Would you like to inspect the original subtitles? These are the user uploaded subtitles that are being translated:
1
00:00:00,000 --> 00:00:08,412
[MÚSICA]
2
00:00:08,412 --> 00:00:09,810
Hola de nuevo a todos.
3
00:00:09,810 --> 00:00:14,798
En este vídeo vamos a dar un paso atrás en el amplio concepto de incertidumbre
4
00:00:14,798 --> 00:00:16,265
y error.
5
00:00:16,265 --> 00:00:19,040
Vamos a discutir esto en algunas conferencias porque es un
6
00:00:19,040 --> 00:00:21,515
concepto relativamente grande que afecta todo lo que se hace en SIG.
7
00:00:21,515 --> 00:00:22,689
En esta lección,
8
00:00:22,689 --> 00:00:27,700
aprenderá acerca de los amplios tipos de incertidumbre que afectan a los datos geográficos.
9
00:00:27,700 --> 00:00:30,300
Y luego hablaremos específicamente sobre la incertidumbre y
10
00:00:30,300 --> 00:00:31,840
cómo conceptualizamos nuestros datos.
11
00:00:31,840 --> 00:00:35,560
Para que podamos tomar las decisiones apropiadas cuando diseñamos
12
00:00:35,560 --> 00:00:37,530
flujos de trabajo de recopilación o análisis de datos.
13
00:00:37,530 --> 00:00:40,150
Estos temas son simultáneamente mundanos y
14
00:00:40,150 --> 00:00:44,090
fascinantes, así que trataré de darte muchos ejemplos para mantenerte interesado.
15
00:00:44,090 --> 00:00:46,160
Pero asegúrese de pausar el video cada vez
16
00:00:46,160 --> 00:00:48,530
para pensar en cómo se aplica a su propio trabajo.
17
00:00:49,910 --> 00:00:52,380
Cuando digo incertidumbre y error,
18
00:00:52,380 --> 00:00:56,810
estoy hablando de factores que afectan la calidad de nuestros datos y nuestra capacidad de
19
00:00:56,810 --> 00:01:01,368
confiar en que los datos que generamos representan con precisión la realidad en un área determinada.
20
00:01:01,368 --> 00:01:06,290
Seguiremos volviendo al concepto de representar la realidad porque
21
00:01:06,290 --> 00:01:10,790
los datos SIG son aceptados a menudo como verdad, pero en realidad es solo una representación de ella.
22
00:01:11,850 --> 00:01:15,870
Necesitamos entender cómo los errores y la incertidumbre ingresan en nuestros datos,
23
00:01:15,870 --> 00:01:20,940
saber cómo podemos evaluar y analizar legítimamente esos datos, obtener respuestas sobre
24
00:01:20,940 --> 00:01:25,620
lugares reales y no solo respuestas sobre esos datos en sí.
25
00:01:25,620 --> 00:01:29,040
Antes de sumergirnos, permítanme darles un ejemplo de mi propio trabajo.
26
00:01:29,040 --> 00:01:32,711
Los datos del terreno o los modelos digitales de elevación pueden ser increíblemente importantes para el
27
00:01:32,711 --> 00:01:36,382
trabajo hidrológico porque nos ayuda a responder a esa pregunta crítica de,
28
00:01:36,382 --> 00:01:38,570
¿dónde fluye el agua?
29
00:01:38,570 --> 00:01:41,310
Pero un modelo digital de elevación, o DEM para
30
00:01:41,310 --> 00:01:45,810
abreviar, es solo una aproximación del paisaje, ya que a menudo solo tiene una
31
00:01:45,810 --> 00:01:49,700
celda ráster para encontrar la altura del terreno cada 10 a 90 metros.
32
00:01:49,700 --> 00:01:52,560
Cuando procesamos DEM para encontrar caminos cuesta abajo para el
33
00:01:52,560 --> 00:01:56,950
agua, acumulamos errores en ellos basados en la incertidumbre de los datos.
34
00:01:56,950 --> 00:02:00,300
Esto se debe a que en paisajes montañosos y cambiantes, es probable que obtengamos
35
00:02:00,300 --> 00:02:04,260
una visión amplia de dónde están las salidas de agua y las confluencias fluviales, pero
36
00:02:04,260 --> 00:02:06,860
el procesamiento puede introducir errores en las escalas locales.
37
00:02:06,860 --> 00:02:09,360
Hasta el punto de que a menudo no puede estar
38
00:02:09,360 --> 00:02:13,960
seguro de los resultados específicos sin una validación significativa de datos.
39
00:02:13,960 --> 00:02:18,020
Los ríos pueden mostrar como que fluyen a 100 metros de distancia de donde realmente están.
