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.