Interpolar temperaturas con el asistente de geoestadística
Crear histogramas de distribución de datos
Primero, descargará el paquete de proyecto y usará los datos almacenados en este paquete en todo el tutorial para interpolar temperaturas mediante el asistente de geoestadística.
- Descargue el paquete de proyecto InterpolateTemperatures.ppkx.
- Busque el archivo descargado en su equipo. Haga doble clic en InterpolateTemperatures.ppkx para abrirlo en ArcGIS Pro.
Nota:
Si aún no ha iniciado sesión en ArcGIS Pro, verá la pantalla de inicio de sesión. Si ya ha iniciado sesión, se abrirá el proyecto. Realice únicamente el paso 3 si no tiene iniciada una sesión en ese momento; de lo contrario, vaya al paso 4. Si ArcGIS Pro tiene licencia para utilizar el portal de Enterprise, puede iniciar sesión con esas credenciales. De lo contrario, puede utilizar su cuenta de ArcGIS Online para obtener una licencia de ArcGIS Pro.
- Inicie sesión en su cuenta de organización de ArcGIS o en ArcGIS Enterprise usando una cuenta de usuario nominal.
Nota:
Si no tiene una cuenta de organización, consulte las opciones de acceso a software.
- Dedique un momento a explorar visualmente el mapa.
Los puntos del mapa representan muestras de temperatura. Cada punto almacena valores medios de temperatura correspondientes a cada mes. Examinará la distribución de datos de algunos de estos campos para determinar cuál utilizar para la interpolación.
Nota:
Encontrará el dataset completo en ArcGIS Living Atlas of the World: World Historical Climate - Monthly Averages for GHCND Stations for 19841 - 2010.
- En el panel Contenido, haga clic con el botón derecho en la capa Temperatura. Apunte a Crear gráfico y seleccione Histograma.
Aparece el panel Propiedades de gráfico y una vista de gráfico vacía.
- En el panel Propiedades de gráfico, cambie Número a Jan Avg. Temp C (abreviatura de temperatura media de enero en grados centígrados) y active la casilla Mostrar distribución normal.
La vista de gráfico se actualiza para mostrar un histograma que representa los valores de temperatura máxima de los datos de puntos. Puede ver que el rango de valores va de -10,2 a aproximadamente 30,1°C. Los valores mostrados en el eje pueden variar en función del ancho del panel.
La línea azul curva representa la distribución normal del gráfico. Los datos con una distribución normal tienen una curva con forma de campana. Puede ver que la distribución de las temperaturas medias en enero no es normal, sino que está sesgada a la derecha.
- En el panel Propiedades de gráfico, cambie Número a Aug Avg. Temp C. El histograma se actualiza al nuevo campo.
En agosto, las temperaturas tienen una distribución más normal. Los métodos de interpolación son más efectivos cuando los datos se aproximan más a una distribución normal (en forma de campana) y algunos métodos geoestadísticos requieren que los datos tengan una distribución normal. Por este motivo, utilizará Aug Avg. Temp C en el resto de este tutorial.
Nota:
Si sus datos no siguen una curva de campana, puede aplicar una transformación para que se aproximen más a una distribución normal. Obtenga más información sobre este proceso en las transformaciones de Box-Cox, arcoseno y logarítmica.
- Cierre la vista de gráfico.
- En el panel Contenido, haga clic con el botón derecho en la capa Temperatura y elija Simbología.
Aparece el panel Simbología.
- Cambie Campo a Aug Avg. Temp C.
El mapa se actualiza para mostrar las temperaturas de agosto.
Crear superficies geoestadísticas usando la ponderación de distancia inversa
A continuación, creará superficies de valores de temperatura previstos para toda África y Oriente Medio utilizando los datos de muestra.
En las geoestadísticas, se asume que las cosas que están más juntas son más parecidas que las cosas que están alejadas. Por lo tanto, cualquier ubicación desconocida probablemente tendrá un valor similar a las ubicaciones conocidas más cercanas a ella.
