Preparar variables de índice

El primer paso para crear un índice de riesgo de calor consiste en preparar los datos de entrada. Utilizará tres variables para su índice: la temperatura promedio de la superficie en verano, el porcentaje de superficie sin cubierta arbórea y la densidad de población. Cada una de estas entradas se deriva de datos de ArcGIS Living Atlas of the World y puede repetirse o personalizarse para su propio vecindario u otra zona de interés.

Agregar datos para el área de estudio

El cálculo del índice de riesgo de calor del ejemplo se refiere a Sevilla, la ciudad del sur de España. Antes de procesar los datos que compondrán el índice de riesgo, buscará y preparará los datos del censo de Sevilla. Esta capa se usará para filtrar y recortar los servicios ráster globales, y permitirá crear el índice en las geometrías de nivel de vecindario que son importantes para la planificación local y la intervención.

  1. Inicie ArcGIS Pro. Si se le pide, inicie sesión en su cuenta de organización con licencia de ArcGIS.
    Nota:

    Si no tiene acceso a ArcGIS Pro o una cuenta de ArcGIS (para ArcGIS Online o ArcGIS Enterprise), consulte las opciones de acceso a software.

  2. En Nuevo proyecto, haga clic en Mapa.

    Plantilla de mapa en Nuevo proyecto

  3. En la ventana Crear un nuevo proyecto, en Nombre, escriba Índice de resiliencia térmica de Sevilla. Haga clic en Aceptar.

    Se crea el proyecto. En primer lugar, agregará una capa límite al mapa. En este tutorial, se utilizarán los límites de las secciones censales españolas de ArcGIS Living Atlas.

    Sugerencia:
    En función de sus objetivos para el índice, puede ser mejor optar por otros límites. Por ejemplo, si las decisiones locales se toman a nivel de barrio o ayuntamiento, puede ser más significativo utilizar esos límites para proporcionar a los responsables de la toma de decisiones un contexto específico. En otros casos, si su región no tiene unidades administrativas o censales lo suficientemente pequeñas o si desea analizar con resoluciones más pequeñas, puede plantearse crear teselaciones, o una cuadrícula más pequeña, para el análisis. Tenga en cuenta que probablemente tendrá que agregar datos demográficos a cualquier zona geográfica que elija.

  4. En la cinta, haga clic en la pestaña Mapa. En el grupo Capa, haga clic en el botón Agregar datos.

    Botón Agregar datos

  5. En el menú lateral de la ventana Agregar datos, en Portal, haga clic en Living Atlas.
  6. Busque Spain census sections owner:esri_dm. Haga clic en la capa de entidades Spain Census Section Boundaries para seleccionarla.
    Sugerencia:

    Agregar owner: y el nombre del propietario a una búsqueda filtra los resultados de la búsqueda por un propietario específico.

    Capa Spain Census Section Boundaries en la lista de resultados de búsqueda

  7. Haga clic en Aceptar.

    La capa se agrega al mapa y el mapa se acerca a España. Filtrará las secciones del censo para que solo aparezca Sevilla.

  8. En el panel Contenido, haga clic con el botón derecho en ESP_CensusSection y seleccione Tabla de atributos.

    Se abre la tabla de atributos. La ciudad en la que se encuentra cada sección censal figura en el campo Nombre.

    Nota:

    Si no ve el campo Nombre, haga clic en el botón Opciones de la cinta de la tabla de atributos y haga clic en Mostrar todos los campos.

  9. En la tabla de atributos, en Selección, haga clic en Seleccionar por atributos.

    Botón Seleccionar por atributos en la tabla de atributos

    Se abre la herramienta Seleccionar por atributos.

  10. En la herramienta Seleccionar por atributos, cree la consulta Donde Nombre es igual que Sevilla y haga clic en Aceptar.

    La parte inferior de la tabla de atributos indica que se han seleccionado 521 secciones. Guardará una copia de esta capa filtrada en su proyecto para poder trabajar con los datos.

  11. En la cinta, haga clic en la pestaña Análisis. En el grupo Geoprocesamiento, haga clic en Herramientas.

    Se abre el panel Geoprocesamiento.

  12. En el panel Geoprocesamiento, busque y abra Exportar entidades (herramientas de conversión).
  13. En Entidades de entrada, seleccione ESP_CensusSection. En Clase de entidad de salida, escribaSevilla_Census_Sections.

    Parámetros de la herramienta Exportar entidades

  14. Haga clic en Ejecutar.

    Cuando la herramienta termina de ejecutarse, la capa Sevilla_Census_Sections se agrega al panel Contenido. Ya puede eliminar la capa original de secciones censales.

  15. En el panel Contenido, haga clic con el botón derecho en ESP_CensusSection y elija Eliminar.

    A continuación, simbolizará la capa Sevilla_Census_Sections para que pueda verla sobre las capas que agregará más tarde.

  16. En el panel Contenido, haga clic con el botón derecho en Sevilla_Census_Sections y elija Simbología.
  17. En Símbolo, haga clic en la muestra del símbolo actual. En la pestaña Galería, en ArcGIS 2D, haga clic en Contorno negro (1 pt).

    Estilo Contorno negro (1 pt) en la galería

    La capa también tiene aplicada una transparencia que hace que los límites sean difíciles de ver en contraste con el mapa base.

  18. En la cinta, haga clic en la pestaña contextual Capa de entidades. En el grupo Efectos, cambie la Transparencia a 0 por ciento.
  19. En el panel Contenido, haga clic con el botón derecho en Sevilla_Census_Sections y elija Zoom a capa.

    Capa Sevilla_Census_Sections simbolizada

    Su capa de área de interés se simboliza y se centra en el mapa. Utilizará esta extensión más adelante para recortar los datos ráster que vaya a utilizar.

  20. En la Barra de herramientas de acceso rápido, haga clic en el botón Guardar proyecto.

    Botón Guardar proyecto

    El proyecto se guarda.

