Mapa de distribución de puntos

Un mapa de distribución de puntos (o mapa de densidad de puntos o simplemente mapa de puntos ) es un tipo de mapa temático que utiliza un símbolo de punto para visualizar la distribución geográfica de un gran número de fenómenos relacionados. Los mapas de puntos son un tipo de visualización de unidades que se basan en una dispersión visual para mostrar patrones espaciales, especialmente variaciones en la densidad. ^{[ 1 ] [ 2 ]} Los puntos pueden representar las ubicaciones reales de fenómenos individuales, o estar colocados aleatoriamente en distritos de agregación para representar a varios individuos. Aunque estos dos procedimientos, y sus modelos subyacentes, son muy diferentes, el efecto general es el mismo.

La idea de usar puntos para mostrar la densidad relativa surgió durante la era industrial de Inglaterra y Francia en las décadas de 1830 y 1840, época en la que la mayoría de los tipos modernos de mapas temáticos se desarrollaron hasta alcanzar una forma relativamente moderna. ^{[ 3 ]} Esto fue posible gracias a la creciente disponibilidad de datos estadísticos y al creciente reconocimiento de su valor para la comprensión científica. Al igual que con otros tipos, las primeras invenciones de esta técnica a menudo pasaron desapercibidas, y las publicaciones posteriores alcanzaron mucha más fama.

Se ha afirmado que el primer mapa de distribución de puntos fue creado por Valentine Seaman en un artículo de 1797 que analizaba un brote reciente de fiebre amarilla en la ciudad de Nueva York . Si bien el número relativamente pequeño de ubicaciones de casos no se corresponde con el uso típico de esta técnica para visualizar la distribución general de un gran número de individuos, sigue siendo notable como posiblemente el primer ejemplo del uso de un mapa como herramienta analítica y de comunicación para las ciencias sociales, el análisis espacial y la epidemiología (aunque sus conclusiones resultaron ser incorrectas). ^{[ 4 ]}

El primer mapa conocido de densidad de puntos basado en distritos fue creado en 1830 por Armand Joseph Frère de Montizon (1788–????), un fraile franciscano , maestro de escuela e impresor. ^{[ 5 ]} Es un mapa relativamente simple de la población por departamento (distrito administrativo) en Francia , donde cada punto representa 10 000 individuos. ^{[ 6 ]} El mapa parece haber sido dibujado utilizando la misma técnica practicada durante los dos siglos siguientes y que aún hoy se realiza mediante computadoras: un número de puntos, calculado a partir de la población total de cada departamento, se distribuye aleatoriamente en cada departamento. El resultado es una representación visual intuitiva de la densidad de población , ya que los niveles de población más altos dentro de un límite administrativo muestran un patrón de puntos más denso y compacto. Dado que los puntos están espaciados uniformemente, es evidente que no representan las ubicaciones reales donde vive la gente dentro de un departamento. Este es un ejemplo de falacia ecológica , donde un valor para un área generaliza que todos dentro de esa área exhiben ese valor. ^{[ 7 ]}

Aunque el mapa de Montizon fue el primer mapa de puntos publicado de su tipo, su innovación no tuvo repercusión en la práctica durante casi 30 años, hasta que el mapa de densidad de puntos basado en distritos fue reinventado en 1859 en un mapa de la distribución de la población de Suecia y Noruega realizado por Thure Alexander von Mentzer, un oficial del ejército sueco . ^{[ 8 ]} Los puntos en su mapa (cada uno representando a 200 residentes) parecen haberse basado en el censo de 1855, pero muestran claramente ajustes basados ​​en un conocimiento adicional de la distribución de la población. ^{[ 9 ]}

El mapa de puntos también se reinventó a mediados del siglo XIX, con la epidemiología nuevamente como principal impulsora, especialmente la búsqueda de la causa del cólera, que se reconoció como ocurriendo en patrones geográficos claros. ^{[ 10 ]} Entre la variedad de mapas creados entre 1820 y 1850 hay algunos que muestran la ubicación de cada caso en una región. Un ejemplo notable fue un mapa de 1849 de Thomas Shapter en su historia del brote de cólera de 1832-1834 en Exeter . ^{[ 11 ]} El mapa es innovador por usar diferentes símbolos de puntos para representar los casos en cada uno de los tres años. Shapter no llegó a identificar la causa de los grupos de enfermedad que observó, pero su mapa fue influyente; John Snow lo citó más tarde como inspiración para su propio trabajo.

