Una de las tareas más llamativas al trabajar con SIG es representar variables biofísicas en 2D/3D, integrarlas y analizarlas

Generalmente, se parte de datos puntuales recolectados  utilizando un sensor, luego son espacializados mediante métodos de interpolación.

Seguramente han asistido a una conferencia donde el ponente enfoca con un apuntador sobre una serie de mapas  y señala “noten que tan similar son los mapas”, pero, ¿Qué determina la similaridad entre ellos? (adaptado de Berry, 1999).

El problema

¿Que tan similar o diferente es un mapa de otro?,¿es confiable emitir conclusiones solo con el análisis visual de los mapas raster?

Caso de estudio:

Existen varios escenarios y los métodos aplicables pueden ser distintos:

En este caso veremos algunas estrategias para evaluar cualitativa y cuantitativamente variables de una zona, específicamente datos interpolados de un estudio de suelos.

La consideración de criterios agronómicos y edafológicos, escapan a los alcances del presente articulo.

Datos disponibles

Para este ejercicio utilizaremos un conjunto de puntos de un análisis de suelos de una zona de cultivo, denominada SoilSamp, los datos son tomados del tutorial del programa ArcView3.2 (descargar datos del ejercicio).

Ademas, se cuenta con el modelo digital de terreno del área de estudio

En total consisten en 74 puntos con análisis de los parámetros Potasio (K), Fosforo (P), Biomasa, pH, Materia orgánica y conductividad eléctrica

Generación de los Raster

Consulte el artículo cómo interpolar en QGIS 3.

Visualizando las variables interpoladas:

Cuando se interpola una variable se le otorga una “aparente” continuidad en el espacio, para representarlas se utilizan simbologías que dividen los valores en clases. Los criterios para crear las clases son muy variados

En la imagen se muestra la dificultad de la interpretación visual, se representa la Conductividad Eléctrica, con la misma paleta de colores, pero diferentes criterios de clasificación de datos

Estrategias para el análisis y comparación de las variables

Estadísticas y distribución de los datos:

El análisis estadístico es recomendable realizarlo sobre los datos originales (capa de puntos) y en programas especializados, como Hojas de Cálculo o paquetes estadísticos.

El Software SIG cumple la función de facilitar la extracción de forma aleatoria, sistemática o estratificada de muestras para su posterior análisis

Estadísticas

QGIS 3 cuenta con herramientas que permiten extraer estadísticas sencillas de las capas (ver el articulo estadísticas en QGIS 3).

Posteriormente, aprovechar el potencial de la visión geográfica para evaluar las estadísticas por zonas. Por ejemplo seleccionar los puntos ubicados a menor altura, extraer las estadísticas y compararlas con el resto del área.

La selección puede realizarse manualmente, para áreas pequeñas y homogéneas, en caso contrario se recomienda seguir el procedimiento de Reclasificación del MDE > Vectorización > Consulta espacial > Estadísticas de lo seleccionado.

Para realizar la comparación de variables en diferentes unidades, se recomienda calcular el Coeficiente de Variación (CV), se determina dividiendo la Desviación Estándar entre la Media.

El CV es también una medida de que tanto se aleja la desviación estándar de la media.

Distribución:

De forma similar puede graficar los datos originales.

Para graficar en QGIS 3 puede utilizar la opción Gráficos de la Caja de Herramientas de Procesos.

Sin embargo, se recomienda utilizar el PlugIn Data Ploty para esta tarea. Luego de instalado crea un menú en Complementos y un Panel.

Para utilizarlo, seleccione la capa de puntos, el tipo de gráfico y el campo que va a graficar.

Como en el caso anterior, también, puede graficar puntos seleccionados

El histograma permite ver como se distribuyen los datos y el gráfico de dispersión contrastar dos variables

En la imagen, el histograma bimodal del Fósforo (Soil_P) y en menor medida del Potasio (Soil_K) puede indicar la presencia de dos poblaciones, por ejemplo: dos tipos de suelo o tipos de manejo.

Por otro lado, el gráfico de dispersión Potasio/Materia Orgánica presenta la mejor correlación.

Analizando las variables interpoladas

Combinando y consultando variables

Los raster pueden ser combinados en una sola imagen para facilitar su estudio (asumiendo que son representativos de las variables analizadas).

Para ello menú Raster > Miscelánea > Construir Raster Virtual, en la caja de dialogo en capas de entrada seleccione las variables.

El orden en que son seleccionadas serán numeradas y organizadas en el ráster resultante.

En el ejemplo se asignaron los valores: 1 Biomasa, 2 Conductividad Eléctrica, 3 Fósforo, 4 Materia Orgánica, 5 Potasio, 6 ph

Luego, la composición a color (RGB), en la imagen se visualiza Fósforo en el cañón Rojo, Potasio en el cañón verde y Biomasa azul.

Puede realizar la consulta por datos o por grafo, para más detalle consulte el artículo análisis  espectral y multitemporal.

Nota: las variables tienen distintas escalas de valores, es necesario normalizarlas para poder realizar comparaciones.

Perfil de los datos

El construir un perfil puede ayudar a entender como fluctúan las variables a lo largo de un trayecto. Para solventar las diferencias de escalas de valores en la imagen se realizaron las siguientes operaciones: MDE-1100 y pH*10

En próximos artículos se profundiza el análisis combinando los gráficos con las estadísticas y la representación espacial, determinando correlaciones, evaluando la precisión de la interpolación.

Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com

La entrada Evaluando parámetros de suelos interpolados en QGIS 3 se publicó primero en El blog de franz.

QGIS es una aplicación muy poderosa en lo que a SIG libre se refiere. Una de sus potencialidades es la posibilidad de desarrollar complementos (plugins) que permitan realizar tareas específicas, como vistas 3D. Estos plugins son desarrollados por la comunidad y son herramientas flexibles que permiten incrementar las de ya por sí elevadas capacidades de QGIS.

Si bien es cierto que QGIS 3.0 incluye soporte directo para visualización 3D, uno de los plugins más completos para visualización tridimensional es Qgis2threejs desarrollado por Minoru Akagi. Este plugin permite exportar datos de terreno (elevación), imagen y datos vectoriales al navegador web. Los datos exportados se pueden visualizar (e interactuar) en cualquier navegador web con soporte WebGL.

Requerimientos: QGIS instalado, el plugin qgis2threejs instalado (se puede obtener del sitio web indicado o a través del gestor de complementos de QGIS), navegador web con soporte WebGL (Yo uso Chrome u Opera, aunque funciona en Firefox y Edge).

Desarrollo del ejercicio

En QGIS he cargado 3 capas vectoriales y 2 capas raster. Las capas vectoriales corresponden a el límite de una cuenca (rojo), una red hidrográfica pequeña (azul) y unos puntos que representan estaciones pluviométricas en la región de estudio (verde). Las capas raster corresponden a un modelo digital de elevación y una ortofoto.

Toda la información está proyectada en el mismo sistema de referencia de coordenadas. El plugin puede exportar información de altitud, para visualizarla en 3D, con imágenes y vectores, por ende, la capa más importante para poder representar en 3D es precisamente la capa que contiene la información de altura, en este caso el modelo digital de elevaciones.

Instalado el plugin aparece en la barra de herramientas de QGIS . Al hacer clic sobre el botón se abre el cuadro de diálogo del complemento.

La parte clave de la configuración es la selección de la capa MDE (que proporciona la información de altura) en este caso, por defecto aparece escogida la capa sombreado, sin embargo, selecciono el  MDE.

Los valores de altura en la capa MDE son los que se representarán en la salida del complemento, es decir es la información que dará la percepción de relieve, cualquier error o artefacto en esta capa generará errores en la visualización de la misma.

En las opciones de tipo de visualización (Display type), podemos escoger 4 opciones, la primera (Map canvas image) desplegará sobre el relieve generado por el MDE seleccionado, lo que en ese momento tengamos desplegado en nuestro visor de QGIS. Por esta razón es importante planificar de antemano que queremos representar. La segunda opción despliega sobre el relieve una capa que seleccionamos, la tercera opción un archivo de imagen y la cuarta opción únicamente despliega el relieve con un color sólido escogido.

Una vez seleccionadas las opciones en el cuadro de diálogo, hacer clic en Run. Se abrirá una nueva pestaña en el navegador predeterminado, en el cual aparecerá la visualización 3D de nuestro modelo. Adicionalmente se puede guardar el archivo html que genera qgis2threejs para poder acceder al mismo posteriormente.

En las siguientes imágenes se puede observar la diferencia entre la visualización únicamente del MDE y las capas vectoriales y en la segunda imagen el mismo relieve, pero recubierto con la ortofoto de la zona de estudio.

Visualización en 3D del MDT con capas vectoriales

Visualización en 3D de ortofoto y capas vectoriales

Opciones avanzadas de Qgis2threejs

El procedimiento anterior, se podría decir es la base del plugin. Sin embargo, sus capacidades son un poco mayores. El plugin ofrece la capacidad de personalizar las capas vectoriales para su representación en el modelo tridimensional. En la imagen siguiente, al escoger la capa de estaciones se puede personalizar la representación de los símbolos de dicha capa en la visualización 3D, en este caso, se escoge cilindros para representar las estaciones, los mismos que serán de color rojo.

Personalizar la representación de los símbolos

Al exportar, se obtiene la siguiente visualización:

Adicionalmente se puede configurar la exageración vertical de la visualización, herramienta que es particularmente útil en áreas en donde el contraste de alturas no es muy grande y se necesita realzar ciertas características del terreno.