Preparar los datos de temperatura de la superficie Landsat

La primera variable de su índice es la temperatura promedio de la superficie en verano, que puede obtenerse a partir de las imágenes de Landsat nivel 2 globales, disponibles en ArcGIS Living Atlas. Para preparar esta entrada, agregará el servicio de imágenes a su mapa y buscará escenas disponibles para su área de interés. A continuación, copiará el ráster localmente y utilizará la herramienta Estadísticas zonales como tabla para determinar el valor máximo dentro de cada sección censal de Sevilla.

Sugerencia:
En función de su zona de estudio y de los datos disponibles, puede optar por utilizar una fuente distinta para los datos de calor. Por ejemplo, puede que prefiera descargar datos Landsat desde la aplicación Landsat Explorer. La aplicación permite seleccionar y previsualizar escenas antes de descargarlas. Otra opción es utilizar datos de alta resolución sobre las islas de calor urbano procedentes de los Sistemas Nacionales Integrados de Información sobre Salud y Calor (NIHHIS) y del programa de Planificación y Análisis de la Adaptación al Clima (CAPA). Los datos de la NIHHIS-CAPA están disponibles para ciudades concretas de EE.UU. y de todo el mundo que han participado en la campaña de mapas de calor. Consulte si su ciudad ha sido incluida en el mapa o cómo solicitar que se incluya.

  1. En la cinta, haga clic en la pestaña Mapa. En el grupo Capa, haga clic en el botón Agregar datos.
  2. En la ventana Agregar datos, asegúrese de que esté seleccionado Living Atlas. Busque y agregue la capa de imágenes Landsat Level-2 propiedad de esri_imagery.

    Capa de imágenes Landsat Level-2 de ArcGIS Living Atlas

    La capa de imágenes Landsat Level-2 se agrega a su proyecto. La colección de productos científicos de Nivel 2 contiene datos de reflectancia y temperatura de la superficie corregidos atmosféricamente que datan de 1982. Ajustará las propiedades del servicio Landsat para obtener solo los datos de temperatura que le interesen.

  3. En el panel Contenido, haga doble clic en Landsat Level-2.

    Aparece la ventana Propiedades de capa.

  4. En la ventana Propiedades de capa, haga clic en la pestaña Plantillas de procesamiento.
  5. En Plantilla de procesamiento, seleccione Temperatura de la superficie (Celsius).

    Plantilla de procesamiento Banda 10 Superficie terrestre en grados centígrados

  6. Haga clic en la pestaña Mosaico. En Operador de mosaico, elija Valor medio.

    Este servicio utiliza un dataset de mosaico para gestionar décadas de escenas valiosas. De forma predeterminada se muestra la primera escena. Al seleccionar el operador de valor medio, se calculará un valor medio de temperatura a partir de todas las escenas disponibles para su área de interés y en función de los filtros que aplique. A continuación, agregará una consulta de definición con dos argumentos: la cobertura de nubes es menor o igual que el 10 por ciento y las escenas se adquieren durante los meses de verano.

  7. Haga clic en la pestaña Consulta de definición y haga clic en Nueva consulta de definición.

    Botón Nueva consulta de definición

  8. Cree la expresión Donde Cobertura de nubes es menor o igual que 0,10. Haga clic en Agregar cláusula.

    Consulta de definición Cobertura de nubes

    Esta consulta filtrará y excluirá todas las escenas con una nubosidad superior al 10 por ciento. Las nubes y las sombras de nubes en las escenas de Landsat afectan negativamente a los resultados de cualquier análisis.

  9. Cree la expresión Y mes incluye los valores 6,7,8.

    Esta cláusula incluirá solamente los meses que se consideren meses de veranos en el hemisferio norte. Su consulta tiene ahora dos cláusulas.

    Consulta con dos cláusulas

  10. En Consulta 1, haga clic en Aplicar. En la ventana Propiedades de capa, haga clic en Aceptar.

    El servicio puede tardar unos minutos en actualizarse. Cuando haya terminado, las escenas pueden aparecer como un rectángulo gris. Para visualizar las temperaturas estivales medias en la capa, simbolizará el ráster.

  11. En el panel Contenido, haga clic con el botón derecho en Landsat Level-2 y seleccione Simbología.
  12. En el panel Simbología, en Estadísticas, haga clic en Dataset y elija DRA.

    Estadísticas definidas como DRA en el panel Simbología

    DRA son las siglas de ajuste de rango dinámico, que ajusta automáticamente el tipo de extensión activo cuando navega por la imagen en función de los valores de píxeles de la visualización actual.

  13. En Esquema de color, elija una rampa de colores graduada como Inferno.
    Sugerencia:

    Señale las rampas de colores para ver su nombre.

    Datos de temperatura de la superficie a partir de imágenes Landsat

Calcular la temperatura promedio de la superficie en verano

Ahora que ha definido la plantilla de procesamiento y los filtros en las imágenes de Landsat, copiará solo estas escenas de interés en su proyecto.

  1. En el panel Contenido, haga clic con el botón derecho en Landsat Level-2 y seleccione Tabla de atributos.
  2. En la parte inferior de la tabla de atributos, haga clic en el botón Filtrar por extensión.

    Botón Filtrar por extensión

    La tabla se filtra para mostrar solo las escenas disponibles en la extensión actual del mapa, la región de Sevilla.

  3. Cierre la tabla de atributos. En el panel Contenido, haga clic con el botón derecho en Sevilla_Census_Sections y elija Zoom a capa.
  4. En el panel Geoprocesamiento, abra la herramienta Copiar ráster.
  5. En Ráster de entrada, seleccione Landsat Level-2.
    Nota:

    Puede aparecer una X roja junto al parámetro Ráster de entrada, lo que indica que el parámetro no es válido. El servicio de imágenes de Landsat solo permite exportar 4000x4000 píxeles de una vez. Antes de ejecutar esta herramienta, definirá una extensión de procesamiento para garantizar que la exportación de ráster se ajuste a estos límites.

