Marta Martín Gabaldón
Instituto de Investigaciones Históricas de la UNAM, Unidad Oaxaca
martamgabaldon@unam.mx

No hay producto escrito de investigación desarrollada en un espacio geográfico concreto –inde-pendientemente de su escala barrial, local, regional, estatal o nacional– que no cuente con un mapa, generalmente inserto en las primeras páginas o en la sección introductoria. El mapa sitúa al lector en el espacio particular y contribuye a contextualizar, a veces de manera no explícita sino dependiente del conocimiento que se tenga acerca de ese marco geográfico concreto, ciertas características físicas y sociales que resultarán de suma utilidad para comprender mejor el fenómeno estudiado. En este caso, el mapa suele mostrar la localización concreta de lugares (pueblos, ciudades, accidentes geográficos, recursos hídricos, etc.), esto es, su ubicación específica en el espacio geográfico, generalmente representado mediante las convenciones cartográficas científicas occidentales y referenciado a un sistema de coordenadas expresadas en términos de latitud y longitud. Así, el mapa es una representación gráfica simplificada –una abstracción– de una determinada porción de la superficie terrestre, a escala –con propiedades métricas–, sobre una superficie bidimensional.

Numerosos estudios sobre la cartografía y su historia nos han revelado las múltiples facetas que encierran estas representaciones gráficas, las cuales, en tanto que en su composición seleccionan unos elementos y discriminan otros, distan de gozar de la pretendida “objetividad científica” que con frecuencia se apareja a las producciones cartográficas contemporáneas. Los mapas son productos culturales y, como tales, dan cuenta de representaciones sociales, plasman memorias, maneras de percibir la territorialidad propia y hacen gala del despliegue técnico del que goza cada época para la representación del territorio (Mendoza y Lois, 2009; Urroz, 2012). Pero, más allá de la ubicación, existen otros aspectos que ponen en juego la dimensión espacial y que implican una profundidad analítica que también permite generar cartografías, aunque los resultados gráficos no se constriñen solamente al género de los mapas. En las siguientes líneas queremos poner en valor el potencial del análisis espacial para los estudios histórico-sociales sobre el territorio a partir un recurso tecnológico particular, los denominados Sistemas de Información Geográfica (SIG).

Una computadora y complejos programas informáticos aparecen en el imaginario de la mayoría de las personas cuando se alude a los SIG. Esto sucede porque el concepto se popularizó a partir del desarrollo de tecnologías informáticas que potenciaron el almacenamiento, manipulación, transformación y procesado de datos geográficos de manera compleja. En la literatura especializada, las muchas definiciones que buscan explicarlo inciden sobre dos aspectos fundamentales: por un lado, en tanto que se trata de sistemas, conjuntan variadas herramientas que operan de manera interrelacionada para procesar datos del mundo real a través de sus representaciones (lo que conocemos como datos geoespaciales); por otro, se pone énfasis en que suponen una base de datos especializada cuya particularidad consiste en que cada uno de sus elementos posee una representación gráfica vinculada a unas coordenadas precisas de ubicación latitud-longitud (Del Bosque y otros, 2012: 29-32). Se pone de relieve que los SIG permiten realizar una gama amplia de operaciones –recoger, almacenar, recuperar, transformar, visualizar y analizar– los elementos de bases de datos que se encuentran georreferenciados, es decir, que cuentan con información espacial precisa dada por la convención científica occidental que suponen los sistemas de coordenadas, lo cual permite ubicarlos de forma certera sobre la superficie terrestre.

Cuando elaboramos mapas, la localización de los elementos de la geografía física y humana es el criterio protagonista y, cuando los leemos e interpretamos, aun de manera inconsciente, estamos desplegando estrategias básicas de análisis espacial que nos permiten apreciar, por ejemplo, qué tan cerca o lejos se encuentran entre sí dos poblaciones, si los asentamientos tienen fácil o difícil acceso a recursos hídricos o si se asientan en entornos montañosos o en valles. Podemos decir que, continuamente, efectuamos análisis espaciales de manera “analógica”.

El conocido mapa del cólera de la ciudad de Londres, elaborado en 1854 por el médico John Snow, a quien se considera el padre de la epidemiología moderna, es un excelente ejemplo de cómo la representación de lugares y fenómenos asociados a ellos en un mapa nos permite analizar visualmente (de forma analógica) ciertos fenómenos (figura 1). En un momento en que todavía se desconocían las causas de la enfermedad del cólera, Snow, persiguiendo una hipótesis, localizó en un plano del distrito del Soho las casas donde habían fallecido personas a causa de esta enfermedad y las bombas de agua que abastecían a la población. El mapa mostró, indiscutiblemente, que un elevado número de muertes habían sucedido en las inmediaciones de la bomba situada en Broad Street. La clausura de la bomba redujo drásticamente los niveles de infección en la zona, aunque la incredulidad de las autoridades acerca de la teoría de la transmisión a través del agua contaminada y la presión social para que se reactivara el suministro no detuvieron la epidemia (Cerda y Valdivia, 2007).

