¿Quién es el rey de la fast food en USA según los mapas?

 

Si os pidiésemos que pensaseis en una cadena de comida rápida, ¿cuál es la primera que os vendría a la mente?

Nuestros compañeros de Esri Inc. han elaborado el Story Map Fast Food Nation: Mapping the Top Ten Chains en el que podemos ver cómo se distribuyen las principales cadenas de comida rápida de USA, cuántos restaurantes hay de cada una per capita y cuáles son los que más dinero proporcionan.

 

storymap_fastfood1

 

En este story map podemos observar datos curiosos como, por ejemplo, el de McDonald´s (que es probablemente la cadena que os haya venido a la mente al inicio de este post). La presencia de McDonald´s en el país es proporcionada a su población aunque es notablemente más baja en California. Sin embargo, es en California donde más ingresos genera.

Dunkin Donuts, sin embargo, se concentra en el este del país, especialmente en New York, Massachusetts, y New Jersey. Su presencia en el resto de USA es anecdótica. Tanto es así que es probable que haya más Dunkin Donuts en España que en el resto de Estados Unidos.

El poder del Location Analytics

La ubicación es lo más importante, no solo para una cadena de comida rápida, sino también para cualquier establecimiento. Conocer el perfil sociodemográfico de los habitantes de una zona, la ubicación de la competencia o la distancia que tienen que recorrer tus potenciales clientes hasta llegar a tu establecimiento son cuestiones a analizar antes de abrir una nueva tienda de ropa, un concesionario de coches, una franquicia de comida rápida o cualquier otro establecimiento.

Los GIS son una herramienta esencial en este análisis ya que te permiten conocer el lugar óptimo para abrir un nuevo negocio. Con ArcGIS Online, por ejemplo, podéis hacer un análisis completo utilizando más de 360 variables sociodemográficas y diversos contenidos. Esto se llama Location Analytics y nos permite analizar las razones del dónde.

Más información  

¿Cómo hacer geo apps sin picar ni una línea de código?

Hace tiempo que el DIY (Do It Yourself) llegó a nuestras vidas y decidimos reparar nuestros muebles, hacer nuestra propia ropa… Sin embargo, nadie hacía pensar que el DIY llegaría a todos los ámbitos de nuestra existencia, incluido el desarrollo de Apps.

La filosofía de Esri siempre ha sido hacer llegar nuestra tecnología a todos los usuarios y simplificar la forma en la que trabajamos sin necesidad de reducir su potencial. Por este motivo, desde hace años venimos trabajando para que el desarrollo de apps sea algo que podamos hacer cualquiera de nosotros y eso significa: en 10 minutos y sin necesidad de picar código.

 

p10p3-lg

 

Haz tus propias Apps

En Esri estamos poniendo constantemente decenas de recursos a tu disposición. Uno de ellos es el Esri Apps Builder Site, una página en la que te enseñamos cómo hacer tus propias apps.

En este post te vamos presentar algunas:

  • Story Maps: los Story Maps son nuestras apps más conocidas. Los usuarios pueden elegir entre 9 plantillas y configurarlas en función de sus necesidades. Esto permite desde hacer apps para crowdsourcing, hasta apps de monitorización de redes sociales en tiempo real. Los Story Maps son unas herramientas con un poder de comunicación muy potente, ya que en ellas puedes incluir texto y cualquier recurso audiovisual (imágenes, vídeos, audios, gif…).
  • Apps configurables: te permitirán convertir un simple mapa en una app de forma rápida y sencilla. No necesita código, tan solo necesitarás elegir una de ellas en función de las características de tu proyecto, su funcionalidad y la estética que quieras aplicarle.
  • Web AppBuilder for ArcGIS: con esta aplicación podrás crear apps para agregación de datos, notificación de resultados, etc. De forma fácil e intuitiva se puede seleccionar la temática, el estilo y el diseño, así como incorporar los widgets necesarios. Con Web AppBuilder for ArcGIS tendremos una app completa y con multitud de funcionalidades, una vez más, sin incluir ni una sola línea de código.
  • AppStudio for ArcGIS: esta aplicación es una de nuestras favoritas ya que permite que cualquiera de nosotros convirtamos nuestro mapa en una una app nativa para iOs, Mac OS X, Android, Windows y Linux. Todo esto en 5 minutos y, créenos, sin necesidad de desarrollo.

Dicho esto, solo falta que te pongas a desarrollar tu propia app, que por cierto, podrás consumir automáticamente en cualquier momento, lugar y desde cualquier dispositivo. Y recuerda: en Esri Apps Builder Site encontrarás todas las herramientas.

 

 

¿A qué lugares cantaban The Beatles?

beatles

“There are places I remember all my life…”, escribía John Lennon. Probablemente uno de ellos fuera Durness, al norte de Escocia, donde pasó las vacaciones durante toda su infancia.

Las canciones de The Beatles forman un mapa. No sólo geolocalizaron Liverpool en un planeta musical en el que solo brillaban Woodstock y la costa oeste de Estados Unidos, sino que nos descubrieron lugares hoy reconocidos al primer golpe de vista como Abbey Road e incluso consiguieron que fuésemos capaces de ver lo que ocurre en barrios como Penny Lane.

The Beatles estarán ligados eternamente a esos lugares que hemos visitado miles de veces aun sin haber estado jamás en ellos. Por eso, hoy viernes, queremos regalaros el Story Map Penny Lane/Strawberry fields foreverun viaje a través de los lugares de sus vidas y sus canciones.

abbey_

Esperamos que os guste, lo compartáis y sea una buena forma de seguir con el Friday Morning, cuando at nine o’clock she is far away waiting to keep the appointment she made meeting a man from the Motortrade. 

Por cierto, si os gusta la música y sois festivaleros, os recordamos que tenemos un Story Map de Festivales Musicales en el que mostramos la historia de los festivales, una historia llena de lugares emblemáticos en los que no faltan The Beatles. Además, ¿sabíais que gracias a Paul McCartney contrataron a Jimi Hendrix en el Festival de Monterrey de 1967? Ahí lo contamos.

¿En serio no conocéis Maps We Love?

 

mapswelove3

¿La historia habría sido la misma si no existiesen los mapas? Los mapas han cambiado el rumbo de la historia en varias ocasiones y ahora tenemos la posibilidad de contarla a través de ellos.

Últimamente nos hemos dado cuenta de que muchos de nuestros usuarios desconocen una de nuestras secciones favoritas (a la vez que tradicionales): Maps We Love, un lugar donde se esconden maravillosos story maps que, no solo nos ayudan a conocer la historia, inspirarnos nuevos proyectos y explorar fantásticos lugares; también nos muestra qué hay detrás de esos mapas, cómo se han hecho y por qué nos encantan.

3 cosas que encontraréis en Maps We Love

Maps We Love es una galería en la que podemos encontrar algunos de los mejores story maps que se han hecho con ArcGIS Online. Desde las marchas de Napoleón en 3D hasta lo que ocurre cuando el cielo se oscurece por un tornado. Sin embargo, no es una galería de Story Maps cualquiera porque podemos encontrar tres fantásticas secciones que nos muestran lo especiales que son estos trabajos:

  1. Why We Love It: Podemos ver las razones que han hecho que ese story map en concreto esté dentro de esta sección. Todos los story maps nos gustan, pero no todos nos encantan. En Maps We Love podremos qué motivos han hecho que nos enamoremos de ese trabajo.
  2. Why It Works: También podemos conocer los aspectos técnicos diferenciales que hacen de esos story maps unos proyectos especiales.
  3. Important Steps: Por último, podemos conocer los trucos que contienen cada uno de los story map y que pueden ayudarnos a la hora de hacer un story map de esas características.

Maps We Love es uno de los rincones que todo buen amante de los mapas debe conocer. En ella no solo encontraréis fantásticas creaciones, sino también mapas con una interesante factura técnica, así como trucos que os ayudarán a elaborar los vuestros propios.

Por cierto, si queréis saber cómo hacer uno así paso a paso, aquí os dejamos un tutorial de Map Journal.

 

Story Map colaborativo: Buscamos pueblos bonitos

¿Alguna vez os habéis preguntado dónde están los pueblos más bonitos de España? Si tuviésemos que hacer una selección sería muy complicado, pero existe una asociación que, en función de diversos aspectos como su población, patrimonio arquitectónico o limpieza, elige los pueblos más bonitos.

Hoy es viernes y si todavía no tenéis plan para este fin de semana, os proponemos echarle un vistazo al Story Map PueblosBonitos.esri.es en el que nuestra compañera Marta Pérez, Técnico GIS del Departamento de Preventas y una enamorada de los viajes y el turismo rural, ha recogido cuáles son algunos de los más bonitos.

pueblos_portada

En este Story Map podréis conocer cómo están distribuidos por zonas geográficas. Sin embargo, esto no quiere decir que estos sean los más bonitos ya que estamos seguros que cada uno de nosotros tiene un favorito.

mapa_pueblos

Por eso, dentro de PueblosBonitos.esri.es también hay también un mapa colaborativo para que cada uno vayamos incluyendo un pueblo bonito y con encanto.

Esperamos que os guste y os ayude a elegir vuestras escapadas. ¡Buen fin de semana!

 

Story Map: La vendimia en cifras

 

¿Habéis pensado alguna vez cuál es la capacidad de 1.480 piscinas olímpicas? Nosotros os lo decimos: 37 millones de hectolitros. Ahora bien, ¿sabéis qué producimos en España que responde a esa cantidad?

vino1

 

El vino es el tercer motor económico de España. Cultivamos anualmente casi 1.000 hectáreas de vino y, si tuviésemos que bebernos todo el vino que consumimos, tocaríamos a 800 botellas por cabeza.

Sin embargo, la realidad vitivinícola tiene una repercusión social y económica importantísima para el país y que hemos querido analizar en un Story Map aprovechando que estamos en periodo de vendimia.

vino3

Os invitamos a echarle un vistazo a VinoyMapas.esri.es, un story map en el que encontraréis mapas en 2D y 3D con los datos más importantes sobre el vino y la vendimia, como por ejemplo:

  • Mapa sobre el consumo mundial de vino
  • Mapa sobre las regiones vitivinícolas de España
  • Mapa sobre la exportación de vino español…

 

vino2

 

En este Story Map, además de mapas, también encontraréis muchos datos curiosos sobre la producción del vino e información sobre las tecnología que está liderando la agricultura de precisión, un ámbito en el que el GIS juega un papel clave.

Y como el vino siempre está ligado a los buenos momento, también hemos hecho un mapa colaborativo para que podáis votar vuestra fiesta del vino favorita.

Seguro que, a partir de ahora, veréis con otros ojos la copa de vino que tengáis sobre la mesa.

VinoyMapas.esri.es 

 

Cómo se hizo “Un Cielo Sin Estrellas”

Cada vez vemos menos estrellas y no se debe a que estén desapareciendo (afortunadamente). La contaminación lumínica es la responsable de este fenómeno.

Jaime Nieves, Solution Engineer del área de Tecnología e Innovación de Esri España, astrofísico de formación y, por tanto, un apasionado de la Astronomía, ha elaborado el Story Map Un Cielo sin Estrellas, en el que nos muestra qué 17% de la población mundial puede todavía tumbarse a ver las estrellas. Hoy está en Esriblog para contarnos él mismo cómo lo ha hecho.

mapa_estrellas

El Story Map Un Cielo sin Estrellas habla de la contaminación lumínica, el fenómeno por el cual la luz artificial de nuestras ciudades dificulta la visión del cielo nocturno. Los estudios muestran que el 85% de la población mundial vive en zonas con muy poca visibilidad de las estrellas.

Recuerdo que, siendo niño, a veces paseábamos por el campo cerca de Estepona, en Málaga. Mis abuelos tenían una casa allí, en una zona que por aquel entonces no estaba tan urbanizada como hoy. Allí, cerca del mar, en las noches de verano, la Vía Láctea era perfectamente visible en un cielo cuajado de estrellas. Ahora, desde la ventana de mi casa en Madrid, en un día claro, apenas puedo distinguir una docena de las estrellas más brillantes.

De pequeño me fascinaban las estrellas y los planetas, y tal interés me llevó a elegir la Física como destino académico. Ahora, tras 13 años de carrera en Esri, pensé que sería divertido unir la astronomía y la geografía a la hora de contar una historia con mapas.

Cuando empecé a trabajar en este Story Map, mi idea era simple: utilizar fotografías públicas de Flickr para encontrar los lugares preferidos de los astrofotógrafos aficionados, lo cual revelaría las mejores ubicaciones para la astronomía. Mi investigación me llevó al API de Flickr, y con un poco de mi oxidado Python y algo de prueba-error conseguí un sencillo script que obtenía las imágenes georreferenciadas que correspondían a ciertos criterios de búsqueda.

Expande el siguiente cuadro si te interesa ver el código del script de Python:

############################################################################
# Extrae fotos dentro del bounding box de España usando una búsqueda
# definida. Extrae las coordenadas y la URL de las imágenes.
# Script creado por Jaime Nieves
############################################################################

# Este script utiliza el API de Flickr para Python de https://stuvel.eu/flickrapi
import flickrapi

# Tienes que registrarte con tu cuenta de Flickr para recibir tu API Key
# Consulta https://www.flickr.com/services/api/
api_key = u'your-api-key'
api_secret = u'your-api-secret'

flickr = flickrapi.FlickrAPI(api_key, api_secret)

#######################################################################
# MODIFICA TU BÚSQUEDA AQUÍ                                           #

busqueda = u'astrophotography OR astronomy OR astrofotografia OR astronomia OR astronomía OR astrofotografía OR telescopio OR telescope'

# MODIFICA TU BÚSQUEDA AQUÍ                                           #
#######################################################################

# Busca fotografías y devuelve el número de fotos y páginas:
photos = flickr.photos.search(text=busqueda,
                              bbox='-18.160879,27.637738,4.327890,43.789994',
                              per_page='200', has_geo='1', extras='geo')
sets = photos.find('photos')
set = photos.find('photos').findall('photo')

pages = sets.attrib['pages']
total = sets.attrib['total']

print u'páginas: ' + pages
print 'fotos: ' + total

# Recorre las páginas y crea una lista de IDs y coordenadas
# Escribe los resultados a un fichero
result = 'ID;owner;ownerpage;url;thumb;lat;lon'+'\n'
num = 0
fichero = open('output.csv','w')
fichero.write(result)

for p in range(1,int(pages)+1):
    photos = flickr.photos.search(text=busqueda,
                              bbox='-18.160879,27.637738,4.327890,43.789994',
                              per_page='200', has_geo='1', page=p, extras='geo')
    sets = photos.find('photos')
    set = photos.find('photos').findall('photo')
    print u'Página ' + str(p) + ' ========================== '

    for i in range(len(set)):
        num = num + 1
        myId = set[i].attrib['id']
        usuario = set[i].attrib['owner']
        userHome = 'https://www.flickr.com/people/' + usuario + '/'
        url = 'https://www.flickr.com/photos/' + usuario + '/' + myId + '/'
        userHome = 'https://www.flickr.com/people/' + usuario + '/'

        # Hacemos una petición para obtener la url directa
        pSize = flickr.photos.getSizes(photo_id=myId)
        sizes = pSize.find('sizes').findall('size')
        thumb = sizes[3].attrib['source']

        # Hacemos una petición para obtener la ubicación
        ubic = flickr.photos.geo.getLocation(photo_id=myId)
        loc = ubic.find('photo').find('location')

        # Juntamos todo y escribimos
        result = str(myId) + ';' + str(usuario) + ';' + userHome + ';' \
                 + url + ';' + thumb + ';' + str(loc.attrib['latitude']) \
                 + ';' + str(loc.attrib['longitude']) + '\n'
        progreso = (float(num) / float(total))*100
        print 'Procesando ID ' + str(myId) + ' (' + str(round(progreso,1)) + '%)'
        fichero.write(result)

fichero.close()

Encontré así mi primera barrera: no había suficientes imágenes como para un análisis estadístico interesante, y muchas de ellas aparecían en las grandes ciudades. Es lógico encontrar más elementos donde más población hay, y tal vez mucha gente geo-etiqueta sus fotos en el lugar donde vive, en vez de donde la foto fue tomada.