En ArcGIS Pro, el asistente de geoestadística ofrece varios métodos de interpolación diferentes para crear superficies previstas. Normalmente, no sabrá cuál utilizar hasta que haya probado varios y haya comparado sus resultados. El primer método que probará es la ponderación de distancia inversa, también denomino IDW.
IDW es un método exacto. Esto significa que la superficie resultante no variará con respecto a los valores de muestra. También es uno de los métodos más sencillos de ejecutar. Puede obtener más información sobre IDW en Cómo funciona la interpolación de distancia inversa ponderada.
- En el panel Contenido, haga clic con el botón derecho en la capa Temperatura y elija Propiedades.
Aparece el panel Propiedades de capa: Temperatura.
- Haga clic en la pestaña Fuente.
- Desplácese hacia abajo y haga clic en Referencia espacial para expandir esa sección.
El primer parámetro de la tabla es Sistema de coordenadas proyectadas.
La geoestadística se basa en mediciones de distancia. Para minimizar la distorsión de estas distancias, los datos de entrada deben utilizar un sistema de coordenadas proyectadas (en lugar de geográficas). Puede asignarle uno utilizando la herramienta de geoprocesamiento Proyecto.
Estos datos utilizan una proyección cónica equidistante centrada en África. No hay ninguna proyección que pueda conservar perfectamente todas las distancias en el mapa, pero las proyecciones equidistantes son mejores en este sentido que otras. La elección de proyección es más importante a la hora de representar cartográficamente un área grande, como un continente.
- Haga clic en Cancelar para cerrar la ventana Propiedades de capa.
- En la cinta, en la pestaña Análisis del grupo Flujos de trabajo, haga clic en Asistente de geoestadística.
Aparece el asistente de geoestadística.
- En Métodos determinísticos, elija Ponderación de distancia inversa. (Es posible que tenga que desplazarse hacia abajo para encontrar esta opción).
- En Campo de datos, elija Aug Avg. Temp C.
- Haga clic en Siguiente.
En esta página, puede cambiar interactivamente los parámetros del método IDW y ver cómo responde el modelo en el mapa de vista previa. La sección Identificar resultado indica el valor previsto para cualquier ubicación.
- En el asistente de geoestadística, haga clic en otras partes del mapa de vista previa para ver la temperatura prevista de esa área en la sección Identificar resultado.
- En Propiedades generales, cambie Tipo de vecindad a Suavizado. Por lo general, la opción Suavizar hará que la superficie de predicción sea más lisa y menos irregular.
Se actualiza el mapa de vista previa. Cuando Tipo de vecindad es Estándar, solo hay un círculo en el mapa de vista previa. Cuando es Suavizado, existen tres círculos concéntricos.
Los círculos del mapa de vista previa representan el vecindario de búsqueda. Para predecir un nuevo valor, solo se consideran los puntos de muestra cercanos, incluidos en el vecindario de búsqueda. Puede obtener más información sobre este proceso, incluido el tipo de vecindad suavizada, en Vecindarios de búsqueda.
- Compruebe que Factor de suavizado se ha configurado en 0,2.
- Haga clic en Finalizar.
- En la página Informe de método, haga clic en Aceptar.
Se agrega al mapa una nueva capa que representa una superficie de temperatura máxima correspondiente a la región de África.
- En el panel Contenido, seleccione Ponderación de distancia inversa y pulse F2 en el teclado para que el nombre sea editable.
- Cambie el nombre de la capa a IDW suavizado.
- Arrastre Ponderación de distancia inversa sobre Océanos y expándalo.
El mapa ahora muestra predicciones de temperatura de lugares que no tenían datos de temperatura.
A continuación, creará una superficie ligeramente diferente utilizando los mismos datos y el mismo método.
- Abra el asistente de geoestadística.
Sugerencia:
En la cinta, en la pestaña Análisis, haga clic en Asistente de geoestadística.
- Confirme que el método seleccionado es Ponderación de distancia inversa y que el Campo de datos seleccionado es Aug Avg. Temp C. Haga clic en Siguiente.
- En Tipo de vecindad, elija Suavizado.
- Haga clic en Haga clic para optimizar en el parámetro Potencia.
