5: Simplificación
- Page ID
- 88561
“¡Qué cosa útil es un mapa de bolsillo!” Yo remarqué.
“Esa es otra cosa que hemos aprendido de su Nación”, dijo Mein Herr, “hacer mapas. Pero lo hemos llevado mucho más allá que tú. ¿Cuál considera el mapa más grande que sería realmente útil?”
“Cerca de seis pulgadas a la milla”.
“¡Sólo seis pulgadas!” exclamó Mein Herr. “Muy pronto llegamos a seis yardas a la milla. Entonces intentamos cien yardas a la milla. ¡Y luego vino la idea más grandiosa de todas! ¡De hecho hicimos un mapa del país, en la escala de una milla a la milla!”
“¿Lo has usado mucho?” Yo le indagé.
“Nunca se ha extendido, sin embargo”, dijo Mein Herr: “los campesinos se opusieron: dijeron que cubriría todo el país, ¡y apagaría la luz del sol! Entonces ahora usamos el propio país, como su propio mapa, y les aseguro que casi también lo hace”.
Lewis Carroll, Sylvie y Bruno Concluyeron, Capítulo XI, Londres, 1895
Los mapas son por necesidad más pequeños de lo que retratan en el mundo real. Debido a esto, solo se puede representar un número limitado de entidades en ellas. Hay que tomar decisiones sobre cómo simplificar la complejidad del mundo para que sea comprensible en el mapa. Saber quién es tu audiencia y tener un claro sentido de lo que quieres explicarles son cruciales para decidir qué incluir y qué dejar de lado. Por ejemplo, los mapas del metro priorizan los nombres de las paradas y conexiones entre las líneas del metro sobre la ubicación geográfica de las paradas.
Mapa del metro. El mapa oficial del metro para el metro de Washington DC (izquierda) comparado con un mapa del metro dibujado a escala (derecha). Los mapas del metro priorizan los nombres de las paradas y conexiones entre las líneas del metro sobre la ubicación geográfica de las paradas. [1]
La simplificación se utiliza tanto en mapas temáticos como de referencia. En la primera parte de este capítulo se analizarán diferentes tipos de mapas temáticos y el concepto de clasificación, prestando mucha atención a cómo los diferentes esquemas de clasificación dividen los datos entre clases. También reflexionaremos sobre las formas en que seleccionar un esquema de clasificación y el número de clases impactan los patrones de datos que son visibles. En la segunda parte de este capítulo se analizará cómo los mapas simplifican la forma o el número de objetos en un mapa de referencia, un proceso conocido como generalización.
Este capítulo te presentará a:
- las ventajas y desventajas de tres esquemas de clasificación comunes
- situaciones en las que la estandarización de datos es apropiada
- cuatro tipos principales de generalización en mapas de referencia
5.1 Tipos de mapas temáticos
Utilizamos una variedad de diferentes tipos de mapas. Vamos a echar un vistazo rápido a varios tipos de claves y luego nos centraremos en algunos en particular.
- Los mapas de densidad de puntos utilizan puntos o puntos para mostrar una densidad comparativa de entidades sobre un mapa base. Los puntos son todos del mismo tamaño.
- Los mapas de símbolos proporcionales utilizan símbolos que ocurren en puntos a lo largo de un mapa, pero a diferencia de los mapas de puntos, el tamaño del símbolo varía en función de la cantidad o magnitud de la cosa que se mide. En términos generales, los valores más altos obtienen símbolos más grandes.
- Los mapas de coropletas se encuentran entre los mapas temáticos más utilizados. Utilizan colores variables para mostrar medidas que son para áreas o regiones en el mapa.
- Los cartogramas distorsionan la forma de las áreas para representar la magnitud del atributo que se mide. Un valor relativamente alto dentro de una unidad geográfica típicamente pequeña, como un estado, se representará como desproporcionadamente grande en un cartograma porque el tamaño de la región se basa en sus atributos y no en su tamaño real.
- Los mapas de flujo muestran el movimiento de bienes, personas e ideas entre lugares. Por lo general, representan el tamaño de los flujos cambiando el ancho de las líneas que conectan los lugares.
