Mapa de coropletas

Tipo de visualización de datos para regiones geográficas

Un mapa coroplético que visualiza la fracción de australianos que se identificaron como anglicanos en el censo de 2011. Los distritos seleccionados son áreas de gobierno local , la variable es espacialmente intensiva (una proporción) que no está clasificada y se utiliza un esquema de color secuencial parcialmente espectral.

Un mapa coroplético (del griego antiguo χῶρος ( khôros )  'área, región' y πλῆθος ( plêthos )  'multitud') es un tipo de mapa temático estadístico que utiliza pseudocolor , es decir, un color que corresponde a un resumen agregado de una característica geográfica dentro de unidades de enumeración espacial, como la densidad de población o el ingreso per cápita . ^{[1] [2] [3]}

Los mapas coropléticos proporcionan una manera sencilla de visualizar cómo varía una variable en un área geográfica o muestran el nivel de variabilidad dentro de una región. Un mapa de calor o un mapa isarítmico es similar, pero utiliza regiones dibujadas de acuerdo con el patrón de la variable, en lugar de las áreas geográficas a priori de los mapas coropléticos. El mapa coroplético es probablemente el tipo más común de mapa temático porque los datos estadísticos publicados (del gobierno u otras fuentes) generalmente se agregan en unidades geográficas bien conocidas, como países, estados, provincias y condados, y por lo tanto son relativamente fáciles de crear utilizando SIG , hojas de cálculo u otras herramientas de software.

Historia

Mapa de la alfabetización en Francia de Dupin de 1826

El mapa coroplético más antiguo conocido fue creado en 1826 por el barón Pierre Charles Dupin , que representaba la disponibilidad de educación básica en Francia por departamento . ^[4] Pronto se produjeron más " cartes teintées " ("mapas coloreados") en Francia para visualizar otras "estadísticas morales" sobre educación, enfermedades, delincuencia y condiciones de vida. ^{[5] : 158} Los mapas coropléticos ganaron popularidad rápidamente en varios países debido a la creciente disponibilidad de datos demográficos compilados a partir de censos nacionales, comenzando con una serie de mapas coropléticos publicados en los informes oficiales del censo de Irlanda de 1841. ^[6] Cuando la cromolitografía se hizo ampliamente disponible después de 1850, se agregó cada vez más color a los mapas coropléticos. ^{[5] : 193}

El término "mapa coroplético" fue introducido en 1938 por el geógrafo John Kirtland Wright , y era de uso común entre los cartógrafos en la década de 1940. ^{[7] [8]} También en 1938, Glenn Trewartha los reintrodujo como "mapas de proporciones", pero este término no sobrevivió. ^[9]

Estructura

Un mapa coroplético reúne dos conjuntos de datos: datos espaciales que representan una partición del espacio geográfico en distritos distintos y datos estadísticos que representan una variable agregada dentro de cada distrito. Hay dos modelos conceptuales comunes de cómo estos interactúan en un mapa coroplético: en una vista, que puede denominarse "distrito dominante", los distritos (a menudo unidades gubernamentales existentes) son el foco, en el que se recopilan una variedad de atributos, incluida la variable que se está mapeando. En la otra vista, que puede denominarse "variable dominante", el foco está en la variable como un fenómeno geográfico (por ejemplo, la población latina), con una distribución en el mundo real, y la partición de la misma en distritos es simplemente una técnica de medición conveniente. ^[10]

Geometría: distritos de agregación

En este mapa coroplético, los distritos son países, la variable es espacialmente intensiva (una asignación media) con una clasificación de progresión geométrica modificada y se utiliza un esquema de color espectral divergente.

En un mapa coroplético, los distritos suelen ser entidades definidas previamente, como unidades gubernamentales o administrativas (p. ej., condados, provincias, países) o distritos creados específicamente para la agregación estadística (p. ej., áreas censales ), y, por lo tanto, no tienen ninguna expectativa de correlación con la geografía de la variable. Es decir, los límites de los distritos coloreados pueden coincidir o no con la ubicación de los cambios en la distribución geográfica que se está estudiando. Esto está en contraste directo con los mapas corocromáticos e isarítmicos , en los que los límites de las regiones se definen por patrones en la distribución geográfica del fenómeno en cuestión.

El uso de regiones de agregación predefinidas tiene varias ventajas, entre ellas: una compilación y un mapeo más sencillos de la variable (especialmente en la era de los SIG e Internet con sus múltiples fuentes de datos), la posibilidad de reconocer los distritos y la aplicabilidad de la información para realizar investigaciones y elaborar políticas más a fondo vinculadas a los distritos individuales. Un buen ejemplo de esto serían las elecciones, en las que el total de votos de cada distrito determina su representante electo.

