Creación de capas ráster

Una buena parte de los análisis geográficos se realizan sobre capas en formato
ráster. Estas, por sus propias características, se prestan mejor a cierto tipo de
análisis, y la implementación de estos resulta más sencilla, por lo que lo
habitual es encontrarlos implementados para ser empleados con capas ráster.
La información de la que disponemos no siempre se encuentra en este
formato, pero ello no significa necesariamente que no podamos utilizarla. A
partir de información en otros formatos podemos generar capas ráster (este
proceso lo denominaremos rasterización) que reúnan las características para
ser analizadas mediante dichos algoritmos. El problema es en todos los casos
la creación de una estructura regular a partir de información que no es regular,
tal como la contenida en un TIN, una capa de polígonos, una de líneas, o una
capa de valores puntuales.

Interpolación

Un método de interpolación permite el calculo de valores en puntos no

muestreados, a partir de los valores recogidos en otra serie de puntos.
Según los puntos considerados para el cálculo de valores. Algunos
métodos consideran que todos los puntos de los que disponemos tienen
influencia sobre el valor a calcular en una celda. Estos modelos se conocen
como globales. En otros, denominados locales, solo se considera un conjunto
restringido de estos. Este conjunto puede establecerse por medio de un umbral
de distancia (todos los situados a una distancia menor que el umbral), de
conteo (los nn puntos más cercanos), o bien ambos.
 según su valor en los puntos de partida. En algunos métodos,
denominados exactos, los valores asignados a las coordenadas
correspondientes a los puntos de origen son exactamente los recogidos en
dichos puntos. En los métodos aproximados, el valor en esas celdas es el que
corresponde al mejor ajuste, y no ha de coincidir necesariamente con el valor
original.

 Según la inclusión o no de elementos probabilísticos. Diferenciamos

entre métodos estocásticos (aquellos que emplean elementos probabilísticos) y
métodos determinísticos(aquellos que no los emplean).
Por vecindad

El método más sencillo de interpolación es el de vecindad o vecino más

cercano. En él se asigna directamente a cada celda el valor del punto más
cercano. No existe formulación matemática que emplee las distancias entre
puntos o los valores de estos, sino que el valor resultante es sencillamente el
del punto más próximo.
Se trata, por tanto, de un método local, exacto y determinístico

Métodos basados en ponderación por distancia

Los métodos basados en ponderación por distancia son algoritmos de

interpolación de tipo local, aproximados y determinísticos. El valor en una
coordenada dada se calcula mediante una media ponderada de los puntos de
influencia seleccionados (bien sea la selección por distancia o por número de
estos)

Los métodos basados en ponderación por distancia solo tienen en cuenta el

alejamiento, pero no la posición. Es decir, un punto situado a una
distancia dd hacia el Norte tiene la misma influencia que uno situado a esa
misma distancia dd pero hacia el Oeste.

Ajuste de funciones. Superficies de tendencia

El ajuste de funciones es un método de interpolación determinístico o

estocástico (según el tipo de función a ajustar), aproximado y global. Puede
aplicarse de forma local, aunque esto resulta menos habitual. Dado el conjunto
completo de los puntos de partida, se estima una superficie definida por una
función de la forma
zˆ=f(x,y)(10)(10)z^=f(x,y)

El ajuste de la función se realiza por mínimos cuadrados.

Curvas adaptativas (Splines)

Las curvas adaptativas o splines conforman una familia de métodos de

interpolación exactos, determinísticos y locales. Desde un punto de vista físico
 pueden asemejarse a situar una superficie elástica sobre el área a interpolar,
fijando esta sobre los puntos conocidos. Crean así superficies suaves, cuyas
características pueden regularse modificando el tipo de curva empleada o los
parámetros de esta, de la misma forma que sucedería si se variasen las
cualidades de esa membrana ficticia.
La superficie creada cumple la condición de minimizar con carácter global
alguna propiedad tal como la curvatura.