  6. Para Dataset ráster de salida, haga clic en el botón Examinar.

    Guardará este ráster como un archivo TIFF, que no puede almacenarse en una geodatabase.

  7. En la ventana Dataset ráster de salida, en Proyecto, haga clic en Carpetas. Haga doble clic en la carpeta del proyecto Índice de resiliencia térmica de Sevilla.
    Nota:

    Si dio otro nombre a su proyecto, el nombre de la carpeta del proyecto también será diferente.

  8. En Nombre, escriba Prom_TempSuperficie_Sevilla.tif.

    Parámetro Nombre en la ventana Dataset ráster de salida

  9. Haga clic en Guardar.
  10. En el panel Geoprocesamiento, haga clic en la pestaña Entornos. En Extensión, haga clic en el botón Extensión de una capa y seleccione SevillaCensus_Sections.

    Parámetro Extensión en la pestaña Entornos

    Definir una extensión de procesamiento resuelve la condición de error que vio cuando configuró el ráster de entrada.

  11. Haga clic en Ejecutar.

    Cuando termina de procesarse, el ráster Prom_TempSuperficie_Sevilla.tif se agrega al panel Contenido y al mapa.

    Nota:

    Es posible que reciba un mensaje de advertencia cuando la herramienta termine, en el que se indique ADVERTENCIA 003485: Las plantillas de procesamiento no se guardarán en el dataset ráster de salida porque la capa de entrada ya tiene una plantilla de procesamiento activa. Se espera esta advertencia porque solo se copian los datos de las imágenes y ninguna de las plantillas de procesamiento de servicios.

  12. En el panel Contenido, haga clic con el botón derecho en Landsat Level-2 y seleccione Eliminar.

    Capa ráster de temperatura superficial copiada

    Ahora que el ráster de temperatura de la superficie del área de interés se ha copiado en un archivo local, puede utilizar la herramienta Estadísticas zonales como tabla para resumir todos los valores de temperatura dentro de cada polígono del censo para determinar el valor medio.

  13. En el panel Geoprocesamiento, abra la herramienta Estadísticas zonales como tabla (Herramientas de Spatial Analyst).

    La herramienta Estadísticas zonales como tabla calcula estadísticas de las celdas ráster incluidas en las zonas de otro dataset. En este caso, calculará la estadística Máxima para hallar la temperatura media más alta en cada sección censal.

  14. Introduzca los siguientes parámetros:
    • En Datos de zonas de entidad o ráster de entrada, seleccione Sevilla_Census_Sections.
    • En Campo de zona, elija Id.
    • En Ráster de valor de entrada, seleccione Prom_TempSuperficie_Sevilla.tif.
    • En Tabla de salida, escriba Avg_SurfaceTemp_Sevilla.
    • En Tipo de estadística, elija Valor medio.

    Parámetros de la herramienta Estadísticas zonales como tabla

  15. Haga clic en Ejecutar.

    La tabla Avg_SurfaceTemp_Sevilla se agrega al panel Contenido en Tablas independientes.

  16. En el panel Contenido, haga clic con el botón derecho en la tabla Avg_SurfaceTemp_Sevilla y seleccione Abrir.

    El campo MEAN muestra el valor estadístico medio. Cambiará el nombre de este campo para mayor claridad.

  17. En la cinta, haga clic en la pestaña contextual Tabla independiente. En el grupo Diseño de datos, haga clic en Campos.

    Botón Campos del grupo Diseño de datos

  18. En la tabla Campos, en la columna Alias, haga doble clic en MEAN para editar el registro. Escriba Temp media verano (C).

    Alias para el campo MEAN

  19. En la cinta, en el grupo Administrar ediciones, haga clic en Guardar para guardar sus ediciones en la tabla.
  20. Cierre ambas tablas y guarde el proyecto.

    Ha completado el flujo de trabajo destinado a preparar la primera entrada del índice de resiliencia térmica. Primero ha obtenido la temperatura de la superficie terrestre de un área de interés con los datos de ArcGIS Living Atlas y el uso de las plantillas de procesamiento del servicio de imágenes Landsat Level-2. A continuación, ajustó las propiedades del servicio para filtrar las escenas por atributos y calcular los valores medios de las escenas filtradas. También ha aplicado un filtro espacial para limitar las escenas a un área en torno a los límites del censo. Tras exportar las imágenes a su proyecto, ha calculado la temperatura media de la superficie dentro de cada sección censal.

Deducir la falta de cubierta de árboles

La segunda entrada del índice de riesgo de calor es la falta de la cubierta de árboles. Esta entrada se deriva del servicio de imágenes Cubierta terrestre de WorldCover 2021 de la Agencia Espacial Europea de ArcGIS Living Atlas.

Sugerencia:
En función de sus objetivos para el índice, puede optar por utilizar distintos métodos de clasificación o datos diferentes. Dado que el objetivo de este índice es identificar áreas para campañas de plantación de árboles, se reclasifica la capa de cobertura del suelo para mostrar dónde ya hay árboles. Si estuviera construyendo el índice para identificar áreas para otros tipos de intervenciones, como la eliminación de la superficie impermeable o la creación de jardines de lluvia, puede optar por reclasificar los datos de la cobertura del suelo para mostrar la cantidad de espacio verde existente mediante la identificación de la cobertura arbórea, matorrales y pastizales en cada sección censal. También puede utilizar una medida de la biomasa y el estado de la vegetación, como el índice de vegetación de diferencia normalizada (NDVI) o el índice de vegetación ajustado al suelo (SAVI). Estas medidas se incluyen en el servicio de nivel 2 de Landsat, y también pueden calcularse en ArcGIS Pro.

  1. En la cinta, haga clic en la pestaña Mapa y en el botón Agregar datos. Desde el portal de Living Atlas, agregue la capa European Space Agency WorldCover 2021 Land Cover propiedad de esri_environment.