Figura 1. Mapa de Snow

Mapa de distribución de casos de cólera en Londres elaborado por John Snow, originalmente publicado en On the Mode of Communication of Cholera (C.F. Cheffins, Lith, Southhampton Buildings, Londres, 1854). Versión digital en la Web del UCLA Department of Epidemiology. Imagen de dominio público.

El caso señalado nos permite apreciar el protagonismo que poseen los denominados atributos que describen el dato geoespacial. Antes de caracterizar el atributo, hemos de aclarar que el dato geoespacial en los SIG se presenta bajo dos formatos: vectorial, compuesto de vértices y de rutas que los unen y que toma forma de elemento geométrico (punto, línea o polígono); y ráster, una imagen digital compuesta por pixeles. Los rasgos de la realidad geográfica que son representados en el mapa pueden compartir una misma forma geométrica, pero su potencia analítica va a venir dada por los atributos que caracterizan a cada uno de ellos. Por ejemplo, en un mapa, las viviendas georreferenciadas como puntos (poseen una coordenada de latitud y otra de longitud), pueden adquirir la misma forma geométrica de un cuadrado color negro, pero se diferencian una de la otra en que pueden poseer distinto número de habitantes, origen étnico, religión, salario mensual y poseerse en propiedad o en régimen de renta. Estos atributos –también conocidos como variables– que acompañan a cada uno de los puntos y que no son visibles, a priori, en el mapa, se almacenan en una tabla y constituyen la materia prima del análisis espacial. Como podemos observar, pueden tratarse de rasgos cuantificables o definidos por criterios cualitativos.

Decíamos que la localización de los elementos de la realidad geográfica es el principal aspecto que entra en juego en los SIG, pero existen otros cuatro conceptos fundamentales del denominado “núcleo geográfico” que posibilitan realizar análisis, algunos, con base en los atributos.

La distribución espacial considera que los datos geoespaciales de un mismo tipo –en nuestro ejemplo, las casas– se reparten de determinada forma sobre el espacio geográfico, pudiendo presentar concentraciones de varían de una zona a otra. Decimos que existe una distribución densa cuando observamos una frecuencia intensa, es decir, cuando hay muchas casas en un área. Ahora bien, si consideramos los atributos de dichas casas, podríamos apreciar la mayor o menor intensidad que presenta una variable seleccionada. Así, representando las casas de diferentes colores con base en el salario mensual, podríamos apreciar fácilmente las zonas que poseen mayor o menor poder adquisitivo. La asociación espacial toma en cuenta el estudio de las semejanzas halladas cuando se comparan distintas distribuciones espaciales. El análisis basado en el principio de interacción espacial permite definir espacios funcionales a partir de la conceptualización de un espacio relacional que toma en cuenta las localizaciones de los lugares, sus distancias y los posibles vínculos que guardan entre sí. Por último, la evolución espacial considera la dimensión temporal de los fenómenos geográficos, es decir, su variabilidad –de localización o de los atributos aparejados– con el discurrir de los años (Buzai y Montes, 2021: 30-38).

En síntesis, los asuntos más comunes sobre los que interesa someter a análisis a los datos geoespaciales en un SIG tienen que ver con la posición y extensión de las realidades geográficas, con su forma y distribución, con su asociación espacial, con su interacción en el espacio y con su variación a lo largo del tiempo.

En toda investigación carácter histórico o social hemos de realizar un trabajo previo de crítica de fuentes. Pues bien, las fuentes que alimentan los SIG no se han de escapar a este escrutinio previo, de cara a valorar su “calidad”, aspecto del cual va a depender en gran medida la precisión del análisis que realicemos. Cuando queremos estudiar las realidades territoriales del pasado o del presente, tenemos que comenzar por construir el dato geoespacial, lo cual pasa por ubicar espacialmente lugares y fenómenos y asignarles sus correspondientes atributos. En el caso del trabajo histórico, esta labor se puede acompañar y enriquecer con la información que encontramos en la cartografía antigua, la cual procesamos para dotarla de la adecuada referencia espacial y luego adecuar sus datos a los estándares informáticos con los que trabajan los SIG. Estos dos procesos reciben el nombre de georreferenciación y vectorización de los elementos representados. El principio básico de la georreferenciación consiste en atribuir coordenadas geográficas precisas a numerosos puntos del mapa histórico a través de su correlación con elementos presentes en un documento cartográfico actual que ya cuenta con referencia espacial. Por su parte, la vectorización de los elementos del mapa antiguo nos va a permitir convertir en puntos, líneas o polígonos cada rasgo histórico representado para poder visualizarlo y procesarlo de acuerdo con las pautas de los SIG.

