Taller: Introducción al Análisis de Correlaciones Espaciales

Dra. Maria Carolina Quintana Noriega

Twitter: @Urbainilla

30 de julio de 2020

Introducción al Análisis de Correlaciones Espaciales

## Warning: package 'rgdal' is not available for this version of R
## 
## A version of this package for your version of R might be available elsewhere,
## see the ideas at
## https://cran.r-project.org/doc/manuals/r-patched/R-admin.html#Installing-packages
## Warning: 'BiocManager' not available.  Could not check Bioconductor.
## 
## Please use `install.packages('BiocManager')` and then retry.
## Warning in p_install(package, character.only = TRUE, ...):
## Warning in library(package, lib.loc = lib.loc, character.only = TRUE,
## logical.return = TRUE, : there is no package called 'rgdal'
## Warning in p_load("readr", "tidyverse", "DT", "prettydoc", "mapview", "rgdal", : Failed to install/load:
## rgdal

Taller presentado durante el 3er Coloquio de Estudiantes de Maestría en Ciencias en Arquitectura y Urbanismo de la ESIA Tecamachalco, del Instituto Politécnico Nacional.

¡Bienvenidos al taller de Introducción al Análisis de Correlaciones Espaciales!

Este taller digital a distancia se desarrolla dentro del ciclo de Talleres Culturales del “Tercer Coloquio de Estudiantes de Maestría en Ciencias en Arquitectura y Urbanismo” (27 de julio al 31 de julio del 2020) de la Escuela Superior de Ingeniería y Arquitectura, Unidad Tecamachalco, del Instituto Politécnico Nacional.
En línea con la temática de esta edición “La investigación de los maestrantes ante el confinamiento por la pandemia del Covid-19”, enfocada en la construcción de una prospectiva del futuro de la investigación a partir de eventos de emergencia, en este taller aprenderán a aplicar una metodología de análisis de correlaciones espaciales por medio de herramientas de sistemas de información geográfica (SIG) y un concepto de agrupación territorial basado en el “Indicador Local de Asociación Espacial” (LISA).

¡Disfruten el taller!

Objetivo

Conocer e implementar las herramientas básicas para analizar las correlaciones espaciales en el territorio.

Actividades

  1. Identificar las distintas proyecciones geográficas para su óptima aplicación.
  2. Construir una base de datos por medio de unión de datos por atributo y localización.
  3. Analizar las asociaciones espaciales (LISA) por medio de valores estadísticos (i de Morán y Gi).

Requerimientos

  • Es preferible que el participante cuente ya con software QGis (libre) instalado.
  • Durante el taller se utilizará además la herramienta geográfica GeoDa.
  • Se descargarán bases de datos oficiales para desarrollar el ejercicio del taller.

Primera parte (2hrs)

Instalación de software:

QGis:

https://www.qgis.org/en/site/forusers/download.html

GeoDa:

https://geodacenter.github.io/download.html

Minería de datos:

  1. Descargar datos:

Casos activos de Covid-19 en Ciudad de México a nivel colonia desde: Datos abiertos CDMX

Exportar como archivo SHP (Shapefile)

URL de descarga:

https://datos.cdmx.gob.mx/explore/dataset/covid-19-sinave-ciudad-de-mexico-a-nivel-colonia/export/?disjunctive.colonia

  1. Descomprimir archivo ZIP y organizar en carpeta de UTILERIA

Sugerencia de carpetas según fuentes de datos (Sistema Nacional de Vigilancia Epidemiológica, Sistema de Vigilancia de Enfermedades Respiratorias):

UTILERIA / SINAVE / SISVER / COVID19_CDMX_COLONIA/ FECHAS

  1. Cargar capa SHP en QGis. Notar el ajuste en el SRC.

  2. Revisar propiedades de capa (idioma y proyección geográfica) y tabla de atributos (base de datos)

  3. Instalar complemento para visualizar mapas en línea:

COMPLEMENTOS/ ADMINISTRAR E INSTALAR COMPLEMENTOS / QUICKMAPSERVICES

  1. Cargar mapa:

WEB / QUICKMAPSERVICES / ESRI / ESRI GRAY LIGHT

Si no se cargan en el menú, se puede cargar desde el servidor de ArcGis:

