Mapa de coropletas

Tipo de visualización de datos para regiones geográficas

Este artículo necesita citas adicionales para su verificación . Por favor, ayuda a mejorar este artículo mediante la adición de citas de fuentes confiables . El material no obtenido puede ser cuestionado y eliminado. Buscar fuentes:  "Mapa de coropletas"  -  noticias  · periódicos  · libros  · académico  · JSTOR ( marzo de 2009 ) ( Aprenda cómo y cuándo eliminar este mensaje de plantilla )

Un mapa de coropletas que visualiza la fracción de australianos que se identificaron como anglicanos en el censo de 2011. Los distritos seleccionados son áreas de gobierno local , la variable es espacialmente intensiva (una proporción) que no está clasificada, y se utiliza un esquema de color secuencial espectral parcial.

Un mapa de coropletas (del griego χῶρος choros  'área / región' y πλῆθος plethos  'multitud') es un tipo de mapa temático en el que un conjunto de áreas predefinidas se colorea o se modela en proporción a una variable estadística que representa un resumen agregado. de una característica geográfica dentro de cada área, como la densidad de población o el ingreso per cápita .

Los mapas de coropletas proporcionan una manera fácil de visualizar cómo varía una variable en un área geográfica o mostrar el nivel de variabilidad dentro de una región. Un mapa de calor o mapa isarítmico es similar pero usa regiones dibujadas de acuerdo con el patrón de la variable, en lugar de las áreas geográficas a priori de los mapas de coropletas. La coropleta es probablemente el tipo más común de mapa temático porque los datos estadísticos publicados (del gobierno u otras fuentes) generalmente se agregan en unidades geográficas bien conocidas, como países, estados, provincias y condados, y por lo tanto son relativamente fáciles de identificar. crear utilizando GIS , hojas de cálculo u otras herramientas de software.

Historia

Mapa de alfabetización de Dupin de 1826 en Francia.

El primer mapa de coropletas conocido fue creado en 1826 por el barón Pierre Charles Dupin , que muestra la disponibilidad de educación básica en Francia por departamento . ^[1] Pronto se produjeron más " cartes teintées " ("mapas de colores") en Francia para visualizar otras "estadísticas morales" sobre educación, enfermedades, delitos y condiciones de vida. ^{[2] : 158} mapas de coropletas rápidamente ganaron popularidad en varios países debido a la creciente disponibilidad de datos demográficos compilados a partir de censos nacionales, comenzando con una serie de mapas de coropletas publicados en los informes oficiales del censo de Irlanda de 1841. ^[3] Cuando la cromolitografíase hizo ampliamente disponible después de 1850, el color se agregó cada vez más a los mapas de coropletas. ^{[2] : 193}

El término "mapa de coropletas" fue introducido en 1938 por el geógrafo John Kirtland Wright , y era de uso común entre los cartógrafos en la década de 1940. ^{[4] [5]} También en 1938, Glenn Trewartha los reintrodujo como "mapas de proporciones", pero este término no sobrevivió. ^[6]

Estructura

Un mapa de coropletas reúne dos conjuntos de datos: datos espaciales que representan una partición del espacio geográfico en distritos distintos y datos estadísticos que representan una variable agregada dentro de cada distrito. Hay dos modelos conceptuales comunes de cómo estos interactúan en un mapa de coropletas: en una vista, que puede llamarse "distrito dominante", los distritos (a menudo unidades gubernamentales existentes) son el foco, en el que se recopilan una variedad de atributos, incluyendo la variable que se está mapeando. En el otro punto de vista, que puede llamarse "variable dominante", la atención se centra en la variable como un fenómeno geográfico (por ejemplo, la población latina), con una distribución del mundo real, y dividirla en distritos es simplemente una práctica conveniente. técnica de medición. ^[7]

En este mapa de coropletas, los distritos son países, la variable es espacialmente intensiva (una asignación media) con una clasificación de progresión geométrica modificada y se utiliza un esquema de color espectral divergente.

Geometría: distritos de agregación

En un mapa de coropletas, los distritos suelen ser entidades previamente definidas, como unidades gubernamentales o administrativas (p. Ej., Condados, provincias, países) o distritos creados específicamente para la agregación estadística (p. Ej., Secciones censales ) y, por lo tanto, no tienen expectativas de correlación con la geografía de la variable. Es decir, los límites de los distritos coloreados pueden coincidir o no con la ubicación de los cambios en la distribución geográfica que se está estudiando. Esto contrasta directamente con los mapas corocromáticos e isarítmicos , en los que los límites de las regiones se definen mediante patrones en la distribución geográfica del fenómeno sujeto.

El uso de regiones de agregación predefinidas tiene una serie de ventajas, que incluyen: una compilación y un mapeo más fáciles de la variable (especialmente en la era de los SIG e Internet con sus muchas fuentes de datos), el reconocimiento de los distritos y la aplicabilidad de la información. a más investigaciones y políticas vinculadas a los distritos individuales. Un buen ejemplo de esto serían las elecciones, en las que el total de votos de cada distrito determina su representante electo.