Sin embargo, esto puede generar una serie de problemas, generalmente debido al hecho de que el color constante aplicado a cada distrito de agregación hace que parezca homogéneo, enmascarando un grado desconocido de variación de la variable dentro del distrito. Por ejemplo, una ciudad puede incluir vecindarios de ingresos familiares bajos, moderados y altos, pero estar coloreada con un color "moderado" constante. Por lo tanto, los patrones espaciales del mundo real pueden no ajustarse a la unidad regional simbolizada. ^[11] Debido a esto, problemas como la falacia ecológica y el problema de la unidad de área modificable (MAUP) pueden conducir a importantes interpretaciones erróneas de los datos representados, y otras técnicas son preferibles si se pueden obtener los datos necesarios. ^{[12] [13] [14]}

Estos problemas se pueden mitigar en cierta medida utilizando distritos más pequeños, ya que muestran variaciones más sutiles en la variable mapeada, y su menor tamaño visual y mayor número reducen la probabilidad de que el usuario del mapa haga juicios sobre la variación dentro de un solo distrito. Sin embargo, pueden hacer que el mapa sea demasiado complejo, especialmente si no hay un patrón geográfico significativo en la variable (es decir, el mapa parece colores dispersos al azar). Aunque representar datos específicos en regiones grandes puede ser engañoso, las formas familiares de los distritos pueden hacer que el mapa sea más claro y más fácil de interpretar y recordar. ^[15] La elección de las regiones dependerá en última instancia de la audiencia y el propósito del mapa. Alternativamente, a veces se puede emplear la técnica dasimétrica para refinar los límites de la región para que coincidan más estrechamente con los cambios reales en el fenómeno en cuestión.

Debido a estos problemas, para muchas variables, se puede preferir un mapa isarítmico (para una variable cuantitativa) o corocromático (para una variable cualitativa), en el que los límites de las regiones se basan en los propios datos. Sin embargo, en muchos casos, dicha información detallada simplemente no está disponible y el mapa coroplético es la única opción viable.

Propiedad: resúmenes estadísticos agregados

Un mapa coroplético en el que los distritos son condados de EE. UU., la variable es espacialmente intensiva (una proporción) con una clasificación cuantil y utiliza un esquema de color secuencial de un solo tono.

La variable que se va a representar en el mapa puede provenir de una amplia variedad de disciplinas del mundo humano o natural, aunque los temas humanos (por ejemplo, demografía, economía, agricultura) son generalmente más comunes debido al papel de las unidades gubernamentales en la actividad humana, lo que a menudo conduce a la recopilación original de los datos estadísticos. La variable también puede estar en cualquiera de los niveles de medición de Stevens : nominal, ordinal, de intervalo o de razón, aunque las variables cuantitativas (de intervalo/razón) se utilizan con más frecuencia en los mapas coropléticos que las variables cualitativas (nominales/ordinales). Es importante señalar que el nivel de medición del dato individual puede ser diferente de la estadística de resumen agregada. Por ejemplo, un censo puede preguntar a cada individuo por su "idioma hablado principal" (nominal), pero esto puede resumirse sobre todos los individuos de un condado como "porcentaje de hablantes primarios de español" (razón) o como "idioma primario predominante" (nominal).

En términos generales, un mapa coroplético puede representar dos tipos de variables, una distinción común a la física y la química , así como a la geoestadística y el análisis espacial :

• Una variable espacialmente extensiva (a veces llamada propiedad global ) es aquella que puede aplicarse solo a todo el distrito, comúnmente en forma de recuentos totales o cantidades de un fenómeno (similar a la masa o el peso en física). Se dice que las variables extensivas son acumulativas en el espacio; por ejemplo, si la población del Reino Unido es de 65 millones, no es posible que las poblaciones de Inglaterra, Gales, Escocia e Irlanda del Norte también puedan ser de 65 millones. En cambio, sus poblaciones totales deben sumarse (acumularse) para calcular la población total de la entidad colectiva. Sin embargo, si bien es posible mapear una variable extensiva en un mapa coroplético, esto se desaconseja casi universalmente porque los patrones se pueden malinterpretar fácilmente. Por ejemplo, si un mapa coroplético asignara un tono particular de rojo a poblaciones totales entre 60 y 70 millones, una situación en la que el Reino Unido (como un solo distrito) tiene 65 millones de habitantes sería indistinguible de una situación en la que los cuatro países constituyentes tuvieran cada uno 65 millones de habitantes, a pesar de que se trata de realidades geográficas muy diferentes. Otra fuente de error de interpretación es que si un distrito grande y un distrito pequeño tienen el mismo valor (y por lo tanto el mismo color), el más grande naturalmente parecerá más. ^[16] Otros tipos de mapas temáticos , especialmente los símbolos proporcionales y los cartogramas , están diseñados para representar variables extensivas y generalmente son los preferidos. ^{[1] : 131}
• Una variable espacialmente intensiva , también conocida como campo , superficie estadística o variable localizada , representa una propiedad que podría medirse en cualquier ubicación (un punto o un área pequeña, dependiendo de su naturaleza) en el espacio, independientemente de cualquier límite, aunque su variación sobre un distrito puede resumirse como un valor único. Las variables intensivas comunes incluyen densidades, proporciones, tasas de cambio, asignaciones medias (por ejemplo, PIB per cápita) y estadísticas descriptivas (por ejemplo, media, mediana, desviación estándar). Se dice que las variables intensivas son distributivas en el espacio; por ejemplo, si la densidad de población del Reino Unido es de 250 personas por kilómetro cuadrado, entonces sería razonable estimar (en ausencia de cualquier otro dato) que la densidad más probable (si no realmente correcta) de cada uno de los cinco países constituyentes también es 250/km ² . Tradicionalmente en cartografía, el modelo conceptual predominante para este tipo de fenómeno ha sido la superficie estadística , en la que la variable se imagina como una "altura" de tercera dimensión sobre el espacio bidimensional que varía continuamente. ^[17] En la ciencia de la información geográfica , la conceptualización más común es el campo , adoptado de la Física y generalmente modelado como una función escalar de la ubicación. Los mapas coropléticos se adaptan mejor a las variables intensivas que a las extensivas; si un usuario de mapas ve el Reino Unido lleno de un color para "100-200 personas por km cuadrado", estimar que Gales e Inglaterra pueden tener cada uno 100-200 personas por km cuadrado puede no ser preciso, pero es posible y una estimación razonable.

Normalización

Normalización: el mapa de la izquierda utiliza la población total para determinar el color. Esto hace que los polígonos más grandes parezcan más urbanizados que las áreas urbanas densas más pequeñas de Boston , Massachusetts. El mapa de la derecha utiliza la densidad de población. Un mapa correctamente normalizado mostrará variables independientes del tamaño de los polígonos.

La normalización es la técnica de derivar una variable espacialmente intensiva a partir de una o más variables espacialmente extensivas, de modo que pueda usarse apropiadamente en un mapa coroplético. ^[3] Es similar, pero no idéntica, a la técnica de normalización o estandarización en estadística. Por lo general, se logra calculando la relación entre dos variables espacialmente extensivas. ^{[12] : 252} Aunque cualquier relación de este tipo dará como resultado una variable intensiva, solo unas pocas son especialmente significativas y se usan comúnmente en mapas coropléticos:

• Densidad = total/superficie. Ejemplo: densidad de población
• Proporción = total del subgrupo / total general. Ejemplo: hogares ricos como porcentaje de todos los hogares.
• Asignación media = cantidad total / número total de personas. Ejemplo: producto interno bruto per cápita (PIB total / población total)
• Tasa de cambio = total en un momento posterior / total en un momento anterior. Ejemplo: tasa de crecimiento anual de la población.

No son equivalentes ni uno es mejor que otro. Más bien, cuentan diferentes aspectos de una narrativa geográfica. Por ejemplo, un mapa coroplético de la densidad de población de la población latina en Texas visualiza una narrativa sobre la agrupación y distribución espacial de ese grupo, mientras que un mapa del porcentaje de latinos visualiza una narrativa de composición y predominio. Si no se emplea la normalización adecuada, se obtendrá un mapa inapropiado y potencialmente engañoso en casi todos los casos. ^{[16] [18] [19]} Este es uno de los errores más comunes en cartografía; un estudio descubrió que, en un momento dado, más de la mitad de los tableros de control de COVID-19 de los Estados Unidos alojados por los gobiernos estatales no empleaban la normalización en sus mapas coropléticos. ^[19] Este es uno de los muchos problemas que contribuyeron a la infodemia en torno a la pandemia de COVID-19 y "también podría ser un facilitador sutil de la polarización política extrema en torno a las medidas para combatir el COVID que se ha producido en los Estados Unidos". ^{[18] [20]}

Clasificación

Este mapa de las elecciones presidenciales de Estados Unidos de 2004 a 2016 utiliza distritos de condado, una variable espacialmente intensiva (diferencia de proporción) que no está clasificada y una progresión de color espectral divergente. Nótese la leyenda de gradiente continuo que refleja la falta de clasificación.

