09 Oct 2019 Visualist: un complemento de QGIS para el análisis criminológico

Lluís Vicens

¿Qué es visualist?

QGIS posee muchas cualidades. Una de ellas es la posibilidad de aumentar de forma considerable sus herramientas según se precisan nuevas funcionalidades. A menudo, descubrimos herramientas muy sencillas o simples orientadas a funciones muy concretas. Otras veces, damos con pequeñas cajas de herramientas con múltiples funciones. Este es el caso del complemento Visualist: un complemento de QGIS para el análisis criminológico. En este artículo, veremos algunas de las herramientas que ofrece este complemento. Como ya se ha mostrado en pasados artículos centrados en el análisis de patrones y hotspots, añadir nuevos complementos en QGIS es una tarea sumamente sencilla. Y en este caso, Visualist no es para nada una excepción.

Visualist: un complemento de QGIS para el análisis criminológico — Logotipo del complemento de QGIS Visualist.

¿Cómo acceder a las herramientas de Visualist?

A diferencia de lo que sucede con otros complementos, Visualist, una vez instalado, se aloja en la caja de herramientas de procesado de QGIS. Sus herramientas se organizan en base a dos menús principales. El primer menú (Cartography) engloba herramientas orientadas a la elaboración de determinados mapas o cartografías. El segundo (Spatial statistics), recoge aquellas funciones orientadas a la estadística espacial. En este artículo, utilizando para ello datos abiertos anonimizados, publicados por la Home Office (UK) y recopilados por la policía, veremos algunas de las opciones de análisis que ofrece Visualist, en el entorno de QGIS.

Primeros análisis con Visualist: coropletas, mallas regulares y símbolos proporcionales

Obtener mapas de coropletas con Visualist

Una primera herramienta es la que se presenta bajo el nombre Choropleth Maps. Para trabajar con ella, es preciso disponer de una capa de polígonos. En la totalidad de ejemplos que se muestran a continuación, se han utilizado como polígonos base los diez barrios o neighbourhoods en que se divide el condado de Merseyside (en el noroeste de Inglaterra). Además, se ha trabajado también con una capa de puntos con la ubicación de cada uno de los crímenes (así como sus diferentes tipologías) reportados por la policía inglesa durante el mes de Junio de 2019.

El resultado de la herramienta Choropleth Maps, como su propio nombre indica, no es más que un mapa de coropletas. Lo interesante del caso es que integra en un único paso la ejecución de un algoritmo de conteo del tipo punto en polígono y la posterior edición de la capa de salida con el objetivo de aplicar una paleta de colores graduados, además de un conjunto de etiquetas:

La paleta de colores graduados que utiliza por defecto en esta herramienta es una escala de grises pero, por supuesto, esta característica puede modificarse a criterio del analista con solo acceder a las propiedades de la capa y modificar la simbología por defecto, la fuente utilizada para las etiquetas, etcétera.

Mapas de mallas regulares con Visualist

Al hilo de la operación anterior, existe también otra herramienta muy interesante para la construcción o elaboración de mallas de distribución espacial e intensidad de un fenómeno concreto. Esto es, dividir el territorio analizado mediante una malla ortogonal y representar la intensidad con la que se da un fenómeno en cada una de las celdas de la malla. Esta herramienta se presenta bajo el nombre Grid Map. Los parámetros a definir son especialmente simples y se basan en la definición de la capa puntos que queremos representar a través de una malla ortogonal, la extensión de la misma y el tamaño de las celdas que conformarán dicha malla. El resultado se muestra a continuación:

Malla regular mediante la cual se muestra la intensidad y la distribución territorial de los crímenes reportados por la policía del condado de Merseyside. Visualist. — Malla regular mediante la cual se muestra la intensidad y la distribución territorial de los crímenes reportados por la policía del condado de Merseyside.

Como en el caso mostrado anteriormente, una particularidad de la herramienta en cuestión es que aúna en un único paso o proceso la creación de la malla, el recuento de puntos y la aplicación de simbología a la capa resultante.

Mapas de símbolos proporcionales con Visualist

Una última opción para representar la distribución o intensidad de un fenómeno es utilizar la herramienta Proportional Symbols Map. Mediante su uso puede representarse cómo se distribuye y con qué intensidad, un fenómeno cualquiera, utilizando para ello la capa de puntos con la ubicación de los crímenes y una capa de polígonos que represente las unidades o divisiones administrativas del condado de Merseyrside:

Representación de la criminalidad por unidad administrativa, mediante símbolos graduados, utilizando Visualist. — Representación de la criminalidad por unidad administrativa, mediante el uso de símbolos graduados.

A vueltas con los clústeres en QGIS

El complemento Visualist, al igual que otros complementos de QGIS, posibilita llevar a cabo agrupaciones de fenómenos puntuales en base a la creación de una serie de clústeres espaciales. Estos clústeres estarán basados únicamente en criterios de proximidad. Mediante la herramienta Nearest Neighbours Clusters Map, la receta resulta bien sencilla. Basta con identificar en base a qué capa queremos confeccionar los clústers. Definir a continuación la distancia máxima de vecindad a considerar y por último, el número mínimo de puntos que deberán formar cada agrupación. Es decir, el número mínimo de elementos para que pueda formarse un clúster espacial.

Mapa de clústeres de actos criminales en el condado de Meyerside, con Visualist — Mapa de clústeres de actos criminales en el condado de Merseyside.