Kriging

El kriging es un método de interpolación estocástico, exacto, aplicable tanto de

forma global como local. Se trata de un método complejo con una fuerte carga
(geo--)estadística, del que existen además diversas variantes.
El kriging se basa en la teoría de variables regionalizadas, la cual fue
desarrollada por [Matheron1963EcoGeo] a partir del trabajo pionero de
[Krige1951MsC]. El objetivo del método es ofrecer una forma objetiva de
establecer la ponderación óptima entre los puntos en un interpolador local. Tal
interpolación óptima debe cumplir los siguientes requisitos, que son cubiertos
por el kriging:
 El error de predicción debe ser mínimo.

 Los puntos cercanos deben tener pesos mayores que los lejanos.

 La presencia de un punto cercano en una dirección dada debe restar influencia

(enmascarar) a puntos en la misma dirección pero más lejanos.

 Puntos muy cercanos con valores muy similares deben «agruparse», de tal
forma que no aparezca sesgo por sobremuestreo.

 La estimación del error debe hacerse en función de la estructura de los puntos,

no de los valores.

Muestreo de datos para interpolación

Muchas veces, la información de la que disponemos la obtenemos de una

fuente ajena y no queda más remedio que emplearla tal y como la recibimos.
Tal es el caso de una curvas de nivel digitalizadas de un mapa clásico (no
podemos disponer de más curvas porque no existen en el mapa original), o de
 unos datos de observatorios meteorológicos (no podemos densificar esa red y
disponer de datos medidos en otros puntos).
En otras ocasiones, sin embargo, los datos pueden no haber sido tomados aún
y debe plantearse un esquema para ello. Es decir, que ese conjunto finito de
puntos a partir de los cuales obtener una superficie interpolada puede ser
creado a voluntad, siempre que nos mantengamos dentro del marco de
limitaciones (temporales, monetarias, etc.) existentes. El diseño del muestreo
de forma eficiente ayuda de forma directa a obtener mejores resultados al
interpolar los datos recogidos. Este diseño de muestreo puede realizarse no
solo para obtener un conjunto de datos base, sino para enriquecer uno ya
existente, ampliándolo con nuevos puntos.
El objetivo de un muestreo espacial es poder inferir nueva información acerca
de una población en la que sus distintos elementos están georreferenciados, a
partir de un subconjunto de dicha población. La razón de llevar a cabo el
muestreo es la imposibilidad de analizar todos los miembros de la población,
ya que estos pueden ser muy numerosos (como en el caso de todos los
habitantes de un país) o infinitos (como sucede para variables continuas tales
como elevaciones o temperaturas).

Elección del método adecuado

Junto a los métodos de interpolación que hemos visto, que son los más
comunes y los implementados habitualmente, existen otros muchos que
aparecen en determinados SIG tales como los de vecino
natural [Sibson1981Wiley], interpolación picnofiláctica [Tobler1979JASA], u
otros. Además de esto, cada uno de dichos métodos presenta a su vez diversas
variantes, con lo cual el conjunto global de metodologías es realmente
extenso. A partir de un juego de datos distribuidos irregularmente, la creación
de una malla ráster regular es, pues, una tarea compleja que requiere para
empezar la elección de un método concreto. Este proceso de elección no es en
absoluto sencillo.

 Las características de la variable a interpolar. En función del significado

de la variable, las características de un método pueden ser adecuadas o no. Si,
 por ejemplo, interpolamos valores de precipitación máxima anual, no es
adecuado utilizar aquellos métodos que suavicen excesivamente la superficie
resultante, ya que se estarían perdiendo los valores extremos que, por la
naturaleza del valor interpolado, son de gran interés.

 Las características de la superficie a interpolar. Si conocemos a priori

algunas características adicionales de la superficie resultante, algunos métodos
permiten la incorporación de estas características. Por ejemplo, variaciones
bruscas en puntos de discontinuidad tales como acantilados en el caso de
interpolar elevaciones, son aplicables mediante la imposición de barreras con
métodos como el de distancia inversa, pero no con otros como el kriging.

 La calidad de los datos de partida. Cuando los datos de partida son de gran
precisión, los métodos exactos pueden tener más interés, de cara a preservar
la información original. Si, por el contrario, sabemos que los datos de partida
contienen mucho ruido, aquellos métodos que suavizan el resultado tal como el
kriging son preferibles, de cara a atenuar el efecto de dicho ruido.

 El rendimiento de los algoritmos. Algunos algoritmos como los basados en

distancia son rápidos y requieren un tiempo de proceso aceptable incluso en
conjuntos de datos de gran tamaño. Otros, como el kriging, son mucho más
complejos y el tiempo de proceso es elevado. A esto hay que sumar la
configuración propia del método, con lo que crear una capa ráster con algunos
métodos puede llevar mucho más tiempo que con otros y requerir un esfuerzo
mayor.

 El conocimiento de los métodos. Por obvio que parezca, debe conocerse

bien el significado del método para poder aplicarlo. Un método de gran
complejidad como el kriging exige una solida base de conceptos
geoestadísticos para su aplicación. Más aún, el elevado número de ajustes que
requiere y la alta sensibilidad del método a la variación de estos valores
refuerza lo anterior.

El uso de la capa resultante. No es lo mismo utilizar un MDE para crear una

vista 3D con una fotografía aérea, que emplearlo para crear una ortofoto. Los
requerimientos de calidad en el primer caso son menores, tan solo de tipo
visual, y cualquiera de los métodos puede sernos válido. Aplicar una
metodología compleja y laboriosa como el kriging quizás no sea la mejor
opción en este caso, y sí lo sea el empleo de una ponderación por distancia.

Elección de las características de la capa resultante

Los métodos que hemos visto en este capítulo no imponen restricciones sobre
la distribución o el número puntos de entrada (si bien el kriging, por ejemplo,
exige un cierto número de puntos para un ajuste fiable del variograma
teórico), ni tampoco sobre las características de la capa ráster resultante. No
obstante, resulta claro que existe una relación directa entre ambas, y que la
capacidad de un conjunto de valores puntuales para generar una capa ráster
es limitada.

En la práctica, a partir de cualquier capa de puntos podemos obtener cualquier

capa ráster, ya que pueden siempre calcularse los valores en las celdas. Si
aplicamos algunos conceptos cartográficos e ideas básicas de teoría de la
información, esto es, no obstante, incorrecto, existiendo unas características
idóneas para la capa ráster interpolada, fuera de las cuales no es adecuado
interpolar.

Comprobación del ajuste. Validación

Algunos métodos como el kriging dan una estimación del error además de la
capa de valores interpolados.
n los métodos exactos, por propia definición, este valor es cero, lo cual no
quiere decir, lógicamente, que la capa interpolada sea «perfecta» (lo es, pero
solo en los puntos de partida), ni que no pueda llevarse a cabo una validación.

Densidad

Además de los métodos de interpolación, hay otro tipo de operaciones que

pueden realizarse sobre capas de puntos, y que dan como resultado capas
ráster.
 Álgebra de mapas

Se entiende por álgebra de mapas el conjunto de técnicas y procedimientos

que, operando sobre una o varias capas en formato ráster, nos permite
obtener información derivada, generalmente en forma de nuevas capas de
datos. Aunque nada impide que este proceso se lleve a cabo sobre capas
vectoriales, se entiende que el álgebra de mapas hace referencia al análisis
desarrollado sobre capas ráster, pues estas, por su estructura regular y sus
características inherentes, son mucho más adecuadas para plantear los
algoritmos y formulaciones correspondientes. Los procedimientos que se
aplican sobre información geográfica en formato vectorial son por regla general
clasificados dentro de otros bloques de conocimiento, como es por ejemplo el
caso de las operaciones geométricas sobre datos vectoriales (incluidos dentro
de la geometría computacional)

Tipos de funciones en el álgebra de mapas

Las funciones son el elemento principal del álgebra de mapas. Cuatro son los
tipos principales de funciones que podemos definir, agrupadas según la forma
en que toman la información necesaria para su cálculo de entre la contenida en
todas las celdas de las capas de origen.
 Local. El valor en cada celda de la capa resultante es función únicamente de
los valores en esa misma celda en las capas de partida.

 Focal. El valor en cada celda de la capa resultante es función del valor en

dicha celda y en las situadas en un entorno definido alrededor de la misma.

 Zonal o regional. El valor en cada celda de la capa resultante es función del

valor de todas las celdas conectadas a esta que presentan un mismo valor para
una de las capas de entrada (pertenecen a la misma clase que esta).