- Los mapas de densidad representan la concentración de medidas puntuales. Puedes pensar en este mapa que muestra cómo cada ubicación extiende su presencia más allá de su ubicación inmediata para incluir áreas adyacentes.
Tipos de mapas. Hay seis tipos comunes de mapas temáticos que se utilizan para simplificar los datos. [2]
5.1.1 Mapa de puntos
En un mapa de puntos, cada punto representa una cantidad fija. Para mapas de puntos uno a uno, cada punto representa un objeto o persona. Por ejemplo, el famoso mapa de John Snow tenía un punto por cada muerte reportada por cólera alrededor de la bomba de Broad Street.
Mapa de cólera uno a uno. El famoso mapa uno a uno de John Snow de muertes por cólera se centró alrededor de la bomba de Broad Street. [3]
Alternativamente, un punto puede representar múltiples objetos o personas. La siguiente figura muestra un ejemplo de un mapa de muchos a uno en el que un punto representa a 10,000 personas.
Mapa de puntos de muchos a uno. Este mapa retrata la población total del noreste de Estados Unidos. Cada punto representa a 10 mil personas. [4]
Los mapas de puntos son útiles para visualizar rápidamente patrones de agrupamiento y densidad. No requieren color para comunicarse, lo que evita problemas derivados de las diferencias en la forma en que las personas perciben el color como el daltonismo. Aunque son versátiles e intuitivos, puede ser difícil determinar números precisos basados en un mapa de puntos. Un área puede tener más puntos que otra, pero para saber cuántos más requeriría contar minuciosamente cientos o miles de puntos.
La privacidad también puede ser un problema para los mapas uno a uno. Por ejemplo, es posible que no desee conocer ubicaciones exactas al mapear sujetos sensibles, como dónde viven los pacientes con enfermedades de transmisión sexual. Para sortear esto, los puntos a menudo se desplazan de su ubicación real. Al simplificar la cantidad de puntos en el mapa, los mapas de muchos a uno evitan problemas de privacidad, pero en cambio se enfrentan al desafío de dónde colocar los puntos. Los puntos generalmente se colocan en una ubicación promedio de los múltiples objetos que representan ed .
Simplificación del mapa de puntos. La colocación de puntos en medio de las carreteras y la distribución desigual alrededor del bloque son evidencia de que los puntos en el mapa de puntos uno a uno han sido desplazados. El mapa de muchos a uno de los mismos bloques simplifica la cantidad de datos mostrados y coloca puntos en una ubicación promedio. [5]
Tenga en cuenta que es crucial que los mapas de puntos se dibujen usando una proyección de igual área, o la densidad de los puntos se distorsionará.
5.1.2 Mapa de Símbolo Proporcional
Este tipo de mapa ajusta el tamaño de los símbolos simples proporcionalmente al valor de datos que se encuentra en esa ubicación. Cuanto más grande es el símbolo, “más” de algo existe. Los símbolos proporcionales se pueden usar para representar datos en ubicaciones precisas (puntos) o datos promediados sobre un área geográfica. Una ventaja clave de este tipo de mapa es que la percepción del valor de los datos no se ve afectada por el tamaño del área que representa el símbolo. En los mapas de coropletas, los estados con áreas geográficas pequeñas (como Rhode Island) pueden pasarse por alto incluso si tienen un gran valor de datos. Por el contrario, los tamaños de los símbolos en un mapa de símbolos proporcionales no están vinculados a la superficie terrestre.
La desventaja de esto es la mayor probabilidad de desorden visual. Los símbolos pueden superponerse si las ubicaciones con valores grandes están muy juntas. Al igual que en la siguiente figura, los tamaños relativos de los símbolos pueden importar. Si eliges símbolos que en general son demasiado pequeños, será más difícil para el lector de mapas ver patrones en los datos (arriba a la izquierda) pero si son demasiado grandes, muchos símbolos se superpondrán y dificultarán ver patrones en los datos (arriba a la derecha). Idealmente, los símbolos tienen una ligera superposición entre los símbolos en el área más concurrida del mapa (abajo) sin que haya tanta superposición que los símbolos estén ocultos.