La visualización resultante será:

En la que claramente se puede apreciar que el relieve es algo exagerado. Sin embargo, permite una mejor visualización de las formas del terreno.

Conclusiones y recomendaciones

• El complemento Qgis2threejs, permite de forma muy sencilla visualizar en 3D modelos digitales de elevación a partir de QGIS.
• De manera complementaria, se pueden visualizar dinámicamente capas vectoriales, con simbología personalizada (3D).
• El complemento permite la visualización de relieves recubiertos con fotografías aéreas e imágenes satelitales (siempre y cuando se encuentre bien georeferenciadas).
• Posee ciertas limitaciones para exportar a formatos de imagen directamente, sin embargo se puede fácilmente manejar archivos HTML.
• Permite adicionalmente el etiquetado 3D de capas vectoriales (en base a un atributo).
• A pesar de sus limitaciones es una excelente opción para representaciones tridimensionales simples (y no tan simples).

Escrito por: Marlon Calispa

La entrada Visualización avanzada en 3D usando QGIS se publicó primero en El blog de franz.

Todos los lugares están relacionados, pero los lugares cercanos están más relacionados que los lugares lejanos.

Esta es la primera ley de Geografía introducida por Waldo R. Tobler en 1969.

Este concepto se aplica a la contaminación, al ruido, a las ciencias del suelo y a innumerables fenómenos.

Examinemos dos maneras de medir la Primera Ley de la Geografía de Tobler.

Semivariogramas como gráficos

Si miras 1 metro adelante, es muy probable que la elevación del terreno sea la misma. Cuando miras 5 metros adelante, la elevación del terreno va a ser un poco menos similar. Pero puede empezar a variar. Ahora, cuando miras a 100 metros de distancia, la elevación varía más hasta el punto de que no están relacionados.

Utilizamos semivariogramas en la interpolación de kriging para entender patrones relacionados con la distancia. Los semivariogramas toman 2 posiciones de muestra y denotan la distancia entre puntos como h.

En el eje X, representa la distancia (h) entre puntos. Agrupa las distancias por retardos. Basado en pares, mide la varianza entre la variable de respuesta (en el eje Y) y la distancia entre esos dos puntos en el eje X.

A medida que aumenta la distancia, la variable de respuesta se vuelve menos predecible y está menos relacionada. Pero para las cosas más cercanas, la respuesta es más predecible y tiene menos variabilidad.

En general, los semivariogramas muestran la Primera Ley de la Geografía de Tobler al graficar una variable por distancia.

Autocorrelación espacial y I de Moran

Podemos describir numéricamente la Primera Ley de Geografía de Tobler con autocorrelación. La autocorrelación espacial ayuda a comprender cuán similares son los objetos cercanos a otros objetos cercanos. El Índice de Moran (o simplemente el I de Moran) mide la autocorrelación espacial.

Clasificamos el I de Moran como positivo, negativo y sin autocorrelación espacial.

La autocorrelación espacial positiva indica un conjunto de valores similares en un mapa. Pero una autocorrelación espacial negativa indica una agrupación de valores diferentes en un mapa. Un valor de 0 para el I de Moran típicamente indica que no hay autocorrelación.

Utilizando la autocorrelación espacial, los geógrafos entienden si las enfermedades y otros fenómenos están aislados o no. El I de Moran puede implicar que el fenómeno se está extendiendo con dispersión o agrupamiento.

Conclusión

La Primera Ley de Geografía de Tobler se basa en la distancia del costo o la decadencia de la distancia. Esto significa que hay un mayor obstáculo para dos lugares más alejados.

Por ejemplo, las personas son menos propensas a viajar una mayor distancia para visitar una tienda como se muestra en el Modelo de Gravedad de Huff.

A medida que aumenta la distancia, mayor es el obstáculo para los costos de transporte y compra.

Traducido desde: GISGeography

La entrada ¿Cuál es la Primera ley de la Geografía de Tobler? se publicó primero en El blog de franz.

Realizar una interpolación es un procedimiento cada vez más sencillo, solo bastan unos clics.

Sin embargo, la teoría subyacente no es tan simple, en los artículos: entendiendo la interpolación, interpolación distancia inversa ponderada, interpolación bilineal se explican los fundamentos.

Para saber cómo interpolar sus datos pueden visitar el artículo: interpolación espacial en  QGIS 3.

Existe una infinidad de métodos de interpolación, ante aquello se pueden dar ciertas interrogantes ¿Cómo seleccionamos el mejor para nuestros datos? ¿Cómo evaluamos el ajuste del método aplicado?

El procedimiento que se describirá a continuación es útil para cualquier interpolación, no obstante, en Modelos Digitales de Terreno deben considerarse otras evaluaciones complementarias que abordaremos con detalle en próximos artículos.

Caso de estudio

Continuamos con la evaluación de muestras de un análisis de suelos, en el artículo evaluando parámetros de suelos interpolados, vimos algunos métodos para explorar dichos datos.

En esta ocasión se aplicaron seis métodos de interpolación del parámetro Potasio (K), se presenta un método que permita escoger la más apropiada (descargar datos del ejercicio).

Métodos:

• IDW: Distancia Ponderada Inversa
• TIN: Redes de Triángulos Irregulares
• Kriging: Krigeado
• Thin Plate Spline: Spline de lamina fina
• Multilevel B Spline: Spline B Multiple niveles
• Angular Distance Weighted: Distancia angular ponderada

En la imagen se muestran los métodos de interpolación con la misma escala de valores y paleta de colores.

1 Métodos exactos o aproximados

La primera interrogante que debemos responder, es si el método aplicado es exacto o aproximado.

Interpoladores exactos ‘honran’ los datos de muestra. En otras palabras, en la ubicación de un punto de muestra, la superficie interpolada tiene el mismo valor del punto de la muestra original.

En interpoladores aproximados, hay un reconocimiento que debido a la medida y de otros tipos de error, la mejor superficie de ajuste no puede pasar directamente a través de todos los puntos de la muestra. Sin embargo, el valor de una superficie aproximada en un punto de la muestra será próximo al valor de la muestra inicial. (Fuente: GEOG 486 – Cartography and Visualization )

La evaluación nos dirá si los valores de los puntos conocidos se mantienen luego de la interpolación y que tan marcada es la desviación, dependiendo de la naturaleza de la variable decidirá cual método descartar.

Procedimiento

1.1.- Instale y active el complemento Point Sampling Tool, (detalles consulte el articulo Estadísticas zonales en QGIS 3)

1.2.- Luego, cree un duplicado a partir de la capa Soilsamp (análisis_K.shp), agréguela en QGIS 3, edítela y elimine todos los campos excepto el Potasio.

1.3.- Posteriormente, seleccione menú Complementos > Analyses > Point Sampling Tools. En “Layer containig Samples Point” seleccione la nueva capa análisis_K.shp.

En la misma caja de dialogo seleccione el campo K y los seis raster, puede verificar los campos que serán creados en la pestaña Field.

Finalmente, de un nombre al archivo de salida (K_metodos.shp) y clic en Ok.

1.4.- Al abrir la tabla de atributos de la nueva capa, note que cada punto tiene el valor medido y el interpolado por los métodos.

1.5.- Luego, genere un campo para almacenar el cálculo de la diferencia entre el valor medido y el estimado por cada método.

El cálculo lo realiza utilizando la calculadora de campos, para detalles consulte el articulo Operaciones básicas con Tablas en QGIS 3.

En la imagen el  valor medido y las diferencias con cada método, los valores positivos indican donde el valor medido fue mayor que el estimado y los negativos el caso contrario

1.6.- Seguidamente, consulte para cada diferencia las estadísticas: mínimo, máximo, media y desviación estándar

Para calcular estadísticas de campo consulte el artículo: estadísticas de campos en QGIS 3.

En la tabla se han colocado las estadísticas en una hoja de Excel.

Ahora, puede evaluar que tanto “respetan” los métodos de interpolación el valor medido o real.

El método de Distancia Angular Ponderada (ADW) es el más fiel a los datos de entrada, seguido por el IDW.

El método TIN presenta alta desviación estándar, algo atípico dado que es un método exacto, es recomendable recalcularlo.

2.- Evaluando la precisión de los métodos de interpolación

El procedimiento anterior no evalúa que tan bueno es un método como estimador.

El cálculo del Error de la Raíz Cuadrada de la Media permite comparar los valores estimados y los observados.

Para ello se escogerá un 10% de los puntos, se repetirá la interpolación sin ellos, finalmente, se evaluara que tan bien predicen sus valores.

Procedimiento:

2.1.- Selección una muestra del 10% de los puntos de análisis de suelos para ello, menú Vectorial > Herramientas de investigación > Selección Aleatoria:

2.2.- En capa de entrada seleccione “análisis_K.shp”, el método “Porcentaje de Objetos Seleccionados”, en “Numero/porcentaje de objetos seleccionados” coloque 10.

De esta forma se han seleccionado aleatoriamente 7 puntos de los 74.

2.3.- Luego, cree una nueva capa con los puntos seleccionados, llame a la capa “puntos de validación”.

2.4.- Posteriormente, active la edición de la capa “análisis_K.shp” y elimine los puntos seleccionados, realice de nuevo las interpolaciones.

Calculo del Error de la Raíz Cuadrada de la Media (RMSE)

2.5.- Seleccione menú Complementos > Analyses > Point Sampling Tools. En “Layer containig Samples Point” seleccione la capa puntos_validación.shp

Luego, en la caja de dialogo, seleccione el campo K y los seis raster recién creados. De un nombre al archivo de salida.

2.6.- Repita los pasos 1.5 al 1.6, el campo con las menores diferencias identifica el mejor estimador.

Puede observar puntos en los métodos presentaron una mala estimación, esto puede indicar valores atípicos o la presencia de patrones direccionales (anisotropía).

2.7.- El RMSE consiste en el cálculo de la media de las desviaciones entre valores observados y predichos:

Dónde:

• RMSE: Error de la Raíz Cuadrada de la Media
• O: valor observado o medido
• P: valor estimado
• N: número de puntos, 67

Luego, extraiga la estadística suma de cada diferencia y realice las operaciones en una tabla de Excel:

En este caso el método IDW genero la mejor estimación, pudo deberse a  una modificación en los parámetros al volver a interpolar con ADW.

El valor del RMSE se encuentra en las unidades de la variable, puede definir un umbral de error admisible

Finalmente, puede repetir el proceso con otros puntos de validación.

También, es recomendable alterar o agregar más métodos de interpolación, aplicar variaciones y ajustes.

Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com

La entrada ¿Cómo seleccionar el mejor método de interpolación? se publicó primero en El blog de franz.

Pix4Dmapper es un software de fotogrametría para el mapeo profesional basado en drones, obtenido exclusivamente a partir de imágenes.

Convierte tus imágenes en mapas 2D y modelos 3D de alta precisión y georeferenciados. Son personalizables, oportunos y complementan una amplia gama de aplicaciones y software.

Quieres iniciar con con Pix4Dmapper y aún no sabes cómo ni para que funciona. Puedes descargar la guía para principiantes que enseña como utilizar el software desde su instalación y la adquisición de imágenes hasta la optimización de los resultados.

La guía esta completamente en español y es de libre acceso,

Descargar Guía de inicio en PDF

La entrada Descargar guía Pix4Dmapper en PDF se publicó primero en El blog de franz.

En ArcScene se puede simular inundaciones para conocer cuales serían las partes afectadas si se produce una inundación. Aunque solamente es de forma visual, permite tener una idea general de como afectaría dicho evento.

Para el desarrollo de este ejercicio se requiere de un DEM, y un polígono del área a simular, adicionalmente para dar mayor realismo se puede agregar una imagen satelital.

Los pasos para realizar la simulación de inundaciones se detallan seguidamente (descargar los ejercicios de práctica).

1.- Obtener un DEM, un polígono y opcionalmente una imagen satelital (todas las capas deberían ser de similar superficie).

2.- Abrir ArcScene, cargar todas las capas.

3.- Clic derecho sobre el DEM, dirigirse a Properties > Base Heights, activar Floating on a custom surface y seleccionar DEM (realizar el mismo proceso si se cuenta con una imagen satelital).

4.- Asignar el color azul al polígono, o cualquier color para representar las inundaciones.

5.- Dirigirse al Menú Customize > Toolbars > Animation.

6.- En la barra de herramientas Animation, dirigirse a Animation > Animation Manager.

7.- En la pestaña Keyframes en la parte izquierda hacer clic en Create.

8.- Dentro de la ventana Create Animation Keyframe, en el campo Type seleccionar Layer, para Source object selecciona la capa del polígono (water).

Ahora clic en New en el campo Destination track. Seguidamente en Keyframe name hacer clic en Create, y crear todos fotogramas que se requieran para la animación (en este caso 10), luego cerrar la ventana.

9.- Nuevamente en la ventana Animation Manager, en el campo Translation:Z para cada frame colocar el valor de elevación, por ejemplo si la cota más baja desde donde se pretende incrementar la lámina de agua inicia en 3380 msnm, colocar dicho valor en el primer fotograma, luego para los siguientes fotogramas incrementar los valores de altitud hasta alcanzar el valor máximo de inundación, luego cerrar la ventana,

10.- Finalmente en la barra de herramientas Animation clic en el botón Open Animations Controls, clic en Options para configurar el tiempo de reproducción (by duration) y el modo de reproducción (play mode). Una vez que todo se encuentra listo hacer clic en el botón para reproducir la simulación.

Para mayor claridad en el procedimiento puede revisar el siguiente videotutorial.

La entrada Simulación 3D de inundaciones en ArcGIS se publicó primero en El blog de franz.

En ocasiones se requiere cambiar la resolución de las capas ráster (realizar un remuestreo), generalmente: al trabajar con capas de diferentes resoluciones.

Por ejemplo, se desea realizar operaciones aritméticas con variables como pendiente, precipitación, indices de vegetación, elevación, entre otras, para generar un mapa de aptitud, sensibilidad etc.

Las razones son variadas, pueden formar parte de un esquema justificado o simplemente un ensayo.

Existen módulos específicos para realizar un remuestreo, en QGIS 3 utilizando GDAL o apelando a las herramientas de Grass, SAGA.

Sin embargo, en esta ocasión veremos una opción sencilla y rápida utilizando la calculadora ráster, para un índice de vegetación.

La capa a remuestrear puede ser una imagen, un MDE, producto de una interpolación u operación como un índice radiométrico.

Nota: al no utilizar una herramienta específica para remuestreo se presentan limitaciones.

Incrementando la resolución del Raster

El objetivo es incrementar la resolución espacial de un ráster, es decir, disminuir el tamaño del pixel, sin alterar el valor del pixel original

Procedimiento:

1.- Cargue el ráster en QGIS 3, en este caso se adiciona un índice NDVI calculado de una imagen Sentinel2.

2.- Luego, verifique las dimensiones del ráster, En Panel de Capas seleccione NDVI, luego botón derecho y clic en Propiedades.

Se despliega una caja de dialogo que con las Propiedades de la Capa, puede ver que las dimensiones son de 10 x 10 metros.

3.- Seleccione la Capa NDVI y luego menú Raster > Calculadora Raster.

En la imagen detallaremos el número de Filas (120) y columnas (188). La relación entre filas y columnas con las dimensiones ancho y alto definen el tamaño del pixel.

3.- Posteriormente, duplicaremos la resolución del NDVI para ello, multiplicamos por 2 las filas y columnas, manteniendo las dimensiones del ráster.

• Filas: 120*2= 240
• Columnas: 188*2= 376

Sustituimos dichos valores, se le da un nombre de salida (NDVI5m), de doble clic en el NDVI hasta que aparezca en Expresión de la calculadora de Campos.

Finalmente, clic en OK.

4.- El ráster es adicionado al Panel de Capas, puede verificar que es igual al original, sin embargo, al consultar sus propiedades notara que las dimensiones del pixel son ahora de 5 metros.

Disminuyendo la resolución del Raster

Llevaremos a cabo el proceso contrario.

1.- Ahora dividimos entre 2 el número de filas y columnas, manteniendo las dimensiones del ráster.

• Filas: 120/2= 60
• Columnas: 188/2= 94

2.- Seleccione el NDVI > menú Raster > Calculadora Raster, sustituya los valores, de doble clic sobre la capa NDVI para que aparezca en Expresión de la calculadora de Campos

Finalmente, de un nombre de salida (NDVI20m) y clic en OK.

3.- En este caso el cambio de resolución es notable.

Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com

La entrada Cambiar la resolución de un ráster en QGIS 3 se publicó primero en El blog de franz.

Los índices espectrales constituyen hoy en día una de las principales herramientas de la teledetección satelital, área y terrestre.

Un índice espectral es una operación aritmética entre bandas (imágenes captadas en rangos específicos del espectro electromagnético).

Dichas operaciones pueden ser sencillas como suma, resta y división; hasta más complejas producto de correlaciones obtenidas por experimentación.

Aproximadamente el 90% de la información de la vegetación está contenida en las bandas del rojo y el infrarrojo cercano (Gilaberth M. et al. 1997). Es por ello que la mayoría de los indices de vegetación se concentran en estas bandas.

Índice de vegetación de diferencia normalizada (NDVI)

El NDVI es el índice más utilizado, ha sido correlacionado con múltiples variables biofísicas, sin embargo, no responde a ninguna concreta sino a una amalgama de factores (cobertura, estado fenológico, estado fito-sanitario).

El objetivo de un índice de vegetación es obtener un valor que permita evaluar cuantitativamente características de la vegetación.

Limitaciones del NDVI:

El NDVI oscila entre -1 y 1, indica cantidades de vegetación, distingue vegetación de suelo, minimiza efectos topográficos y muchas otras bondades, por lo tanto, es un Buen Indice!

Sin embargo, presenta limitaciones:

1. Saturación.
2. Efectos del suelo.
3. Interferencia atmosférica.

Saturación y efectos atmosféricos:

El NDVI es sensible al incremento de la cobertura vegetal, al relacionar con un parámetro como el Indice de Área Foliar (LAI) se observa una relación directa.

LAI: cantidad de área foliar por unidad de área de superficie de tierra.

El incremento del NDVI ante la cobertura es exponencial observándose una saturación ante incrementos de la cobertura.

La razón de la saturación recae en el cambio casi imperceptible en la banda del rojo en contraste con el notable incremento en la reflectividad en el infrarrojo cercano, llegado un punto de desarrollo.

¿Cómo afecta esto a la interpretación?

En un cultivo, luego de la saturación aunque las plantas sigan creciendo no se reflejaran cambios en el NDVI

¿Cómo solventar el problema?

Para realizar evaluaciones en zonas de alta densidad de vegetación la NASA desarrollo el Indice de Vegetación Mejorado (EVI), el cual además utiliza la Banda del rango del azul para atenuar las interferencias atmosféricas.

El EVI es más sensible a zonas con alta biomasa, permite un mejor monitoreo de la vegetación y reducción de las influencias atmosféricas. (Wikipedia).

