Guía para el análisis de datos espaciales. Aplicaciones en agricultura
Prólogo
En las últimas décadas se ha impulsado el desarrollo y la utilización de nuevas tecnologías que permiten capturar datos espaciales, i.e. datos de una variable regionalizada o asociados a una localización en el espacio.
La infraestructura de datos espaciales es cada vez mayor en tamaño y calidad, especialmente la asociada a la generación de datos que provienen de sensores ya sea remotos o proximales. Los volúmenes de datos espaciales no sólo son vastos y variados, sino que también, en la mayoría de los escenarios, son accesibles. Estos datos generan nuevas oportunidades para la investigación en agricultura.
La variabilidad en los procesos aleatorios que generan datos espaciales se modela con diversas herramientas de la Estadística Espacial y se representa gráficamente en mapas de variabilidad espacial donde puede observarse cómo cambian los valores de una o más variables aleatorias según su posición en el espacio.
Aún cuando se estudian dominios espaciales continuos con alta densidad de datos, usualmente no existen observaciones de la variable de interés para todos las localizaciones o sitios del espacio analizado; así se hace necesario obtener predicciones espaciales, i.e. predecir el valor de la variable en sitios sin datos. Con grillas de predicción densa, es posible obtener mapas de contorno casi continuos espacialmente.
Con varias variables para cada sitio, una de ellas interpretada como resultante de un proceso y otras como explicativas o potenciales predictores, es posible obtener predicciones espaciales a partir de modelos que consideran la correlación espacial de los datos. Los modelos pueden estimarse tanto en un marco teórico frecuentista (Cressie and Wikle 2015; Schabenberger and Gotway 2005) como desde el marco teórico bayesiano (Correa Morales, Causil, and Javier 2018). También, desde la Ciencia de Datos con base computacional, se encuentran disponibles algoritmos de aprendizaje automático que incorporan la espacialidad en el análisis de datos (Li et al. 2011).
En esta guía se ilustra el manejo y procesamiento de datos espaciales con distintos métodos estadísticos y su aplicación en agricultura. El texto está organizado en tres partes; la primera contiene bases conceptuales para el análisis de datos georreferenciados provenientes de procesos espaciales continuos. La segunda, la implementación de protocolos de análisis completos sobre datos distribuidos a escala fina en el espacio, con códigos de programa listos para ejecutar en el software estadístico R (R. C. Team 2019) y en el software InfoStat (Di Rienzo et al. 2019). La tercera parte del texto ilustra la implementación del manejo y análisis de datos distribuidos a escala regional con códigos en R. La versión digital de este libro puede obtenerse desde www.agro.unc.edu.ar/~estadisticaaplicada donde también se encuentran los códigos de programación y los datos usados en este texto.
Esta obra está bajo una Licencia Creative Commons Atribución – No Comercial – Sin Obra Derivada 4.0 Internacional..
Referencias
Correa Morales, Juan Carlos, Barrera Causil, and Carlos Javier. 2018. Introducción a La Estadística Bayesiana: Notas de Clase. Instituto Tecnológico Metropolitano.
Cressie, Noel, and Christopher K Wikle. 2015. Statistics for Spatio-Temporal Data. John Wiley & Sons.
Di Rienzo, J A, F Casanoves, M G Balzarini, L Gonzalez, M Tablada, and C W Robledo. 2019. “InfoStat.” Universidad Nacional de Córdoba.
Li, Jin, Andrew D Heap, Anna Potter, and James J Daniell. 2011. “Application of Machine Learning Methods to Spatial Interpolation of Environmental Variables.” Environmental Modelling & Software 26 (12). Elsevier: 1647–59.
Schabenberger, Oliver, and Carol A Gotway. 2005. Statistical Methods for Spatial Data Analysis. CRC press.
Team, R Core. 2019. “R: A Language and Environment for Statistical Computing.”