Tamaño del símbolo. Mapa de símbolos proporcionales de muertes de vehículos motorizados en California, Estados Unidos. Observe cómo los tamaños relativos de los símbolos deben elegirse con cuidado. [6]
Este problema de superposición en los mapas de símbolos proporcionales puede llegar al punto en que las personas tengan problemas para comparar con precisión los tamaños de los símbolos, en la siguiente figura. Muchas personas subestiman las diferencias en el tamaño de los símbolos, especialmente cuando la diferencia es grande. El creador de mapas de símbolos proporcionales debe lograr un equilibrio entre tener un rango de tamaños de símbolos y limitar su superposición.
Mapa de símbolos proporcionales. Con este mapa de población por condado es difícil distinguir qué condado representa cada símbolo en áreas con muchos condados pequeños poblados. [7]
5.1.3 Choropleth Mostrar mapa
En los mapas de coropletas, las áreas se sombrean usando tonalidad o valor para representar diferentes cantidades. Por lo general, los tonos o valores más oscuros significan cantidades mayores. Los mapas de Choropleth son fáciles de hacer e interpretar, lo que los ha hecho muy populares entre los creadores de mapas. Sin embargo, pueden ser muy engañosos si se estandarizan incorrectamente o si los fenómenos geográficos que se mapean no están intrínsecamente vinculados a las áreas sombreadas. Por ejemplo, los totales de lluvia, el tipo de suelo y la duración del viaje no varían según los límites del condado o del código postal. Los fenómenos que se mapean rara vez cambian abruptamente en los límites definidos por el ser humano como parecen hacerlo en un mapa de coropletas, y puede haber mucha variación dentro de un área simbolizada con un solo color. Al trabajar con mapas de coropletas, un creador de mapas debe tratar de mantener patrones importantes a la vez que simplifica la complejidad innecesaria.
Mapa de densidad poblacional de Choropleth. Este mapa de densidad poblacional por condado del Censo 2010 se basa en que los usuarios interpreten correctamente la forma en que los datos se dividen en grupos. [8].
5.2 Estandarización
Una consideración importante en el mapeo temático, especialmente en los mapas de coropletas, es si los datos se visualizan como un recuento (por ejemplo, número de personas) o como una densidad (el número de personas por milla cuadrada). La razón principal para estandarizar los datos es permitir que el lector de mapas compare lugares que son muy diferentes en términos de tamaño o forma. Comparar un lugar grande como Rusia con un lugar más pequeño como Irlanda solo es realmente posible al observar la densidad de población en lugar del total de la población. Rusia tiene mucha más gente que Irlanda pero tiene una densidad de población menor porque es muy grande.
Algunas formas de estandarización son espaciales como la densidad de población, el número de personas por milla cuadrada. Considera la figura a continuación. El mapa en la parte superior simplemente muestra el recuento del número de personas en cada estado en 2010. Texas y Nueva York tienen una población mucho mayor que Dakota del Norte o Dakota del Sur, por lo que no debería ser sorprendente que también tengan un sombreado más oscuro. Por el contrario, el mapa en la parte inferior está estandarizado, mostrando el número de nacimientos por milla cuadrada. Este mapa es más interesante porque se enfoca en las personas y no en el tamaño del estado.
Normalización y población. El mapa superior muestra el recuento del número de personas en cada estado en 2010. El mapa inferior está estandarizado, mostrando el número de nacimientos por milla cuadrada.Jennifer M. Smith, Departamento de Geografía, La Universidad Estatal de Pensilvania; Datos de la Oficina del Censo de Estados Unidos. [9]
Otros tipos de estandarización son no espaciales, como dividir el costo de la vivienda por el ingreso total de los hogares o dividir el número de estudiantes que reciben almuerzo gratis o de precio reducido por el número total de alumnos de esa escuela. Tanto el conteo bruto como los números estandarizados pueden ser útiles, dependiendo de lo que intentes lograr. Si está calculando el costo de proporcionar comidas a través del programa de almuerzo gratuito o de precio reducido, necesitará saber el número de estudiantes que califican. Si estás tratando de entender cuánto de un alumnado enfrenta inseguridad alimentaria, sería más útil contar con un número estandarizado —el porcentaje de alumnos que reciben almuerzo gratis o a precio reducido—. Al mapear datos sociales, a menos que las áreas que se comparan sean similares en tamaño y población, suele ser mejor estandarizar los números.