El NDVI y EVI se complementan, el primero es sensible a la clorofila, el segundo es susceptible a la fisionomía de las plantas, variaciones estructurales, tipos y arquitectura del dosel (LAI) (Wikipedia)

En la tabla se muestran las formulas para el calculo del EVI para imágenes Landsat y Sentinel2

USGS 2017, Sentinel Hub

Nota: en el caso de las imágenes captadas con Drones al no requerir corrección atmosférica este índice no es muy utilizado.

Efectos del suelo:

La reflectancia del suelo se caracteriza por un aumento relativamente continuo en los diferentes rangos del espectro.

Al estudiar la vegetación el suelo ejerce un efecto “perturbador”, el cual varía de acuerdo a sus características oscuras o brillantes, y al porcentaje de cobertura de la vegetación.

Fuente: Qi J. et al 1994. 

En la figura se puede observar la alta sensibilidad del NDVI ante la interferencia de diferentes tipos de suelo

Para solventar la interferencia del suelo en zonas de escasa cobertura vegetal se han desarrollado índices como el Indice de Vegetación Ajustado al Suelo (SAVI).

SAVI introduce un parámetro L, cuyo valor debe ser introducido por el usuario, se recomienda 1 para bajas densidades de vegetación, 0.5 intermedios y 0.25 alta densidad (Gilaberth M. et al. 1997)

Generalmente se le asigna a L el valor 0.5.

En la tabla se muestran las formulas para el calculo del SAVI para imágenes Landsat y Sentinel 2.

USGS 2017, Sentinel Hub

Calculando EVI y SAVI en QGIS 3

Para determinar los índices se ejecutan las operaciones aritméticas utilizando la calculadora Raster.

Luego de generados pueden desplegarse en una paleta de color comparable, más detalles en el articulo Interpolación espacial en QGIS 3, en la sección “comparando resultados”.

En la imagen se puede observar el comportamiento de los índices NDVI, SAVI y EVI en un cultivo de maíz que pasa de mayor a menor biomasa.

El NDVI presenta valores más altos, cercanos al límite del rango disponible en comparación con los otros índices que reflejan una disminución similar y casi lineal.

Notas finales: para evitar tener que definir un parámetro L para el indice SAVI se han desarrollado indices como el MSAVI y MSAVI2, que toman los datos de las estadísticas de la imagen.

De igual forma para prescindir de la banda del rango del azul el indice EVI2 puede calcularse solo con las bandas del rojo e infrarrojo. Para conocer como calcular una gran variedad de indices consulte ¿Como calcular 18 indices radiométricos en un solo paso?

Bibliografía citada:

• Qi J. et al 1994. A Modified Soil Adjusted Vegetation Index. Remote Sens. Environ. 48:119-126
• Gilaberth M. et al. 1997. Acerca de los índices de vegetación. Revista de Teledetección N° 8. España
• USGS 2017.Landsat Spectral Indices Product Guide. Version 3.6

Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com

La entrada Superando las limitaciones del NDVI se publicó primero en El blog de franz.

Hay docenas de sitios web que la NASA utiliza para alojar sus datos y herramientas de teledetección (¡más de 50!). Por lo tanto, para alguien que no está muy familiarizado con la industria geoespacial, dar sentido a toda esta información o incluso averiguar qué activo puede ser localizado donde podría ser un ejercicio abrumador.

No es de extrañar que la NASA no haya podido aprovechar todo su potencial de comercialización para las nuevas empresas u otras pequeñas empresas, a pesar de que estas empresas podrían beneficiarse enormemente del acceso a datos de teledetección gratuitos y abiertos.

Pero ahora, el status quo está a punto de ser alterado con la última oferta del programa de Transferencia de Tecnología de la NASA. Llamado Remote Sensing Toolkit, este recurso en línea combina datos satelitales, las herramientas que usted necesita para analizar esos datos, y el código que usted necesita para crear sus propias herramientas de teledetección – ¡todo en un solo lugar!

El portal le ofrece la posibilidad de elegir entre datos casi en tiempo real o archivados, extrayendo información de los instrumentos AIRS, AMSR2, MISR, MLS, MODIS, MOPITT, OMI y VIIRS y de otras colecciones de datos de Ciencias de la Tierra. La NASA le ofrece herramientas listas para trabajar con cada categoría de datos o puede crear sus propias herramientas personalizadas para la gestión de datos, el análisis de datos, la visualización de datos, etc.

La visión de la NASA para este portal es que encienda la innovación en la comunidad empresarial y lleve a la creación de productos más comerciales que utilicen datos satelitales. Según Kevin Murphy, de la División de Ciencias de la Tierra de la NASA, “A lo largo de los años, muchas organizaciones de todo el mundo han encontrado formas innovadoras de convertir los datos de los satélites de la NASA en productos de información beneficiosos aquí en la Tierra. “El Juego de Herramientas de Teledetección ayudará a aumentar el número de usuarios que ponen el archivo de datos gratuito y abierto de la NASA a trabajar para la gente.”

Puede consultar ingresar al kit de instrumentos de Teledetección aquí.

Traducido desde: Geoawesomeness

La entrada Kit de herramientas de Teledetección de la NASA se publicó primero en El blog de franz.

Geosoft, líder en software de geociencias, ha lanzado un nuevo complemento para importar y visualizar archivos raster de Geosoft dentro de ArcGIS Pro.

“Geosoft tiene una larga asociación con Esri que nos ha permitido ofrecer flujos de trabajo esenciales para los profesionales de geociencias y SIG que trabajan en la plataforma ArcGIS”, dijo Sara Deschamps, Gerente de Producto, Geología y SIG de Geosoft. “Nuestro Add-In para ArcGIS Pro es el último en nuestro continuo esfuerzo por mejorar la integración y potenciar el análisis avanzado de geociencias dentro de la plataforma GIS líder en el mundo de Esri”.

El complemento Geosoft para ArcGIS Pro permite a los clientes importar, convertir y mostrar archivos raster de superficie y subterránea Geosoft en ArcGIS Pro sin problemas. Las nuevas capacidades incluyen:

• Visualización 2D y 3D – vea archivos raster geofísicos o geoquímicos de Geosoft (.grd) rápida y fácilmente en ArcGIS Pro.
• Conversión de formatos.- convierta múltiples archivos raster de Geosoft (.grd) a formatos Esri para realizar análisis raster o geoprocesamiento en ArcGIS Pro.
• Importación sin georeferenciación.- importe las secciones o los rasters del subsuelo y visualícelos en una escena 3D de ArcGIS Pro 3D con su ubicación y orientación correctas.
• Simbología y Sombreado.- aplique métodos de color geocientíficos para mejorar detalles importantes en su conjunto de datos raster y mejorar la interpretación.

“Esta integración es un gran paso hacia flujos de trabajo más racionalizados que ahorrarán tiempo, esfuerzo y dinero a nuestros clientes compartidos”, dijo Geoff Wade, Jefe de Equipo de Industrias de Recursos Naturales en Esri. “Como socio a largo plazo, estamos encantados de ver que Geosoft invierte activamente en el futuro integrando sus establecidos y respetados flujos de trabajo en geociencias con la última tecnología Esri”.

El complemento Geosoft para ArcGIS Pro está disponible para su descarga gratuita.

Traducido desde: GISuser

La entrada Geosoft añade complemento gratuito para ArcGIS Pro se publicó primero en El blog de franz.

Groenlandia ya no es más grande que África a medida que Google Maps reduce las proyecciones de Mercator.

En lo que probablemente podría verse como un gigante de la tecnología que pugna por los defensores de las teorías de la Tierra plana, Google ha actualizado su plataforma Maps para soltar los mapas anteriores de Mercator en favor del globo tridimensional. Esto significa que Groenlandia ya no aparecerá más grande que África cuando un usuario se aleje por completo de la aplicación.

La compañía con sede en Mountain View, California, anunció esto en Twitter.

With 3D Globe Mode on Google Maps desktop, Greenland's projection is no longer the size of Africa.

Just zoom all the way out at https://t.co/mIZTya01K3 😎🌍 pic.twitter.com/CIkkS7It8d

— Google Maps (@googlemaps) August 2, 2018

La proyección anterior de Mercator permitió una representación más fácil en un plano bidimensional, pero resultó en inexactitudes de hecho con respecto al área de las masas terrestres. Debido a la naturaleza “estirada” del mapa, las áreas cercanas a los polos parecían más grandes de lo que deberían, mientras que las áreas cercanas al ecuador parecían finas.

Por lo tanto, Groenlandia, que es mucho más pequeña que África, parecería más grande, un fenómeno compartido también por las naciones escandinavas debido a su ubicación.

Un empleado de Google reveló en línea que las proyecciones de Mercator se utilizaron para ángulos de carretera en latitudes más altas, informa Mint.

Sin embargo, la otra plataforma de mapeo de Google, Google Earth, siempre ha proporcionado mapas tridimensionales.

Traducido desde: Swarajya

La entrada Groenlandia ya no es más grande que África en Google Maps se publicó primero en El blog de franz.

La frase transformaciones de coordenadas geográficas se refiere a la conversión de datos de un punto cero a otro. Muchos paquetes de software de SIG tienen la capacidad de convertir datos de un sistema de datos a otro (hace una re-proyección). Sin embargo, es posible que se encuentre en una situación en la que las conversiones de software que están fácilmente disponibles no resuelvan su problema de conversión de datos.