Flickr_Density

Algunos patrones prometedores, pero oscurecidos por las grandes urbes. Story Map 1, Jaime 0.

Esto parecía llevarme a un callejón sin salida. No obstante, durante el proceso de documentar mi historia, había encontrado unos datos interesantes que me mostraban otro camino: el llamado “Nuevo Atlas del Brillo Artificial del Cielo”, un trabajo científico cuyos autores utilizan información de los focos de luz artificial para crear un modelo que estima el brillo artificial del cielo. Es decir, la contaminación lumínica.

Y sus datos se podían descargar en formato KMZ.

Me puse manos a la obra. El KMZ estaba compuesto por un montón de teselas en JPEG con información de coordenadas que cubrían todo el mundo. Poco sospechaba que mi infierno cartográfico estaba a punto de comenzar.

La compresión JPEG, esa gran enemiga del GIS

La compresión JPEG, esa gran enemiga del GIS

ArcGIS permite importar un KMZ como el que me descargué y convertirlo a un Raster Catalog, que a su vez se puede mosaicar fácilmente para obtener una única imagen. Sin embargo, las imágenes dentro del KMZ eran RGB corrientes, como cualquier imagen digital cotidiana. Y además bastante sucias por la elevada compresión JPEG.

Me explico: Necesitaba conseguir una imagen en la que cada color tuviera un único valor de pixel, de modo que pudiera extraer las clases y llevar a cabo mis análisis. Para que una imagen tenga utilidad en un proceso GIS es necesario que sus píxels representen información. La imagen procedente del KMZ estaba codificada en modo RGB (es decir, los colores estaban formados por la combinación de tres bandas) y, además, muy mezclados debido a la compresión.

Escribí a los autores del trabajo para intentar conseguir el GeoTIFF original con sus resultados, pero se negaron. Así que dediqué muchas horas a probar métodos para conseguir separar las clases de la imagen.

Hice cientos de pruebas con muchas herramientas ráster de ArcGIS: segmentación, clasificación supervisada y no supervisada, muestreo con una capa de puntos aleatorios para luego interpolar, filtros de agregación, limpieza de bordes y un larguísimo etcétera. En mi disco duro quedan 15 Gb de datos ráster como silencioso testimonio de mis fracasos.

La Segmentación (Segment Mean Shift) casi, casi, daba un resultado usable

La Segmentación (Segment Mean Shift) casi, casi, daba un resultado usable

La clasificación, que me parecía prometedora, funcionaba bien para 5 ó 6 clases, pero al introducir más algunos colores se mezclaban entre sí y el sistema no era capaz de separar las clases. La segmentación me devolvía una imagen bastante limpia, aunque aún introducía mezclas de clases en los bordes. Pensé que, si podía convertir la imagen RGB segmentada en una imagen de una sola banda con códigos para cada color, podía reclasificar los valores similares y conseguir separar las clases.

A partir de la imagen segmentada usé Álgebra de bandas (Map Algebra) para sumar las tres bandas (rojo, verde y azul) de modo que obtuviera una banda única con un solo valor por cada clase. Esto parece una tontería, pero resulta que colores aparentemente muy distintos pueden tener una suma de bandas muy similar. Un ejemplo sencillo: el rojo puro (255,0,0) y el verde puro (0,255,0) dan como resultado la misma suma: 255.

Si sumas las tres bandas, pasa esto. Aunque los colores originales sean distintos (valores distintos para R, G y B), su suma puede ser muy parecida

Si sumas las tres bandas, pasa esto. Aunque los colores originales sean distintos (valores distintos para R, G y B), su suma puede ser muy parecida

Así que introduje pesos aleatorios para cada banda con el objetivo de “romper la simetría” y conseguir una capa que pudiera distinguirme todos los colores. Cuando logré un resultado aceptable, reclasifiqué los resultados con la herramienta Reclassify de ArcGIS. Básicamente fui examinando la imagen con la herramienta Pixel Inspector (una pequeña joya oculta en ArcGIS a la que sólo se puede acceder añadiendo su botón a cualquier barra de herramientas) para ver qué rangos de valores de celda de mi ráster “suma” correspondían a cada uno de los colores originales.