Sin embargo, puede resultar en una serie de problemas, generalmente debido al hecho de que el color constante aplicado a cada distrito de agregación hace que parezca homogéneo, enmascarando un grado desconocido de variación de la variable dentro del distrito. Por ejemplo, una ciudad puede incluir barrios de ingresos familiares bajos, moderados y altos, pero estar coloreada con un color "moderado" constante. Por lo tanto, los patrones del mundo real pueden no ajustarse a la unidad regional simbolizada. ^[8] Debido a esto, cuestiones como la falacia ecológica y el problema de la unidad de área modificable (MAUP) pueden dar lugar a interpretaciones erróneas importantes de los datos representados, y son preferibles otras técnicas si se pueden obtener los datos necesarios. ^[9]

Estos problemas se pueden mitigar de alguna manera utilizando distritos más pequeños, porque muestran variaciones más finas en la variable mapeada, y su tamaño visual más pequeño y mayor número reduce la probabilidad de que el usuario del mapa haga juicios sobre la variación dentro de un solo distrito. Sin embargo, pueden hacer que el mapa sea demasiado complejo, especialmente si no hay un patrón geográfico significativo en la variable (es decir, el mapa parece colores dispersos al azar). Aunque representar datos específicos en grandes regiones puede ser engañoso, las formas familiares de los distritos pueden hacer que el mapa sea más claro y más fácil de interpretar y recordar. ^[10] La elección de las regiones dependerá en última instancia de la audiencia y el propósito del mapa. Alternativamente, la técnica dasimétrica a veces se puede emplear para refinar los límites de la región para que coincidan más estrechamente con los cambios reales en el fenómeno en cuestión.

Debido a estos problemas, para muchas variables, se puede preferir un mapa isarítmico (para una variable cuantitativa) o corocromático (para una variable cualitativa), en el que los límites de la región se basan en los datos mismos. Sin embargo, en muchos casos dicha información detallada simplemente no está disponible, y el mapa de coropletas es la única opción factible.

Un mapa de coropletas en el que los distritos son condados de EE. UU., La variable es espacialmente intensiva (una proporción) con una clasificación de cuantiles y utiliza un esquema de color secuencial de un solo tono.

Propiedad: resúmenes estadísticos agregados

La variable a mapear puede provenir de una amplia variedad de disciplinas en el mundo humano o natural, aunque los temas humanos (por ejemplo, demografía, economía, agricultura) son generalmente más comunes debido al papel de las unidades gubernamentales en la actividad humana, lo que a menudo conduce a la recopilación original de los datos estadísticos. La variable también puede estar en cualquiera de los niveles de medición de Stevens.: nominal, ordinal, intervalo o razón, aunque las variables cuantitativas (intervalo / razón) se usan más comúnmente en mapas de coropletas que las variables cualitativas (nominales / ordinales). Es importante señalar que el nivel de medición del dato individual puede ser diferente al de la estadística de resumen agregada. Por ejemplo, un censo puede preguntarle a cada individuo su "idioma principal hablado" (nominal), pero esto se puede resumir para todos los individuos de un condado como "porcentaje que habla principalmente español" (proporción) o como "idioma primario predominante". idioma "(nominal).

En términos generales, un mapa de coropletas puede representar dos tipos de variables, una distinción común a la física y la química , así como a la geoestadística y al análisis espacial :

• Una variable espacialmente extensa (a veces llamada propiedad global ) es aquella que se puede aplicar solo a todo el distrito, comúnmente en forma de recuentos totales o cantidades de un fenómeno (similar a Masa o peso en física). Se dice que las variables extensivas son acumulativassobre el espacio; por ejemplo, si la población del Reino Unido es de 65 millones, no es posible que las poblaciones de Inglaterra, Gales, Escocia e Irlanda del Norte también sean de 65 millones. En cambio, sus poblaciones totales deben sumar (acumular) para calcular la población total de la entidad colectiva. Sin embargo, aunque es posible mapear una variable extensa en un mapa de coropletas, esto se desaconseja casi universalmente porque los patrones pueden malinterpretarse fácilmente. Por ejemplo, si un mapa de coropletas asignara un tono particular de rojo a las poblaciones totales entre 60 y 70 millones, una situación en la que el Reino Unido (como un solo distrito) tiene 65 millones de habitantes sería indistinguible de una situación en la que los cuatro países constituyentes cada uno tenía 65 millones de habitantes, a pesar de que se trata de realidades geográficas muy diferentes.Otra fuente de error de interpretación es que si un distrito grande y un distrito pequeño tienen el mismo valor (y por lo tanto el mismo color), el más grande naturalmente se verá como más.^[11] Otros tipos de mapas temáticos , especialmente los símbolos y cartogramas proporcionales , están diseñados para representar variables extensas y generalmente se prefieren. ^{[12] : 131}
• Una variable espacialmente intensiva , también conocida como campo , superficie estadística o variable localizada , representa una propiedad que podría medirse en cualquier lugar (un punto o área pequeña, según su naturaleza) en el espacio, independientemente de cualquier límite, aunque su la variación en un distrito se puede resumir como un valor único. Las variables intensivas comunes incluyen densidades, proporciones, tasas de cambio, asignaciones medias (p. Ej., PIB per cápita) y estadísticas descriptivas (p. Ej., Media, mediana, desviación estándar). Se dice que las variables intensivas son distributivas en el espacio; por ejemplo, si la densidad de poblacióndel Reino Unido es 250 personas por kilómetro cuadrado, entonces sería razonable estimar (en ausencia de cualquier otro dato) que la densidad más probable (si no realmente correcta) de cada uno de los cinco países constituyentes es también 250 / km ² . Tradicionalmente en cartografía, el modelo conceptual predominante para este tipo de fenómenos ha sido la superficie estadística , en la que la variable se imagina como una "altura" de tercera dimensión sobre el espacio bidimensional que varía continuamente. ^[13] En la ciencia de la información geográfica , la conceptualización más común es el campo , adoptado de Físicay generalmente modelado como una función escalar de ubicación. Los mapas de coropletas se adaptan mejor a variables intensivas que extensivas; Si un usuario del mapa ve el Reino Unido lleno de un color para "100-200 personas por km cuadrado", estimar que Gales e Inglaterra pueden tener cada uno de 100 a 200 personas por km cuadrado puede no ser exacto, pero es posible y razonable. estimar.

Normalización: el mapa de la izquierda usa la población total para determinar el color. