Mapa de distribución de puntos

Un mapa de distribución de puntos (o un mapa de densidad de puntos o simplemente un mapa de puntos ) es un tipo de mapa temático que utiliza un símbolo de punto para visualizar la distribución geográfica de una gran cantidad 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 colocarse aleatoriamente en distritos de agregación para representar una cantidad de individuos. Aunque estos dos procedimientos y sus modelos subyacentes son muy diferentes, el efecto general es el mismo.

La idea de utilizar puntos para mostrar la densidad relativa surgió durante la era industrial de Inglaterra y Francia en las décadas de 1830 y 1840, una época en la que la mayoría de los tipos modernos de mapas temáticos se desarrollaron hasta alcanzar una forma relativamente moderna. ^[3] Su uso 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 la técnica a menudo pasaron desapercibidas, y las publicaciones posteriores obtuvieron mucha más fama.

Se ha afirmado que el primer mapa de distribución de puntos fue creado por Valentine Seaman en un artículo de 1797 en el que analizaba un brote reciente de fiebre amarilla en la ciudad de Nueva York . Aunque el número relativamente pequeño de ubicaciones de los casos no se corresponde con el uso típico de esta técnica para visualizar la distribución general de un gran número de individuos, sigue siendo digno de mención como posiblemente el primer ejemplo de 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 mapa de densidad de puntos basado en distritos más antiguo conocido 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 todavía se realiza por computadora en la actualidad: una cantidad de puntos, calculada a partir de la población total de cada departamento, se distribuye aleatoriamente en cada departamento. El resultado es una visualización intuitiva de la densidad de población , ya que los niveles de población más altos dentro de una frontera administrativa exhiben un patrón de puntos más cercano y denso. Dado que los puntos están espaciados de manera uniforme, es evidente que no representan las ubicaciones reales de donde vive la gente dentro de un departamento. Este es un ejemplo de una falacia ecológica , donde un valor para un área generaliza todo dentro de esa área para exhibir ese valor. ^[7]

Aunque el mapa de Montizon fue el primer mapa de puntos publicado de su tipo, su innovación no tuvo efecto 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 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 conocimiento adicional de la distribución de la población. ^[9]

El mapa de características puntuales también se reinventó a mediados del siglo XIX, con la epidemiología nuevamente como un impulsor principal, especialmente la búsqueda de la causa del cólera, que se reconoció que ocurre en patrones geográficos claros. ^[10] Entre la variedad de mapas creados entre 1820 y 1850 hay algunos que muestran las ubicaciones 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 al usar diferentes símbolos de puntos para representar los casos en cada uno de los tres años. Shapter no fue tan lejos como para identificar la causa de los grupos de enfermedades que observó, 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 nacientes de análisis espacial y rastreo de contactos para concluir que el agua contaminada era el vector de la enfermedad , y logró apagar la fuente. ^[12] El mapa que acompañaba a su informe de 1855 mostraba 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 se aclama 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 exagera, ^[14] merece reconocimiento por la visión de Snow de 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 vistos como un logro digno de publicación académica por sí mismos. ^[15] Una técnica híbrida surgió en los mapas de densidad de población de principios del siglo XX, utilizando 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 pudiera enseñarse en los libros de texto de cartografía de mediados del siglo XX. ^{[17] [18]}

Los sistemas de información geográfica han facilitado relativamente la generación de mapas de densidad de puntos al automatizar la colocación de los puntos individuales, aunque los resultados suelen ser menos satisfactorios que los que se elaboran manualmente. Un avance tecnológico significativo ha sido la disponibilidad de conjuntos de datos muy grandes, como millones de publicaciones geocodificadas en las redes sociales, y las innovaciones en la forma de visualizarlos. Los mapas resultantes pueden mostrar patrones detallados de distribuciones geográficas.

Los avances recientes en mapas de puntos incluyen el uso de técnicas de mapeo dasimétrico para ubicar puntos dentro de zonas con mayor precisión, ^[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 a menudo ha dado lugar a cierta confusión en la terminología. De hecho, muchos cartógrafos han sugerido que no se los agrupe en un único tipo de mapa temático . Aunque utilizan técnicas muy diferentes, se basan en fuentes de datos muy diferentes, con una semántica diferente en el resultado, el propósito general es el mismo: visualizar la distribución geográfica de un fenómeno grupal (es decir, un gran número de individuos).