Con esto conseguí por fin un ráster con 13 valores únicos de celda para las 13 clases (del 0 al 12). Perdí una clase por el camino que fui incapaz de separar, pero, dado que estaba en el extremo más brillante, bien podía considerarla fusionada con su vecina sin afectar a mi historia.

La capa vectorizada final. La zona violeta debería tener dos tonos de violeta. Después de un centenar de pruebas, decidí que podía vivir sin la otra.

La capa vectorizada final. La zona violeta debería tener dos tonos de violeta; pero después de un centenar de pruebas, decidí que podía vivir sin la otra.

El ráster resultante aún tenía algunas zonas algo raras, pero era en general una aproximación más que aceptable a los datos originales, sobre todo para el propósito de mi estudio, que no exigía demasiada precisión. Así que vectoricé mi ráster y probé algunos métodos para suavizarlo, tales como Simplify polygon y Smooth polygon, de la caja de herramientas de cartografía de ArcGIS.

Estaba razonablemente feliz hasta que cargué un mapa base.

¿En serio? Después de tanto esfuerzo… ¿las coordenadas TAMBIÉN están mal?

¿En serio? Después de tanto esfuerzo… ¿las coordenadas TAMBIÉN están mal?

Pues sí. Los datos originales estaban mal georreferenciados, de modo que al proyectarlos sobre el mapa base de Esri… ¡sorpresa! No cuadraban.

Afortunadamente ArcGIS tiene una barra de herramientas llamada Ajuste espacial, para tomar puntos de control y reposicionar una capa usando simplemente desplazamiento lineal o métodos más complejos con deformación como el rubber sheet.

Mi nueva muy mejor amiga, la barra de herramientas de Ajuste espacial

Mi nueva muy mejor amiga, la barra de herramientas de Ajuste espacial

El desafío era tomar puntos en una capa vectorial que sólo contiene manchas. ¿Cómo ajustarla con la geografía real? Tomé cientos de puntos intentando cuadrar las ubicaciones más fácilmente distinguibles de la costa. Sin embargo, en algunas zonas muy iluminadas era francamente difícil casar el mapa de contaminación con la geografía física. Al final cargué una capa de núcleos urbanos y fui capaz de cuadrar los puntos de luz en mi mapa de contaminación lumínica con las zonas urbanas, sobre todo en localidades aisladas del interior.

Una vez tienes el mapa en bonito, el resto es la parte divertida

Una vez tienes el mapa en bonito, el resto es la parte divertida

Ya tenía unos buenos datos preparados, lo que me había costado una parte de mi ya escasa cabellera. Pero a partir de aquí venía lo fácil. Elegí una simbología nueva (la original de los autores del trabajo no me convencía estéticamente), publiqué los datos en ArcGIS Online y comencé a crear mapas. Tenía un volumen de datos bastante alto para la visualización web, así que probé la nueva capacidad de ArcGIS Online para optimizar las geometrías de una capa. Con esta optimización la capa se mueve muy rápido a todas las escalas, así que me evité tener que cachearla.

Empecé a construir mi historia usando la plantilla de Story Map Cascade, una aplicación preciosa cuando se usa con buenas imágenes y que ofrece una experiencia inmersiva al lector, combinando mapas, medios y texto en un flujo continuo.

Para los mapas iniciales que muestran las luces nocturnas y la contaminación lumínica para todo el mundo decidí crear escenas 3D. Para la mayoría de los otros mapas usé el código para embeber que el visor de ArcGIS Online genera para nosotros con el objetivo de incrustar los mapas en la historia. Al embeber mapas podemos incluir opciones como el cuadro de búsqueda que permite encontrar ubicaciones.

Algunos de los mapas que forman parte de este Story Map merecen mención especial. Uno de ellos es la comparativa del cielo con y sin estrellas. Pensé brevemente en buscar algún trozo de código en  Javascript que me permitiera comparar dos fotografías, pero luego me di cuenta de que Esri ya tenía una solución para mí sin salir de la Plataforma.