5.3 Clasificación
La clasificación está en el centro de la simplificación y la cartografía temática. La clasificación se puede utilizar para simplificar una amplia gama de valores en algo que pueda ser interpretado más fácilmente por la audiencia del mapa. En lugar de simbolizar cada valor de datos con un tono o tamaño únicos, los valores se agrupan en un número menor de categorías. Existen muchos esquemas de clasificación, métodos para dividir los datos en estas categorías. Nos centraremos en tres de los esquemas de clasificación más utilizados: 1) intervalo igual, 2) cuantil y 3) roturas naturales.
5.3.1 Intervalo igual
Usando el método de intervalo igual, los datos se dividen en clases que tienen un rango igual de valores (por ejemplo, 0-100, 100-200, 200-300, y así sucesivamente). Intervalo igual es fácil de interpretar y comparar con otros mapas en una serie. Sin embargo, no funciona bien para todas las distribuciones de datos. Si hay brechas en los valores de datos, algunas clases pueden estar vacías. Si los datos están fuertemente sesgados o tienen valores atípicos, puede terminar con un mapa donde casi todas las áreas están en una sola clase. El intervalo igual funciona mejor cuando los datos se distribuyen de manera relativamente uniforme entre el valor mínimo y el máximo, y no hay valores atípicos.
Clasificación de intervalos iguales. Densidad poblacional por condado en Minnesota, Estados Unidos usando clasificación de intervalos iguales. [10]
5.3.2 Cuantil
Con el método cuantil, los datos se dividen para que haya un número igual de observaciones en cada clase. Por ejemplo, si tienes 100 ciudades y 5 clases, habría 20 ciudades en cada clase. Este método produce mapas atractivos, visualmente equilibrados y puede ser útil si se trabaja con datos ordinales, o aquellos que están clasificados (en este caso de mayor a menor). Debido a que pone el mismo número de observaciones en cada clase sin referencia al valor de esas observaciones, el cuantil a veces agrupa valores muy diferentes en la misma clase (por ejemplo, 0-11,12-21,22-33,34-70,71-2961). Este efecto es especialmente notable con valores atípicos, o especialmente valores bajos o altos que están fuera por sí mismos. Si uno fuera a crear una clasificación cuantil que sea técnicamente exigente, podría poner observaciones con el mismo valor en diferentes clases; sin embargo, los cartógrafos suelen cambiar manualmente la clasificación para que las observaciones de igual valor no se separen, lo que la hace más parecida a un roturas naturales clasificación (abajo).
Clasificación de cuantiles. Densidad de población por condado en Minnesota, Estados Unidos usando clasificación cuantil. [11]
5.3.3 Roturas naturales
El método natural breaks intenta maximizar las diferencias entre clases y minimizar las diferencias dentro de las clases. Existen múltiples algoritmos para cómo hacer esto, generalmente poniendo puntos de ruptura donde hay las mayores brechas entre los valores de observación. Este método funciona especialmente bien para datos con clústeres o valores atípicos. Un inconveniente de las rupturas naturales es que establece puntos de ruptura únicos para cada conjunto de datos y, por lo tanto, es difícil de usar si necesita hacer una comparación entre múltiples mapas (por ejemplo, cambio de población en una ciudad entre 1970 y 2010).
Clasificación de roturas naturales. Densidad poblacional por condado en Minnesota, utilizando clasificación de roturas naturales. Las gráficas más pequeñas anteriores son gráficas de dispersión de los puntos de datos reales, y muestran que la densidad poblacional de los condados varía desde la más baja a la izquierda hasta la más alta a la derecha. Se puede ver como la gráfica de todos los condados tiene muchos valores bajos y solo unos valores más altos en el lado derecho, que son los poblados condados de Twin Cities como Hennepin y Ramsey. [12]
5.3.4 Número de clases
Además de seleccionar un método de clasificación, los creadores de mapas deben decidir en cuántas clases o categorías dividir los datos. Tener solo unas pocas clases puede ocultar detalles importantes y llamar la atención sobre patrones geográficos que en realidad no están ahí. Tener demasiadas clases, sin embargo, puede hacer que un mapa sea confuso.