ADMINISTRADOR DE FUENTES DE DATOS / SERVIDOR DE MAPAS ARCGIS / CONEXIONES DE SERVIDOR:

http://services.arcgisonline.com/ArcGIS/rest/services/Canvas/World_Dark_Gray_Base/MapServer/

http://services.arcgisonline.com/ArcGIS/rest/services/Canvas/World_Light_Gray_Base/MapServer/

Segunda parte (2hrs)

  1. Visualizar datos por graduación (Identificar diferencia con categoría)

VARIABLE = total MODO = Rupturas naturales (Jenks) CLASES = 5 RAMPA DE COLOR = Magma (sugerida)

CONTORNO (COLOR DE MARCA) = #626262 (sugerido)

  1. Se puede generar una primera imagen del mapeo de datos:

PROYECTO / IMPORTAR-EXPORTAR / EXPORTAR MAPA A IMAGEN (ajustar resolución)

  1. Convertir polígonos a puntos:

VECTORIAL / HERRAMIENTAS DE GEOMETRÍA / CENTROIDES

  1. Visualizar datos por mapa de calor (notar opciones en capa de puntos)

RAMPA DE COLOR = YlOrRd (sugerida) VARIABLE (ponderar puntos por) = total (variable por excepción/defecto por ser el primer valor de la tabla)

  1. Guardar capa de centroides: HACER CAPA PERMANENTE (SRC = 4326)

  2. Abrir capa SHP en GeoDa (sin cerrar QGis). Notar el objeto sin georreferencia.

  3. En QGis, seleccionar la extensión de objetos (comparar con la cantidad de objetos de la capa)

  4. Invertir selección

  5. Abrir tabla de atributos y mostrar objetos espaciales seleccionados (notar los valores del objeto = total de casos activos).

  6. Conmutar el modo edición y eliminar objeto. Guardar edición.

  7. Cerrar el proyecto en GeoDa y volver a cargar la capa SHP.

  8. Abrir el administrador de pesos (Weights Manager)

  9. Configurar el método de correlación espacial:

Crear nuevo archivo de pesos (Create). Agregar nueva variable de identificación (Add ID Variable) = w_queen (sugerida) Peso por contigüidad en modo reina (Queen contiguity weight) Generar archivo = w_queen.gal

  1. Crear mapa de agrupación (clusters) local univariado con la i de moran (Univariate Local Moran’s I)

VARIABLE = local PESO = w_queen

ABRIR = Mapa de nivel significativo (SIGNIFICANCE MAP) + Mapa de agrupación (CLUSTER MAP)

  1. Crear mapa de agrupación (clusters) local de G (Local G)

VARIABLE = local PESO = w_queen

ABRIR = Mapa de nivel significativo (SIGNIFICANCE MAP) + Mapa de agrupación (CLUSTER MAP)

  1. Opciones de guardado.

Guardar los mapas como imagen (Se puede agregar un mapa base):

OPTIONS / SAVE IMAGE AS

Guardar el archivo como capa de información geográfica

OPTIONS / SAVE RESULTS

[Guarda las nuevas variables LISA_I (Índice local de Moran), LISA_CL (Agrupación por grado significativo) y LISA_P (valor p del índice de Moran local)]

FILE / SAVE AS (SHP, JSON, CSV, etc.)

  1. Descargar datos:

Índice de Marginación de CONAPO desde Datos abiertos del Gobierno Federal

URL de descarga:

http://www.conapo.gob.mx/work/models/CONAPO/Marginacion/Datos_Abiertos/AGEB_Urbana/04_AGEB_urbana/Mapa_de_grado_de_marginacion_urbana_por_AGEB_2010.rar

  1. Descomprimir archivo RAR y organizar en carpeta de UTILERIA

Sugerencia de carpetas según fuentes de datos (Consejo Nacional de Población, Índice de Marginación Urbana):

UTILERIA / CONAPO / IMU_2010

  1. Cargar capa SHP en QGis.

  2. Revisar propiedades de capa para ajustar idioma (windows1252) y proyección geográfica (6372). Revisar tabla de atributos (base de datos) para identificar variables y composición de la capa.