Una de las apps configurables de ArcGIS permite comparar dos mapas con una barra deslizante. Así que me di cuenta de que podía usarla para mis propósitos. Lo primero que hice fue buscar una foto bonita del Madrid nocturno, y luego conseguir un mapa del cielo tal y como se vería desde Madrid. Usé un programa de creación gráfica y mis mañas como ilustrador para combinar ambas imágenes y crear la visión del Madrid estrellado.

Luego cargué las fotos en ArcGIS y las geocodifiqué, colocándolas arbitrariamente sobre España. Las publiqué en ArcGIS Online como servicios cacheados, y las añadí a un mapa que luego usé en mi app de comparación.

Un uso no geográfico para un app geográfica, o “el hambre nos hace mejores cocineros”

Un uso no geográfico para un app geográfica, o “el hambre nos hace mejores cocineros”

Otro de los mapas de la historia usa la app configurable llamada Resumen de impacto, que permite agregar muy fácilmente los valores numéricos contenidos en una capa de polígonos. Para producir los datos usé la herramienta Tabulate intersection, que genera estadísticas de área al intersecar dos capas. De este modo obtuve qué porcentaje de cada municipio estaba presente en cada categoría de contaminación lumínica. Empleé luego los datos de CensalView de Esri España para añadir la población proporcional, de modo que para cada área de contaminación lumínica tenía información estimada de población, rangos de edad y nivel educativo.

La aplicación Resumen de impacto es básicamente auto-configurable, así que, tras publicar la capa con los datos demográficos, tardé sólo diez minutos en definir las variables de interés y configurar textos y colores. El gráfico de población lo generé directamente con ArcGIS Desktop a partir de la tabla de atributos, y lo exporté como JPEG para poder cargarlo en mi Story Map.

Esto es lo maravilloso de ArcGIS: una vez tienes los datos, crear aplicaciones espectaculares es una cuestión de minutos.

Esto es lo maravilloso de ArcGIS: una vez tienes los datos, crear aplicaciones espectaculares es una cuestión de minutos.

Por último, filtré mi capa de brillo artificial para quedarme con las mejores zonas para observar el cielo (las zonas menos contaminadas). A partir de ellas generé un ráster de distancia euclídea que representaba cuánto había que desplazarse para llegar desde cualquier punto de España a la más cercana de estas zonas ideales. Tuve que vectorizarlo para poder publicarlo en ArcGIS Online sin necesidad de cachear.

El mapa de "cuánto-tienes-que-viajar-para-ver-estrellas"

El mapa de “cuánto-tienes-que-viajar-para-ver-estrellas”

Luego crucé estas zonas ideales con la capa de municipios de CensalView para obtener cuáles de ellos tenían parte de su territorio en una zona de cielos limpios y producir así un mapa de localidades idóneas para los astrónomos aficionados.

Mucho trabajo se fue en poner las cosas bonitas: que los pop-ups aparecieran limpios y atractivos, que la simbología estuviera correctamente aplicada, que los contenidos estuvieran bien documentados y etiquetados, etcétera. Puede parecer un trabajo tedioso pero es imprescindible para que nuestra historia luzca.

 El enlace por defecto puede cambiarse, y así vincular dos versiones de la misma historia en idiomas distintos.


El enlace por defecto puede cambiarse, y así vincular dos versiones de la misma historia en idiomas distintos.

Terminé creando una versión en inglés del mismo Story Map, y usé el enlace que todos los Story Maps incluyen en la parte superior derecha para vincular uno con otro, de modo que, aunque son dos aplicaciones, parecen la misma. Sólo me quedaba difundirlo a través de las redes sociales y confiar en que todo el trabajo hubiera merecido la pena.

De esta experiencia puedo extraer una moraleja clara: crear Story Maps con ArcGIS es muy fácil. Lo difícil es conseguir buenos datos para tus Story Maps.

Así que, si tenéis buenos datos y una historia que contar, no tenéis excusa para no compartirla con el mundo.

¿Y después de todo esto? Me iré de vacaciones, claro.

 

¿Quieres hacer un Story Map como éste?

Si vosotros también queréis contar una historia, aquí os damos todas las herramientas para hacer un Story Map. Una vez hecho, podéis compartirlo con nosotros o presentarlo al Concurso de Story Maps para la Conferencia Esri España 2016.

 

A %d blogueros les gusta esto: