uso del lenguaje SQL en general, así como
dar a conocer su potencia y funcionalidad y adentrarse especialmente en su componente
espacial y consecuentemente en las funciones para el tratamiento y  manipulación de
entidades geográficas vectoriales y el análisis de las relaciones existentes entre ellas
dentro del entorno de PostGIS. El curso se centra exclusivamente en las funciones de
análisis de datos vectoriales no incluyéndose el análisis raster

Más detalles

 Introducción a la Teledetección con QGis GRASS

La Teledetección y los Sistemas de Información Geográfica son dos disciplinas

estrechamente relacionadas. Las imágenes satelitales constituyen una importantísima
fuente de datos a partir de las cuales se generan las bases de datos espaciales que
alimentarán nuestro SIG. Por un lado los sensores remotos montados sobre los satélites
captan características de la superficie que es muy difícil o costoso de extraer por otros
medios. Por otro lado, las imágenes de satélite nos permiten obtener información de
grandes extensiones del territorio en periodos cortos de tiempo, siendo el mejor método
de obtención de datos lo más actualizados posible.

Este curso pretende introducir al alumno en los fundamentos básicos de la Percepción

Remota así como en los principales pasos en el proceso de interpretación, corrección y
análisis de imágenes satélites que permitirán su integración en un SIG. Todo ello desde
un enfoque eminentemente práctico a través del software QGis y el plugin de GRASS,
cuyo binomio  pasa por ser una de las soluciones geoespaciales de código abierto más
potentes y versátiles que existen actualmente, gracias a sus altas prestaciones y
capacidades analíticas.

Más detalles

 Trabajando con OSM. Creación y publicación de datos espaciales libres

OpenStreetMap es un proyecto colaborativo para crear y proveer datos geográficos

libres de alcance mundial. Esta iniciativa es un referente de cartografía participativa en
la que personas de todo el mundo contribuyen a crear una base de datos geográfica libre
a nivel mundial siendo hoy en día una importante fuente de datos de gran calidad en la
mayor parte del planeta.

Este curso pretende dar a conocer el flujo de trabajo OpenStreetMap: empezando por la
captura y adquisición de la información geográfica, hasta la edición y publicación de los
datos para finalmente, dar a conocer los usos que podemos dar a esta cartografía.  Una
de las  premisas principales del proyecto es que cualquier persona interesada puede
contribuir al mapeo de OpenStreetMap, a la vez que es libre de utilizar los datos
OpenStreetMap para múltiples proyectos y aplicaciones. El curso se centra básicamente
en la edición de los datos geográficos a través de los editores Potlatch y JOSM.

Más detalles

Más información: Web formaSIG

Share this:

 Facebook6
 Twitter7
 Correo electrónico


Publicado en SIG

Etiquetado como formaSIG, GRASS, gvSIG, OpenStreetMap, osm, postgis, QGIS, SIG,
SIG Libre, SQL

oct09

¿Buscando una especialización en SIG?

Posted by SIGTE
Los cursos de especialización SIG se orientan a estudiantes y profesionales interesados
en adquirir conocimientos y competencias vinculadas a temáticas SIG de forma
específica.

La oferta de cursos para este último trimestre del año es la siguiente:

SIG y Evaluación del Impacto Ambiental

Permite conocer las ventajas de la utilización de los SIG en la Evaluación de Impacto

Ambiental e identificar las aplicaciones de los SIG en procesos de este tipo de
evaluaciones.

Inscripción: Del 1 de septiembre al 20 de octubre 2014 online

Calendario del curso: Del 27 de octubre al 15 de diciembre 2014

Más detalles

Programación de Aplicaciones Web Map

Presenta el desarrollo de nuevas aplicaciones con funcionalidades web SIG, que

permiten la visualización web de datos.

Inscripción: Del 1 de septiembre al 20 de octubre 2014 online

Calendario del curso: Del 27 de octubre al 15 de diciembre 2014

Más detalles

Gestión de Proyectos SIG

Presenta los métodos para elaborar y definir proyectos SIG, así como herramientas para
la gestión y el desarrollo de proyectos.

Inscripción: Del 6 de octubre al 9 de diciembre 2014 online

Calendario del curso: Del 15 de diciembre 2014 al 2 de febrero 2015

Más detalles

Share this:

 Facebook1
 Twitter6
 Correo electrónico


Publicado en SIG

Etiquetado como cursos, especialización, formación SIG, GIS, SIG

oct02
¿Quieres convertirte en un profesional en
Gestión de SIG?
Posted by SIGTE

Más de 15 años formando profesionales en SIG

El Máster Profesional UNIGIS responde a la demanda de profesionales cualificados

para gestionar proyectos de geoinfomación. Orientado a estudiantes y a profesionales
que quieran mejorar su currículum o incorporarse al sector de los SIG. El Programa
UNIGIS, a distancia y en castellano, está promovido y organizado por el Servicio de
SIG y Teledetección (SIGTE) de la Universitat de Girona desde 1999, cuando se
incorporó a la red internacional de universidades que forman UNIGIS International
Association (UIA). 