    Capa ESA WorldCover 2021 del portal de Living Atlas

    Esta capa es un dataset global de cobertura de suelo que tiene 11 clases de cobertura de suelo. De estos píxeles clasificados, solo necesitará los que muestren cubierta arbórea. Utilizará la herramienta Reclasificar para aislar solo los píxeles de la cubierta arbórea.

  2. En el panel Geoprocesamiento, abra la herramienta Reclasificar (herramientas de Spatial Analyst).
  3. En Ráster de entrada, seleccione European Space Agency WorldCover 2021 Land Cover. Asegúrese de que el campo Reclasificar se ha configurado en ClassName.
  4. En la tabla Reclasificación, deje el valor de Nuevo correspondiente a cubierta de árboles configurado en 1. Cambie todos los demás valores de Nuevo excepto NODATA a 0.

    Parámetros de la herramienta Reclasificar

  5. En Ráster de salida, haga clic en Examinar. Vaya a la carpeta del proyecto Índice de resiliencia térmica de Sevilla.
  6. En Nombre, escriba Cubierta_Arboles_Sevilla.tif. Haga clic en Guardar.

    Para procesar solo los píxeles relevantes para su área de interés, utilizará la extensión de procesamiento para recortar el ráster.

  7. Haga clic en la pestaña Entornos. En Extensión de procesamiento, en Extensión, haga clic en el botón Extensión de una capa y seleccione Sevilla_Census_Sections.
  8. Haga clic en Ejecutar.

    Cuando el ráster termina de procesarse, se agrega al panel Contenido y se dibuja en el mapa.

  9. En el panel Contenido, haga clic con el botón derecho en European Space Agency WorldCover 2021 Land Cover y seleccione Eliminar.

    Ráster reclasificado en el mapa

    Nota:

    Su ráster puede tener otra simbología que la imagen de ejemplo.

    La capa Tree_Canopy_Sevilla.tif tiene dos clases: cobertura arbórea y todo lo demás. Puede utilizar este ráster para calcular la variable de falta de cobertura arbórea que servirá de entrada a su índice.

    La falta de cubierta de árboles se calcula mediante el uso de la fórmula 100 – Porcentaje de cubierta de árboles.

  10. En el panel Geoprocesamiento, abra la herramienta Estadísticas zonales como tabla (Herramientas de Spatial Analyst).

    Esta vez utilizará la herramienta para sintetizar el número de píxeles de cubierta de árboles que hay en cada polígono del censo. La herramienta también cuenta el número de píxeles que hay dentro de cada zona (polígono), por lo que puede calcular el porcentaje de píxeles del polígono cubiertos por árboles.

  11. Introduzca los siguientes parámetros:
    • En Datos de zonas de entidad o ráster de entrada, seleccione Sevilla_Census_Sections.
    • En Campo de zona, elija Id.
    • En Ráster de valor de entrada, seleccione Cubierta_Arboles_Sevilla.tif.
    • En Tabla de salida, escriba Tree_Pixels.
    • En Tipo de estadísticas, seleccione Suma.
  12. Haga clic en Ejecutar

    La tabla Tree_Pixels se agrega al panel Contenido en Tablas independientes.

  13. Abra la tabla Tree_Pixels.

    La tabla contiene dos columnas de interés: COUNT, que es el número total de píxeles dentro de cada zona poligonal, y SUM, que es la suma de píxeles de cubierta arbórea. Calculará el porcentaje de cubierta arbórea y el porcentaje de falta de cubierta arbórea de cada polígono censado utilizando estas fórmulas:

    • PCT_Tree_Cover = (Suma / Recuento) * 100
    • PCT_Lacking = 100 - PCT_Tree_Cover
  14. En la tabla de atributos, haga clic en Calcular.

    Botón Calcular

  15. En la herramienta Calcular campo, en Nombre de campo (existente o nuevo), introduzca Pct_Tree_Cover. En Tipo de campo, seleccione Flotante (punto flotante de 32 bits).
  16. En Expresión, en Pct_Tree_Cover =, cree la expresión (!SUM! / !COUNT!) * 100 y haga clic en Aceptar.

    El nuevo campo se agrega al final de la tabla de atributos.

  17. Haga clic en Calcular. En Nombre de campo (existente o nuevo), escriba Pct_Lacking, y para Tipo de campo, elija Flotante (punto flotante de 32 bits).
  18. En Pct_Lacking =, cree la expresión 100 - !Pct_Tree_Cover! y haga clic en Aceptar.

    La tabla Tree_Pixels tiene dos campos nuevos, Pct_Tree_Cover y Pct_Lacking. El atributo Pct_Lacking representa el porcentaje de la sección censal que carece de cubierta arbórea y es la segunda entrada del índice de resiliencia al calor.

    Campos Pct_Tree_Cover y Pct_Lacking

  19. Cierre la tabla Tree_Pixels y guarde el proyecto.

Calcular la densidad de población

La entrada final del índice de riesgo térmico es la densidad de población. Este componente del índice le permitirá priorizar la actuación en las zonas pobladas donde más personas puedan beneficiarse de la intervención. Obtendrá la entrada de densidad de población a partir de los datos del censo de España en la capa Sevilla_Census_Sections.

Sugerencia:

En función de sus objetivos para el índice, considere la posibilidad de agregar variables demográficas adicionales. A efectos didácticos, en este tutorial solo se utiliza una medida general de la densidad de población como medio de representar dónde podrían servir las campañas de plantación de árboles a la mayor cantidad de gente. Cuando elabore su índice, es probable que esta información deba matizarse más: considere la posibilidad de añadir datos demográficos para indicar dónde son más vulnerables las poblaciones al estrés térmico. Entre las personas más vulnerables al estrés térmico se encuentran los niños y los adultos mayores, las personas con trabajos agotadores al aire libre, las personas con enfermedades crónicas, las personas con discapacidades y las personas sin hogar.

A la hora de seleccionar variables demográficas, la mejor práctica consiste en colaborar estrechamente con las partes interesadas para identificar sus prioridades y determinar cómo representarlas en el índice. En función de sus prioridades locales y del número de indicadores que decida incluir, considere la posibilidad de elaborar un subíndice para representar la población y la vulnerabilidad en su índice.

