miércoles, 14 de diciembre de 2016

Mapping long-term global surface water occurrence

El siguiente artículo  fue  tomado de la página de la Comisión Europea  European Commission logo eSCIENCE HUB  



Mapping long-term global surface water occurrence

The data show that the impacts of climate on where and when surface water occurs can be measured, and that the presence of surface water can be substantially altered by human activities.The data show that the impacts of climate on where and when surface water occurs can be measured, and that the presence of surface water can be substantially altered by human activities. 
©EU/Google 2016
DEC072016
In an article published in Nature on 7 December 2016, JRC scientists describe how, in collaboration with Google, they have quantified changes in global surface waters and created interactive maps which highlight the changes in the Earth's surface water over the past 32 years.
Based on over three million satellite scenes (1 823 Terabytes of data) collected between 1984 and 2015, the Global Surface Water Explorer was produced using 10 000 computers running in parallel. The individual images were transformed into a set of global maps with a 30-metre resolution, which enable users to scroll back in time to measure the changes in the location and persistence of surface water globally, by region, or for a specific area. The maps are available for all users, free of charge.
Where and when water is found on the planet’s surface is hugely important as it influences the climate system, the movement of species, sustainable development and social, institutional and economic security. While surface water is only a tiny fraction of the Earth’s water resources, it is the most accessible part, and provides wide-ranging ecosystem services.
This long-term history of the water-surface of the planet shows that total global surface water has increased over the past three decades, with over 180 000 km2 of new permanent water bodies forming in some parts of the planet and almost 90 000 km2 of permanent surface water disappearing from other areas. Much of the increase is linked to reservoirs and climate change (e.g. accelerated snow-and-glacier melt in Tibet), and the net loss (more than 70% of which occurred in Kazakhstan, Uzbekistan, Iran, Afghanistan and Iraq) is linked to drought and human activities such as river diversion, damming and unregulated use.
The data show that the impacts of climate on where and when surface water occurs can be measured, and that the presence of surface water can be substantially altered by human activities. It will help to improve modelling scenarios, show where changes are occurring, and inform water-management decision-making. Combining this with other datasets, such as satellite altimetry measurements, could lead to estimates of surface water volumes, river discharge and sea-level rise, that will have additional benefits in helping to understand the impacts of climate change.
Of immediate use in climate science, water resource reporting and monitoring and commitments to multilateral environmental agreements, the authors expect that it will also find many other uses, such as in risk, resilience and recovery linked to water movement, infrastructural planning and yet others that are still to be imagined.
Use of radar and optical satellite imagery from Sentinel-1 and Sentinel-2 of the EU Copernicus Programme will greatly help to improve the detail and accuracy of the information in the Explorer in the future.

miércoles, 16 de noviembre de 2016

Mapa de los idiomas más frecuentemente hablados en casa por los neoyorquinos By Aleks Buczkowski - November 15, 2016


En GEO awesomeness se encuentra el artículo "This map shows languages most frequently spoken at home by New Yorkers"
que inicia con la siguiente introducción:

Nueva York es una de las ciudades más cosmopolitas del mundo, donde se pueden escuchar lenguas de todo el mundo. Jill Hubley, un desarrollador y diseñador web con sede en Brooklyn, decidió mapear esta diversidad y creó un interesante proyecto que muestra los idiomas más frecuentemente hablados en casa por los neoyorquinos.


jueves, 20 de octubre de 2016

ARCPY Y VARIABLES DE ENTORNO.