Analizar correlaciones espaciales con Visualist

Cómo identificar puntos calientes relacionados con los crímenes reportados

El complemento Visualist ofrece dos tipos de análisis relacionados con las correlaciones espaciales. El primero, la detección de clústeres y outliers. En segundo lugar, la detección o identificación de puntos calientes (también conocidos como hotspots). Ciertas explicaciones acerca de estos conceptos ya se introdujeron en artículos anteriores (ver artículo). Ahora se mostrará nuevamente, su utilidad y aplicación, con Visualist.

La detección de puntos calientes a partir de una nube de puntos debe realizarse a través de un doble proceso. En primer lugar, la generación de una malla ortogonal (Grid Map) como ya se ha mostrado en este mismo artículo. A continuación, una vez obtenida la malla (por ejemplo, de un tamaño de celda de 500 metros), ejecutar la herramienta Spatial Autocorrelation Map, y seleccionar por este orden: la capa de polígonos, el campo que contiene el número de puntos ubicados dentro de cada celda, y seleccionar el indicador LISA (Local Indicators of Spatial Association) Getis-Ord Gi*. Puede dejarse por defecto, el parámetro de vecindad Queen:

Análisis para la identificación de puntos calientes o hotspots con Visualist de QGIS — Resultado del análisis para la identificación de puntos calientes o *hotspots* con Visualist, utilizando una malla de 500 metros..

Identificación de puntos calientes relacionados con el robo a personas

El ejemplo anterior muestra la totalidad de incidentes ocurridos en el condado de Merseyside durante el pasado mes de junio de 2019. Es por ello que fácilmente se pueden distinguir amplias zonas de puntos calientes (debido a la alta densidad de puntos en la capa original). ¿Pero qué sucederá al segmentar los crímenes por tipología, y analizarlos de manera independiente con una malla o grid de menor resolución?

Para el siguiente ejemplo, se han seleccionado únicamente aquellos crímenes relacionados con robos a las personas físicas y con un paso de malla de 250 metros. Como se puede observar se identifican claramente unos puntos calientes correspondientes con el centro de la ciudad de Liverpool, así como las zonas aledañas a la universidad y el Knowledge Quarter. Además, se detectan otros puntos calientes como por ejemplo en el aeropuerto (situado al Sur) o las ciudades de Southport en el Norte y St. Helen en el Oeste.

Detección de hotspots, relacionados con robos a las personas, mediante Visualist. — Detección de puntos calientes relacionados con robos a las personas, mediante Visualist.

Identificación de clústeres espaciales y outliers mediante Visualist

Para la identificación de clústers y outliers con Visualist se utiliza la misma herramienta anterior (Spatial Autocorrelation Map) pero esta vez, seleccionando el indicador I de Moran. Cabe destacar que en esta ocasión, los clústeres no se definen en base a la distancia existente entre dos o más puntos como era el caso mostrado con anterioridad, sino que estos clústeres se van a definir en función de un valor de atributo de forma conjunta a las relaciones de vecindad que se establecen entre las entidades. En caso de llevar a cabo el mismo análisis anterior (robos a personas) se obtendrá el resultado que se muestra a continuación:

Identificación de clústeres y outliers a través del índice I Local de Moran con Visualist. — Identificación de clústeres y *outliers* a través del índice I Local de Moran.

¿Cómo interpretar los resultados obtenidos con el índice I de Moran?

A simple vista, ya se puede interpretar el resultado obtenido. Los clústers potenciales se muestran en color rojo oscuro y los outliers potenciales en color azul oscuro. Si se consulta la tabla de atributos de la capa resultante se observan los valores relativos al índice I de Moran, el valor p y el valor z. Un valor elevado del índice nos indica que una entidad y las entidades que le son vecinas comparten valores altos o bajos. Es decir, probablemente forman parte de un clúster. Por contra, el valor negativo de dicho índice indica que una entidad está rodeada por valores que son especialmente diferentes o distantes. Por consiguiente, estas entidades pueden identificarse como posibles outliers.

En cualquier caso, el valor del índice I de Moran puede interpretarse únicamente con ayuda de los valores p y z. Estos valores se almacenan en la misma tabla de atributos. Cuando se obtiene un valor de p (p-values) especialmente bajo significa que la probabilidad de que la distribución sea aleatoria, es realmente baja y que, por tanto, se está ante un clúster y no una distribución casual y aleatoria.

Los valores z (z-score) son desviaciones estándar. Así, un valor elevado en la columna MORANS_Z (en positivo o en negativo) indica que la entidad en cuestión se encuentra a muchas desviaciones estándar del valor medio de la muestra y, por tanto, revela o confirma su naturaleza de clúster u outlier.

Valores almacenados en la tabla de atributos, para el índice I de Moran, y los parámetros p (p-values) y z (z-score), en Visualist. — Valores almacenados en la tabla de atributos, para el índice **I de Moran**, y los parámetros p (*p-values*) y z (*z-score*).

Alguna reflexión final acerca de Visualist

Con este breve artículo se han mostrado algunas de las herramientas del complemento Visualist, un complemento de QGIS para el análisis criminológico. El complemento en sí, cuenta con alguna que otra función más que invitamos a descubrir. En cualquier caso, uno de los aspectos destacables de Visualist es la posibilidad de realizar sencillos análisis geoestadísticos (autocorrelaciones espaciales) sin necesidad de acudir a otras opciones más completas de software libre como es el caso, por ejemplo, de GeoDa. Si quieres identificar clústeres, outliers o hotspots de forma rápida y ágil, entonces, puede que Visualist sea la solución que estás buscando.