Cada mapa coroplético tiene una estrategia para asignar valores a colores. Un mapa coroplético clasificado separa el rango de valores en clases, y a todos los distritos de cada clase se les asigna el mismo color. Un mapa no clasificado (a veces llamado n-class ) asigna directamente un color proporcional al valor de cada distrito. A partir del mapa de Dupin de 1826, los mapas coropléticos clasificados han sido mucho más comunes. ^[2] Es probable que esto se debiera originalmente a la mayor simplicidad de aplicar un conjunto limitado de tintes; solo en la era de la cartografía computarizada han sido factibles los mapas coropléticos no clasificados y, hasta hace poco, todavía no eran fáciles de crear en la mayoría del software de mapeo. ^{[21] [2] [22] [23]} Waldo R. Tobler , al presentar formalmente el esquema no clasificado en 1973, afirmó que era una representación más precisa de los datos originales y declaró que el argumento principal a favor de la clasificación, que es más legible, necesitaba ser probado. ^[2] El debate y los experimentos que siguieron llegaron a la conclusión general de que la principal ventaja de los mapas coropléticos no clasificados, además de la afirmación de Tobler sobre la precisión bruta, era que permitían a los lectores ver variaciones sutiles en la variable, sin llevarlos a creer que los distritos que caían en la misma clase tenían valores idénticos. Por lo tanto, pueden ver mejor los patrones generales en el fenómeno geográfico, pero no los valores específicos. ^{[1] : 109  [24] [25]} El principal argumento a favor de los mapas coropléticos clasificados es que son más fáciles de procesar para los lectores, debido al menor número de tonos distintos para reconocer, lo que reduce la carga cognitiva y les permite hacer coincidir con precisión los colores en el mapa con los valores enumerados en la leyenda. ^{[2] [22] [23]}

La clasificación se realiza estableciendo una regla de clasificación , una serie de umbrales que dividen el rango cuantitativo de valores de las variables en una serie de clases ordenadas. Por ejemplo, si un conjunto de datos de ingresos medios anuales por condado de EE. UU. incluye valores entre 20 000 y 150 000 dólares estadounidenses, podría dividirse en tres clases en los umbrales de 45 000 y 83 000 dólares. Para evitar confusiones, cualquier regla de clasificación debe ser mutuamente excluyente y colectivamente exhaustiva , lo que significa que cualquier valor posible cae en exactamente una clase. Por ejemplo, si una regla establece un umbral en el valor 6,5, debe quedar claro si un distrito con un valor de exactamente 6,5 se clasificará en la clase baja o alta (es decir, si la definición de la clase baja es <6,5 o ≤6,5 y si la clase alta es >6,5 o ≥6,5). Se han desarrollado diversos tipos de reglas de clasificación para mapas coropléticos: ^{[26] [1] : 87}