40
00:02:18,020 --> 00:02:20,980
Si mi objetivo es conocer las áreas aguas arriba en un lugar,
41
00:02:20,980 --> 00:02:22,340
esto probablemente esté bien.
42
00:02:22,340 --> 00:02:25,070
Pero si mi objetivo es obtener ubicaciones específicas de ríos para
43
00:02:25,070 --> 00:02:28,840
mi geoprocesamiento, entonces no puedo confiar en los datos sin una validación adicional.
44
00:02:29,980 --> 00:02:32,380
Podría usarlo para el trabajo preliminar, etc.
45
00:02:32,380 --> 00:02:36,210
Pero para los productos finales, o bien necesitaría comprender el error introducido para
46
00:02:36,210 --> 00:02:40,460
poder moderar mis resultados en consecuencia, o entenderlo, luego corregirlo por completo.
47
00:02:42,030 --> 00:02:44,455
Cuando hablamos de incertidumbre de los fenómenos geográficos,
48
00:02:44,455 --> 00:02:48,050
podemos agruparlos ampliamente en cuatro categorías.
49
00:02:48,050 --> 00:02:51,220
Primero, tenemos incertidumbre en nuestra concepción del fenómeno
50
00:02:51,220 --> 00:02:52,250
que estamos midiendo.
51
00:02:52,250 --> 00:02:54,660
Tal vez aún no entendemos claramente lo que estamos buscando.
52
00:02:55,760 --> 00:02:58,620
En segundo lugar, tenemos incertidumbre en la medida misma,
53
00:02:58,620 --> 00:03:00,970
como el error introducido por nuestros instrumentos.
54
00:03:02,020 --> 00:03:06,670
En tercer lugar, tenemos incertidumbre introducida por nuestra elección de cómo representar los datos,
55
00:03:06,670 --> 00:03:09,360
como el uso de datos ráster o vectoriales.
56
00:03:09,360 --> 00:03:13,680
Y por último, tenemos incertidumbre introducida por nuestra elección en nuestro análisis,
57
00:03:13,680 --> 00:03:18,460
como el uso disponible en una escala diferente para representar nuestros artículos de interés.
58
00:03:19,490 --> 00:03:22,730
Entonces, comencemos con la primera parte del proceso de investigación,
59
00:03:22,730 --> 00:03:24,770
nuestra concepción de nuestro problema.
60
00:03:24,770 --> 00:03:28,000
Para empezar, necesitamos definiciones repetibles y objetivas
61
00:03:28,000 --> 00:03:30,930
de nuestro fenómeno de interés, de modo que podamos obtener datos sobre él.
62
00:03:31,950 --> 00:03:33,880
Eso es más difícil de lo que parece.
63
00:03:33,880 --> 00:03:36,810
Por ejemplo, ¿quién es nuestro cliente?
64
00:03:36,810 --> 00:03:38,170
¿ Cuáles son sus intereses?
65
00:03:39,450 --> 00:03:42,630
¿ Qué características definen un barrio?
66
00:03:42,630 --> 00:03:44,910
¿ Qué constituye específicamente un humedal?
67
00:03:46,110 --> 00:03:48,820
¿ Cuántos robles y a qué densidad se necesita para que
68
00:03:48,820 --> 00:03:51,950
algo sea clasificado como Oak Woodland versus Prassland?
69
00:03:53,650 --> 00:03:57,820
Este concepto se traduce aún más en la puntuación de un atributo,
70
00:03:57,820 --> 00:04:01,230
¿qué define específicamente un grado de A frente a B?
71
00:04:02,790 --> 00:04:04,900
¿ Qué
72
00:04:04,900 --> 00:04:07,450
significa realmente un grado de inaceptable, para la protección de diques de la llanura de inundación?
73
00:04:08,510 --> 00:04:11,000
Tenemos que entender las compensaciones que hacemos aquí.
74
00:04:11,000 --> 00:04:14,840
Estamos necesariamente generalizando una población en algún tipo de
75
00:04:14,840 --> 00:04:19,260
unidad agregada, y no podemos mantener toda la información sobre los individuos.
76
00:04:19,260 --> 00:04:19,970
Los estamos agrupando para
77
00:04:19,970 --> 00:04:24,730
que podamos estudiarlos como una unidad, pero los individuos tienen diversidad.
78
00:04:24,730 --> 00:04:28,300
Así que definimos las características de interés para nuestro estudio, pero
79
00:04:28,300 --> 00:04:31,830
también tenemos en cuenta las compensaciones de las características que estamos dejando de lado,
80
00:04:31,830 --> 00:04:34,930
para que podamos entender las limitaciones de nuestro análisis.
81
00:04:34,930 --> 00:04:37,840
No podemos inferir cosas sobre la información que dejamos a un lado.
82
00:04:39,110 --> 00:04:43,260
Tomando aún más esta incertidumbre y concepción, consideremos el caso de que
83
00:04:43,260 --> 00:04:48,240
sabemos lo que queremos medir, pero no tenemos la instrumentación, el tiempo
84
00:04:48,240 --> 00:04:51,720
o los recursos para estudiar directamente nuestro tema de interés.
85
00:04:51,720 --> 00:04:56,310
En cambio, medimos algo más que tenemos la capacidad de medir y
86
00:04:56,310 --> 00:05:00,450
que sabemos que está correlacionado de alguna manera con nuestro tema de interés.
87
00:05:00,450 --> 00:05:03,350
Luego, usamos esa información para hacer inferencias sobre
88
00:05:03,350 --> 00:05:05,340
el fenómeno de interés.
89
00:05:05,340 --> 00:05:08,170
Piensa en ello como medir algo por proxy.
90
00:05:08,170 --> 00:05:11,690
Puede introducir un error significativo, pero también puede ser muy necesario.
91
00:05:12,785 --> 00:05:15,915
Tal vez usted necesita saber cuántos coches hay en una ciudad en particular pero
92
00:05:15,915 --> 00:05:18,185
no puede llevar a cabo un censo real.
93
00:05:18,185 --> 00:05:22,195
Usted tiene la información de la población de la ciudad y el número de hogares, y
94
00:05:22,195 --> 00:05:26,985
sucede que conoce el promedio estatal de propiedad de automóviles basado en investigaciones previas.
95
00:05:26,985 --> 00:05:30,305
Puedes usar esa información para inferir la propiedad del coche, pero
96
00:05:30,305 --> 00:05:33,435
hemos introducido un error ya que ahora asumimos que nuestra ciudad es
97
00:05:33,435 --> 00:05:36,055
media en lugar de en algún otro punto del espectro.
98
00:05:37,090 --> 00:05:40,860
Del mismo modo, tal vez queramos saber dónde están los anfibios, pero ir y
99
00:05:40,860 --> 00:05:43,200
encontrarlos directamente lleva mucho tiempo.
100
00:05:43,200 --> 00:05:46,580
En cambio, utilizamos un proxy para evaluar la humedad de un lugar, a
101
00:05:46,580 --> 00:05:51,560
lo largo del año, utilizando un sensor para inferir si es o no un hábito adecuado.
102
00:05:51,560 --> 00:05:55,620
En este caso, hemos sustituido el hábitat adecuado para los anfibios e
103
00:05:55,620 --> 00:05:57,250
introducido incertidumbre en nuestros datos.
104
00:05:58,940 --> 00:06:02,310
También tenemos problemas con la regionalización de nuestros datos en polígonos.
105
00:06:03,530 --> 00:06:06,600
¿ Qué combinación de características define una zona?
106
00:06:07,690 --> 00:06:11,931
¿ Cuándo algo que varía continuamente deja de estar en un grupo o polígono
107
00:06:11,931 --> 00:06:13,410
y comienza a estar en otro?
108
00:06:14,570 --> 00:06:17,450
¿ Utilizamos umbrales de tamaño o esquemas de espera?
109
00:06:17,450 --> 00:06:21,250
¿ Utilizamos análisis difusos donde guardamos parte de esta gradación o
110
00:06:21,250 --> 00:06:23,910
análisis nítidos donde dibujamos líneas claras?
111
00:06:23,910 --> 00:06:28,300
¿ Tenemos los datos que necesitamos para asignar o doblar datos en estos grupos de todos modos?
112
00:06:28,300 --> 00:06:31,230
A veces esto es claro como en el caso de la propiedad.
113
00:06:31,230 --> 00:06:36,310
Si trazamos límites de propiedad generalmente tenemos reglas claras de quién es dueño de un área.
114
00:06:36,310 --> 00:06:39,510
Pero, ¿y si tratamos de clasificar el paisaje en su lugar?
115
00:06:39,510 --> 00:06:42,980
Tal vez queremos definir la idoneidad para un uso particular.
116
00:06:42,980 --> 00:06:46,970
Para los planificadores urbanos, puede preguntarse si desea representar un uso del suelo, como una
117
00:06:46,970 --> 00:06:51,570
actividad industrial, como un único tipo en un mapa, o si debe dividirlo en
118
00:06:51,570 --> 00:06:55,610
zonas más específicas que definan tipos específicos de actividades.
119
00:06:56,670 --> 00:06:59,519
Del mismo modo, ¿dónde trazamos los límites de un barrio?
120
00:07:00,680 --> 00:07:04,300
Diferentes grupos ocupan diferentes áreas y esto varía continuamente y
121
00:07:04,300 --> 00:07:07,880
es difícil saber dónde termina un barrio y comienza otro.
122
00:07:09,042 --> 00:07:12,620
Para un peligro de huracán de mapa, puede preguntarse cómo ponderar los atributos
123
00:07:12,620 --> 00:07:16,430
para crear su puntuación de peligros, lo que afecta a la forma en que se crean los polígonos para
124
00:07:16,430 --> 00:07:17,030
los resultados.
125
00:07:18,310 --> 00:07:21,050
Si estabas buscando crear polígonos de regiones climáticas,
126
00:07:21,050 --> 00:07:24,110
necesitarás decidir las características de cada zona, de
127
00:07:24,110 --> 00:07:27,370
modo que puedas asignar ubicaciones dadas a cada una de ellas.
128
00:07:28,930 --> 00:07:32,390
En todo esto, tendrá que entender cómo afecta a
129
00:07:32,390 --> 00:07:34,370
los elementos individuales en el análisis.
130
00:07:34,370 --> 00:07:37,910
¿ Debería haber terminado la asignación en un grupo u otro?
131
00:07:37,910 --> 00:07:39,980
Y como mencionamos antes,
132
00:07:39,980 --> 00:07:42,940
¿a qué especificidad renunciamos en nuestros datos agrupándolos?
133
00:07:44,790 --> 00:07:47,350
Vale, lo dejaremos aquí por ahora.
134
00:07:47,350 --> 00:07:51,710
En este video discutimos los amplios tipos de incertidumbre que afectan a nuestros
135
00:07:51,710 --> 00:07:56,350
datos geográficos y luego entramos en detalle en un tipo específico de incertidumbre.
136
00:07:56,350 --> 00:07:58,909
Incertidumbre y error en la concepción de nuestros datos.
137
00:08:00,080 --> 00:08:04,400
Aprendimos acerca de las fuentes de error a partir de nuestra definición de nuestro fenómeno de interés,
138
00:08:04,400 --> 00:08:07,740
de nuestra capacidad para medir directamente ese fenómeno y
139
00:08:07,740 --> 00:08:12,790
de cómo decidimos regionalizar o agrupar individuos en categorías útiles.
140
00:08:12,790 --> 00:08:15,660
Realmente te animo a pensar en cómo estos factores afectan tu
141
00:08:15,660 --> 00:08:16,950
propio trabajo, ahora mismo.
142
00:08:16,950 --> 00:08:20,540
Así que obtienes práctica aplicándolos y trabajando a través de las compensaciones.
143
00:08:20,540 --> 00:08:24,300
En el siguiente video, continuaremos donde lo dejamos discutiendo la incertidumbre y
144
00:08:24,300 --> 00:08:26,080
cómo medimos los datos y vamos a partir de ahí.14309
Can't find what you're looking for?
Get subtitles in any language from opensubtitles.com, and translate them here.
Afrikaans
Akan
Albanian
Amharic
Armenian
Azerbaijani
Basque
Belarusian
Bemba
Bengali
Bihari
Bosnian
Breton
Bulgarian
Cambodian
Catalan
Cebuano
Cherokee
Chichewa
Chinese (Simplified)
Chinese (Traditional)
Corsican
Croatian
Czech
Danish
Dutch
English
Esperanto
Estonian
Faroese
Finnish
Galician
Georgian
German
Greek
Guarani
Haitian Creole
Hausa
Hawaiian
Hebrew
Hmong
Hungarian
Icelandic
Indonesian
Irish
Italian
Japanese
Kazakh
Kinyarwanda
Kirundi
Kongo
Korean
Krio (Sierra Leone)
Kurdish
Kyrgyz
Laothian
Latin
Latvian
Lithuanian
Luganda
Luo
Luxembourgish
Macedonian
Malagasy
Malay
Maltese
Maori
Mauritian Creole
Moldavian
Mongolian
Myanmar (Burmese)
Montenegrin
Nepali
Norwegian
Pashto
Persian
Polish
Portuguese (Brazil)
Portuguese (Portugal)
Quechua
Romanian
Romansh
Russian
Samoan
Scots Gaelic
Serbian
Sesotho
Setswana
Seychellois Creole
Shona
Sindhi
Sinhalese
Slovak
Slovenian
Somali
Spanish
Swedish
Tajik
Thai
Tigrinya
Tonga
Turkish
Turkmen
Ukrainian
Uzbek
Vietnamese
Welsh
Wolof