 Global. El valor resultante de la función es obtenido a partir de todas las

celdas de la capa
 Funciones locales

Las funciones locales asignan valores a una celda en base a los valores que esa
misma celda presenta para cada una de las capas de entrada, operando con
estos de una forma u otra. Es decir, el valor resultante para una localización
dada es función exclusivamente de lo que se encuentra en dicha localización,
no dependiendo en modo alguno de otras localizaciones (otras celdas)
Cuando las funciones locales se aplican a varias capas, la forma de combinar
estas es muy variable. Junto a las operaciones que ya hemos visto, podemos
utilizar algunas otras, y de modos igualmente variados. El conjunto de ellas lo
dividimos en los siguientes grupos:
 Operadores aritméticos. Para formar expresiones con las distintas capas
tales como la ecuación USLE que ya conocemos.

 Operadores lógicos. Pueden tomarse los valores de las capas como valores
booleanos (1 o 0, verdadero o falso), o aplicar expresiones lógicas de
tipo pertenece al conjunto u operadores de comparación, entre otros.

 Parámetros estadísticos. Por ejemplo, el valor mayor de entre las todas las
capas. También pueden recogerse otros como el orden del valor de una capa
dentro de la serie ordenada de valores en todas las capas, el código de la capa
donde aparece ese valor mayor, o el numero de capas con valores iguales a
uno dado.

Funciones focales

Las funciones de análisis focal operan sobre una sola capa de datos, asignando
a cada celda un valor que deriva de su valor en la capa de partida, así como de
los valores de las situadas en un entorno inmediato de esta. La función focal
queda así definida por las dimensiones y forma del entorno a considerar, así
como por la función a aplicar sobre los valores recogidos en este.
Con los valores de las celdas contenidas en la ventana de análisis pueden
realizarse operaciones muy diversas, entre las que cabe citar las siguientes:
 Cálculo de descriptores estadísticos. Los más habituales son la media, la
mediana, los valores extremos o el rango de valores. Para el caso de valores
 discretos, son comunes parámetros como el número de clases (número de
celdas con distinto valor) dentro de la ventana de análisis.

 Combinaciones lineales. De acuerdo con expresiones de la siguiente forma:

y=∑ni=1ziki∑ni=1ki ; ki∈R

 Operaciones matemáticas de forma general. No necesariamente

combinaciones lineales, aplican operadores más complejos a los valores de la
ventana.

 Clasificaciones. En función de la configuración de los valores dentro de la

ventana clasifican la celda en una serie de posibles grupos, de acuerdo con
unas reglas definidas. El resultado es una capa de información discreta, frente
a las anteriores que producen capas continuas.

Funciones zonales o regionales

Las funciones de análisis zonal asocian a cada celda valores relativos no a

dicha celda ni a un entorno fijo de esta, sino a la clase a la que dicha celda
pertenece .Se necesita, por tanto, una capa de apoyo que contenga la
pertenencia de cada celda a una u otra clase, ya que la utilización de una celda
en el análisis no se establece por posición, como en los casos anteriores, sino
por valor. Esta capa es de tipo discreto y representa una selección del territorio
en un número definido de clases.

Funciones globales

Las funciones globales son aquellas que utilizan la totalidad de valores de la

capa para la obtención del resultado. Por su forma de operar, no generan
exclusivamente nuevas capas como las anteriores funciones, sino tanto valores
concretos como objetos geográficos de diversa índole.

Las variables del álgebra de mapas y su preparación

Las variables que manejamos en el álgebra de mapas son, como hemos visto
en los ejemplos precedentes, capas en formato ráster y valores escalares que
podemos combinar con los anteriores. Para algunas de las funciones resulta
necesaria únicamente una capa, mientras que para otras son necesarias
varias.

Formalización y extensión del álgebra de mapas

Aunque en la práctica los conceptos definidos por Tomlin son la base para la
implementación genérica de algoritmos, diversos autores han intentado
extender estos conceptos y formalizarlos de una forma más general. Aunque
tratar estos sistemas escapa al alcance de este texto, resulta de interés
mencionar algunas de las propuestas.