• Las reglas exógenas importan umbrales sin tener en cuenta los patrones en los datos disponibles.
  • Las reglas establecidas son aquellas que ya se utilizan comúnmente debido a investigaciones científicas anteriores o a políticas oficiales. Un ejemplo sería el uso de tramos impositivos gubernamentales o un umbral de pobreza estándar para clasificar los niveles de ingresos.
  • Las estrategias ad hoc o de sentido común son básicamente inventadas por el cartógrafo utilizando umbrales que tienen algún sentido intuitivo. Un ejemplo sería clasificar los ingresos según lo que el cartógrafo considera "rico", "clase media" y "pobre". Estas estrategias generalmente no se recomiendan a menos que todos los demás métodos no sean viables.
• Las reglas endógenas se basan en patrones en el propio conjunto de datos.
  • Las reglas de rupturas naturales buscan agrupaciones naturales en los datos, en las que una gran cantidad de distritos tienen valores similares con grandes brechas entre ellos. Si este es el caso, dichas agrupaciones probablemente sean geográficamente significativas.
    • La optimización de rupturas naturales de Jenks , desarrollada por George F. Jenks , es un algoritmo heurístico para identificar automáticamente dichos clústeres si existen; es esencialmente una forma unidimensional del algoritmo de agrupamiento k-means . ^[27] Si no existen clústeres naturales, las rupturas que genera a menudo se reconocen como un buen compromiso entre los otros métodos, y es comúnmente el clasificador predeterminado utilizado en el software SIG.
  • Los intervalos iguales o una progresión aritmética dividen el rango de valores de modo que cada clase tenga un rango de valores igual: ( máximo - mínimo )/ n . Por ejemplo, el rango de ingresos anterior ($20,000 - $150,000) se dividiría en cuatro clases: $52,500, $85,000 y $117,500.
    • Una regla de desviación estándar también genera rangos iguales de valores, pero en lugar de comenzar con los valores mínimo y máximo, comienza en la media aritmética de los datos y establece una ruptura en cada múltiplo de un número constante de desviaciones estándar por encima y por debajo de la media.
  • Los cuantiles dividen el conjunto de datos de modo que cada clase tenga un número igual de distritos. Por ejemplo, si los 3141 condados de los Estados Unidos se dividieran en cuatro clases de cuartiles (es decir, cuartiles ), entonces la primera clase incluiría los 785 condados más pobres y luego los 785 siguientes. Es posible que sea necesario realizar ajustes cuando el número de distritos no se divide de manera uniforme o cuando valores idénticos se encuentran en el umbral.
  • Una regla de progresión geométrica divide el rango de valores de modo que la proporción de los umbrales sea constante (en lugar de su intervalo como en una progresión aritmética). Por ejemplo, el rango de ingresos anterior se dividiría utilizando una proporción de 2 con umbrales en $40,000 y $80,000. Este tipo de regla se utiliza comúnmente cuando la distribución de frecuencia de los datos tiene una desviación positiva muy alta , especialmente si es geométrica o exponencial .
  • Una regla de medias anidadas o de rupturas de cabeza y cola es un algoritmo que divide recursivamente el conjunto de datos estableciendo un umbral en la media aritmética , luego subdividiendo cada una de las dos clases creadas en sus respectivas medias, y así sucesivamente. Por lo tanto, el número de clases no es arbitrario, sino que debe ser una potencia de dos (2, 4, 8, etc.). Se ha sugerido que esto también funciona bien para distribuciones muy sesgadas .

Debido a que los umbrales calculados a menudo pueden tener valores precisos que no son fácilmente interpretables por los lectores de mapas (por ejemplo, $74,326.9734), es común crear una regla de clasificación modificada redondeando los valores de umbral a un número simple similar. Un ejemplo común es una progresión geométrica modificada que subdivide potencias de diez, como [1, 2.5, 5, 10, 25, 50, 100, ...] o [1, 3, 10, 30, 100, ...].

Progresión de color

Progresión cualitativa del color

Progresión en escala de grises

Progresión de un solo tono

Progresión espectral parcial

Progresión de color bipolar

Progresión de color de espectro completo

El elemento final de un mapa coroplético es el conjunto de colores utilizados para representar los diferentes valores de la variable. Hay una variedad de enfoques diferentes para esta tarea, pero el principio principal es que cualquier orden en la variable (por ejemplo, valores cuantitativos bajos a altos) debe reflejarse en el orden percibido de los colores (por ejemplo, claro a oscuro), ya que esto permitirá a los lectores de mapas hacer juicios de "más vs. menos" intuitivamente y ver tendencias y patrones con una referencia mínima a la leyenda. ^{[1] : 114} Una segunda directriz general, al menos para mapas clasificados, es que los colores deben ser fácilmente distinguibles, de modo que los colores del mapa se puedan hacer coincidir inequívocamente con los de la leyenda para determinar los valores representados. Este requisito limita el número de clases que se pueden incluir; para los tonos de gris, las pruebas han demostrado que cuando se utiliza solo el valor (por ejemplo, claro a oscuro, ya sea gris o cualquier tono único ), es difícil utilizar prácticamente más de siete clases. ^{[19] [28]} Si se incorporan diferencias en el tono y/o la saturación, ese límite aumenta significativamente hasta 10-12 clases. La necesidad de discriminación de colores se ve afectada aún más por las deficiencias en la visión del color ; por ejemplo, los esquemas de color que utilizan rojo y verde para distinguir valores no serán útiles para una parte significativa de la población . ^[29]

Los tipos más comunes de progresiones de color utilizados en mapas coropléticos (y otros mapas temáticos) incluyen: ^{[30] [31]}