El valor de Potencia cambia a 3,1076.
No todos los puntos del vecindario de búsqueda se consideran iguales. A los que están más cerca de la ubicación que se está pronosticando se les concede más importancia en el cálculo.
Si Potencia es 0, todos los puntos de la vecindad se ponderan de la misma manera. Cuanto mayor es la potencia, más rápidamente disminuyen las ponderaciones con la distancia. Una mayor potencia de 3,1 da como resultado una superficie que parece más localizada y menos general, ya que los puntos más alejados tienen menos influencia.
- Expanda Ponderaciones y desplácese por la lista para encontrar ponderaciones de colores diferentes.
Esta lista representa todos los puntos dentro del radio de búsqueda e incluye las ponderaciones asignadas a ellos.
Haga clic en algunos de los valores de la lista para ver los puntos seleccionados en el mapa de vista previa. Los puntos rojos ejercerán más influencia en la predicción que los verdes.
- Contraiga Ponderaciones y haga clic en Siguiente.
La ventana Validación cruzada proporciona información sobre la fiabilidad de su interpolación.
La información de esta página permite evaluar la precisión de la superficie de predicción. Lo hace eliminando un único punto del dataset y utilizando todos los puntos restantes para predecir el valor del punto eliminado.
El gráfico de dispersión compara los valores previstos (en el eje x) con los valores medidos (en el eje y) y se considera mejor cuando la línea gris fina coincide con la línea azul gruesa.
El valor medio indica si el modelo es propenso a predecir valores que son demasiado altos o demasiado bajos. Es mejor cuando está más cerca de 0.
El valor de Root-Mean-Square está próximo a 2,5. Esto indica que, de media, los valores de temperatura previstos difieren de los valores medidos en unos 2,5 °C.
- Haga clic en Finalizar y, en la ventana Informe de método, haga clic en Aceptar.
Se agrega una nueva capa al mapa.
- Cambie el nombre de la capa a IDW suavizado optimizado.
- En el panel Contenido, desactive la capa Temperatura.
- Desactive y active IDW suavizado optimizado para compararlo con IDW suavizado.
IDW suavizado optimizado (izquierda) se compara con IDW suavizado (derecha). Las dos capas son similares, pero la capa más reciente tiene más rojo. ¿Cuál es mejor? Puede comparar la exactitud de las dos capas para ayudarle a decidir.
- En el panel Contenido, seleccione IDW suavizado e IDW suavizado optimizado.
Nota:
Para eliminar más de una capa, pulse la tecla Mayús mientras selecciona las capas.
- Haga clic con el botón derecho y seleccione Validación cruzada.
Aparecen dos ventanas de Validación cruzada para cada capa. Una de ellas impide que se vea la otra.
- Mueva la ventana al lado para que pueda ver las dos a la vez.
Estas son las mismas ventanas de validación cruzada que se mostraron en el asistente de geoestadística. Ya ha revisado una de ellos, pero a veces los resultados son más útiles cuando puede compararlos entre varias superficies de predicción.
La pestaña Resumen notifica errores numéricos correspondientes a cada superficie. Cuanto más se aproxime a 0 el valor de Root-Mean-Square, más precisa será la superficie creada.
IDW suavizado optimizado tiene el valor de error más pequeño y, por lo tanto, se puede considerar la superficie de predicción más fiable.
- Cierre las dos ventanas de Validación cruzada.
- En el panel Contenido, seleccione solo IDW suavizado. Haga clic con el botón derecho en esta capa y elija Eliminar.
- En la barra de herramientas de la esquina superior de la cinta, haga clic en el botón Guardar.
La ponderación de la distancia inversa se considera un método de interpolación fácil y rápido. Conviene obtener una imagen inicial del fenómeno que está representando cartográficamente y, en ocasiones, es posible que deba utilizarlo porque se seguirán exactamente los valores medidos. Sin embargo, también puede generar un efecto de anillo alrededor de las islas de sus datos.
Crear superficies geoestadísticas mediante kriging
A continuación, probará el kriging para ver si puede obtener resultados más precisos. El kriging es un método geoestadístico muy flexible. Esto significa que se puede adaptar de muchas formas a los datos, pero también significa que se deben tomar muchas más decisiones.