Regresando al asunto de la crítica de fuentes, hemos de remarcar un hecho indiscutible y que puede ser observado como una limitante a la hora de utilizar los SIG para el análisis de los territorios históricos. Cuanto más antiguas sean las fuentes, es más probable que las informaciones geográficas cuenten con menos precisión, si las medimos con el rasero contemporáneo. Esta imprecisión puede venir bien por la vaguedad del dato en sí, por la poca seguridad de que las informaciones fueran recogidas y plasmadas con base en criterios objetivos o, muy frecuentemente, porque la variabilidad temporal de las entidades geográficas nos dificulta identificar sobre el paisaje actual lugares del pasado. El siglo XIX trajo consigo la estandarización de algunos criterios para el levantamiento de censos, padrones e información topográfica con técnicas científicas, lo cual permite hacer la generalización de que, cuanto más recientes sean los datos históricos, podemos presuponer que mayor será su cantidad y calidad (entendida en términos de confiabilidad para el análisis). Por supuesto, esta máxima no exime de la obligatoria crítica de fuentes.

A continuación, queremos aludir a algunas técnicas de análisis espacial que nos ayudan a comprender los fenómenos que se desarrollan sobre el espacio. La primera de ellas se basa en los atributos –cuantitativos o cualitativos– que poseen las entidades geográficas y proporciona como producto un mapa temático. De forma gráfica, este tipo de cartografía nos permite apreciar de manera visual a través de gamas y gradaciones de colores, tramas, símbolos, tamaños, diagramas o flujos cómo se comporta en el espacio cierto aspecto tanto físico como humano. La figura 2 representa la intensidad de distribución de hogares indígenas por manzana en el municipio de Mérida de acuerdo con los datos del censo 2010 del INEGI. El criterio espacial seleccionado es la manzana y el atributo “tematizado” es el número de hogares indígenas que se registraron en el censo, de acuerdo con el criterio de autoadscripción. Un vistazo rápido nos permite apreciar de manera gráfica lo que probablemente supiera de manera empírica quien esté familiarizado con dicha ciudad: el sur de Mérida tiene más población que se autopercibe como indígena que el norte.

Figura 2. Distribución de hogares indígenas por manzana en Mérida según el censo INEGI 2010

Fuente: elaborado por Marta Martín Gabaldón, 2019.

La segunda técnica consiste en el cálculo de distancias y de rutas óptimas entre dos o más puntos. De manera cotidiana utilizamos aplicaciones en dispositivos portátiles –celular o navegador GPS para automóvil– que realizan este tipo de análisis tomando como base las carreteras, vialidades y calles y, en ocasiones, el estado del tráfico en tiempo real. Esta técnica, desarrollada a partir de datos vectoriales –puntos y líneas, particularmente– se denomina análisis de redes, tomando en cuenta que consideramos a la red como «un sistema de elementos lineales interconectados por los que pueden circular flujos de diverso tipo, tangibles (personas, mercancías, objetos antiguos, energía) o intangibles (información)» (Del Bosque y otros, 2012: 109).

Para el ámbito histórico resulta de particular interés una técnica que nos conduce a un resultado similar, pero involucrando también información en formato ráster, es decir, imágenes digitales compuestas por una malla de pixeles en la que cada uno de ellos contiene información particular asociada. Nos referiremos al cálculo de rutas de menor costo y de conectividad entre puntos, pero no tomando como base vialidades sino las elevaciones, el relieve y los accidentes geográficos. La figura 3 proporciona un ejemplo de esta técnica. Teniendo un punto de partida, un punto de llegada, una capa ráster con los datos de las elevaciones (el atributo de cada pixel consiste en la elevación de esa pequeña porción de la superficie terrestre, expresada en metros sobre el nivel del mar) y una capa que modela digitalmente el relieve a partir de las elevaciones, una serie de algoritmos calculan el costo acumulado en horas que tarda una persona en caminar de un punto a otro, tomando en cuenta las pendientes, los desniveles y los accidentes del terreno. Este tipo de ejercicios resultan de enorme utilidad en la aproximación al estudio de los caminos y las rutas históricas y en el cálculo de la accesibilidad entre los lugares del pasado donde ya han quedado borradas las huellas de las vías de comunicación. Sin embargo, no hemos de perder de vista que el ser humano actúa en muchas ocasiones de manera contraria a la lógica del menor costo de energía y tiempo y lo puede hacer por motivos muy variados: por dinámicas defensivas, por el aprovechamiento de los recursos naturales o por prácticas rituales relacionadas con el territorio. Definitivamente, las pistas que encontremos en las fuentes históricas y la observación detallada de la realidad presente nos proporcionarán las claves para corroborar o refutar la “opinión” de los algoritmos.