• Una progresión secuencial representa valores variables como valor de color.
  • Una progresión en escala de grises utiliza solo tonos de gris.
  • Una progresión de un solo tono se desvanece desde un tono oscuro del color elegido (o gris) hasta un tono muy claro o blanco de relativamente el mismo tono. Este es un método común utilizado para representar gráficamente la magnitud. El tono más oscuro representa el número más grande en el conjunto de datos y el tono más claro representa el número más pequeño.
  • Una progresión espectral parcial utiliza una gama limitada de tonos para agregar más contraste al contraste de valores, lo que permite utilizar una mayor cantidad de clases. El amarillo se utiliza comúnmente para el extremo más claro de la progresión debido a su aparente luminosidad natural. Los rangos de tonos comunes son amarillo-verde-azul y amarillo-naranja-rojo.
• Una progresión divergente o bipolar consiste esencialmente en dos progresiones de color secuenciales (de los tipos anteriores) unidas con un color claro común o blanco. Normalmente se utilizan para representar valores positivos y negativos o divergencias con respecto a una tendencia central, como la media de la variable que se está representando. Por ejemplo, una progresión típica al representar las temperaturas es de azul oscuro (para el frío) a rojo oscuro (para el calor) con blanco en el medio. Estas se utilizan a menudo cuando se dan juicios de valor a los dos extremos, como mostrar el extremo "bueno" como verde y el extremo "malo" como rojo. ^[32]
• Una progresión espectral utiliza una amplia gama de tonos (posiblemente toda la rueda de colores) sin diferencias intencionadas en los valores. Esto se utiliza con más frecuencia cuando hay un orden de valores, pero no es un orden de "más vs. menos", como la estacionalidad. Los no cartógrafos lo utilizan con frecuencia en situaciones en las que otras progresiones de color serían mucho más efectivas. ^{[33] [34]}
• Una progresión cualitativa utiliza un conjunto disperso de matices sin un orden particular y sin una diferencia de valor intencionada. Esto se utiliza más comúnmente con categorías nominales en un mapa coroplético cualitativo, como "religión más predominante".

Mapas coropléticos bivariados

Mapa coroplético bivariado que compara las poblaciones negra (azul) e hispana (rojo) en los Estados Unidos, censo de 2010; los tonos de púrpura muestran proporciones significativas de ambos grupos.

Es posible representar dos (y a veces tres) variables simultáneamente en un solo mapa coroplético al representar cada una con una progresión de un solo tono y combinar los colores de cada distrito. Esta técnica fue publicada por primera vez por la Oficina del Censo de los EE. UU. en la década de 1970 y se ha utilizado muchas veces desde entonces, con distintos grados de éxito. ^[35] Esta técnica se utiliza generalmente para visualizar la correlación y el contraste entre dos variables que se supone que están estrechamente relacionadas, como el logro educativo y los ingresos. Generalmente se utilizan colores contrastantes pero no complementarios, de modo que su combinación se reconoce intuitivamente como "entre" los dos colores originales, como rojo + azul = violeta. La técnica funciona mejor cuando la geografía de la variable tiene un alto grado de autocorrelación espacial , de modo que hay grandes regiones de colores similares con cambios graduales entre ellos; de lo contrario, el mapa puede parecer una mezcla confusa de colores aleatorios. ^{[12] : 331} Se ha descubierto que se utilizan más fácilmente si el mapa incluye una leyenda cuidadosamente diseñada y una explicación de la técnica. ^[36]

Leyenda

Un mapa coroplético utiliza símbolos ad hoc para representar la variable mapeada. Si bien la estrategia general puede ser intuitiva si se elige una progresión de colores que refleje el orden adecuado, los lectores de mapas no pueden descifrar el valor real de cada distrito sin una leyenda. Una leyenda coroplética típica para un mapa coroplético clasificado incluye una serie de parches de muestra del símbolo para cada clase, con una descripción de texto del rango de valores correspondiente. En un mapa coroplético no clasificado, es común que la leyenda muestre un gradiente de color suave entre los valores mínimo y máximo, con dos o más puntos a lo largo de ella etiquetados con los valores correspondientes. ^{[1] : 111}

Un enfoque alternativo es la leyenda del histograma , que incluye un histograma que muestra la distribución de frecuencia de la variable mapeada (es decir, el número de distritos en cada clase). Cada clase puede estar representada por una sola barra con su ancho determinado por sus valores de umbral mínimo y máximo y su altura calculada de manera que el área del cuadro sea proporcional al número de distritos incluidos, luego coloreada con el símbolo de mapa utilizado para esa clase. Alternativamente, el histograma puede dividirse en una gran cantidad de barras, de modo que cada clase incluya una o más barras, simbolizadas de acuerdo con su símbolo en el mapa. ^[37] Esta forma de leyenda muestra no solo los valores de umbral para cada clase, sino que brinda cierto contexto para la fuente de esos valores, especialmente para las reglas de clasificación endógenas que se basan en la distribución de frecuencia, como los cuantiles. Sin embargo, actualmente no son compatibles con el software de SIG y mapeo, y generalmente deben construirse manualmente.