- Abra el asistente de geoestadística.
- En Métodos de geoestadística, elija Kriging / CoKriging y haga clic en Siguiente.
- En Kriging ordinario, elija Predicción para crear una superficie de valores previstos similar a los que creó anteriormente mediante IDW.
Por ahora, creará una superficie con los parámetros predeterminados para el kriging ordinario.
- Haga clic en Finalizar y en Aceptar.
Se agrega una nueva capa al mapa.
- Cambie el nombre de la capa a Kriging predeterminado.
- Compare Kriging predeterminado con IDW suavizado optimizado.
Kriging predeterminado (izquierda) se compara con IDW suavizado optimizado (derecha). La nueva capa es mucho más general en su patrón. A continuación, cambiará algunos de los parámetros para intentar crear una mejor superficie geoestadística.
- Abra el asistente de geoestadística.
- Confirme que el método seleccionado es Kriging / CoKriging y haga clic en Siguiente.
- En Kriging ordinario, seleccione Predicción y haga clic en Siguiente.
- En la página Modelado de semivariograma/covarianza, haga clic en el botón Optimizar modelo.
El botón Optimizar encuentra los parámetros que resultan en los errores de predicción más pequeños. Observe que el mapa de semivariograma y algunos de los parámetros han cambiado. En este caso, el cambio es mínimo.
- Haga clic en Siguiente.
- En la página Vecindario de búsqueda, cambie Tipo de sector a 8 sectores.
El aumento del número de sectores garantiza la búsqueda de vecinos en todas las direcciones, y un clúster grande de puntos cercanos en una única dirección no tendrá toda la influencia sobre el valor previsto.
- Haga clic en Siguiente y revise los resultados en la ventana Validación cruzada. El kriging proporciona muchos más valores que la ponderación de la distancia inversa.
- Haga clic en Finalizar y en Aceptar.
Se agrega otra capa al mapa.
- Cambie el nombre de la capa a Kriging modificado.
- Compare Kriging modificado con Kriging predeterminado.
Kriging predeterminado Kriging modificado (izquierda) se compara con Kriging predeterminado (derecha) Son muy similares.
- En el panel Contenido, seleccione Kriging predeterminado y Kriging modificado. Haga clic con el botón derecho y seleccione Validación cruzada.
- Organice las ventanas para poder ver ambos a la vez. Analice los valores de la pestaña Resumen.
Kriging predeterminado
Kriging modificado
Valor medio
-0,013
-0,024
Valor medio cuadrático
2,294
2,283
Valor medio estandarizado
0,001
0,003
Valor medio cuadrático estandarizado
0,854
0,841
Error estándar promedio
2,740
2,775
Los números cercanos a cero indican una precisión superior. La excepción es Valor medio cuadrático estandarizado. En este caso, son preferibles los valores más cercanos a 1.
Con estos valores no resulta inmediatamente obvio qué superficie es mejor. Kriging predeterminado tiene mejores valores para cada categoría, excepto Valor medio cuadrático. Sin embargo, esto no significa necesariamente que sea mejor.
Si alguno de estos valores está demasiado alejado, debería eliminar esa capa. Sin embargo, en este escenario, ambas capas muestran buenos resultados de validación cruzada, de modo que puede usar Valor medio cuadrático como valor de separador de orden. También es conveniente que los valores de Root-Mean-Square y Error estándar promedio estén cerca unos de otros. Si hay una gran diferencia entre estos valores, puede indicar que la predicción es inestable.
El informe de validación cruzada indica que Kriging modificado es ligeramente más fiable que Kriging predeterminado.
- Abra la ventana Validación cruzada para IDW suavizado optimizado.
Esta superficie tiene un valor de Valor medio cuadrático de 2,5. Es menos fiable que cualquiera de las superficies de kriging.
- Cierre todas las ventanas de Validación cruzada.
- Elimine IDW suavizado optimizado y Kriging predeterminado del mapa.
- Guarde el proyecto.