Figura 3. Ruta de menor costo entre dos puntos

Fuente: elaborado por Marta Martín Gabaldón, 2022.

Anteriormente aludimos a que los SIG nos permiten realizar mucho más que mapas. En muchas ocasiones, lo que obtenemos son respuestas a preguntas de investigación que nos ayudan a tomar decisiones y a visualizar comportamientos espaciales pero que no se traducen, necesariamente, en alguna representación gráfica o cartográfica que vaya a acompañar el trabajo escrito. Existe una familia de herramientas de análisis espacial basadas en la estadística que nos ayudan a caracterizar la distribución de los datos en el territorio. Se trata del Análisis Exploratorio de Datos Espaciales (AEDE, o con sus siglas en inglés, ESDA). Nos ayudan a describir y visualizar las distribuciones de los fenómenos y detectar esquemas de asociación espacial a partir de las características de locación. Por ejemplo, podemos identificar ubicaciones atípicas, conglomerados (clusters) o enclaves calientes (hot spots), descubrir formas de asociación (autocorrelación espacial) y detectar estructuras espaciales u otras formas de heterogeneidad geográfica. La figura 4 da cuenta de una técnica que analiza la estimación de la densidad del núcleo (kernel density estimation) a partir de una capa que contiene eventos representados como puntos. Es decir, el algoritmo calcula la densidad de los puntos alrededor de cada celda o pixel y genera lo que se denomina mapa de calor. En el ejemplo, cada punto representa un robo de automóvil en la ciudad de San Francisco en el año 2012 y las áreas rojas o anaranjadas indican los sectores de la ciudad donde hubo mayor concentración de ese tipo de evento. Así, de un vistazo, podemos identificar los espacios de mayor amenaza para la propiedad automotriz.

Figura 4. Mapa de calor de robo de automóviles en San Francisco, California, en 2012

 Elaborado por Marta Martín Gabaldón, 2022.

Otra técnica de análisis exploratorio de datos especialmente interesante apunta a descubrir las formas posibles de asociación espacial que presentan los datos geoespaciales con base en atributos particulares. Hablamos de la denominada autocorrelación espacial. Una ley geográfica formulada por Waldo Tobler, la cual continúa vigente y dice que: «everything is relate to everything else, but near things are more related than distant things» (Tobler, 1970: 236); es decir, en el espacio, todo está relacionado entre sí, pero las cosas más cercanas entre sí están más relacionadas que las más distantes.^[1] Aunque este principio se da con mayor frecuencia en fenómenos físico-naturales, también nos permite explorar el comportamiento espacial de los asuntos sociales. La autocorrelación posibilita observar cómo se distribuye una variable e identificar la presencia de conglomerados relacionados con el fenómeno, es decir, es posible visualizar zonas donde se agrupan unidades territoriales con altos niveles de dicha variable (hot spots). Con ello, podemos responder a las preguntas de cómo influye el componente espacial en la distribución de una variable o qué sucede si ponemos en relación cierta distribución con otra(s) característica(s) de la unidad territorial (Del Bosque y otros, 2012: 116). Una medida geográfica estadística usada para ello se denomina Índice Local de Moran y se expresa de forma gráfica a través de un diagrama de dispersión. Este índice se acompaña generalmente del análisis del Índice Local de Asociación Espacial (Local Index of Spatial Association, LISA) que nos permite visualizar en mapas de significancia las unidades territoriales con alta incidencia de un fenómeno que son vecinas a unidades territoriales de igual nivel de incidencia. La figura 5 muestra el Índice Local de Moran y un mapa sobre el Índice Local de Asociación Espacial tomando en cuenta los suicidios por departamento en Francia en 1830. El primer índice revela que sí existen ciertos conglomerados con valores de análisis similares y el mapa pone de relieve, en color rojo, que en la zona sur del país se ubica el conglomerado de departamentos donde el número de suicidios fue elevado.