  1. Abra la tabla de atributos de la capa Sevilla_Census_Sections.

    La capa contiene atributos tanto para la población total como para el área en kilómetros cuadrados. Calculará un nuevo campo dividiendo la población por el área.

  2. En Campo de la tabla de atributos, haga clic en Calcular. En la ventana Calcular campo, para Nombre de campo (existente o nuevo), escriba PopDensity, y para el Tipo de campo, elija Flotante (punto flotante de 32 bits).
  3. En Expresión, para PopDensity =, copie y pegue la expresión !TOTPOP_CY! / !AREA!.

    Calcule el atributo PopDensity.

    Nota:

    Aunque los atributos se muestran por sus alias o nombres legibles, en el panel Campos, se introducen en la expresión empleando su nombre de campo.

  4. Haga clic en Aceptar.

    El campo PopDensity se agrega a la tabla. Las tres entradas derivadas ahora están preparadas para combinarse en el índice de riesgo de calor y simbolizarse en el mapa. En primer lugar, transferirá todas las entradas a la capa Sevilla_Census_Sections para su procesamiento.

  5. En el panel Geoprocesamiento, abra la herramienta Campo de unión.
  6. Introduzca estos parámetros:
    • En Tabla de entrada, elija Sevilla_Census_Sections.
    • En Campo de unión de entrada, elija ID.
    • En Tabla de unión, seleccione Avg_SurfaceTemp_Sevilla.
    • En Campo de tabla de unión, elija ID.
    • En Transferir campos, seleccione Temp media verano (C).

    Parámetros de la herramienta Campo de unión

  7. Haga clic en Ejecutar.

    Cuando la herramienta termine de ejecutarse, el campo Temp media verano (C) se agrega a la tabla Sevilla_Census_Sections.

  8. En el panel Campo de unión, cambie el valor de Tabla de unión a Tree_Pixels y el valor de Temp media verano (C) a Pct_Lacking. Haga clic en Ejecutar.

    Ahora, las tres entradas están en la misma tabla.

  9. Cierre la tabla. Guarde el proyecto.

Ha preparado las variables que utilizará para crear su índice de calor. Ya lo tiene todo para crear el índice.


Crear un índice de riesgo de calor

Con todas las entradas de índice preparadas, creará su índice. Hay muchas formas de crear, combinar e interpretar índices en función de la finalidad; en este tutorial, utilizará la herramienta Calcular índice compuesto. Esta herramienta incorpora algunos pasos de preprocesamiento y combinación de datos para facilitar la elección de un método de índice adecuado para sus datos. Si trabaja con distintas áreas de estudio o variables, ajuste el método del índice en consecuencia con la documentación de la herramienta Calcular índice compuesto y la guía de prácticas recomendadas.

Descripción de las entradas de índice

Para crear un índice eficaz, tendrá que elegir qué métodos utilizar para preprocesar y combinar los datos. Los pasos de preprocesamiento de la herramienta Calcular índice compuesto garantizan que las variables sean compatibles y puedan combinarse en un índice. Para elegir estos pasos, primero hay que entender la distribución de las variables de entrada. También puede optar por tratar incoherencias como el sesgo y los valores omitidos en esta fase. Para comprender las variables, utilizará la vista Ingeniería de datos, que cuenta con herramientas para explorar, visualizar y borrar datos.

  1. En el panel Contenido, desmarque Cubierta_Arboles_Sevilla.tif y Prom_TempSuperficie_Sevilla.tif para desactivarlos.
  2. Haga clic con el botón derecho en Sevilla_Census_Sections y seleccione Ingeniería de datos.

    Se abre la vista Ingeniería de datos. Utilizará las herramientas de Ingeniería de datos para ver histogramas de cada una de las variables de entrada, simbolizarlas en el mapa y calcular estadísticas de resumen para comprender los valores.

  3. En el panel Campos, haga clic en PopDensity. Mantenga pulsada la tecla Mayús y haga clic en Pct_Lacking para seleccionar las tres entradas de índice que ha preparado.
  4. Arrastre los tres campos seleccionados al panel Estadísticas.

    Agregar campos al panel Estadísticas

    Los tres campos se agregan. A continuación, calculará las estadísticas.

  5. En el panel Estadísticas, en la cinta, haga clic en Calcular.

    Se calculan estadísticas para cada entrada, incluidas la media, la mediana, los valores atípicos y el sesgo. A continuación, representará cartográficamente las entradas y creará histogramas para comprender su distribución.

  6. En el panel Campos, señale el campo PopDensity y haga clic en Actualizar simbología.

    Botón Actualizar simbología

    El mapa se actualiza para mostrar las secciones de censo en función de la densidad de población. Hay valores de densidad más altos en áreas del censo más pequeñas cerca del centro de la ciudad, mientras que las áreas del censo más grandes y las áreas de los alrededores de la ciudad tienen menos densidad de población.

    Mapa que muestra el campo de densidad de población en la capa Sevilla_Census_Sections

  7. En el panel Estadísticas, en el campo PopDensity, haga clic con el botón derecho en la vista previa del gráfico y seleccione Abrir histograma.

    Abrir el histograma PopDensity

    Aparece el histograma PopDensity. El histograma muestra la distribución de los datos, que presenta un ligero sesgo positivo.

  8. Cierre el histograma. En la vista Ingeniería de datos, desplácese hasta la estadística Sesgo.

    La estadística de sesgo para el campo PopDensity es 0,823. Los valores inferiores a -0,5 o superiores a 0,5 suelen considerarse sesgados. Tener un sesgo elevado en una variable puede cambiar su impacto en los resultados del índice. Aunque la herramienta Calcular índice compuesto dispone de métodos de preprocesamiento que pueden tratar el sesgo, como el escalado, estos métodos se aplican a todas las variables utilizadas como entrada, no solo a las variables sesgadas. Utilizar las herramientas de Ingeniería de datos para tratar las variables en lugar de utilizar la herramienta de índice compuesto ofrece un mayor control sobre las variables individuales. Utilizará la herramienta Transformar campo para cambiar la variable PopDensity a una distribución más normal.