Creación de capas vectoriales

La conversión de datos espaciales desde el modelo vectorial al modelo ráster

nos servía para obtener un dato espacial mucho más adecuado para el análisis.
Para variables continuas tales como la elevación, los datos vectoriales resultan
más difíciles de analizar, por lo que el tipo de conversión que vimos era un
paso previo para poder acceder a toda la potencia de análisis de un SIG.
Otras operaciones, sin embargo, tales como convertir una capa ráster en una
capa vectorial no de puntos sino de isolíneas, sí que requieren algo más de
explicación. Más aún, resulta importante mostrar al lector que esos procesos
existen y son parte de los procesos que un SIG nos ofrece, para que pueda
incorporarlas a su batería de herramientas.

Vectorización de entidades

La vectorización de entidades tiene como base una capa ráster con una
variable de tipo nominal u ordinal, en la cual se reflejan distintas categorías. El
objetivo es expresar mediante entidades vectoriales los conjuntos de celdas de
una misma categoría.
La necesidad de efectuar este tipo de operaciones va a aparecer en gran parte
de las ocasiones que encontremos en nuestro trabajo una capa ráster de este
tipo, pues ya sabemos que esta información resulta más adecuado en la
mayoría de casos almacenar su información según el modelo de datos
vectorial.
Capas tales pueden surgir en el trabajo con SIG en diversos momentos, pues
muchas operaciones de análisis sobre capas ráster van a generar este tipo de
resultados. La conversión de dichos resultados al modelo de datos vectorial va
 a permitir darles un uso distinto y combinar ambos modelos de representación,
usando cada cual cuando más convenga

Vectorización de líneas

Volviendo a los algoritmos sobre capas discretas donde las entidades a definir
están claramente definidas, comencemos con los de vectorización de líneas.
Estos son similares en cierta medida a los de polígonos que veremos más
adelante, aunque entrañan en principio algo menos de dificultad técnica.
En líneas generales, y teniendo en cuenta los condicionantes anteriores, la
vectorización de curvas de nivel a partir de mapas topográficos se lleva a cabo
siguiendo una cadena de procesos que comporta los siguientes pasos.
 Escaneado del mapa original

 Filtrados y mejoras sobre la imagen resultante

 Segmentación

 Operaciones morfológicas

 Conversión ráster--vectorial

Para esta conversión ráster--vectorial, el algoritmo correspondiente debe

seguir un esquema genérico como el siguiente, a aplicar para cada una de las
curvas de nivel.
 Localizar una celda de la curva.

 Analizar las celdas alrededor suyo para localizar la siguiente celda de la curva.

 Desplazarse a esa celda.

 Repetir los pasos anteriores.

Vectorización de polígonos

Muy relacionada con la vectorización de líneas, tenemos como herramienta

habitual dentro de un SIG la vectorización de polígonos. Esta guarda gran
similitud con la anterior, en cuanto que el proceso se basa también,
fundamentalmente, en ir siguiendo una serie de puntos y conectarlos, para
de este modo definir el contorno del polígono.
Isolíneas

Otro resultado vectorial que puede generarse a partir de una capa ráster son
las isolíneas o curvas de nivel. Aunque el caso más habitual es utilizarlas para
representar elevaciones (tal y como aparecen en un mapa topográfico
habitual), se emplean también para otro tipo de variables de tipo continuo
tales como la presión (isobaras), la precipitación(isoyetas) o el
tiempo(isocronas). La forma de obtenerlas a partir de una capa ráster es, no
obstante, la misma en todos los casos.

Creación de TIN

Ya conocemos los TIN como estructuras vectoriales utilizadas para almacenar

una variable continua tal como la elevación, estos están formados por un
conjunto de puntos que, utilizados como vértices de triángulos, dan lugar a
una red de triángulos interconectados que cubren toda la superficie estudiada.
Estos triángulos aparecen en mayor número en las zonas donde la variable
presente una mayor variabilidad (relieve más abrupto) y en menor número
cuando no existe una variabilidad tan acusada (relieve llano).