Cuando se produjo un gran brote en Londres en 1854, el Dr. John Snow recopiló datos sobre los casos individuales, especialmente su ubicación en Soho , utilizando métodos incipientes de análisis espacial y rastreo de contactos para concluir que el agua contaminada era el vector de la enfermedad , y logró que se cortara la fuente. ^{[ 12 ]} El mapa que acompañó su informe de 1855 mostraba los casos individuales, apilados en la ubicación de cada casa, mostrando claramente una concentración alrededor de la bomba de Broad Street, así como huecos en lugares que tenían otras fuentes de agua. ^{[ 13 ]} El mapa ahora es aclamado como revolucionario; aunque su papel en la investigación en sí y su efecto en la resolución del debate sobre la causa de la enfermedad a menudo se exageran, ^{[ 14 ]} merece reconocimiento por la perspicacia de Snow al considerar que un mapa era la herramienta más eficaz para comunicar los patrones espaciales de la enfermedad.

En años posteriores, los mapas de puntos no parecen haber sido tan prolíficos como otros tipos de mapas temáticos , posiblemente debido al tiempo necesario para crearlos. Muchos fueron considerados un logro digno de publicación académica por sí mismos. ^{[ 15 ]} A principios del siglo XX surgió una técnica híbrida en los mapas de densidad de población, que utilizaba puntos representativos en áreas rurales con círculos proporcionales para representar las principales ciudades. El método de densidad de puntos se estandarizó durante este período y se desarrollaron pautas de diseño, ^{[ 16 ]} de modo que la técnica pudo enseñarse en los libros de texto de cartografía de mediados del siglo XX. ^{[ 17 ] [ 18 ]}

Los sistemas de información geográfica han simplificado la generación de mapas de densidad de puntos al automatizar la colocación de cada punto, aunque los resultados suelen ser menos satisfactorios que los de los mapas elaborados manualmente. Un avance tecnológico significativo ha sido la disponibilidad de grandes conjuntos de datos, como millones de publicaciones geocodificadas en redes sociales, y las innovaciones en su visualización. Los mapas resultantes permiten mostrar patrones detallados de distribución geográfica.

Los avances recientes en mapas de puntos incluyen el uso de técnicas de mapeo dasimétrico para colocar puntos con mayor precisión dentro de zonas, ^{[ 19 ]} escalar mapas de puntos para mostrar diferentes tasas de puntos por persona en diferentes niveles de zoom, ^{[ 20 ]} y usar interpolación temporal para animar mapas de puntos a lo largo del tiempo ^{[ 2 ].}

Se han desarrollado dos tipos muy diferentes de mapas de puntos, lo que suele generar confusión terminológica. De hecho, muchos cartógrafos sugieren que no se agrupen en un único tipo de mapa temático . Si bien utilizan técnicas muy distintas, basadas en fuentes de datos muy diferentes y con una semántica distinta en el resultado, el objetivo general es el mismo: visualizar la distribución geográfica de un fenómeno grupal (es decir, un gran número de individuos).

Uno a uno (función puntual)

Un mapa de puntos uno a uno muestra una gran cantidad de símbolos de puntos que representan las ubicaciones de ocurrencias individuales de un fenómeno. Muchos tipos de mapas muestran características geográficas como símbolos de puntos, como las ciudades; esta categoría solo se aplica a aquellos que muestran una gran cantidad de instancias, cada una representada de forma anónima (por ejemplo, sin etiquetar), de modo que la atención se centra en la distribución general en lugar de en los individuos. Durante muchos años, este enfoque ha sido una parte fundamental del campo de la cartografía del delito , además de su uso original en epidemiología . Se ha vuelto especialmente popular en la reciente era del big data , como la cartografía de millones de publicaciones geolocalizadas en redes sociales o ubicaciones de teléfonos móviles, aunque estos mapas han generado preocupaciones sobre la privacidad. ^{[ 21 ] [ 22 ] [ 23 ]}

Se han propuesto varios términos para esta técnica para distinguirla del otro enfoque, como mapa de puntos nominales , mapa de características de puntos y mapa de pines . ^{[ 24 ] [ 25 ] : 135} Otra sugerencia es usar el término mapa de distribución de puntos exclusivamente para este tipo ( reservando densidad de puntos para el otro tipo), aunque esto no aclara la confusión, ya que ambos mapas pretenden mostrar distribución y densidad.