Por ejemplo, la transformación que desea realizar puede no ser una opción estándar, o puede que no sepa en qué dato se encuentran sus datos (esto es, por supuesto, necesario para elegir la transformación correcta). En un apuro como éste, todavía es posible convertir su conjunto de datos de un tipo a otro utilizando lo que se conoce como una transformación afín.

Es posible que haya tenido contacto por primera vez con la transformación afín en el contexto de la georeferenciación de datos escaneados o digitalizados en tabletas. Estrictamente hablando, la transformación afín NO es una transformación de datos.

La transformación afín incluye tres tipos de operaciones: traslación, rotación y escalado de un dato para producir una coincidencia con un segundo dato (ver Figura 1, abajo). Para convertir con éxito su conjunto de datos, también necesitará conocer las ubicaciones de al menos tres puntos (preferiblemente más) en ambos sistemas de coordenadas.

Cuantos más puntos tenga, y cuanto más equitativamente distribuidos estén los puntos en su área de interés, mejor será la transformación (es decir, será menos probable que introduzca errores de posición en su conjunto de datos al realizar la transformación).

El término “proyección sobre la marcha” se refiere a una característica del software del SIG que fue diseñado para tomar conjuntos de datos no proyectados (es decir, datos que se almacenan en latitud y longitud) y transformar su representación visual para que parezcan coincidir con otros conjuntos de datos que se proyectan.

La capacidad ha evolucionado en algunos programas de SIG hasta convertirse en uno que puede volver a proyectar de un sistema de coordenadas ya proyectado a otro. (Aunque detrás de las escenas hay un paso intermedio por el cual las coordenadas del conjunto de datos inicial no se proyectan a lon-lat, luego se proyectan a la segunda proyección de mapa deseada).

En este método de visualización de datos, el sistema de coordenadas subyacente y la proyección del conjunto de datos no se modifican. Aunque aprovechar esta función puede ahorrarle algunos pasos y facilitar la inspección visual preliminar de un conjunto de datos, puede causar problemas si se utiliza incorrectamente con conjuntos de datos almacenados en dos sistemas de coordenadas geográficas diferentes; es fácil aplicar una transformación incorrecta a nivel de punto de referencia a un conjunto de datos. Por esta razón, la mejor práctica es transformar siempre todos sus conjuntos de datos para que se almacenen en el mismo sistema de coordenadas y proyección de mapa.

Al volver a proyectar los datos, a diferencia de proyectarlos sobre la marcha, se realizan cambios en los datos reales (es decir, se modifican tanto el conjunto de datos como la representación visual de éstos).

Al volver a proyectar sus datos, es posible que primero tenga que des-proyectarlos (es decir, transformarlos en coordenadas de latitud y longitud) y luego volver a eyectarlos en otra proyección de mapa. Esto dependerá de las capacidades del software de SIG que esté utilizando.

Traducido desde: GEOG 486

La entrada Proyección vs. Reproyección se publicó primero en El blog de franz.

Las isolíneas, también llamadas isaritmos, son un tipo de simbolización cartográfica bidimensional que se utiliza comúnmente para representar una superficie estadística tridimensional en un pedazo de papel plano o una pantalla de computadora.

Esta superficie tridimensional puede ser real (por ejemplo, elevación o presión del aire) o conceptual (por ejemplo, rendimiento de los cultivos). La ubicación de cada isolínea representa todos los lugares de la superficie que tienen un valor particular (por ejemplo, una isolínea particular en un mapa de contorno de elevación muestra todos los lugares que tienen una elevación particular; ver Figura 1, abajo).

Con el tiempo, hemos llegado a utilizar nombres especializados para las isolíneas que se utilizan para representar ciertos tipos de fenómenos (por ejemplo, una isoterma es una línea de igual temperatura, mientras que una isobara es una línea de igual presión). Sin embargo, como quiera que se llamen las isolíneas, se crean utilizando un procedimiento similar.

La simbolización de la isolínea es generalmente apropiada para representar fenómenos que son continuos y cambian suavemente. Hasta el advenimiento de la teledetección, los cartógrafos rara vez eran capaces de medir un fenómeno en todos los puntos de una superficie, por lo que utilizaban métodos generalmente conocidos como interpolación (véase la sección sobre Interpolación para obtener más información sobre estos métodos) para estimar los valores de las variables en lugares no medidos a partir de las mediciones realizadas en puntos concretos (véase la figura 2, más adelante).

Incluso con la disponibilidad de datos de teledetección en la actualidad, todavía hay muchas variables para las que no podemos obtener mediciones en cada punto de la superficie de la Tierra, por lo que estos métodos de interpolación siguen siendo muy importantes.

Después de crear una representación en superficie del atributo de interés (generalmente en forma de trama o de red irregular triangular), el cartógrafo elige qué isolíneas quiere representar en el mapa, y la computadora puede identificar cada ubicación donde ocurre el valor de interés y dibujar una línea que conecte esas ubicaciones (es decir, la isolínea).

Cuando se comunican los datos con las isolíneas, hay varios factores de diseño a considerar. Aunque los mapas de isolíneas permiten a los lectores de mapas estimar valores en lugares particulares con una precisión razonablemente buena, los lectores de mapas a menudo tienen dificultades para formar una imagen mental de la forma de la superficie a partir de las isolíneas solamente (véase la Figura 3, a la izquierda).

Rellenar los contornos con algún tipo de esquema de color secuencial puede ayudar a los lectores de mapas a formar más fácilmente una impresión general de dónde se encuentran los altibajos en el espacio (ver Figura 3, a la derecha).

La elección de un intervalo de contorno apropiado a veces puede ser delicada: si elige un intervalo de contorno pequeño, puede que se quede con un mapa que se convierta en una masa de líneas muy compactas que dificulte la lectura o la visualización efectiva de cualquier otra información relevante; si elige un intervalo de contorno más grande, los lectores de mapas pueden perder características de superficie importantes, especialmente en áreas donde el cambio de atributo es más lento.

Al alterar la posición de la base o el punto de partida para dibujar las isolíneas, puede haber características que se ocultan u oscurecen. Ver la Figura 5 para un ejemplo.

Los mapas de isolíneas a menudo incluyen simbolización además de las isolíneas mismas para comunicar otras características o datos. Es importante asegurarse de que sus isolíneas sobresalgan como figura frente a cualquier otra característica que incluya en el mapa.

A veces puede ser útil utilizar variables visuales adicionales dentro de las isolíneas para añadir información complementaria. Por ejemplo, el uso de dos tipos de pesos de línea para contornos de elevación da como resultado contornos índices e intermedios. Los contornos del índice, que suelen estar simbolizados por una línea más gruesa, se encuentran a intervalos fijos (normalmente cada cuatro o cinco contornos) y pueden ayudar al lector de mapas a identificar más rápidamente la información de elevación. Por ejemplo, si tuviera un intervalo de contorno de 20 metros, podría hacer contornos índice cada 100 metros. Una ventaja de este enfoque es que sólo es necesario etiquetar los contornos del índice, lo que facilita la colocación de las etiquetas.

Un segundo tipo de característica visual que se puede utilizar para mapas de isolíneas es para depresiones, o áreas de valor decreciente que están rodeadas por áreas de valor creciente. A menudo se representan con una línea que se sombrea hacia el interior de la depresión para dar al lector de mapas la impresión de que la superficie tiende a descender dentro de las isolíneas. Consulte la Figura 7, a la derecha, para ver un ejemplo.

La colocación de etiquetas en mapas de isolíneas es muy importante. El resultado de la colocación de etiquetas por defecto de un ordenador puede provocar que algunas líneas caigan directamente sobre las etiquetas, haciéndolas ilegibles sin enmascarar; otras se colocan en ángulos que dificultan la lectura o dificultan la determinación de la línea a la que se refieren. Por lo general, etiquete sólo los contornos del índice, y sólo repita las etiquetas en los casos en que la línea sea larga o esté interrumpida. Las etiquetas deben colocarse “en línea” con las líneas a las que se refieren, y técnicas como el haloing pueden utilizarse para enmascarar o romper la línea de modo que la etiqueta sea legible .

Traducido desde: GEOG 486

La entrada ¿Qué son las isolíneas, contornos o curvas de nivel? se publicó primero en El blog de franz.

La técnica más utilizada para “espacializar” datos son los métodos de interpolación. Existe una gran diversidad de métodos de interpolación/extrapolación 1, 2, 3.

En muchos casos se utilizan a la ligera, sin prestar atención a los supuestos y requisitos, por ejemplo el mínimo numero de muestras y distribución.

En el artículo “como seleccionar el mejor método de interpolacion” se presenta un procedimiento para evaluar el ajuste de la interpolación, en base a ello decidir el más adecuado

Sin embargo, dicho proceso es laborioso, ¿es posible saber con antelación si es conveniente interpolar y tener una idea de que resultados se obtendrían?

¿Cuándo interpolar?

Según Berry J 1999 la confiabilidad de un mapa producto de una interpolación de puntos depende de:

1. La existencia de dependencia espacial (autocorrelación espacial) dentro de los datos.
2. El diseño de muestreo empleado.
3. El algoritmo de interpolación aplicado.

El diseño de muestreo empleado:

Se refiere a la cantidad de puntos y su distribución, en relación al fenómeno/propiedad que se desea representar.

Lo más recomendable es contar con un alto de número de muestras distribuidas uniformemente que permita captar la variabilidad del espacio o de los estratos considerados.

Sin embargo, en la mayoría de los casos esto no es posible por razones técnicas o económicas.

Peor escenario cuando las muestras están previamente establecidas, como el caso de las estaciones climáticas.

Los análisis presentados en el artículo “epidemiologia espacial” son de utilidad para evaluar la distribución de nuestras muestras.

Dependencia espacial:

Los métodos de interpolación más utilizados se sustentan en la Primera Ley de Tobler “Todos los lugares están relacionados, pero los lugares cercanos están más relacionados que los lugares lejanos”.

¿Qué sucede si no existe dependencia espacial?

Generaremos una bonita superficie (mapa), pero no representa la variable interpolada, por lo tanto, no tiene un uso práctico Berry J 1999.

¿Qué es lo deseable ?

Lo deseable: que exista dependencia espacial positiva, es decir, que las zonas aledañas el valor de la variable de interés sea similar. Esto no descarta que puedan existir cambios bruscos, efectos de borde.

Por ejemplo, el relieve, en general presenta un cambio gradual.

Lo no deseable: que la dependencia espacial sea negativa (zonas aledañas presentaran valores muy diferentes) o que no exista dependencia espacial.

Dependencia espacial positiva

Dependencia espacial negativa

¿Qué puedo hacer si tengo pocas muestras, mal distribuidas, poca o nula dependencia espacial?

Ante un reducido numero de muestras lo recomendable es generar más muestras.

Puede tratar con interpoladores determinísticos locales que busquen el mejor ajuste con el menor número de puntos, como los polinomios locales.

Otra alternativa es, buscar variables correlacionadas y utilizar métodos que las consideren.

¿Cómo determinar la existencia de dependencia espacial?

Existen índices y métodos estándar que miden la autocorrelación espacial basada en las ubicaciones y los valores de las entidades:

• Índice de Moran “I”
• Índice de Geary “C”
• Semivariograma

El índice I de Moran con un valor positivo indica que existe mayor autocorrelación espacial positiva, igual a 0 no existe autocorrelación, si es menor de 0 la correlación es negativa.

El C de Geary es inversamente proporcional a I de Moran (valor 0 existe autocorrelación), pero no es idéntica. De Moran I es una medida de autocorrelación espacial global, mientras que C de Geary es más sensible a la autocorrelación espacial local.  Fuente Wikipedia.

El Variograma es un gráfico que muestra las diferencias entre pares de valores en función de la distancia entre ellos..

Los parámetros del Variograma permiten evaluar el grado de correlación espacial (lo abordaremos en un próximo articulo).

Determinando I de Moran en QGIS

Es posible calcular el índice I de Moran para archivos Raster utilizando las herramientas Raster de SAGA GIS.

En QGIS/SAGA el índice puede utilizarse para una variable continua, pero si se desea evaluar puntos se requiere convertir el archivo a formato Raster.

Es importante aclarar que el índice calculado con SAGA es para Capas Raster, por lo cual, el valor obtenido puede superar el rango esperado, (-1 hasta 1),

Procedimiento para una capa Raster (NDVI):

1.- .Ejecute QGIS3 y cargue el archivo raster del NDVI

2.- Seleccione menú Procesos > Caja de herramientas de procesos > SAGA > Geostatistic > Global Moran I for Raster Layers.

5.- En la caja de dialogo, en Capa de entrada > NDVI, luego Ejecutar

6.- Al finalizar de clic sobre la pestaña Registro para ver el resultado.

Procedimiento para una capa de puntos:

1.- Ejecute QGIS3 y cargue el archivo de puntos soilsamp.shp

Puede descargar el archivo en el articulo Interpolación Espacial

2.- Rasterizando: En el menú Raster > Conversión > Rasterizar (vectorial a raster)

3.- Luego, en la caja de dialogo, en Capa de Entrada > soilsamp.shp. En Field to use for Burn a value seleccione el campo que contiene la variable a evaluar, en este caso Soil_K (Potasio)

En Output Raster size units > Georeferenced units, luego en Width y Height > 7. Definimos una resolución del raster de salida de 7 metros

SAGA utiliza el -999 como valor “sin datos”, debemos configurarlo.

Por lo cual, en Asignar un valor especificado para “sin datos” a las bandas de salida introduzca -999

Finalmente, en Extensión de salida > la extensión de la capa soilsamp.shp

Luego run….

4.- Calculando el I de Moran: Seleccione menú Procesos > Caja de herramientas de procesos > SAGA > Geostatistic > Global Moran I for Raster Layers

5.- En la caja de dialogo, en Capa de entrada > la capa raster generada en el paso anterior,

6.- Seguidamente, en las opciones Case of Contiguity seleccione Queen para que se realice el análisis en todas las direcciones, luego Ejecutar

Al terminar el proceso, seleccione la pestaña Registro, verá el valor del índice I de Moran

• Potasio: 1.838531
• Fosforo: 0.118381
• Biomasa: 0.756932

Los parámetros evaluados, presentan diversos grados de dependencia espacial positiva, lo que nos permite hacer conjeturas.

Berry J 1999. The Precision Farming Primer

Notas:

Programas estadísticos especializados como Geoda, R, permiten evaluar este y otros métodos con mayor profundidad.

Moran’s I da una estadística global. Puede indicarnos que se está produciendo una agrupación, pero no exactamente dónde ni cómo.

La prueba Indicador Local de Asociación Espacial (LISA) evalúa la agrupación regional y muestra la presencia de agrupaciones espaciales o valores atípicos estadísticamente significativos (Hot Spot).

En un próximo articulo veremos como determinar Hot Spot para polígonos y puntos en QGIS 3.

Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com

La entrada ¿Cómo decidir la pertinencia a interpolar en QGIS 3? se publicó primero en El blog de franz.

En el articulo de epidemiologia espacial realizamos un Análisis Exploratorio de Datos Espaciales (ESDA) para evaluar la distribución, zonas de concentración, relacionarlos con otras variables, pero ¿Qué tan seguros estamos de los resultados? ¿Tienen validez estadística?.

La distribución de los datos se evalúa determinando la existencia de autocorrelación espacial (concentración) o ausencia (dispersión).

La autocorrelación espacial  puede analizarse desde dos perspectivas.

El análisis de autocorrelación global implica la búsqueda de tendencia o patrón de todos los valores, en general, plantea la pregunta si el patrón muestra agrupación (Cluster) o no.

La autocorrelación local, explora dentro del patrón global e identifica los clusters o los llamados puntos calientes que pueden estar impulsando el patrón general de clustering, o que reflejan heterogeneidades que se apartan del patrón global.

Es decir, se centran en la inestabilidad espacial: la desviación de partes de un mapa de la tendencia general.

Independientemente del grado global de concentración en los valores, podemos observar

• Conjuntos de valores inusualmente Altos cerca de valores Altos, Muy Bajos cerca de valores Bajos que llamaremos Puntos calientes (Hot Spot) o Puntos fríos (Cold Spot).
• También es posible observar algunos valores altos (bajos) rodeados de valores bajos (altos), y los nombraremos “valores atípicos espaciales”.

Las técnicas utilizadas se denominan Indicadores Locales de Asociación Espacial (LISA) en esta oportunidad utilizaremos Local Getis-Ord Gi* y Local Moran I.

Estimando zonas de alta y baja concentración estadísticamente significativas

Local Moran I

Clasifica las observaciones en cuatro grupos:  valores altos rodeados de valores altos (HH), valores bajos cerca de otros valores bajos (LL), valores altos entre valores bajos (HL), y viceversa (LH).

El objetivo es identificar casos en los que la comparación entre el valor de una observación y el promedio de sus vecinos es más similar (HH, LL) o diferente (HL, LH) de lo que cabría esperar de la pura casualidad.

Getis-Ord Gi*

Tiene por objeto detectar ubicaciones atípicas (es decir, puntos calientes o fríos) en la disposición espacial de una variable dada.

En la práctica, Gi* compara los promedios locales con los promedios globales para evidenciar la presencia de conglomerados significativos de valores altos (o valores bajos).

Procedimiento:

Instalando complemento HotSpot para QGIS 3

Inicialmente debemos instalar el complemento experimental Hotspot, el cual requiere la librería Pysal

Instalando PySal (Librería Phyton de análisis espacial)

Existen varias formas de instalar PySal para Windows, recomiendo las instrucciones de la versión del PlugIn HotSpot para QGIS3 en el repositorio de GitHub

Nota: en esta página también encontrar las instrucciones para instalar en Ubuntu, MacOs, soluciones a problemas de instalaciones, descripción y más

Estando conectado a internet abra el  OSGeo4W Shell instalado con QGIS3 como Administrador y escriba

py3_env
python -m pip install --upgrade pip
python -m pip install pysal

La segunda y tercera línea actualizan la librería Pip e instalan PySal, esto puede demorar unos minutos.

Luego, en Complementos seleccione HotSpot e instale.

También puede descargar aquí la última versión HotSpot QGIS3 en formato Zip.

Seguidamente, en Complementos > Instalar a Partir de Zip seleccione el archivo zip descargado.

1.- Determinando HotSpot de tasas de homicidios en Texas

Data: Archivo Shapefile y ejemplo tomado del tutorial de uso de las librerías PySal en la web darribas.org 

Descargue el archivo gds_scipy16 descomprímalo

Luego, ejecute QGIS3 y abra el archivo Texas.shp ubicado en la carpeta Data, despliegue con estilo Graduated Color, en Columna > HR90, en Modo > Quantil

Posteriormente, en menú vectorial > HotSpot

En la caja de dialogo seleccione Local I Moran, en Select the Input Layer > Texas, en Select the Attribute Field > HR90, en Output Shapefile > de un nombre y ubicación al archivo de salida.

Repita el procedimiento seleccionando la opción Local Getis Ord GI*

Nota: en este caso pueden realizarse ajustes en la prueba considerando la población de cada estado

2.- Concentraciones significativas en análisis de suelos

También podemos realizar evaluaciones en capas de puntos, utilizaremos la capa de análisis de suelos. los datos son tomados del tutorial del programa ArcView3.2 (descargar datos del ejercicio).

Despliegue la capa Soilsamp.shp en QGIS3, ejecute el complemento HotSpot, notara que tiene más opciones que le caso anterior.

Puede dejar la Distancia de análisis (Fixed Distance Band) o utilizar una distancia optimizada o la opción Knn Spatial Weight Matrix.

Defina el archivo de salida

Resultados evaluando el parámetro Potasio (K), de fondo el modelo digital de terreno.

Notara ciertas diferencias en los métodos, más aún, la configuración de los parámetros de los métodos es un tema amplio que requiere mayor discusión.

Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com

La entrada Análisis de HotSpot en QGIS 3 se publicó primero en El blog de franz.

La incertidumbre de datos es un término que utilizamos para describir el nivel de confianza que un usuario tiene en sus datos. Hay muchas razones por las que usted podría no estar 100% seguro de que sus datos reflejan lo que realmente está sucediendo en el mundo real.

Antes de examinar esas razones con más detalle, es útil examinar dos aspectos de la incertidumbre: la exactitud y la precisión.

¿Qué es la precisión y exactitud?

La precisión se refiere al grado en que un valor medido se aproxima a un valor real. En tanto que la exactitud se refiere a la proximidad entre un valor medido y un valor verdadero del mensurando. La precisión se puede entender en dos contextos: (1) como medida de la dispersión de los valores medidos en torno al valor medio de ese grupo de mediciones; o (2) la resolución de los datos (es decir, la menor diferencia de medición que se puede registrar con ese método o herramienta de medición en particular).

Tomemos como ejemplo una cifra objetivo. Ahora finge que tienes cuatro lanzadores de dardos que tienen tres intentos cada uno para acercarse lo más posible al centro, o centro de diana, del objetivo. Los dardos del lanzador 1 (mostrados en rojo) aterrizan muy cerca del centro de la diana. Ella es exacta y precisa. Los dardos del lanzador 2 (mostrados en verde) están muy cerca unos de otros, pero no cerca de la diana. Es preciso, pero no exacto. Los dardos del lanzador 3 (mostrados en azul) aterrizan cerca del centro, pero no cerca uno del otro. Es exacto, pero no muy preciso. Finalmente, los dardos del lanzador 4 (mostrados en amarillo) aterrizan sobre el objetivo y no están ni cerca uno del otro. No es ni exacta ni precisa.

En el mundo real, es posible que tengas que decidir cómo medir algún fenómeno que te interese (por ejemplo, decidir qué lanzador de dardos elegir para tu equipo). Aunque los métodos de medición que usted tiene que elegir pueden no ser tan diferentes en su precisión y exactitud como los lanzadores de dardos en la figura anterior, usted todavía querrá elegir el método que le da el mayor nivel de precisión y exactitud que usted puede obtener (sujeto a otras restricciones en su proyecto, tales como el costo).

Por lo tanto, si es capaz de dirigir la recopilación de datos usted mismo, es posible que tenga un mayor grado de confianza en sus datos. Sin embargo, a menudo se utilizan datos que fueron recopilados por otra persona, y depende de usted hacer una estimación de la fiabilidad de los datos. En el resto de esta galería de conceptos, hablaremos sobre varios tipos de incertidumbre en los datos y las fuentes de esa incertidumbre.

Tipos de incertidumbre

En general, podemos pensar en tres tipos de incertidumbre para un conjunto de datos dado: incertidumbre temática, posicional (espacial) y temporal (Buttenfield y Beard 1994).

Hay muchas fuentes de incertidumbre en los datos. Aquí, enumeramos algunos ejemplos:

• Percepción (de un recolector de datos humanos) o sesgo del observador. En otras palabras, dos medidores pueden intentar describir el mismo objeto o fenómeno (y posiblemente incluso utilizar el mismo instrumento), pero aún así conseguir diferentes mediciones para describir el objeto o fenómeno.
• Precisión del dispositivo de medición. Algunos métodos de medición son más precisos que otros (por ejemplo, un receptor GPS con corrección diferencial es más preciso que uno sin él).
• Precisión del dispositivo de medición. Esto a menudo tiene que ver con la calidad de la calibración del instrumento.
• Procesamiento de datos. Operaciones como la vectorización, la rasterización y los cálculos (es decir, la derivación de una medida de datos a partir de datos brutos) pueden introducir incertidumbre en los datos.
• Variación del fenómeno en sí mismo. Algunos fenómenos (por ejemplo, los edificios) están bien definidos y es fácil para el recolector de datos decir dónde comienza y dónde termina el fenómeno. Otros, como los tipos de suelo o de vegetación, son más difusos, y son más difíciles de describir con un alto grado de exactitud y precisión.

Traducido desde: GEOG 486

La entrada Incertidumbre de datos, precisión vs exactitud se publicó primero en El blog de franz.

Ilwis 4 es un software de código abierto SIG y Teledetección integrado y basado en Windows. Contiene una aplicación de escritorio altamente interactiva basada en arrastrar y soltar, miniaturas de mapas y una rica funcionalidad de catálogo.

El marco de trabajo detrás de ILWIS 4 se llama ILWIS-Objects, que soporta la extensión de funcionalidad por medio de scripts Python o mediante la creación de nuevos conectores a nuevos formatos de datos, otros lenguajes de programación o librerías de software.

Características principales

Nueva Generación ILWIS (The Integrated Land and Water Information System) – un marco de aplicación modular:

• Visualización de datos raster, vectoriales y tabulares.
• Recuperación interactiva de la información de atributos asociada a los datos espaciales.
• Manipulación de datos raster, vectoriales y tabulares.
• Implementación/desarrollo de algoritmos para el procesamiento de datos de imágenes aeroespaciales.
• Herramientas analíticas GIS.
• Modelado de comportamientos de sistemas espaciales dinámicos usando herramientas de modelado.
• Análisis en 3D de eventos temporales espaciales utilizando herramientas de “cubo de espacio y tiempo.
• Cálculos en datos raster y tabulares usando líneas de comando de Python.
• Acceso directo a datos espaciales y tabulares de cualquier formato (a través de conectores).
• Uso del servidor remoto a través de WPS-ILWIS Bridge.
• Operaciones multitarea.
• Plataforma educativa para la enseñanza de SIG y Teledetección.
• Lenguaje de script Python para la automatización de procedimientos repetitivos.

Descargar ILWIS 4

La entrada Descargar ILWIS 4 se publicó primero en El blog de franz.

Hacer mapas atractivos es un proceso creativo que se beneficia de tener una perspectiva inesperada y de emplear un diseño reflexivo. Pero lo más importante es que es la intención del cartógrafo que considera un fenómeno y la mejor manera de comunicarlo.

A medida que las herramientas y los recursos se vuelven más capaces y acomodaticios, la artesanía intencionada del cartógrafo sigue siendo el ingrediente más fuerte de la cartografía.

John Nelson, cartógrafo y diseñador de experiencias de usuario (UX) en Esri, cree que los mapas elaborados con arte pueden atraer a los usuarios y apoyar los objetivos de negocio. Para ello, creó una variedad de estilos interesantes y llamativos para ayudar a los usuarios a dar nueva vida a sus mapas ArcGIS Pro.

Mapping with Style, Vol. 1 describe los cinco estilos que Nelson creó para ArcGIS Pro, su inspiración para cada uno de ellos y cómo utilizarlos.

Nelson creó los siguientes estilos:

• Middle Earth es un estilo inspirado en el mapa de Middle Earth creado por el autor J. R. R. R. Tolkien y la ilustradora Pauline Baynes.
• Eduard Imhof Topografía lleva el nombre e inspiración de la obra de Imhof, un famoso cartógrafo conocido por su excelente sombreado en relieve.
• Firefly añade brillo a los símbolos de puntos, líneas y polígonos.
• 1850s Physical Geography Atlas se inspiró en un diagrama de un atlas de 1854 disponible en la Colección de Mapas de David Rumsey.
• Hachure debe su nombre a una técnica de dibujo de mapas del pasado. “Un hachure es un medio para dibujar líneas cuesta abajo a lo largo de contornos de elevación para crear una textura topográfica rica y seudorrealista en un mapa”, dijo Nelson. “[El estilo] se usa a menudo para bosquejos de campo de topografía general, pero a veces también para mapas muy precisos.”

Tabla de contenidos

[1] Middle Earth Style
[2] Eduard Imhof Topography Style
[3] Firefly Style
[4] 1850s Physical Geography Atlas Style
[5] Hachure Style

Descargar e-book gratis Map with Style.

La entrada E-book PDF: Map with Style (Mapa con estilo) se publicó primero en El blog de franz.

La proyección que elija para su aplicación de mapeo en particular debe ser impulsada por el propósito de su mapa y el tamaño y la forma de su área de interés. Puede comenzar preguntándose una serie de preguntas que le pueden ayudar a reducir la proyección a elegir (ver Figura 1. abajo). A continuación, discutimos cada una de estas preguntas en detalle.

¿Para qué tipo de actividades se utilizará el mapa?

Es importante hacer esta pregunta para determinar si hay propiedades particulares del mapa que desea tratar de preservar. Por ejemplo, si está creando un mapa temático que la gente pueda usar para comparar áreas relativas, probablemente debería elegir una proyección que preserve el área (es decir, una proyección equivalente).

Si está creando un mapa para fines de referencia o navegación (por ejemplo, un mapa náutico o de aviación), donde las relaciones angulares entre las características son importantes, es mejor elegir una proyección conforme (es decir, una que preserve los ángulos).

Se pueden utilizar otros mapas para calcular o mostrar distancias o direcciones reales (por ejemplo, distancias de vuelo de una ciudad a otras ciudades del mundo).

¿Cuánto espacio quiero mapear?

Cuanto más grande sea el área que necesite mapear, más tendrá que pensar en dónde caerá la distorsión en su mapa, ya que la cantidad total de distorsión presente en el mapa será mayor. Las proyecciones cilíndricas o pseudocilíndricas son a menudo la mejor opción para mapas de muy pequeña escala (es decir, aquellos que pretenden mostrar el mundo entero). Las proyecciones cónicas son a menudo una buena opción para áreas de tamaño hemisférico o continental.

Por ejemplo, los Estados Unidos, Australia y Canadá utilizan comúnmente Albers Equal Area y Lambert Conformal Conic (dos proyecciones cónicas diferentes) para mapas que muestran la totalidad de cada país. Las proyecciones azimutales se utilizan mejor para áreas más pequeñas, ya que sólo pueden mostrar un hemisferio a la vez, e incluso entonces la distorsión en los bordes de estas proyecciones puede ser bastante extrema.

¿Dónde está el área que quiero mapear y cómo se forma?

Puede elegir entre diferentes opciones sobre qué proyección usar dependiendo de la ubicación y la forma del área que desea mapear. El aspecto de la proyección se refiere a la orientación del aspecto de la proyección. Una proyección ‘normal’ es la orientación de proyección que produce la geometría más simétrica para una clase particular de proyecciones.

El aspecto ‘normal’ para las proyecciones cilíndricas es el que está centrado a lo largo del ecuador, mientras que el aspecto polar (centrado en el polo) es el aspecto normal para las proyecciones azimutales y un aspecto oblicuo (un aspecto no ecuatorial, no polar) es el aspecto normal para las proyecciones cónicas. El término “transversal” se reserva para las proyecciones cilíndricas que están orientadas en un ángulo de 90° con respecto a su aspecto normal (ecuatorial).

Veamos el ejemplo de Chile porque tiene una forma algo inusual (es decir, es más largo y delgado que la mayoría de los países que podríamos mapear).

Si Chile estuviera orientado Este-Oeste en lugar de Norte-Sur, y estuviera ubicado cerca del ecuador, podríamos optar por utilizar simplemente una proyección estándar de Mercator para nuestro mapa, ya que habría cantidades mínimas de distorsión de la forma y área del país.

Sin embargo, debido a que Chile se encuentra aproximadamente perpendicular al ecuador (es decir, corre de norte a sur en lugar de este a oeste), una proyección normal de Mercator distorsionaría significativamente el área del país en el sur. Una forma de reducir esta distorsión es usar un aspecto de proyección diferente (es decir, orientación), como el Mercator Transversal (ver Figura 2. abajo).

La forma del área que está tratando de trazar el mapa también puede influir en la elección de la caja de proyección. Hay dos casos de proyección: tangente y secante. Estos términos se refieren al número de lugares en los que el globo terráqueo toca la superficie “aplanable” sobre la que se puede proyectar un globo terráqueo. En el caso de la tangente, el globo toca la superficie en un punto o en una línea (dependiendo de la superficie (cilindro, cono o plano) en la que se basa la proyección).

En la caja secante, el globo terráqueo toca la superficie en dos puntos o dos líneas. Si recuerda que la distorsión de la proyección aumenta lejos del punto o línea estándar (es decir, el punto o línea de tangencia entre la superficie plana y el globo terráqueo); debe quedar claro que el uso de dos líneas estándar disminuirá la cantidad total de área que está muy distorsionada, ya que la mayor parte del área del mapa estará cerca del punto o línea estándar (vea la Figura 3. abajo).

En el ejemplo de Chile que utilizamos anteriormente, no es realmente necesario utilizar más de una línea estándar, ya que la mayor parte del país no estará lejos de esa línea. Sin embargo, en países que tienen una forma más compacta, como los Estados Unidos, los cartógrafos a menudo eligen una proyección secante.

Traducido desde: GEOG 486

La entrada ¿Por qué elegir una determinada proyección? se publicó primero en El blog de franz.

Mediante lineas, dependiendo de la escala, podemos representar redes hidrográficas, vías, redes eléctricas entre otras. En esta oportunidad estudiaremos las herramientas para la gestión de estilos de capas de lineas, especialmente de redes de transporte.

En posteriores artículos iremos profundizando en herramientas más avanzadas.

Gestión de estilos:

Existen dos formas de modificar los estilos de las entidades, accediendo a las propiedades de la capa o en el Panel Estilos de Capas.

¿Qué color y grosor asignarle a una linea?

En ocasiones es un dilema decidir la combinación que genere el mejor contraste y estética.

Una alternativa es guiarnos por las convenciones cartográficas, que puedes observar en la cartografía oficial.

Otra alternativa, los populares mapas de la web Google Maps, Open Street Map (OSM). La librería de símbolos de QGIS es muy similar.

Caso de estudio:

Trabajaremos con la capa de línea de la base de OSM de una porción de la ciudad de Panamá. La tabla de atributos nos detalla las diferentes categorías.

Procedimiento:

1.- Cargue la capa líneas_panama, note que el campo que posee la descripción de la línea es “highway”.

2.- Estilo categorizado seleccione la capa líneas_panama, luego botón derecho > propiedades, en la pestaña Simbologia > Categorized, y en la pestaña Columna “highway”.

Despliega la capa con un color para cada tipo de vía.

Tipos de línea disponibles:

En el Panel de Estilos seleccione el segmento de línea de una de las categorías, luego clic sobre Simple Line (tipo de línea por defecto), en el panel en la opción Tipo de Capa de Símbolo, se muestran cuatro (04) tipos de líneas:

• Arrow (flechas) permite representar flechas curvas o rectas con las entidades de línea.
• Geometry Generator (generador de geometrías) es el estilo más avanzado, podemos generar nuevas entidades de la misma o diferente geometría, ademas que las entidades de la capa reaccionen ante las otras capas.
  Algunos ejemplos: buffer dinamico, análisis espacial interactivo.
• Marker Line (marcadores) en vez de un segmento de línea se coloca un marcador.
• Simple Line (Línea sencilla).

Línea sencilla (Simple Line)

1.- Haga doble clic sobre el segmento de línea de cada categoría comenzando por Construction.

Se despliega el Selector de símbolos, seleccione el tipo de línea cuya descripción coincide con el atributo de la línea que desea cambiar, por ejemplo construction seleccione construction road.

Notara que, no todas las líneas tienen una categoría que les corresponda y el acabado aún requiere trabajo.

Asigne el estilo que considere conveniente a las categorías faltantes, respete las jerarquías: por ejemplo Footway es un camino o vereda que se recorre a pie, en el selector de símbolos, asigne un color rojo, configure Simple Line, en Stroke Style > Línea de puntos

2.- Modificando el patrón de trazado: QGIS nos brinda seis tipos de patrones de trazado (Stroke Style): Línea sólida, sin línea, línea de guiones, línea de puntos, línea de guiones y puntos, línea de guion, punto, punto

Para alterar el patrón de trazado seleccione la opción “Usar Patron de guiones personalizado”, luego clic en cambiar, despliega una caja de dialogo donde podemos asignar un valor al ancho del guión y un espaciado entre guiones

Con el botón de suma en la parte superior podemos asignar más filas creando nuestro propio patrón

Línea con marcadores ( Marker Line)

1.- Esta opción da tres paneles de configuración, en el primero podemos alterar la ubicación del marcador.

2.- En la opción con Intervalo configuramos el espaciamiento entre cada marcador.

3.- Las demás opciones ubican el marcador donde especifica.

4.- Los siguientes Paneles permiten seleccionar el marcador, de la librería (Marcador) o entidades más simples (Simple Marker) pero modificables.

La ventaja de Simple Marker es que además de la rotación y tamaño, podemos cambiar “directamente” el color de relleno, grosor y desplazamiento.

Combinando estilos

Podemos crear infinidad de estilos combinando las diferentes opciones.

1.- Creando un estilo de línea para una vía férrea: en el Panel de estilos seleccione una categoría, con el botón con la cruz verde adicione tres líneas al mismo estilo.

La línea en la parte superior Stroke Styles > Linea de guiones; asigne 1,0 como desplazamiento. En la línea inferior Stroke Styles > Linea de guiones; asigne -1,0 como desplazamiento.

Finalmente, para la línea del medio seleccione Marker Line > Simple Marker,

2.- De la misma forma podemos crear otros estilos

Corrigiendo el solape entre segmentos de linea

Para evitar que los segmentos de líneas se vean discontinuos y controlar cuales líneas se superponen, se configura los niveles de símbolos.

1_En el Panel de Estilos o en la caja de dialogo Propiedades de la Capa seleccione Avanzado > Symbol Levels

2_ Seleccione Activar Niveles de Símbolos, note en el mapa que se han solventado los solapes entre entidades de la misma categoría

¿Que nos falta por estudiar? controlar cuales vías superponen a otras, tramos con puentes u otra información representados de forma particular. Ademas las herramientas de mapas inteligentes, diferentes representaciones al cambiar la escala, estilos de puntos, polígonos y raster.

Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com

La entrada Gestión de estilos de lineas en QGIS 3 (redes de transporte) se publicó primero en El blog de franz.