Selección de puntos

No todas las celdas de la capa ráster son igual de interesantes a efectos de

crear un TIN. Si tomásemos todas las celdas y las utilizáramos como vértices,
el TIN resultante sería sin duda preciso, pero el número de triángulos sería
muy elevado. No estaríamos aprovechando la gran ventaja de los TIN, que no
es otra que su adaptabilidad en función de la variabilidad de cada zona, ya que
no estaríamos teniendo en cuenta esta variabilidad para tomar más o menos
puntos según sea necesario.

Triangulación

Una vez se tiene el conjunto de puntos significativos, es necesario conectar

estos para formar la red de triángulos como tal, existiendo para ello existen
diversas metodologías.
Para una conjunto de puntos VV, una triangulación es una conjunto de
triángulos que cumple las siguientes propiedades
 El conjunto de todos los vértices de esos triángulos es igual a VV
 Cada lado de un triángulo contiene únicamente dos vértices.

 La intersección de dos triángulos cualesquiera es nula

 La unión de todos los triángulos forma la envolvente mínima convexa del

conjunto de puntos.}.}

Simplificación

Además de los métodos anteriores para seleccionar un conjunto reducido de

puntos significativos y los algoritmos para obtener una red de triángulos a
partir de estos, otro procedimiento importante es la simplificación de una red
ya creada.

Operaciones geométricas con datos vectoriales

El análisis de los datos ráster se basa fundamentalmente en el análisis de sus

valores. Esto es debido a que las entidades geográficas asociadas a esos
valores (las celdas), presentan una regularidad estructural propia del formato,
de la cual no se puede derivar nueva información. Más aún, resulta necesario
homogeneizar dicha estructura, lo cual centra la atención del análisis en los
valores recogidos y no en las formas geométricas a los que dichos valores
caracterizan.

Con los datos vectoriales, la situación es diferente. En el caso de datos

vectoriales, las entidades asociadas a cada atributo tienen sus propias
características espaciales y la geometría que definen sirve por sí sola para
llevar a cabo numerosos análisis. Si la unimos a los atributos que esta
geometría lleva asociados, tenemos la posibilidad de realizar un número mayor
de estos análisis.

Zonas de influencia

Una de las transformaciones más importantes con capas vectoriales es la

creación de zonas de influencia, también conocidas como buffers}. Esta
transformación puede llevarse a cabo con entidades de tipo punto, línea o
polígono, y su resultado siempre es una nueva capa de polígonos. Las áreas
cubiertas por estos polígonos reflejan las zonas de influencia de cada entidad,
influencia que se considera la ejerce hasta una distancia dada. Pueden verse
también de forma inversa, como una influencia recibida, de tal modo que todos
 los elementos dentro de la zona de influencia afectan a la entidad que la
genera.

Operaciones de solape

Las operaciones de combinación de capas equivalentes a las expresadas en el

álgebra de mapas mediante funciones locales son las operaciones de solape.
Estas operaciones permiten generar nuevas capas vectoriales a partir del cruce
de dos de ellas, pudiendo dichas capas de origen contener distintos tipos de
entidades, aunque principalmente regiones (polígonos).
Encontramos los siguientes tipos de operaciones de solape:
 Recorte

 Diferencia

 Intersección

 Unión

Recorte

Una de las aplicaciones que veíamos de las funciones locales para capas ráster
era la combinación con objeto de restringir la extensión de una capa de
entrada. Utilizábamos una capa con la información de interés y otra con una
«máscara», la cual indicaba qué celdas resultaba de interés preservar en la
capa resultante.

Diferencia

La diferencia es un operador contrario al recorte. En este último se mantienen

en la capa resultante las geometrías de la capa recortada, pero tan solo
aquellas que entran dentro del área de recorte definida por otra capa adicional
(la capa de recorte). En la diferencia el proceso es semejante, pero en este
caso las zonas que se mantienen son las que no entran dentro de la zona
definida por la capa de recorte.
Intersección

La intersección es equivalente a una operación booleana Y (AND), ya que la

capa resultante mantiene solo aquellas zonas para las que se dispone de
información en ambas capas de entrada. Es decir, aquellas zonas donde hay
entidades en ambas capas. En particular, estas entidades han de ser de tipo
polígono.