De uno a muchos (punto representativo)

En un mapa de puntos de uno a muchos , cada punto no representa una instancia individual, sino que tipifica la presencia de uno o más individuos derivados de datos agregados. Los datos se basan en distritos geográficos predefinidos (por ejemplo, condados, provincias, países, secciones censales), en los que se han agregado datos sobre individuos como variables estadísticas de resumen, como la población total. Es decir, es el mismo tipo de conjunto de datos que se utiliza para mapas coropléticos y muchos mapas de símbolos proporcionales . A diferencia de un mapa coroplético, la única variable válida utilizada para un mapa de densidad de puntos es el recuento total de individuos. ^{[ 24 ]} Una vez elegido un valor de punto (el número de individuos representados por cada punto), se puede calcular el número de puntos necesarios en cada distrito y los puntos se distribuyen aleatoriamente en el distrito. Esta distribución de un total sobre el área da la impresión visual de la densidad de población . ^{[ 18 ]}

La mayoría de los libros de texto de cartografía prefieren usar el término mapa de densidad de puntos o mapa de puntos solo para mapas de puntos de uno a muchos. ^{[ 24 ] [ 26 ] [ 18 ]} El término uno a muchos se ha vuelto problemático ya que se han desarrollado mapas interactivos que usan este método pero donde cada punto representa a una sola persona, ^{[ 27 ]} aunque esto a menudo es criticado por crear la ilusión de conocer la ubicación de cada individuo. Otros términos que se han sugerido para distinguir esta técnica incluyen mapa de puntos representativo , mapa de puntos basado en distritos , mapa de puntos coroplético y mapa de dispersión de puntos . ^{[ 28 ]}

El diseño de cualquiera de los dos tipos de mapas de puntos implica equilibrar el diseño del símbolo de cada punto (especialmente su tamaño) con el espaciado entre los puntos. En el mapa de puntos uno a uno, este último está determinado por la distribución de los individuos y la escala del mapa, pero en el mapa de puntos representativo, también está influenciado por la elección del cartógrafo del valor del punto , es decir, el número de individuos que representa cada punto. Desde hace tiempo se reconoce que estas elecciones son interdependientes, con varias consideraciones contrapuestas: ^{[ 18 ] [ 24 ]}

• Aumentar el tamaño de los símbolos de punto reducirá el espacio entre ellos, incluso con una distribución constante.
• Para cualquier tamaño y distribución de puntos, a cierto nivel de densidad, los puntos individuales se fusionan formando una masa sólida. Una vez que esto ocurre, no se puede discernir ninguna densidad superior.
• Los símbolos de puntos más grandes son más fáciles de ver que los símbolos más pequeños, pero se agrupan a densidades relativamente más bajas.
• Los valores de puntos más pequeños (es decir, más puntos) muestran detalles mucho más finos en la distribución geográfica que los valores de puntos grandes, y aumentan las posibilidades de que los distritos más pequeños tengan al menos algunos puntos, pero también que se fusionen a densidades relativamente más bajas.

El equilibrio ideal de estos factores se produce cuando los puntos comienzan a coalescer en las áreas más densas, los puntos individuales son lo suficientemente grandes como para ser visibles individualmente, y el valor del punto es lo suficientemente pequeño como para que incluso los distritos con los valores más bajos tengan más de un punto. En 1949, J. Ross Mackay desarrolló un conjunto de directrices para calcular este equilibrio entre el tamaño y el valor del punto, incluyendo un nomograma innovador , que se convirtió en el estándar de la profesión. ^{[ 16 ]} Desde entonces, la mejora de la tecnología en la generación, impresión y visualización de puntos ha dado lugar a modificaciones en el cálculo del equilibrio, que se ha automatizado en la mayoría del software SIG. ^{[ 29 ]}