Véase también

• Portal de geografía

• Cartogramas , que a menudo se colorean como coropletas.
• Mapa corocromático
• Mapa dasimétrico
• Mapa de distribución de puntos
• Mapa de calor
• MacChoro
• Michael Peterson (geógrafo)
• Colorear mapas
• Mapa de símbolos proporcionales

Referencias

1. Dent, Borden D.; Torguson, Jeffrey S.; Hodler, Thomas W. (2009). Cartografía: diseño de mapas temáticos (6.ª ed.). McGraw-Hill.
2. Tobler, Waldo (1973). "¿Mapas coropléticos sin intervalos de clase?". Análisis geográfico . 5 (3): 262–265. Código Bibliográfico :1973GeoAn...5..262T. doi : 10.1111/j.1538-4632.1973.tb01012.x .
3. Adams, Aaron; Chen, Xiang; Li, Weidong; Zhang, Chuanrong (2020). "La pandemia disfrazada: la importancia de la normalización de datos en el mapeo web de COVID-19". Salud pública . 183 : 36–37. doi :10.1016/j.puhe.2020.04.034. PMC 7203028 . PMID  32416476. 
4. Dupin, Charles (1826). Carta figurativa de la instrucción popular de la Francia. Bruselas: sn
5. Robinson, Arthur H. (1982). Los primeros mapas temáticos en la historia de la cartografía . University of Chicago Press.
6. Irlanda (1843). Informe de los comisionados designados para realizar el censo de Irlanda para el año 1841. Dublín: HM Stationery Office. pág. lv.
7. John Kirtland Wright (1938). "Problemas en el mapeo de población" en Notas sobre mapeo estadístico, con especial referencia al mapeo de fenómenos poblacionales, pág. 12.
8. Raisz, Erwin (1948). Cartografía general (2.ª ed.). McGraw-Hill. pág. 249.
9. Trewartha, Glenn T. (enero de 1938). "Mapas de proporciones de las granjas y cultivos de China". Geographical Review . 28 (1): 102–111. Bibcode :1938GeoRv..28..102T. doi :10.2307/210569. JSTOR  210569.
10. Chrisman, Nicholas (2002). Exploración de sistemas de información geográfica (2.ª ed.). Wiley. pág. 65. ISBN 0-471-31425-0.
11. Jenks, George F.; Caspall, Fred C. (junio de 1971). "Error en mapas coropléticos: definición, medición, reducción". Anales de la Asociación de Geógrafos Estadounidenses . 61 (2): 217–244. doi :10.1111/j.1467-8306.1971.tb00779.x. ISSN  0004-5608.
12. T. Slocum, R. McMaster, F. Kessler, H. Howard (2009). Cartografía temática y geovisualización, tercera edición, página 252. Upper Saddle River, NJ: Pearson Prentice Hall.
13. Openshaw, Stan (1983). El problema de la unidad de área modificable (PDF) . ISBN 0-86094-134-5.
14. Chen, Xiang; Ye, Xinyue; Widener, Michael J.; Delmelle, Eric; Kwan, Mei-Po; Shannon, Jerry; Racine, Racine F.; Adams, Aaron; Liang, Lu; Peng, Jia (27 de diciembre de 2022). "Una revisión sistemática del problema de la unidad de área modificable (MAUP) en la investigación ambiental de alimentos comunitarios". Informática urbana . 1 (1): 22. Bibcode :2022UrbIn...1...22C. doi : 10.1007/s44212-022-00021-1 .
15. Rittschof, Kent (1998). "Aprendizaje y recuerdo a partir de mapas temáticos de regiones familiares". Investigación y desarrollo de tecnología educativa . 46 : 19–38. doi :10.1007/BF02299827. S2CID  : 145086925.
16. Mark Monmonier (1991). Cómo mentir con mapas . Págs. 22-23. University of Chicago Press.
17. Jenks, George F. (1963). "Generalización en la cartografía estadística". Anales de la Asociación de Geógrafos Estadounidenses . 53 (1): 15. doi :10.1111/j.1467-8306.1963.tb00429.x.
18. Mooney, Peter (julio de 2020). "Mapping COVID-19: How web-based maps contribute to the infodemic" (Mapeando COVID-19: cómo los mapas basados ​​en la web contribuyen a la infodemia). Diálogos en geografía humana . 10 (2): 265–270. doi : 10.1177/2043820620934926 .
19. Adams, Aaron M.; Chen, Xiang; Li, Weidong; Chuanrong, Zhang (27 de julio de 2023). "Normalizar la pandemia: exploración de las cuestiones cartográficas en los paneles de control de COVID-19 de los gobiernos estatales". Journal of Maps . 19 (5): 1–9. Bibcode :2023JMaps..19Q...1A. doi : 10.1080/17445647.2023.2235385 .