Kriging es un método más avanzado que IDW y requiere tomar más decisiones. Sin embargo, esto permite experimentar con los parámetros hasta encontrar aquellos que se ajustan bien a los datos y al fenómeno. El kriging también ofrece más herramientas para evaluar la precisión de sus resultados, como un mapa de las estimaciones de errores estándar, que creará a continuación.
Representar cartográficamente las estimaciones de errores estándar
Ahora ha creado cuatro superficies diferentes de temperatura que cubren África y Oriente Medio. Cada una se interpoló a partir de los mismos datos, pero cada una mostró una superficie diferente. Es evidente que estas predicciones son útiles, pero no se pueden dar por sentado. Algunas partes de la superficie (donde hay muchos puntos de datos) se pueden considerar más precisas y fiables que otras (donde los datos son escasos). Es útil representar cartográficamente estos grados de incertidumbre para ayudar a los responsables de la toma de decisiones.
- En el panel Contenido, seleccione Kriging modificado.
- En la cinta, en la pestaña Capa de estadísticas geográficas, cambie Tipo de visualización a Error estándar.
El mapa cambia para volverse rojo en su mayoría.
- En el panel Contenido, active Temperatura.
Los errores estándar son mediciones de incertidumbre asociadas con los valores previstos. Las áreas de color rojo oscuro del mapa tienen valores de error estándar más grandes y, por tanto, menor incertidumbre en los valores previstos. Las áreas más claras son aquellas en cuyos resultados puede confiar más. Este mapa sugiere que los resultados tienen el mayor error estándar en el océano. Esto tiene sentido, porque no había puntos de medición de muestra en el océano (aunque había algunos en las islas pequeñas).
- Para la capa Kriging modificado, cambie de nuevo el Tipo de visualización a Predicción.
Para este mapa, solo le interesa predecir las temperaturas terrestres, de modo que el océano se puede enmascarar.
- En el panel Contenido, arrastre la capa Océanos sobre la capa Kriging modificado.
- Guarde el proyecto.
La geoestadística puede ayudarle a representar cartográficamente muchos fenómenos como superficies continuas, aunque solo tenga datos de punto discretos. Esto puede resultar muy útil para visualizar patrones y realizar análisis. Puede que no tenga una estación meteorológica en su área de estudio, pero un conjunto de estaciones meteorológicas en una región más amplia puede proporcionar los datos que necesita para comprender y predecir temperaturas en todas partes.
El asistente de geoestadística ofrece muchos métodos de interpolación y cada uno tiene parámetros que se pueden ajustar para producir resultados diferentes. ¿Por qué? Según el fenómeno que esté representando cartográficamente y los datos que tenga disponibles, un modelo puede proporcionar resultados más fiables que otro. Si va a tomar decisiones basadas en una superficie interpolada, es fundamental encontrar el modelo más preciso.
Puede comparar los resultados de la validación cruzada para determinar qué método funciona mejor con sus datos. Una vez creada la superficie, algunas partes de ella ofrecerán predicciones más precisas que otras. Puede visualizar la superficie por su error de predicción estándar para comprender dónde es más fiable la predicción.
Los cuatro mapas que creó se derivaron de los mismos datos de entrada, pero su aspecto difería. Ahora que sabe cómo se crean los mapas con superficies interpoladas, ¿le generan más o menos confianza? Los modelos geoestadísticos se pueden ajustar para crear resultados más precisos. Por otra parte, el creador del mapa podría tener una idea de lo que desean promocionar y pueden ajustar los parámetros geoestadísticos para destacar una tendencia.
Este proyecto contiene cinco mapas más, uno para cada uno de los demás continentes. Puede encontrarlos en el panel Catálogo, en la pestaña Proyecto, dentro de la carpeta Mapas.
Si desea otro reto, vuelva a trabajar con este tutorial utilizando uno de estos mapas. Para África y Oriente Medio, determinó que Aug Avg. Temp C era el mejor campo y Kriging modificado, la mejor superficie. Para otro continente, puede descubrir que se obtienen mejores resultados con parámetros diferentes.
Encontrará más tutoriales en la galería de tutoriales.
