A menudo, resulta difícil visualizar bien las capas con un gran número de entidades. Estas capas de alta densidad suelen contener entidades próximas entre sí o superpuestas, lo que dificulta o impide distinguirlas o ver patrones espaciales. Aunque el avance de la tecnología permite la visualización de un número cada vez mayor de entidades, tener la capacidad de dibujar todas las entidades no implica necesariamente que deba hacerlo. Lo contrario suele ser cierto: las entidades adicionales pueden dar lugar a un mapa más confuso. Visualizar eficazmente los datos de alta densidad es diferente a mostrar todas las entidades.
La densidad de entidades es relativa a la escala del mapa. Por ejemplo, un conjunto de puntos puede ser denso a pequeña escala (zoom alejado) pero aparecer disperso a gran escala (zoom acercado). A la hora de determinar la mejor manera de representar los datos densos, primero hay que entender los niveles de escala a los que los usuarios suelen verlos. Por ejemplo, al ver las colisiones de tráfico centradas en la intersección más concurrida de una ciudad, puede ver varios puntos agrupados alrededor de la intersección. Sin embargo, al alejar el zoom hasta una escala menor, todos los puntos se fusionan visualmente, ocultando la agrupación que se pretendía mostrar. Visualizar todos los accidentes del país como un gran número de puntos en el mapa muestra que las colisiones se producen, pero no ofrece ninguna perspectiva sobre cómo, por qué o dónde se producen.
Visor de mapas ofrece diversos métodos para extraer el significado de la distribución de entidades en datasets de alta densidad a varias escalas. En ocasiones, lo único que se necesita es un efecto visual, como un mapa de calor o clustering. En muchos casos, los patrones visuales revelados en estos métodos llevan a plantear mejores preguntas a los datos, que a su vez requieren una agregación por áreas para obtener respuestas.
Las siguientes secciones describen varios métodos para visualizar datos de alta densidad en Visor de mapas, junto con las mejores prácticas para aplicarlos.
Clustering
Las capas con numerosas entidades de puntos pueden ser engañosas. Lo que en apariencia son solo unos pocos puntos pueden ser, en realidad, varios miles. Resulta difícil obtener una visión realista de los datos cuando numerosos puntos están muy juntos, se superponen o se apilan unos encima de otros en el mapa.
El clustering ofrece una solución rápida a este problema. Cuando se aplica el clustering a una capa de puntos, las entidades de puntos que se encuentran a una determinada distancia entre sí en el mapa se agrupan en un solo símbolo. Normalmente, los clústeres se representan mediante símbolos de tamaño proporcional basados en el número de entidades de cada clúster. Los símbolos de clúster más pequeños tienen menos puntos, mientras que los símbolos de clúster más grandes tienen más puntos. Es posible ajustar el número de entidades de punto que se agrupan en clústeres definiendo el radio de clúster.
El clustering se aplica dinámicamente a varias escalas, lo que significa que, al alejarse, se agregan más puntos a un número menor de grupos, mientras que, al acercarse, se crean más grupos de clústeres.
Se recomiendan las siguientes mejores prácticas para aplicar clustering a una capa:
- Comience aplicando la configuración de clúster predeterminada a la capa A continuación, experimente con cualquiera de las configuraciones de clúster, incluido el cambio de radio de clúster, el tamaño del símbolo y el estilo de los símbolos del clúster.
- Configure etiquetas que muestren el recuento de clústeres o, si se ha aplicado estilo a la capa utilizando un atributo, utilice este atributo para la etiqueta del clúster. Por ejemplo, si la capa muestra parcelas por su valor por pie cuadrado, puede configurar la etiqueta del clúster para mostrar el valor medio por pie cuadrado de todos los puntos de cada clúster.
- Para personalizar aún más las etiquetas de los clústeres, utilice las clases de etiquetas. Por ejemplo, puede etiquetar cada clúster en función de dos atributos, como la magnitud media del terremoto y el recuento de terremotos, utilizando un estilo de etiqueta diferente para cada atributo.