  9. En el campo PopDensity, haga clic con el botón derecho en la estadística Sesgo y seleccione Transformar campo.

    Herramienta Transformar campo

  10. En la herramienta Transformar campo, asegúrese de que la opción Método de transformación tenga el valor Box-Cox.

    Aceptará el resto de opciones predeterminadas. El parámetro Desplazamiento puede utilizarse si algún valor de la tabla de entrada es negativo. El parámetro Potencia permite especificar el valor de la potencia. Si no se proporciona ningún valor, se utilizará la mejor aproximación de una curva de distribución normal y se mostrará en los mensajes de geoprocesamiento.

  11. En la herramienta Transformar campo, haga clic Aceptar.

    Ejecutar la herramienta Transformar campo

    Cuando la herramienta termina de ejecutarse, el nuevo campo se agrega a la tabla Sevilla_Census_Sections.

  12. En la vista Ingeniería de datos, en el panel Campos, arrastre PopDensity_BOX_COX al panel Estadísticas y haga clic en Calcular.
  13. Utilice el histograma y las estadísticas para comparar los campos PopDensity y PopDensity_BOX_COX.

    La estadística Sesgo para PopDensity_BOX_COX es -0,033, que se aproxima más a una distribución normal. Ahora repetirá el proceso para asignar y transformar el campo PCT_Lacking, que tiene un fuerte sesgo negativo.

  14. En el panel Campos, señale el campo PCT_Lacking y haga clic en Actualizar simbología.

    Mapa del atributo Pct_Lacking

    El mapa se actualiza para mostrar las secciones censales por porcentaje de cobertura arbórea. Los tonos más oscuros de verde muestran las zonas con un mayor porcentaje de terreno carente de cobertura arbórea. Muchas de las secciones censales más pequeñas del centro de la ciudad tienen poca cobertura arbórea. También hay varias secciones censales periféricas de gran tamaño que tienen poca cobertura arbórea. Para comprender estos patrones con mayor detalle, puede cambiar el mapa base para ver imágenes por satélite.

  15. En la cinta, en la pestaña Mapa, haga clic en Mapa base y seleccione Imagen híbrida.

    Las imágenes muestran que muchas de las grandes secciones censales periféricas contienen polígonos industriales, distritos de almacenes y campos agrícolas con pocos árboles. Como hay muchas secciones censales sin cobertura arbórea, la variable está muy sesgada. Volverá a utilizar la herramienta Transformar campo para cambiar la distribución a algo más parecido a una distribución normal.

  16. En el atributo PCT_Lacking, haga clic con el botón derecho en l vista previa del gráfico y seleccione Transformar campo.
  17. En la herramienta Transformar campo, asegúrese de que el valor de Método de transformación sea Box-Cox y haga clic en Aceptar.
  18. En la vista Ingeniería de datos, en el panel Campos, arrastre Pct_Lacking_BOX_COX al panel Estadísticas y haga clic en Calcular.
  19. Utilice el histograma y las estadísticas para comparar los campos Pct_Lacking y Pct_Lacking_BOX_COX.

    Dado que el sesgo era mayor en este campo, la transformación ha dado como resultado un nuevo parámetro de sesgo de -0,233, que sigue estando dentro del intervalo de -0,5 a 0,5 que se utiliza como aproximación de la distribución normal.

    El último campo que se debe asignar es Temp media verano (C).

  20. En el panel Campos, señale el campo Temp media verano (C) y haga clic en Actualizar simbología.

    Mapa de temperatura media en verano

    El último atributo, Temp media verano (C) aparece en el mapa. Curiosamente, las grandes secciones censales periféricas también parecen tener temperaturas más altas. Esto podría deberse a varias razones, como un artefacto del procesamiento de datos o el tamaño de las secciones en comparación con las secciones más pequeñas del centro urbano. Por ejemplo, las altas temperaturas en los distritos de polígonos industriales y almacenes pueden hacer subir el valor medio de toda la sección. En el panel Estadísticas, puede ver que las temperaturas medias mínima y máxima son de 40,91 y 50,84 grados centígrados, respectivamente.

    Ahora que conoce mejor las entradas del índice, puede pasar a elegir los pasos de preprocesamiento y los métodos de indexación.

Seleccionar métodos de índice

A continuación, elegirá los pasos de preprocesamiento. El preprocesamiento en la herramienta Calcular índice compuesto se centra en invertir las variables para asegurarse de que son coherentes en la dirección, y en escalar las variables para asegurarse de que son coherentes en el rango y la unidad. Si trabaja con diferentes áreas de estudio o variables, consulte la documentación de la herramienta Calcular índice compuesto y la guía de prácticas recomendadas para elegir los pasos de preprocesamiento y los métodos de combinación adecuados.

  1. En el panel Geoprocesamiento, busque y abra la herramienta Calcular índice compuesto.

    Aunque hay muchas formas de crear índices, utilizará esta herramienta porque combina varios pasos de procesamiento de datos en una sola herramienta y crea una serie de gráficos que le ayudarán a validar los resultados de la herramienta de índice.

    En primer lugar, agregará las tres entradas que ha preparado y establecerá los parámetros de preprocesamiento que desea utilizar.

  2. En Tabla de entrada, elija Sevilla_Census_Sections. En Tabla o entidades de salida, escriba Sevilla_HRI_MeanofScaled.

    Sugerencia:
    Puede resultar beneficioso probar varios métodos de preprocesamiento y combinación de índices. Para poder diferenciarlos más adelante, elija un nombre de salida que represente los parámetros utilizados.

  3. En Variables de entrada, haga clic en el botón Agregar muchos.

    Botón Agregar muchos

  4. Seleccione Temp media verano, PopDensity_BOX_COX y Pct_Lacking_BOX_COX. Haga clic en Agregar.

    Tres entradas de índice para el parámetro Variables de entrada

    Nota:

    Si sus Variables de entrada se enumeran con nombres de campo en lugar de alias, haga clic en el botón Configuración de lista de campos y elija Mostrar alias de campo.

    Cada entrada tiene una casilla de verificación para invertir la dirección. En función de cómo haya preparado sus variables de entrada, puede que necesite invertir la dirección de una variable. Para decidir si invertir una variable, debe asegurarse de que todos los valores altos representan un resultado común para el índice. En este caso, ha preparado todas sus variables de forma que los valores altos indiquen que el beneficio de la sección censal por la plantación de árboles sería mayor, y los valores bajos indiquen que el beneficio de la sección censal sería menor. Como la dirección de los valores es compatible, no tiene que invertir ninguno de ellos.

    A continuación, elegirá cómo escalar las entradas. El escalado es el método empleado para estandarizar todas las entradas con arreglo a un rango común. Como está trabajando con variables con unidades y escalas diferentes, necesita estandarizarlas antes de poder combinarlas. Por ejemplo, es difícil comparar las repercusiones de un cambio de un grado centígrado en una sección censal frente a un cambio del uno por ciento de la cobertura arbórea. La escala de estas variables asignará los valores a un rango común que va de 0 a 1.

    Los métodos de escalado dependen de los datos y de los objetivos para el índice. Por ejemplo, si está trabajando con datos muy sesgados o los rangos de cada variable del dataset son más importantes que sus valores reales, puede optar por utilizar la media de percentiles, que estandariza los valores traduciéndolos a percentiles entre 0 y 1. O, si tiene un valor crítico, como el precio medio de la vivienda, y desea que su índice identifique áreas por encima y por debajo de ese valor crítico, puede optar por utilizar la opción personalizada Marcador por umbral.

  5. En Método preestablecido para escalar y combinar variables, seleccione Combinar valores (media de los valores escalados).

    Esta opción preestablecida establece la opción Método para escalar variables de entrada en Mínimo-máximo y la opción Método para combinar variables escaladas en Media. En primer lugar, las variables de entrada se escalan de nuevo entre 0 y 1 y, a continuación, se combinan utilizando como índice la media de las variables de entrada reescaladas. Este método es adecuado porque el proceso de escalado tendrá en cuenta la magnitud de la diferencia entre los valores de los datos de entrada, cuantificando cuánto mejor o peor es la sección del censo en relación con el resto de los valores.

    Dado que utiliza el mínimo y el máximo del dataset que se debe volver a escalar, este método no suele ser adecuado para datos sesgados. Si no hubiera transformado los atributos PopDensity y PctLacking en pasos anteriores, debería considerar un método como la media de percentiles, que conserva el rango de los datos pero no la magnitud. Los métodos que conservan el rango son útiles para crear índices que muestren dónde las condiciones son mejores o peores, pero no cuantifican cuánto mejor o peor.

  6. En Método para escalar variables de entrada, confirme que se ha seleccionado el valor Mínimo-máximo.
  7. En Método para combinar variables escaladas, confirme que Valor medio esté seleccionado.

    El siguiente parámetro establece el peso de cada variable. Las variables pueden ponderarse para representar la importancia relativa de cada factor que contribuye al índice.

  8. Expanda la sección Pesos de variables.

    De forma predeterminada, todos los pesos se configuran en 1, lo que significa que cada variable se pondera por igual. Para este índice, le interesa centrarse en plantar árboles en lugares donde puedan beneficiar directamente a las personas, por lo que ponderará la variable PopDensity_BOX_COX más que las otras dos.

    Los parámetros de Configuración de salida le permiten elegir el nombre que desea asignar al campo de atributos de índice. También puede elegir capas simbolizadas adicionales para que la herramienta las genere.

  9. En Pesos, en PopDensity_BOX_COX, establezca la opción Peso en 2.

    A continuación, elegirá los ajustes para la salida del índice. En primer lugar, puede elegir valores mínimos y máximos para el intervalo del índice, como una escala de 1 a 10. Este rango es opcional, pero puede facilitar la interpretación de los valores. A continuación, puede elegir capas de salida adicionales para disponer de más formas de evaluar los resultados.

  10. Expanda Configuración de salida. En Nombre de índice de salida, introduzca HRI.

    Parámetros de la herramienta Calcular índice compuesto

  11. En Valores mínimo y máximo de índice de salida, establezca el valor Mínimo en 1 y el valor Máximo en 10.
  12. En Configuración de salida, para Salidas clasificadas adicionales, marque la casilla junto a Desviación estándar.

    Parámetros de índice personalizados

  13. Haga clic en Ejecutar.

    Cuando la herramienta termina, la capa de grupo Sevilla_HRI_MeanofScaled se agrega al panel Contenido. La capa de grupo contiene tres capas, una en la que se muestran los valores de índice con la rampa de colores sin clasificar, otra en la que los valores de índice se muestran como percentiles y la tercera que muestra los valores de índice como clases de desviación estándar. La capa HRI también contiene varios gráficos.

Representar cartográficamente e interpretar el índice

Tras haber creado un índice, explorará e interpretará los resultados. Utilizando los gráficos y resultados que crea la herramienta de índice compuesto, puede determinar si el índice funciona para sus propósitos, o si debe probar más pasos de preprocesamiento y métodos de índice. Una vez que esté conforme con los resultados de su índice, le aplicará un estilo de forma que sea más fácil de interpretar para los demás. Los valores del índice que ha estado observando son significativos para usted, pero probablemente no lo serán para otras personas sin contexto adicional.