20. Engel, Claudia; Rodden, Jonathan; Tabellini, Marco (18 de marzo de 2022). "Políticas para influir en las percepciones sobre el riesgo de COVID-19: el caso de los mapas". Science Advances . 8 (11): eabm5106. Bibcode :2022SciA....8M5106E. doi :10.1126/sciadv.abm5106. PMC 8932671 . PMID  35302842. 
21. Kelly, Brett (2017). "Revisión del mapeo de coropletas no clasificadas". Perspectivas cartográficas (86): 30. doi : 10.14714/CP86.1424 .
22. Dobson, Michael W. (octubre de 1973). "¿Mapas coropléticos sin intervalos de clase? Un comentario". Análisis geográfico . 5 (4): 358–360. Código Bibliográfico :1973GeoAn...5..358D. doi : 10.1111/j.1538-4632.1973.tb00498.x .
23. Dobson, Michael W.; Peterson, Michael P. (1980). "Mapas coropléticos no clasificados: un comentario, una respuesta". El cartógrafo americano . 7 (1): 78–81. doi :10.1559/152304080784522928.
24. Peterson, Michael P. (1979). "Una evaluación del mapeo de coropletas de líneas cruzadas sin clasificar". El cartógrafo americano . 6 (1): 21–37. doi :10.1559/152304079784022736.
25. Muller, Jean-Claude (junio de 1979). "Percepción de mapas sombreados de forma continua". Anales de la Asociación de Geógrafos Americanos . 69 (2): 240. doi :10.1111/j.1467-8306.1979.tb01254.x.
26. Kraak, Menno-Jan; Ormeling, Ferjan (2003). Cartografía: visualización de datos espaciales (2.ª ed.). Prentice Hall. pp. 116–121. ISBN 978-0-13-088890-7.
27. Jenks, George F. 1967. "El concepto de modelo de datos en la cartografía estadística", Anuario Internacional de Cartografía 7: 186–190.
28. Monmonier, Mark (1977). Mapas, distorsión y significado . Asociación de Geógrafos Estadounidenses.
29. Olson, Judy M.; Brewer, Cynthia (1997). "Una evaluación de las selecciones de color para adaptarse a los usuarios de mapas con discapacidades de visión del color". Anales de la Asociación de Geógrafos Estadounidenses . 87 (1): 103–134. doi :10.1111/0004-5608.00043.
30. Robinson, AH, Morrison, JL, Muehrke, PC, Kimmerling, AJ y Guptill, SC (1995) Elementos de cartografía. (6.ª edición), Nueva York: Wiley.
31. Brewer, Cynthia A. "Pautas para el uso del color en la cartografía y la visualización". En MacEachren, Alan M.; Taylor, DRF (eds.). Visualización en la cartografía moderna . Pergamon. págs. 123–147.
32. Patricia Cohen (9 de agosto de 2011). "Lo que los mapas digitales pueden decirnos sobre el estilo de vida americano". New York Times .
33. Light; et al. (2004). "¿El fin del arco iris? Esquemas de color para mejorar los gráficos de datos" (PDF) . Eos . 85 (40): 385–91. Bibcode :2004EOSTr..85..385L. doi : 10.1029/2004EO400002 .
34. Stauffer, Reto. "Somewhere over the Rainbow". HCL Wizard . Consultado el 14 de agosto de 2019 .
35. Meyer, Morton A.; Broome, Frederick R.; Schweitzer, Richard H. Jr. (1975). "Cartografía estadística en color realizada por la Oficina del Censo de los Estados Unidos". El cartógrafo americano . 2 (2): 101–117. doi :10.1559/152304075784313250.
36. Olson, Judy M. (1981). "Mapas de dos variables codificados espectralmente". Anales de la Asociación de Geógrafos Estadounidenses . 71 (2): 259–276. doi :10.1111/j.1467-8306.1981.tb01352.x.
37. Kumar, Naresh (2004). "Leyenda del histograma de frecuencia en el mapa coroplético: un sustituto de las leyendas tradicionales". Cartografía y ciencia de la información geográfica . 31 (4): 217–236. Código Bibliográfico :2004CGISc..31..217K. doi :10.1559/1523040042742411. S2CID  119795925.

Lectura adicional

• Dent, Borden; Torguson, Jeffrey; Hodler, Thomas (21 de agosto de 2008). Cartografía Diseño de mapas temáticos . McGraw-Hill. ISBN 978-0-072-94382-5.

Enlaces externos

• ColorBrewer: consejos sobre colores para cartografía
• Un generador de mapas coropléticos para EE. UU.