María Patricia Padilla Mondragón

La ayuda de ArgGIS usada por la autora es la versión 10.3

Teniendo en cuenta lo explicado en la página de desktop.argis.com  en la determinación de environments settings se evidencian los niveles jerárquicos presentados en el siguiente cuadro

                 
                  DETERMINACIÓN DE ENVIRONMENT SETTINGS


Nivel Jerárquico

Efectos en el Geoprocesamiento
Proceso de modelo

Es el mayor nivel jerárquico. Se define en el nivel de proceso de modelo y se guarda con el,  anula la configuración de nivel de modelo

Modelo

Se especifica y se almacena con un modelo. Éste nivel anula las configuraciones inferiores:  de nivel de herramienta y de nivel de aplicación

Herramienta

Se utiliza con una sola ejecución de herramienta cancela la configuración de nivel de aplicación.

Aplicación

Establecida por defecto, al ejecuta cualquier  herramienta se aplica, es anulada por la configuración del nivel inmediatamente superior  de herramienta. Se encuentra en el último nivel jerárquico



Referencia   



lunes, 25 de julio de 2016

Posibles errores al interpretar datos estadísticos. ¿Cómo se pueden minimizar y evitar estos errores?


 María Patricia Padilla Mondragón 

Hay tres clases de mentiras: mentiras, condenadas mentiras y la estadística.
Atribuida a Benjamin Disraeli

Después de conocer el embarazoso error cometido por dos prestigiosos economistas al analizar datos en una conocida hoja de cálculo [1] y que sus conclusiones fueran usadas como argumento para tomar decisiones políticas de austeridad en el gasto en muchos países, se piensa que lo escrito sobre el mal uso de la estadística por parte de medios de comunicación y grupos políticos, por campañas publicitarias en diferentes medios (televisión, internet, periódicos y revistas) también se aplica algunas veces a los mismos investigadores. Aunque en muchos casos se puede deber solamente a ligereza en los juicios, también se da el caso de que la mala interpretación estadística es deliberada. Las principales causas de errores pueden resumirse en las tres categorías siguientes [2]:
  • 1    Datos inadecuados o no representativos.
  • 2.    Visualización incorrecta de los resultados.
  • 3.    Razonamiento inadecuado con base en los resultados.

La primera se refiere a si el tamaño de la muestra es adecuada para la población estudiada, si fue seleccionada aleatoriamente o no, si se han omitido datos que pueden alterar el análisis, si se han tenido en cuenta efectos temporales o espaciales. La segunda se refiere a que una representación gráfica inadecuada de los resultados puede hacer que estos parezcan diferentes de lo que realmente son, por ejemplo cambiar el origen en un diagrama de barras puede hacer parecer más dramáticas las diferencias entre los resultados; por esta razón es necesario que cualquier gráfica estadística indique claramente sus escalas y cómo fue calculada, indicando el conjunto de datos en que está basada. La última categoría hace referencia a algunos problemas que pueden presentarse en la interpretación de los resultados, tales como confundir correlación con causalidad.

Posiblemente el peor error se comete cuando se permite que los procedimientos estadísticos tomen las decisiones por nosotros [3]. Stephen Jay Gould [4] ha señalado cómo una interpretación árida de la estadística puede llevar a conclusiones erróneas, incluso que pueden llevar a poner en riesgo la vida de una persona. Cuando se presenten resultados estadísticos deben indicarse cómo fueron obtenidos, qué tanta confianza se tiene en ellos, si se obtuvieron de una muestra aleatoria o no, si una correlación sugiere una relación causal o es simple coincidencia [5]. En una época en que muchas decisiones se toman con base en la evidencia de estudios científicos, es necesario que todas las personas tengan un mejor conocimiento sobre la estadística y que los resultados publicados hagan públicos los datos obtenidos para que otras personas los puedan verificar y detectar posibles omisiones en su procesamiento o interpretaciones sesgadas o incorrectas.