Con más clases, puede ser difícil distinguir entre diferentes colores, aumentando la probabilidad de que los valores en la leyenda sean malinterpretados. No hay un número ideal de clases que funcionen para cada mapa de coropletas. Depende de lo que estés tratando de transmitir y de cómo se distribuyan tus datos.
Distintas clasificaciones. Estos tres mapas utilizan el mismo esquema de clasificación (cuantil) y datos (estimación de 5 años ACS 2010), pero muestran diferentes patrones y ubicaciones de donde existe el stock de viviendas más antiguas. [13]
En resumen, dependiendo de las elecciones que se tomen sobre estandarización, esquema de clasificación y número de clases, los mismos datos se pueden visualizar de manera muy diferente. Estas diferencias pueden tener una enorme influencia en las conclusiones sociales y políticas extraídas de un mapa. Al hacer mapas o mirar un mapa que alguien más haya hecho, tenga mucho cuidado sobre cómo se han dividido sus datos en categorías.
5.4 Generalización
Hemos estado buscando simplificar los datos para mapas temáticos (es decir, agrupar los datos en un número menor de categorías o áreas). Simplificar datos e información también es importante a la hora de hacer mapas de referencia, un proceso conocido como generalización. La generalización es especialmente necesaria en los mapas de pequeña escala. Por ejemplo, a medida que aleja Google Maps, se vuelve cada vez más poco práctico mostrar pequeños detalles como calles residenciales. Incluso si quisieras incluir cada edificio y nombre de calle, los objetos eventualmente serán demasiado pequeños para mostrarlos en la pantalla de tu computadora. Un creador de mapas tiene que elegir qué características del mapa son las más importantes para incluir y qué se puede simplificar.
Eliminar. Eliminación de objetos de un mapa. Un creador de mapas puede eliminar completamente las entidades si se vuelven demasiado pequeñas para verlas, demasiado juntas para tener sentido o proporcionar detalles innecesarios. Por ejemplo, pequeñas calles residenciales han sido eliminadas de la imagen de la derecha.
Eliminación. Mapa generalizado al eliminar calles. [14]
Simplificar. Suavizar o eliminar la geometría de las entidades en un mapa. Las costas, los ríos y las fronteras entre países suelen tener muchas curvas y curvas. Al trabajar a escalas pequeñas, un creador de mapas puede optar por simplificar las formas de los objetos o suavizar las líneas onduladas. Nota: sí, esto puede resultar confuso — la generalización es una especie de simplificación, pero la generalización también utiliza un enfoque llamado simplificación.
Simplificar. Mapa generalizado al suavizar las líneas de costa. [15]
Combinar. Fusionar, agregar o amalgamar características. Un creador de mapas también podría optar por combinar objetos pequeños en un objeto más grande que será visible cuando se amplíe a pequeñas escalas.
Combinar. Mapa generalizado mediante la combinación de islas con continente. [16]
Desplazar. Mover o mejorar un objeto. Si un objeto es importante para el propósito del mapa pero muy pequeño o no es visible a una escala seleccionada, un creador de mapas podría mejorar el tamaño del símbolo. El símbolo aparecerá en el mapa más grande de lo que sería en la realidad. Si varios objetos importantes están tan cerca entre sí que sus símbolos se superponen, el creador de mapas también podría separarlos. Por ejemplo, la carretera y el estacionamiento de la imagen de la derecha se han desplazado ligeramente de su ubicación real para que el mapa sea más fácil de leer.