  3. Seleccionar CDMX

SELECCIONAR OBJETOS POR VALOR / CVEGEO comienza con 09 / SELECCIONAR OBJETOS

  1. Crear una nueva capa

EXPORTAR / GUARDAR OBJETOS SELECCIONADOS COMO / ARCHIVO SHAPE DE ESRI / IMU2010_CDMX (sugerido)

SRC = 4326

  1. Visualizar datos por categoría

VARIABLE = GMU2010 RAMPA DE COLOR = Spectral (sugerida) CONTORNO (COLOR DE MARCA) = Borde Transparente (sugerido)

  1. Unión por localización

VECTORIAL / HERRAMIENTAS DE GESTIÓN DE DATOS / UNIR ATRIBUTOS POR LOCALIZACIÓN

CAPA DE ENTRADA = IMU2010_CDMX (notar proyección) UNIR CAPA = Centroides (notar coincidencia de proyección) PREDICADO GEOMÉTRICO = contiene, dentro (se pueden usar todos)

  1. Guardar capa como SHP = CDMX_IMU_COVID.shp (sugerido)

  2. Rellenar los valores nulos:

SELECCIONAR OBJETOS POR VALOR / total ≠ 0 / SELECCIONAR OBJETOS INVERTIR SELECCIÓN

Abrir TABLA DE ATRIBUTOS Conmutar el modo edición total = 0 / ACTUALIZAR LO SELECCIONADO Guardar edición.

  1. Cerrar proyecto en GeoDa y abrir SHP

  2. Abrir el administrador de pesos (Weights Manager)

  3. Configurar el método de correlación espacial:

Crear nuevo archivo de pesos (Create). Agregar nueva variable de identificación (Add ID Variable) = w_queen (sugerida) Peso por contigüidad en modo reina (Queen contiguity weight) Generar archivo = w_queen_IMU_COVID.gal

  1. Crear mapa de agrupación (clusters) local Bivariado con la i de moran (Bivariate Local Moran’s I)

VARIABLE X = local VARIABLE Y = IMU2010 PESO = w_queen_IMU_COVID

ABRIR = Mapa de nivel significativo (SIGNIFICANCE MAP) + Mapa de agrupación (CLUSTER MAP)

  1. Opciones de guardado.

Guardar los mapas como imagen (Se puede agregar un mapa base):

OPTIONS / SAVE IMAGE AS

Guardar el archivo como capa de información geográfica

OPTIONS / SAVE RESULTS

[Guarda las nuevas variables LISA_I (Índice local de Moran), LISA_CL (Agrupación por grado significativo) y LISA_P (valor p del índice de Moran local)]

FILE / SAVE AS (SHP, JSON, CSV, etc.)

Teoría de correlación espacial

En los estudios territoriales debe tomarse en consideración que “toda actividad localizada sobre el espacio físico, […] desarrolla con el entorno que la rodea una compleja red de relaciones bidireccionales […]” (Camagni, 2005: 79). Este principio de interacción espacial de Roberto Camagni se basa en la primera ley de la geografía, formulada por Waldo Tobler: “Todas las cosas están relacionadas entre sí, pero las cosas más próximas en el espacio tienen una relación mayor que las distantes.” (Tobler, 1970: 236). A este concepto se le conoce como principio de autocorrelación espacial.
Una metodología común en el estudio territorial es el análisis exploratorio de datos espaciales (ESDA). Siguiendo el principio de autocorrelación, Luc Anselin elaboró los principios generales para definir un indicador local de asociación espacial, conocido formalmente como LISA:

As an operational definition, I suggest that a local indicator of spatial association (LISA) is any statistic that satisfies the following two requirements: a. the LISA for each observation gives an indication of the extent of significant spatial clustering of similar values around that observation; b. the sum of LISAs for al observations is proportional to a global indicator of spatial association. (Anselin, 1995) En este sentido, los Sistemas de Información Geográfica aprovechan variables estadísticas como la I de Moran (1950) o la Gi de Getis y Ord (1992) para evaluar la agrupación de casos dentro de un territorio. Este taller aplicará esta metodología por medio de dos aplicaciones de Sistemas de Información Geográfica: QGis y GeoDa.

BIBLIOGRAFÍA

ANSELIN, L. (1995). Local Indicators of Spatial Association - LISA. Geographical Analysis 27, 2. Ohio State University Press.

CAMAGNI, R. (2005). Economía urbana. Antoni Bosch Ed. Barcelona, España.

GETIS, A. y J. K. Ord (1992). The Analysis of Spatial Association by Use of Distance Statistics. Geographical Analysis 24, 3. Ohio State University Press

MORAN, P. (1950). Notes on Continuous Stochastic Phenomena. Biometrika 37, 1. Oxford University Press.

TOBLER, W. R (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography 46, Taylor and Francis Ltd.