Figura 5. Índice Local de Asociación Espacial e Índice Local de Moran acerca del número de suicidios en los departamentos de Francia en 1830

Fuente: Elaborado por Marta Martín Gabaldón, 2022.

Esta breve exposición ha tratado de mostrar el potencial del análisis espacial a través de los SIG en los estudios histórico-sociales sobre el territorio, el cual, ciertamente, es muy rico y variado. Sin embargo, hemos de tomar en cuenta algunas consideraciones finales para ponderar en justa medida el uso de estas herramientas en relación con fenómenos vinculados al accionar humano, el cual se rige por motivaciones de lo más complejo.

No olvidemos que los SIG son una herramienta tecnológica potente, pero, irremediablemente, el diseño de su construcción y potencial uso inicia en la imaginación del investigador y tiene en lo analógico su principal motor. Si no tenemos claro qué podemos indagar a través de los SIG y cómo organizar nuestras fuentes para ello, de poco nos servirán los algoritmos. Por otro lado, no debemos perder de vista que los SIG responden a epistemologías científicas occidentales apegadas en buena medida a la exactitud geográfica y, con ello, a un paradigma cuantitativo. Por fortuna, se están dando pasos en pos de la posibilidad de explotar estas herramientas informáticas, pero a partir de otras epistemologías. En este sentido, Alexi Baker (2013) propone el concepto de SIG “vernáculo” para reflejar y dar importancia a los aspectos relacionales del espacio que generan los habitantes de un territorio, más que a los absolutos abocados a la precisión geográfica moderna.

Por último, valga mencionar tres retos que acompañan el trabajo mencionado. Primero, sobre todo cuando atendemos a la evolución temporal de los datos espaciales, las formas de representación estáticas no permiten explotar todo el potencial explicativo de la cartografía analítica. La visualización Web o entornos digitales resulta muy adecuada, pero ello apareja un segundo reto. El trabajo con SIG en los ámbitos aquí señalados implica la necesidad de recurrir a conocimientos especializados de carácter interdisciplinario, con lo que sólo una labor colaborativa está detrás del éxito. Algunos proyectos desarrollados en el ProSIG-CSH del CIESAS, como el Visor Toponímico Mexicano, son buenos ejemplos de atención de estos dos aspectos. Sin embargo, en última instancia, los esfuerzos no darán todos sus frutos si no se atiende al tercer reto: la superación de la amplia brecha digital que hace que, en 2019 en México, el 65.5% de los hogares en ciudades mexicanas tuvieran internet pero esto sucediera sólo en el 23.4% de los hogares del campo (Riquelme, 2022).

Bibliografía

Baker, Alexi (2013), “Vernacular GIS: Mapping Early Modern Geography and socioeconomics”, en A. Von Lunen y C. Travis (eds.), History and GIS: Epistemologies, Considerations and Reflections, Nueva York, Springer, pp. 89-110.

Buzai, Gustavo D. y Eloy Montes Galbán (2021), Estadística Espacial: Fundamentos y aplicación con Sistemas de Información Geográfica, Buenos Aires, Impresiones Buenos Aires Editorial.

Del Bosque, Isabel y otros (2012), Los Sistemas de Información Geográfica y la Investigación en Ciencias Humanas y Sociales, Madrid, Confederación Española de Centros de Estudios Locales-Centro Superior de Investigaciones Científicas.

Cerda, Jaime y Gonzalo Valdivia (2007), “John Snow, la epidemia de cólera y el nacimiento de la epidemiología moderna”, en Revista Chilena de Infectología, vol. 24, núm. 4, pp. 331-334.

Mendoza Vargas, Héctor y Carla Lois (2009), Historias de la Cartografía de Iberoamérica. Nuevos caminos, viejos problemas, México, UNAM-Instituto de Geografía-INEGI.

Riquelme, Rodrigo (2022), “Brecha digital entre campo y la ciudad en México se ensancha”, en El Economista, México, 9 de febrero, consultado el 23 de mayo de 2022. Disponible en: https://www.eleconomista.com.mx/tecnologia/Brecha-digital-entre-campo-y-la-ciudad-en-Mexico-se-ensancha-20220209-0072.

Tobler, Waldo R. (1970), “A Computer Movie Simulanting Urban Growth in the Detroit Region”, en Economic Geography, vol. 46, núm. 2, pp. 234-240.

Urroz Kanán, Raquel (2012), Mapas de México. Contextos e historiografía moderna y contemporánea, México, Instituto Veracruzano de Cultura.

1. Traducción de la autora. ↑