Desplazar. Mapa generalizado por carretera en movimiento para mejorar la separación de la costa. [17]
5.5 Conclusión
La clave para tomar buenas decisiones sobre la simplificación es saber lo que intentas decir con tu mapa. Ahora está familiarizado con varios tipos de mapeo temático, incluidos mapas de puntos, mapas de símbolos proporcionales y mapas de coropletas. También tiene una idea de cómo la estandarización y la clasificación influyen en el aspecto de los datos cuando se visualizan en un mapa. Hemos examinado la simplificación de los datos dividiéndolos en clases (a través del proceso de clasificación) con tres enfoques básicos: 1) intervalo igual, 2) cuantil y 3) roturas naturales. También echamos un vistazo a la simplificación de la geometría al generalizar el punto, las líneas y las áreas reales a través de la eliminación, combinación, simplificación y desplazamiento. Lo más importante es que debes estar atento a la simplificación y tener curiosidad por su impacto en el mensaje de los mapas que encuentres.
Recursos
Para más información sobre Tipos de mapas temáticos:
- Mapador Indie
- Tipos de mapa en University of Münster
Para información sobre clasificación:
- Mapeo de coropletas con análisis exploratorio de datos en la revista Directions
- CC BY-NC 4.0. Peter Dovak 2013. www.Behance.net/Galería/Lavar... Balanza/10965947
- CC BY-SA 3.0. Adaptado de http://giscommons.org/output/
- Dominio Público. John Snow; Publicado por C.F. Cheffins, Lith, Southampton Buildings, Londres, Inglaterra, 1854 en Snow, John. Sobre el modo de comunicación del cólera, 2nd Ed, John Churchill, New Burlington Street, Londres, Inglaterra, 1855. https://commons.wikimedia.org/w/inde...? curid=2278605
- CC BY-NC-SA 4.0. Sara Nelson 2015. Datos de SocialExplorer y US Census.
- CC BY-NC-SA 4.0. Sara Nelson 2015. Datos de SocialExplorer y US Census.
- CC BY-NC-SA 3.0. Adaptado de Adrienne Gruver (2016). Cartografía y Visualización. www.e-education.psu.edu/geog486/l1_p7.html
- CC BY-NC-SA 4.0. Sara Nelson 2015. Datos de SocialExplorer y US Census.
- CC BY-NC-SA 4.0. Sara Nelson 2015. Datos de SocialExplorer y US Census.
- CC BY-NC-SA 3.0. Adaptado de Dibiase et al. (2012) Mapeando nuestro mundo cambiante. https://www.e-education.psu.edu/maps/l5_p5.html
- CC BY-NC-SA 4.0. Steven M. Manson y Jerry Shannon, 2012
- CC BY-NC-SA 4.0. Steven M. Manson y Jerry Shannon, 2012
- CC BY-NC-SA 4.0. Steven M. Manson y Jerry Shannon, 2012
- CC BY-NC-SA 4.0. Steven Manson 2015. Datos de SocialExplorer y Censo de Estados Unidos
- CC BY-NC-ND 4.0. Roth, R.A., Brewer, C.A., y Stryker, M.S. (2011). Una tipología de operadores para mantener diseños de mapas legibles a múltiples escalas, Perspectivas Cartográficas, Norteamérica, 68, Mar. 2011. Disponible en: http://www.cartographicperspectives... -roth-et-al/18. Fecha de acceso: 24 sep. 2015.
- CC BY-NC-ND 4.0. Roth, R.A., Brewer, C.A., y Stryker, M.S. (2011). Una tipología de operadores para mantener mapas legibles desi gns a múltiples escalas, Perspectivas Cartográficas, Norteamérica, 68, Mar. 2011. Disponible en: http://www.cartographicperspectives... -roth-et-al/18. Fecha de acceso: 24 sep. 2015.
- CC BY-NC-ND 4.0. Roth, R.A., Brewer, C.A., y Stryker, M.S. (2011). Una tipología de operadores para mantener diseños de mapas legibles a múltiples escalas, Perspectivas Cartográficas, Norteamérica, 68, Mar. 2011. Disponible en: http://www.cartographicperspectives... -roth-et-al/18. Fecha de acceso: 24 sep. 2015.
- CC BY-NC-ND 4.0. Roth, R.A., Brewer, C.A., y Stryker, M.S. (2011). Una tipología de operadores para mantener diseños de mapas legibles a múltiples escalas, Perspectivas Cartográficas, Norteamérica, 68, Mar. 2011. Disponible en: http://www.cartographicperspectives... -roth-et-al/18. Fecha de acceso: 24 sep. 2015.