Unión

Si la intersección se puede asimilar a un operador lógico Y (AND), la unión es

semejante al operador lógico O (OR). En la capa resultante del proceso
aparecen todas las geometrías de la intersección y, junto a estas, también
aquellas que corresponden a las zonas que aparecen únicamente en una de las
capas de origen. Al cruzar estas capas, y al igual que en el caso de la
intersección, sus geometrías se «trocean», pero en este caso todos esos
«trozos» obtenidos aparecen en la capa resultante, y no solamente algunos de
ellos.

Polígonos espúreos

Las operaciones geométricas de solape cruzan las geometrías de dos capas y

calculan los elementos resultantes de la intersección de estas. Al llevar esto a
cabo, es probable que en ciertos lugares existan líneas de estas capas que
debieran coincidir pero que, debido a imprecisiones en su digitalización o a la
precisión particular de cada capa, no lo hagan exactamente. Es decir, una
misma realidad queda registrada de formas distintas en las diferentes capas de
origen.

Juntar capas

Juntar capas no es una operación geométrica propiamente dicha, ya que

ninguna de las geometrías de las capas de entrada se ve alterada en lo que a
sus coordenadas respecta. Es, no obstante, una operación de combinación, ya
que, al igual que las anteriores, genera una nueva capa de datos espaciales
vectoriales a partir de dos capas de partida. En realidad puede aplicarse sobre
un número nn de capas, aunque por simplicidad suponemos que estas son solo
dos.
 Modificaciones basadas en atributos.

Las tablas de atributos pueden emplearse para definir la forma en que se

realiza una operación geométrica. En lugar de ser elementos pasivos que no se
ven modificados tras la operación, los atributos pueden ser quienes aporten la
información necesaria para establecer la manera de modificar las entidades de
entrada.
Una operación muy frecuente en este sentido es la llamada disolución. Esta
operación recibe este nombre debido a que une polígonos con atributos
comunes y «disuelve» las fronteras existentes entre ellos en una única
entidad. No es necesario que exista una frontera entre los polígonos (es decir,
que sean contiguos) ya que pueden almacenarse en una capa vectorial
entidades compuestas por varios polígonos disjuntos. Tal es el caso, por
ejemplo, de una entidad poligonal que represente a España, que contendrá no
solo el polígono de la península, sino también los de las islas que también
pertenecen al país. Para todos ellos existe un único registro en la tabla de
atributos asociada.

Contornos mínimos

Dado un conjunto de puntos, una de las operaciones geométricas más

comunes que pueden llevarse a cabo es la delimitación de un contorno mínimo
que los englobe. Conocer el espacio ocupado por este contorno puede ser útil
para evaluar diversos parámetros tales como la zona de cobertura del
fenómeno representado por dichos puntos.
Existen diversas formas de contornos mínimos, entre las que cabe destacar.
 Envolvente convexa mínima

 Rectángulo mínimo

 Círculo mínimo

Envolvente convexa mínima (convex hull)

La envolvente convexa mínima (habitualmente citada como convex hull, su

denominación en inglés) es la más común de las envolventes. Define el
polígono convexo de menor área dentro del cual se contienen todos los puntos
del conjunto, y su significado tanto geográfico como geométrico es de gran
utilidad en muchos aspectos.

Círculo mínimo

El significado de este círculo mínimo es variado, ya que tanto el centro como el

radio del mismo se prestan a diversas interpretaciones. Por ejemplo, si
suponemos un terreno plano y una serie de núcleos de población (cada uno de
ellos representado por un punto), y queremos situar una antena para dar
cobertura a la región definida por esos puntos, el centro del círculo mínimo es
una buena opción. Esto es así porque minimiza la distancia a la que se sitúa el
punto más alejado, y por tanto minimizará la fuerza de la señal necesaria para
ofrecer esa cobertura completa. La intensidad de la señal se puede calcular en
función del radio del círculo.

Métodos

Los algoritmos para la generalización de líneas son muy diversos y tienen cada
uno sus propias características de precisión y rendimiento. La forma más
simple de generalización consiste sencillamente en eliminar puntos sin
considerar la relevancia de estos dentro de la línea. Esta eliminación puede
realizarse de forma sistemática (eliminar un punto de cada nn), o bien
aleatoria. La magnitud del proceso de generalización se mide por el número
total de puntos eliminados.