Asimismo, adoptar medidas basadas en este índice requerirá más conocimientos e información local. Por ejemplo, ¿cuál es el presupuesto para la plantación de árboles? ¿Qué tipo de permiso se necesita y quieren las comunidades que se planten árboles en su barrio? Sin este tipo de comprensión directa, es potencialmente engañoso generar mapas que muestren interpretaciones de su índice. En su lugar, utilizará el resultado de la desviación estándar que elaboró para clasificar las áreas del censo como receptoras del mayor beneficio, del beneficio moderado y del menor beneficio.

  1. En el panel Contenido, en HRI, haga clic con el botón derecho en Distribución del índice y elija Abrir.

    Opción Abrir para el gráfico Distribución del índice

    Los valores de índice altos pueden interpretarse como que muestran las áreas que más se beneficiarían de la plantación de árboles como intervención de resiliencia térmica. Del mismo modo, puede interpretarse que los valores de índice bajos representan las áreas que menos se beneficiarían de esta medida. No significa que no se produzcan temperaturas estivales altas en estas áreas o que no necesitan que se adopten medidas de resiliencia, sino que se podrán tener en cuenta otras intervenciones distintas de la plantación de árboles.

  2. En el panel del gráfico, haga clic en la barra que representa los valores de índice más altos para seleccionarlos en el mapa.

    Valores más altos del índice en el gráfico

  3. Haga clic en una de las secciones censales seleccionadas en el mapa para abrir una ventana emergente informativa.

    Ventana emergente de la capa de índice

    La ventana emergente muestra la puntuación global del índice para la sección censal, así como los valores escalados de las variables.

  4. Haga clic en el mapa y utilice el histograma para explorar las secciones censales con valores de índice altos y bajos y comprender por qué se han clasificado de esa manera.

    Esta capa de salida del índice y el gráfico que la acompaña le resultarán útiles si los valores del índice le resultan significativos. Por ejemplo, si quisiera dirigir su campaña de plantación de árboles a las secciones censales que obtuvieron una puntuación de 8 o más en el índice, este histograma es un buen punto de partida.

  5. En el panel Contenido, desactive la capa HRI y active la capa HRI - Percentile. Utilice las ventanas emergentes y el gráfico Distribution of HRI - Mean (Percentile) para explorar la salida de percentiles.

    Esta salida es útil si le interesa menos la puntuación del índice y más la clasificación de la sección. Por ejemplo, si desea centrar su campaña de plantación de árboles en las secciones censales que obtuvieron una puntuación en el percentil 95, podría utilizar este resultado.

    En este caso, dado que está elaborando un índice general sin aportaciones locales ni comentarios de las partes interesadas, utilizará el resultado final, el resultado de la desviación estándar, para clasificar las zonas censales como más beneficiadas, moderadamente beneficiadas y menos beneficiadas. Este mapa debe considerarse un punto intermedio en su análisis. Puede utilizarse para suscitar el debate y recabar la opinión de las partes interesadas con el fin de perfeccionar las variables, ponderaciones y métodos utilizados.

  6. En el panel Contenido, en Sevilla_HRI_Percentiles_GeomMean Layers, desactive la capa HRI - Percentile y active la capa HRI - Standard Deviation Classes. Abra el gráfico Counts by HRI – Mean (Standard deviation classes).

    Tabla y mapa de desviación estándar

    Esta capa muestra los datos de índice, pero simbolizados en función de la desviación estándar, con las tres desviaciones estándar de los valores de índice más altos lejos de la media.

  7. Cierre el gráfico. En el panel Contenido, haga clic con el botón derecho en HRI - Standard Deviation Classes y seleccione Simbología.

    La capa actualmente está simbolizada con seis clases.

  8. En Simbología principal, haga clic en Valores únicos y elija Colores graduados.

    Opción Colores graduados

  9. En Campo, seleccione HRI – Mean (Standard Deviation Classes).
  10. En Clases, elija 3.

    Estas tres clases representarán las áreas del censo que reciben mayor beneficio, beneficio moderado y menor beneficio.

  11. Haga clic en Esquema de colores y active Mostrar todo. Elija la rampa de colores Marrón a verde (3 clases).

    Rampa de colores Marrón a verde (3 clases)

    Sugerencia:

    Marque la casilla Mostrar nombres para ver el nombre de cada rampa de colores.

    A continuación, decidirá qué áreas censales pertenecen a las tres categorías que ha decidido utilizar. Esta decisión es tan subjetiva como el proceso de creación del índice y puede ajustarse a las necesidades y directrices locales.

  12. En la pestaña Clases, para la primera clase, confirme que Valor superior está definido en ≤ -1. En Etiqueta, introduzca Menos beneficiadas.
  13. Para la segunda clase, confirme que Valor superior está definido en ≤ 1. En Etiqueta, introduzca Beneficio moderado.
  14. Para la tercera clase, confirme que el Valor superior está definido en ≤ 3. En Etiqueta, introduzca Más beneficiadas.

    Clases con etiquetas actualizadas

    Dependiendo de los métodos que prefiera para compartir y comunicar los resultados de este índice, podría publicarlos como mapa web o crear un diseño de mapa para compartir una versión impresa. De cualquier manera, este mapa debe considerarse como punto medio, una manera de recabar información y opiniones de la comunidad antes de adoptar medidas con respecto a la plantación de árboles.

  15. Guarde el proyecto.

En este tutorial, ha creado un índice de riesgo de calor que muestra dónde sería más beneficioso plantar árboles para mitigar el calor extremo en función de la densidad de población, la carencia de una cubierta de árboles y las temperaturas medias de la superficie en verano.

La metodología del índice de resiliencia puede reproducirse en otras áreas de interés alrededor del mundo y para riesgos climáticos diferentes; además, puede incluir entradas de índice específicas de su comunidad, como las poblaciones en riesgo. Al crear su propio índice, asegúrese de utilizar métodos de preprocesamiento de datos y creación de índices específicos para sus datos. Para obtener más información sobre la herramienta Calcular índice compuesto, utilice la página de documentación de la herramienta y el informe técnico Crear índices compuestos con ArcGIS: mejores prácticas.

Encontrará más tutoriales en la galería de tutoriales.