REFERENCIAS

[1] “The Reinhart-Rogoff error – or how not to Excel at economics.” Disponible en http://theconversation.com/the-reinhart-rogoff-error-or-how-not-to-excel-at-economics-13646
[2] de Smith, M. J. STATSREF: Statistical Analysis Handbook - a web-based statistics resource. The Winchelsea Press, Winchelsea, Reino Unido. 2011. (Disponible en www.statsref.com)
[3] Good, Philip I., J. W. Hardin. Common errors in statistics (and how to avoid them). Wiley-Interscience. 2003.
[4] Gould, Stephen Jay. “The median isn’t the message”. Artículo disponible en http://cancerguide.org/median_not_msg.html

[5] Paulos, John Allen. A mathematician reads the newspaper. Anchor Books, Nueva York. 1996.

domingo, 5 de junio de 2016

Resumen de A spatial analysis of variations in health access: linking geography, socio-economic status and access perceptions, de Comber et al. (2011)

María Patricia Padilla Mondragón


El artículo analiza cómo se puede relacionar la percepción de la accesibilidad al sistema de salud con base en variables como el estado de salud, distancia geográfica a los servicio de salud y poseer o no un auto por parte de los usuarios de dicho sistema. Esto permite tener una idea de las diferentes dimensiones del problema y concluir que cuando se tienen en cuenta distintas variables al mismo tiempo se obtiene una mejor comprensión del acceso a los servicios de salud. El estudio se llevó a cabo mediante una encuesta de actitud enviada por correo a los participantes, la que fue respondida por un poco más del 40% de ellos. El estudio permitió determinar las variaciones regionalizadas (no globales) que relacionan la percepción de la accesibilidad a los servicio de salud con la distancia geográfica, el estado de salud y el hecho de tener auto, lo que permite a quienes planean los servicios de salud incluir diferentes estrategias para diferentes áreas específicas. Los datos de la encuesta se analizaron con un modelo de regresión logística del modelo lineal generalizado (GLM), que permite calcular los coeficientes de respuesta a partir de las variables independientes. La variable dependiente fue la respuesta a la “facilidad de acceso” a los servicios. Las variables independientes, en su orden, fueron si el usuario sufría de alguna enfermedad crónica, estado general de salud, poseer auto y la distancia al servicio de salud más cercano; esta distancia se calculó mediante el análisis de una red basada en un sistema de información geográfico (GIS). El empleo de la regresión ponderada geográficamente (GWR) permite evaluar la potencial existencia de variabilidad en un modelo estadístico, lo que se evidenció en el estudio al encontrar que la percepción de accesibilidad, cuyo predictor primario es la existencia de una enfermedad crónica, también se ve influida por las otras variables incluidas, pero en particular la distancia al centro de salud influye dependiendo del servicio al que se haga referencia (cirugías, sala de urgencias, centro de salud) y era diferente en distintas locaciones.

Comber, A.J., Brunsdon, C., y Radburn, R. (2011) A spatial analysis of variations in health access: linking geography, socio-economic status and access perceptions. International Journal of Health Geographics [en linea]. 25 de julio de 2011[fecha de consulta: 12 de marzo de 2016]. Disponible en: http://ij-healthgeographics.biomedcentral.com/articles/10.1186/1476-072X-10-44



jueves, 12 de mayo de 2016

RED MAPA comparte: ...... "El Niño alcanzará condiciones neutrales a mediados de año"


 La Red de Modelos de  Adaptación y Prevención Agroclimática -    MAPA- del Valle del Cauca comparte la siguiente información:    

Las predicciones de los modelos globales más recientes, sugieren que El Niño alcanzará condiciones neutrales a mediados de año aproximadamente. El pronóstico estacional para el período Abril–Junio 2016 , sugiere mayor probabilidad de lluvia por sobre lo normal en el sudeste de Sudamérica, región central de Chile, Uruguay, Paraguay, norte de Argentina, en la región andina de Ecuador y Colombia, el nororiente de Venezuela y en Centroamérica la vertiente del Caribe y Mayor probabilidad de lluvia bajo lo normal en Centroamérica en la vertiente del Pacífico, gran parte de Venezuela, norte de Colombia; nororiente de Brasil y zona norte de Chile.


Ver mas información