El análisis de patrones espaciales, permite conocer que tipo de distribución presenta los datos que vamos a representar, ya que, al tener esta información de posicionamiento, nos aporta una información adicional y nos permite saber si estos valores se encuentran de forma dispersa, o si por el contrario presentan una concentración en determinadas zonas.
Generalmente este tipo de análisis de patrones se llevan a cabo preferentemente sobre capas de tipo puntual, aunque es posible realizarlo con otro tipo de geometrías y/o entidades como polígonos o capas ráster.
Como podemos comprobar, el análisis estadístico espacial incluye diferentes procedimientos. Los más básicos son:
- Medidas centrográficas: sirve para evaluar la centralidad espacial de un conjunto de valores. Equivalente a la media o mediana, así como a la desviación estándar.
- Análisis de patrones de puntos: Permite analizar la estructura del conjunto de datos como la densidad o la distancia entre puntos.
- Autocorrelación espacial: evalúa la correlación basada en las ubicaciones y los valores de las entidades simultáneamente.
Análisis de patrones en QGIS: Cálculo de medidas centrográficas
La medida centrográfica más habitual es el centro medio de una distribución de punto. Cuando el centro medio se calcula tomando como masa algún valor asociado a cada uno de los puntos, hablamos de centro de gravedad.
Para calcular el centro medio de nuestros datos, accederemos a la herramienta “Coordenadas medida”, que encontramos en la caja de herramientas de procesos. Activándola, nos permitirá realizar este análisis calculando el promedio de las coordenadas X e Y de todos los puntos de nuestra área de estudio.
Para ello seleccionaremos nuestra capa objetivo, a partir de la cual, se va a generar la media de las coordenadas:

Como consecuencia de la aplicación de esta herramienta se genera una nueva capa puntual, cuyo resultado es un punto que nos indica el centro de gravedad o la media de las coordenadas X e Y de todos los puntos. En este caso simbolizan la localización de árboles de la ciudad de Barcelona, a excepción de los localizados en vías urbanas.

¿Qué pasa si se le asigna un atributo de peso a la capa?
Para asignar un atributo, en ese caso pondremos dentro de campo de peso al atributo “Categoría de especies”.

Y como resultado, observamos que esta nueva medida centrográfica queda desplazada al norte. Los que nos indica que la distribución por especies no es equitativa a lo largo de la ciudad, sino que tiende a concentrarse unos metros al Norte de la ciudad.

Cálculo de patrones puntuales y autocorrelación espacial en QGIS
Con la misma capa de información, podemos establecer si una capa alberga algún tipo de patrón de distribución o no. Es decir, si los puntos se distribuyen espacialmente de forma aleatoria, de forma regular o de forma agrupada sobre el territorio.
Para realizar el análisis de patrón de distribución puntual, ejecutamos la herramienta “Análisis de vecinos más próximos”.

El resultado de esta herramienta es un documento HTML que podremos abrir desde el panel de resultados.

Este documento, podremos abrirlo con el bloc de notas o con cualquier navegador web y obtendremos la siguiente información:

Estos valores estadísticos nos informan acerca de la distribución que subyace en nuestra capa de información. Como se ha comentado, el algoritmo analiza las distancias entre todos los puntos de capa respecto a sus vecinos próximos para determinar que distribución adquiere.
En este caso vemos que la distancia observada (5.08) es inferior a la distancia esperada (28.30), es decir, la que correspondería bajo un patrón aleatorio. Por otro lado, observando el índice de vecinos más próximos, cuyo valor es de 0.17, podemos decir que los puntos se encuentran más próximos los unos a los otros de lo esperado. Para analizar este índice, es bueno establecer lo siguiente:
- Patrón aleatorio: Valores próximos a 1. Los puntos no tienen ninguna estructura definida.
- Patrón clusterizado: Valores próximos a 0. La densidad de los puntos es elevada en ciertas zonas presentando agrupaciones en su entorno.
- Patrón regular: Valores próximos a 2. La densidad de los puntos es constante y se encuentran alejados entre sí.
Si nos centramos en el valor Z-Score, este valor se compara con la distribución normal y nos permite ver como se distribuyen los datos. Un Z-Score bajo indica que es poco probable que los datos sean resultado de un proceso espacialmente aleatorio, mientras que si este valor es alto significa que es probable que sus datos sean resultado de un proceso espacialmente aleatorio. En este caso, vemos que nuestro valor es de -335.9
Ante este resultado podemos confirmar de que se trata de una distribución clusterizada.
Análisis de patrones Clúster y hotspots con QGIS:
Este es otro tipo de análisis de patrones espaciales, en este caso patrones clúster mediante los índices:
- Gi* de Getis-Ord Locan
- Indice I de Moran Local.
- Local Moran Bivariate
Este tipo de análisis ya lo vimos de forma más detallada en el siguiente post: Análisis de Hotspots y clústeres en QGIS-3 con Hotspot analysis.
Si quieres aprender más sobre geoestadística con QGIS, puede que te interese nuestro Curso de Geoestadística Descriptiva e Interpolación espacial en QGIS. Pincha en el enlace para más información.
¿Quieres comentarnos algo? Adelante!