En el articulo de epidemiologia espacial realizamos un Análisis Exploratorio de Datos Espaciales (ESDA) para evaluar la distribución, zonas de concentración, relacionarlos con otras variables, pero ¿Qué tan seguros estamos de los resultados? ¿Tienen validez estadística?.
La distribución de los datos se evalúa determinando la existencia de autocorrelación espacial (concentración) o ausencia (dispersión).
La autocorrelación espacial puede analizarse desde dos perspectivas.
El análisis de autocorrelación global implica la búsqueda de tendencia o patrón de todos los valores, en general, plantea la pregunta si el patrón muestra agrupación (Cluster) o no.
La autocorrelación local, explora dentro del patrón global e identifica los clusters o los llamados puntos calientes que pueden estar impulsando el patrón general de clustering, o que reflejan heterogeneidades que se apartan del patrón global.
Es decir, se centran en la inestabilidad espacial: la desviación de partes de un mapa de la tendencia general.
Independientemente del grado global de concentración en los valores, podemos observar
- Conjuntos de valores inusualmente Altos cerca de valores Altos, Muy Bajos cerca de valores Bajos que llamaremos Puntos calientes (Hot Spot) o Puntos fríos (Cold Spot).
- También es posible observar algunos valores altos (bajos) rodeados de valores bajos (altos), y los nombraremos “valores atípicos espaciales”.
Las técnicas utilizadas se denominan Indicadores Locales de Asociación Espacial (LISA) en esta oportunidad utilizaremos Local Getis-Ord Gi* y Local Moran I.
Estimando zonas de alta y baja concentración estadísticamente significativas
Local Moran I
Clasifica las observaciones en cuatro grupos: valores altos rodeados de valores altos (HH), valores bajos cerca de otros valores bajos (LL), valores altos entre valores bajos (HL), y viceversa (LH).
El objetivo es identificar casos en los que la comparación entre el valor de una observación y el promedio de sus vecinos es más similar (HH, LL) o diferente (HL, LH) de lo que cabría esperar de la pura casualidad.
Getis-Ord Gi*
Tiene por objeto detectar ubicaciones atípicas (es decir, puntos calientes o fríos) en la disposición espacial de una variable dada.
En la práctica, Gi* compara los promedios locales con los promedios globales para evidenciar la presencia de conglomerados significativos de valores altos (o valores bajos).
Procedimiento:
Instalando complemento HotSpot para QGIS 3
Inicialmente debemos instalar el complemento experimental Hotspot, el cual requiere la librería Pysal
Instalando PySal (Librería Phyton de análisis espacial)
Existen varias formas de instalar PySal para Windows, recomiendo las instrucciones de la versión del PlugIn HotSpot para QGIS3 en el repositorio de GitHub
Nota: en esta página también encontrar las instrucciones para instalar en Ubuntu, MacOs, soluciones a problemas de instalaciones, descripción y más
Estando conectado a internet abra el OSGeo4W Shell instalado con QGIS3 como Administrador y escriba
py3_env
python -m pip install --upgrade pip
python -m pip install pysal
La segunda y tercera línea actualizan la librería Pip e instalan PySal, esto puede demorar unos minutos.
Luego, en Complementos seleccione HotSpot e instale.
También puede descargar aquí la última versión HotSpot QGIS3 en formato Zip.
Seguidamente, en Complementos > Instalar a Partir de Zip seleccione el archivo zip descargado.
1.- Determinando HotSpot de tasas de homicidios en Texas
Data: Archivo Shapefile y ejemplo tomado del tutorial de uso de las librerías PySal en la web darribas.org
Descargue el archivo gds_scipy16 descomprímalo
Luego, ejecute QGIS3 y abra el archivo Texas.shp ubicado en la carpeta Data, despliegue con estilo Graduated Color, en Columna > HR90, en Modo > Quantil
Posteriormente, en menú vectorial > HotSpot
En la caja de dialogo seleccione Local I Moran, en Select the Input Layer > Texas, en Select the Attribute Field > HR90, en Output Shapefile > de un nombre y ubicación al archivo de salida.
Repita el procedimiento seleccionando la opción Local Getis Ord GI*
Nota: en este caso pueden realizarse ajustes en la prueba considerando la población de cada estado
2.- Concentraciones significativas en análisis de suelos
También podemos realizar evaluaciones en capas de puntos, utilizaremos la capa de análisis de suelos. los datos son tomados del tutorial del programa ArcView3.2 (descargar datos del ejercicio).
Despliegue la capa Soilsamp.shp en QGIS3, ejecute el complemento HotSpot, notara que tiene más opciones que le caso anterior.
Puede dejar la Distancia de análisis (Fixed Distance Band) o utilizar una distancia optimizada o la opción Knn Spatial Weight Matrix.
Defina el archivo de salida
Resultados evaluando el parámetro Potasio (K), de fondo el modelo digital de terreno.
Notara ciertas diferencias en los métodos, más aún, la configuración de los parámetros de los métodos es un tema amplio que requiere mayor discusión.
Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web: www.mundocartogeo.blogspot.com
2019-12-20T14:01:41 WARNING Traceback (most recent call last):
File “C:/Users/Guille/AppData/Roaming/QGIS/QGIS3\profiles\default/python/plugins\HotSpotAnalysis_Plugin-qgis3\hotspot_analysis.py”, line 635, in run
y, threshold1)
File “C:/Users/Guille/AppData/Roaming/QGIS/QGIS3\profiles\default/python/plugins\HotSpotAnalysis_Plugin-qgis3\hotspot_analysis.py”, line 315, in write_file
outLayer = outDataSource.CreateLayer(“output”, inLayer.GetSpatialRef(), inLayer.GetLayerDefn().GetGeomType())
AttributeError: ‘NoneType’ object has no attribute ‘CreateLayer’