El Máster UNIGIS proporciona conocimientos sobre los aspectos conceptuales, técnicos

y organizativos de los SIG, además de la base teórica y práctica necesaria para diseñar e
implementar proyectos de gestión de información geográfica. Se orienta a estudiantes y
a profesionales que quieran mejorar su currículum e incorporarse al sector de los SIG.

Matriculación:

Hasta el 19 de septiembre 2014 online

Calendario del curso:

27 de octubre 2014 – 1 de febrero 2016

 
Más detalles

Share this:

 Facebook6
 Twitter5
 Correo electrónico


Publicado en SIG

Etiquetado como e-learning, formación SIG, Gestión de SIG, GIS, Máster GIS, Máster
SIG, Programa UNIGIS, SIG, UNIGIS

sep01

Crónica “Open Web Services & Web

Map Applications Summer School”
Posted by SIGTE

Es todo un placer y un honor que me hayan pedido una retrospectiva de mi experiencia

en Open Web Services and Web Map Applications Summer School. Hace ya una semana
que he vuelto de Girona, pero aún no he conseguido digerir todo lo que durante 5 días
he aprendido y compartido. Me resulta difícil separar la experiencia personal del
análisis objetivo de toda la experiencia, así que no lo voy a intentar; creo que todos los
participantes comparten en cierto modo mi visión.
Los asistentes hemos sido un grupo de lo más variado; tanto desde el punto de vista de
la experiencia profesional, como de la procedencia o la edad. Pero a todos nos unía la
necesidad de ampliar nuestra perspectiva de lo que se puede hacer utilizando las
actuales tecnologías Open Source en el campo de los Sistemas de Información
Geográfica en el mundo Web.

Las sesiones han sido amplias y variadas, exprimiendo el tiempo al máximo, para
dejarnos con una experiencia y una visión suficientes para enfrentarnos a todas las
herramientas que hoy por hoy configuran un proyecto real. No salimos como expertos
en ninguna de las tecnologías, pero conocemos suficientemente todos los ingredientes,
del primero al último, para elaborar un producto completo y moderno en el mercado
real.

A ello han contribuido unos tutores centrados en el producto final y la viabilidad de los
desarrollos. No han sido sesiones teóricas acerca de tecnologías experimentales, todo ha
estado centrado en los procesos y productos que se realizan hoy por hoy en empresas y
administraciones. Al menos para mi eso es algo muy importante.

Por último, las relaciones establecidas entre los asistentes han sido tanto más
enriquecedoras por la heterogeneidad del grupo. Hemos comentado y compartido
nuevas tecnologías, ejemplos y experiencias. Y no sólo en el tiempo de clase, sino que
hemos estrechado lazos en nuestro tiempo libre disfrutando de la ciudad, y
compartiendo experiencias y cervezas.

Personalmente la experiencia ha sido muy enriquecedora, tanto en lo personal como en

lo profesional. Es siempre positivo conocer a más gente que, estudiando o trabajando,
siente el mismo interés y pasión por el desarrollo de tecnologías libres en el ámbito de
los SIG. Y las redes que tejemos al conocernos en persona son las que algún día nos
permitirán hacer crecer estas mismas tecnologías al compartir nuestras experiencias.

Gracias al SIGTE de la Universitat de Girona, al Nottingham Geoespatial Institute de

la University of Nottingham y a Prodevelop por hacer posible esta experiencia, por
impulsar este apasionante movimiento.

Escrito por Jorge Ferrer, desarrollador de apps geoespaciales.

Descargarse los materiales aquí

Galería de imágenes aquí

Share this:

 Facebook5
 Twitter7
 Correo electrónico


Publicado en SIG
Etiquetado como FOSS, FOSS4G, GeoServer, Leaflet, nuevas tecnologías, Open Web
Services and Web Map Applications Summer School, OpenGeo, OpenLayers,
OpenSource, OpenStreetMap, osm, OWS, SIGTE, tilemill, Web Mapping Applications

jul21

SIG desde un dispositivo móvil

Posted by alexandrebusquets

En el siguiente artículo veremos un caso real de desarrollo de una aplicación SIG WEB
para dispositivos móviles tipo tableta.

“Parques y Jardines de Figueres” versión móvil es una aplicación que permite

visualizar y gestionar los datos tanto geográficos como alfanuméricos de un SIG
compuesto de tres componentes:

1. El SIG de escritorio, que se gestiona con gvSIG.

2. Una aplicación WEB para la visualización y consulta de los datos del SIG, así como la
gestión técnica de incidencias o trabajos de mantenimiento.
3. Y la aplicación móvil que expondremos a continuación.