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 ciudades; esta categoría solo se aplica a aquellos que muestran una gran cantidad de instancias, cada una retratada 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 central del campo del mapeo del crimen , además de su uso original en epidemiología . Se ha vuelto especialmente popular en la era reciente de big data , como el mapeo de millones de publicaciones en redes sociales geoetiquetadas o ubicaciones de teléfonos celulares, aunque estos mapas han generado inquietudes 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 utilizar el término mapa de distribución de puntos exclusivamente para este tipo (con densidad de puntos reservada para el otro tipo), aunque esto no aclara la confusión, ya que ambos mapas tienen como objetivo mostrar la distribución y la densidad.

En un mapa de puntos de uno a muchos , cada punto del mapa 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, áreas 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 utilizado 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 que se elige un valor de punto (la cantidad de individuos representados por cada punto), se puede calcular la cantidad de puntos necesarios en cada distrito y los puntos se distribuyen aleatoriamente en todo 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 utilizar 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 a medida que se han desarrollado mapas interactivos que utilizan este método pero con cada punto representando 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 coropléticos y mapa de dispersión de puntos . ^[28]

El diseño de ambos tipos de mapas de puntos implica equilibrar el diseño del símbolo de punto individual (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 de punto , el número de individuos que representa cada punto. Desde hace mucho tiempo se ha reconocido que estas elecciones son interdependientes, con varias consideraciones en competencia: ^{[18] [24]}

• Aumentar el tamaño de los símbolos de puntos reducirá el espacio entre ellos, incluso con una distribución constante.
• Para cualquier tamaño y distribución de puntos, en un determinado nivel de densidad, los puntos individuales se fusionan en una masa sólida. Una vez que esto sucede, no se puede percibir una densidad mayor.
• Los símbolos de puntos más grandes son más fáciles de ver que los símbolos más pequeños, pero se fusionan en 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 unos pocos puntos, pero también se fusionen en densidades relativamente más bajas.

El equilibrio ideal de estos factores se produce cuando los puntos comienzan a unirse en las áreas más densas, los puntos individuales son lo suficientemente grandes como para ser vistos 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 pautas para calcular este equilibrio de tamaño de punto y valor de punto, incluido un nomograma innovador , que se convirtió en el estándar para la profesión. ^[16] Desde entonces, la mejora de la tecnología en la generación de puntos e impresión o visualización ha llevado a modificaciones del 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 representar en el mapa. Si el rango de densidades es demasiado bajo (por ejemplo, una relación entre lo más disperso y lo más denso de menos de aproximadamente 1:10), el mapa parecerá demasiado consistente 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 como para volverse 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 simplemente se fusionan y densidades más altas donde muchas capas de puntos están una encima de otra. ^[27] Sin embargo, esto tiene el efecto secundario de hacer que los puntos individuales sean muy tenues.

Otro desafío de diseño puede ocurrir con el tipo de mapa uno a uno cuando múltiples puntos aparecen en la misma ubicación, dando una falsa impresión de menor densidad (es decir, pareciendo 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 de esparcir los puntos ligeramente para que sean distintos pero aún parezcan densamente empaquetados. ^[30]

Una preocupación con respecto a la densidad de puntos que se ha estudiado en profundidad es la precisión con la que 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 por puntos. ^[31]

Otra crítica es que los datos agregados de distritos tienen 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 , incluida la falacia ecológica y el problema de la unidad de área modificable . De hecho, la técnica de puntos puede exacerbar el problema, porque el aspecto detallado de los puntos individuales da la ilusión de datos más detallados que el color sólido de una coropleta. Además, los lectores de mapas pueden interpretar fácilmente los puntos, especialmente en áreas dispersas, como las ubicaciones de los asentamientos reales. ^[24]

Al igual que con los mapas coropléticos, el problema de la unidad de área modificable se puede mitigar utilizando distritos que sean lo más pequeños posible, aunque esto puede llevar a un aumento en el problema de variación de densidad extrema discutido anteriormente. Otra solución en común con el mapeo coroplético 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 , creando 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 propiedad del gobierno), y usándola como una máscara para excluir que se dibujen puntos allí, lo que obliga a colocarlos más densamente en el área restante. ^[24] Tradicionalmente, se adoptó un enfoque más sutil al colocar manualmente los puntos, concentrándolos en partes del distrito donde se sabía que la densidad era mayor, lo que hacía que la densidad pareciera variar 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 los 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 de puntos interactivo detallado por distritos sobre la raza y el estado hispano del censo de 2010 con un valor de punto de 1:1
• OmniSci Tweetmap: un mapa de puntos 1:1 de publicaciones de Twitter geocodificadas que se pueden filtrar por palabras clave