- Mantenga el elemento emergente de clúster predeterminado o configure un elemento emergente personalizado para mostrar la información que desea destacar sobre cada clúster. Considere el uso de una expresión de ArcGIS Arcade para mostrar los resultados de los cálculos y otra información sobre los datos. Por ejemplo, si la capa de mapa muestra datos de colisiones de tráfico, puede crear una expresión para mostrar el número de víctimas mortales representadas en cada grupo y si ese número ha aumentado o disminuido desde el periodo de informe anterior.
Mapas de calor
Al igual que el clustering, la transparencia y la eclosión, los mapas de calor pueden utilizarse para visualizar un gran número de entidades de puntos superpuestas. Los mapas de calor muestran entidades de puntos como una superficie de ráster, destacando las áreas con una mayor densidad relativa de puntos a lo largo de una rampa de color continua. Además de mostrar la densidad de entidades en función de su ubicación, los mapas de calor también ofrecen una forma eficaz de ponderar la densidad de puntos en función de un valor numérico en los datos de la capa.
Se recomiendan las siguientes buenas prácticas para aplicar un mapa de calor a una capa:
- Evite los mapas de calor si solo tiene unas cuantas entidades de puntos; en su lugar, represente los propios puntos.
- Al aplicar un mapa de calor, elija una rampa de color adecuada para los datos y ajuste el control deslizante para cambiar la forma en que se aplican los colores a la superficie de densidad. También puede ajustar el área de influencia para que los clústeres de densidad sean más grandes y suaves o más pequeños y diferenciados.
- En función de la historia o el mensaje que quiera transmitir, considere la posibilidad de seleccionar un valor de datos numéricos en la capa para incluirlo en el cálculo de la densidad del mapa de calor. Esto puede revelar un patrón diferente a la densidad calculada utilizando únicamente la ubicación.
- Los mapas de calor son visualmente apropiados solo a unos pocos niveles de escala. Al alejar el zoom, el mapa de calor aparece más caliente; al acercarlo, aparece más frío. Para garantizar que el mapa de calor siga siendo significativo a medida que se acerca y se aleja, defina el rango visible en la capa para mostrar el mapa de calor solo en los niveles de zoom que transmiten adecuadamente su mensaje.
Transparencia
Cuando se visualizan capas con numerosas entidades superpuestas, se puede cambiar la transparencia de las entidades individuales para visualizar mejor su densidad. Si el mapa tiene varias capas, también puede aplicar transparencia a cada una de ellas para cambiar la visibilidad de las capas entre sí. La transparencia es especialmente eficaz cuando se visualizan polígonos y polilíneas que se apilan unos sobre otros, ya que otros métodos, como el clustering y los mapas de calor, solo están disponibles para las capas de entidades de puntos
Por ejemplo, puede utilizar la transparencia para mostrar las áreas que experimentaron advertencias de riadas durante un periodo de 10 años. La aplicación de transparencia a los polígonos superpuestos en función del número de advertencias experimentadas en la zona permite distinguir las áreas que experimentaron un elevado número de advertencias (áreas más oscuras y opacas) en comparación con las áreas que tuvieron menos advertencias de riadas (áreas más claras y transparentes).
Se recomiendan las siguientes mejores prácticas para aplicar transparencia a entidades en una capa:
- Un valor de transparencia entre el 90 por ciento y el 99 por ciento funciona mejor para visualizar la mayoría de los datos de alta densidad.
- Puede resaltar una capa específica en un mapa con varias capas haciéndola 100 por ciento opaca (sin transparencia) y agregando transparencia a las otras capas.
- Si el mapa tiene varias capas que representan diferentes tipos de entidades, considere la posibilidad de utilizar transparencia con modos de combinación para mostrar la densidad de los diferentes tipos de entidades en el mapa. Por ejemplo, puede visualizar áreas con una alta densidad de inundaciones comparadas con áreas con una alta densidad de tornados aplicando estilos a cada capa con un color diferente y el mismo nivel de transparencia y aplicando el modo de combinación Promedio a la capa superior.
Eclosión
Eclosión es un efecto que aclara las entidades en una capa, dándoles la apariencia de estar brillando, con franjas de luz que se extienden desde los bordes de las áreas brillantes. El efecto Eclosión es más brillante e intenso en las áreas en las que se superponen muchos entidades, de manera que es un método eficaz para visualizar datos densos.
Puede personalizar la magnitud, o intensidad, del efecto eclosión, el radio del desenfoque que bordea las entidades y el umbral que define el brillo que debe tener un color para que se aplique la eclosión. El efecto eclosión se utiliza habitualmente para visualizar incendios, erupciones volcánicas y otros datos.
Se recomiendan las siguientes buenas prácticas para aplicar un efecto eclosión a entidades en una capa:
- Utilizar un mapa base oscuro.
- La eficacia del efecto eclosión puede variar en función de la escala del mapa, la densidad de los datos y los colores utilizados en el estilo de la capa. Los parámetros que funcionan bien para una capa pueden no ser adecuados para otras capas. Experimente con los parámetros de intensidad, radio y umbral para conseguir el efecto que desea.
- A una escala global con muchos puntos, utilice un tamaño de símbolo pequeño y un radio pequeño: aproximadamente 0,1 píxeles. Para capturar más colores con el efecto eclosión, pruebe con un umbral más bajo, por ejemplo, el 15 por ciento.
- Puede aplicar el efecto eclosión a las líneas para mostrar la densidad de las líneas superpuestas, por ejemplo, carreteras. Las líneas gruesas y superpuestas aparecen más brillantes que las líneas finas que no se superponen.
Agregación
La agregación permite resumir, o agregar, grandes datasets con numerosas entidades en capas con menos entidades. Esto suele hacerse resumiendo los puntos en polígonos en los que cada polígono muestra el número de puntos que contiene.
A diferencia del clustering, que es un tipo de agregación del cliente que se recalcula a medida que se amplía y reduce la imagen, el método de agregación descrito en esta sección se produce en el servidor y representa los datos como entidades agregadas estáticas en una única resolución.
La agregación es preferible al clustering en las siguientes circunstancias:
- El dataset de puntos es demasiado grande para clúster del cliente. Algunos datasets de puntos son tan grandes que no pueden cargarse razonablemente en el navegador y visualizarse con un buen rendimiento. La agregación de puntos en una capa de polígono permite representar los datos de una manera eficaz. Los datos pueden resumirse dentro de límites de polígonos regulares, como bins hexagonales o cuadrados. Utilícelo cuando quiera mostrar con mayor precisión la densidad de puntos en el espacio.
- Los datos pueden resumirse dentro de límites de polígonos regulares, como límites de polígono irregulares. Es posible que tenga que resumir los datos de puntos en límites poligonales significativos y predefinidos, como condados, distritos electorales, distritos escolares o distritos policiales. Clustering se administra en el espacio de la pantalla sin tener en cuenta las fronteras geopolíticas. Existen escenarios en los que resulta necesario resumir por polígonos irregulares predefinidos para los responsables políticos cuya influencia está dentro de esos límites, pero que pueden tener curiosidad por los límites vecinos.
Para agregar puntos en ArcGIS Enterprise, seleccione la capa de puntos que desea agregar y una capa de polígonos utilizada para calcular estadísticas de resumen. Esto una capa de entidades. De forma predeterminada, el recuento de puntos que intersecan cada polígono se incluye en la tabla de salida. Puede seleccionar campos en la capa de puntos para resumirlos con varias estadísticas, como el promedio de un campo numérico o el valor predominante de un campo de cadena de caracteres. También puede agrupar las estadísticas numéricas por los valores de un campo de cadena de caracteres.
Rango de escala visible
También puede agrupar las estadísticas numéricas por los valores de un campo de cadena de caracteres. Por ejemplo, la visualización de distritos censales a escala de mapa global carece de sentido porque los tramos suelen representar vecindarios y comunidades pequeñas. Numerosos polígonos a esa escala aparecerían más pequeños que un píxel, lo que aporta poco valor a los usuarios de los mapas.
La definición de un rango de escala visible le permite especificar una escala en la que las entidades pueden mostrarse de forma significativa. También ayuda a reducir la descarga inicial de datos en el navegador.
La definición de un rango de escala visible implica definir una escala mínima y una escala máxima para la capa. La escala mínima define lo máximo que se puede alejar para ver la capa, y la escala máxima define lo máximo que se puede acercar para ver la capa. También puede establecer solo una escala mínima y no una máxima. La definición de la escala mínima es lo que más contribuye a reducir el tamaño de la descarga de datos.
Más información sobre cómo definir un rango de escala visible