Sin embargo, este rango ideal de densidades aparentes impone algunas restricciones a los fenómenos que se pueden mapear. Si el rango de densidades es demasiado bajo (por ejemplo, una relación entre la más dispersa y la más densa de menos de aproximadamente 1:10), el mapa parecerá demasiado uniforme para ser informativo. Si el rango de densidades es demasiado alto (una relación de más de 1:1000), demasiados distritos serán sólidos a menos que el valor del punto se reduzca tanto que se vuelva invisible. ^{[ 24 ]} Las mejoras en la tecnología de diseño han ayudado a aliviar esta restricción en cierta medida, como el uso de puntos translúcidos , que pueden mostrar una distinción entre densidades donde los puntos se están fusionando y densidades más altas donde muchas capas de puntos están una encima de la otra. ^{[ 27 ]} Sin embargo, esto tiene el efecto secundario de hacer que los puntos individuales sean muy tenues.

Otro desafío de diseño puede surgir con los mapas de tipo uno a uno cuando varios puntos aparecen en la misma ubicación, lo que da una falsa impresión de menor densidad (es decir, parece un solo punto en lugar de muchos). Si bien muchos usuarios de software SIG no tienen en cuenta este problema, se han desarrollado varios algoritmos automatizados para mitigarlo, generalmente basados ​​en la solución desarrollada en los primeros mapas de Shapter y Snow, que consistía en dispersar ligeramente los puntos para que fueran distintos pero aún parecieran densamente agrupados. ^{[ 30 ]}

Una preocupación con la densidad de puntos que se ha estudiado extensamente es cuán precisamente los lectores de mapas pueden interpretar la densidad aparente. Desde la década de 1930, estudios repetidos han demostrado una tendencia a subestimar la densidad de un área representada con puntos. ^{[ 31 ]}

Otra crítica es que los datos agregados de distrito presentan problemas inherentes que pueden llevar a las mismas interpretaciones erróneas que otros tipos de mapas temáticos basados ​​en este tipo de datos, como los mapas coropléticos , incluyendo la falacia ecológica y el problema de la unidad areal modificable . De hecho, la técnica de puntos puede agravar el problema, ya que el aspecto detallado de los puntos individuales da la ilusión de datos más detallados que el color sólido de un mapa coroplético. Además, los lectores de mapas pueden interpretar fácilmente los puntos, especialmente en áreas dispersas, como la ubicación de asentamientos reales. ^{[ 24 ]}

Al igual que con los mapas coropléticos, el problema de la unidad areal modificable puede mitigarse en cierta medida utilizando distritos lo más pequeños posible, aunque esto puede llevar a un aumento en el problema de variación extrema de densidad mencionado anteriormente. Otra solución común con la cartografía coroplética es la técnica dasimétrica . En la aplicación de densidad de puntos, se incorpora conocimiento externo sobre la distribución del fenómeno para ajustar la ubicación de los puntos. El enfoque más simple es el método binario , que crea una capa de tierra que se sabe que no tiene individuos (en el caso de la población humana, esto podría incluir características como cuerpos de agua y tierras de propiedad gubernamental), y la utiliza como máscara para excluir que se dibujen puntos allí, lo que obliga a que se coloquen más densamente en el área restante. ^{[ 24 ]} Tradicionalmente, se adoptaba un enfoque más sutil al colocar manualmente los puntos, concentrándolos en partes del distrito donde se sabía que la densidad era mayor, lo que llevaba a la apariencia de que la densidad variaba gradualmente en lugar de cambiar abruptamente en los límites del distrito. ^{[ 18 ]} Se han desarrollado algoritmos automatizados que imitan esta técnica, utilizando información auxiliar como la ubicación de puntos de la ciudad para alterar la distribución de puntos en cada distrito, aunque no están ampliamente implementados en el software SIG. ^{[ 32 ]}

• Mapa de puntos raciales : mapa interactivo detallado de puntos por distrito que muestra la raza y el estatus hispano según el Censo de 2010 con una escala de puntos de 1:1.
• OmniSci Tweetmap : un mapa de puntos a escala 1:1 de publicaciones de Twitter geocodificadas que se puede filtrar por palabras clave.