Objetivos del proyecto

El principal objetivo de la aplicación fue la gestión “in situ” de los datos geográficos y
alfanuméricos en dispositivos tipo “tablet”.

Por tanto los requerimientos eran:

 Consulta de datos.
 Edición de cartografía.
 Edición de datos alfanuméricos.
 Adjuntar fotografías.

Otro objetivo primordial era que el “Mapa” fuera el punto central de la aplicación, y las
acciones se ejecutaran en la medida de lo posible en este contexto.
Funcionalidades de la aplicación

“Login”
La primera pantalla que encuentra el usuario al acceder a la aplicación es la pantalla de
autentificación.
Se ha implementado un sistema de usuarios ya que la aplicación gestiona datos remotos
y porque existen dos perfiles de usuarios. El perfil de “lectura” que sólo puede realizar
consultas y visualizar datos, y el perfil de “lectura/escritura” que además de la lectura
también puede gestionar altas/bajas y modificaciones.

“Mapa”
El mapa es el espacio principal de la aplicación, desde esta pantalla interactuamos con
las demás funcionalidades del aplicativo.

 Las herramientas de navegación: zoom, posición de inicio y posición GPS (posición del

usuario).
 Las herramientas de información:
o Activando el botón de “Información/identificación” podemos identificar un
elemento al tocarlo con el dedo y nos mostrará su ficha con todos sus datos.
o El botón de “Medición” nos permite dibujar una línea y conocer su longitud

 Las herramientas de datos y leyenda sirven para interactuar con las capas:

o A partir del botón de “Toc” podemos consultar las capas de información
disponibles agrupadas por: capas de trabajo, mapas de base y capas de
soporte a la edición. Podemos indicar qué capas queremos que se muestren y
qué capas se oculten. También podemos indicar que una capa entre en modo
“edición” pulsándola de forma continuada.
 o El botón de “Leyenda”, muestra la iconografía de las capas de trabajo

visibles. 

 Con las herramientas de edición, podemos:

o Crear/dibujar nuevos objetos e informar de los datos alfanuméricos de estos.
o Modificar objetos existentes, tanto su geometría o los datos alfanuméricos
asociados. Con un clic simple en el elemento podremos modificar los datos
alfanuméricos y con un clic continuado la geometría.En cuanto a geometrías se
han establecido reglas de validación a fin de no guardar geometrías erróneas

en la base de datos.
 

Componentes

Como se puede observar, la arquitectura de la aplicación está distribuida en cliente

servidor.
La aplicación está instalada en un dispositivo móvil y trabaja con datos remotos, por
tanto requiere de conexión a internet de forma constante, ya sea mediante una conexión
3G o WIFI.

La aplicación móvil (cliente)  para la gestión de los datos trabaja contra una API REST
mediante peticiones “Ajax”.

Las imágenes de los datos y de los mapas base se obtienen del servidor de mapas
mediante el servicio WMS o de un proveedor de cartografía externo.

Solución tecnológica

La aplicación es compatible con tabletas con Android 4.x

En cuanto al desarrollo hemos optado por una solución híbrida con el

“framework” Apache Cordova, combinando HTML5, CSS3, JavaScript y código
nativo.

¿Por qué Apache Cordova, una solución híbrida?

 Porque es un “framework” gratuito y “Open Source”. Podemos trabajar con HTML5,

CSS3 y Javascript, un ecosistema muy ampliamente extendido y que permite en un
futuro implementar con pocos cambios la compatibilidad de la aplicación con otros
sistemas operativos.
 Integra un conjunto de APIs que permiten controlar características como el
acelerómetro, la cámara, las notificaciones, la geolocalización,..
 A diferencia de un entorno exclusivamente WEB, podemos distribuir la aplicación
empaquetada y podemos usar los elementos del sistema (Notificaciones, LocalStorage,
Cámara,…).

Librerías
Apache Cordova

Interfaz de usuario

JqueryMobile
Para la interfaz visual.

Openlayers 2.13.1
Renderizar los mapas

Servidor

PHP+Postgres+Postgis
La API y la base de datos.

Geoserver. 
Servidor de mapas.

Valoraciones

La interacción de los SIG desde dispositivos móviles, para el trabajo “in situ” y en
tiempo real es una demanda creciente y con soluciones cada vez más asequibles y
ligeras desde recursos tecnológicos “Open Source”. Si bien hemos expuesto el caso de
la gestión de parques y jardines, la aplicación podría extrapolarse a otros muchos
ámbitos de la gestión municipal (inventario de mobiliario urbano, mantenimiento de
equipamientos municipales, etc).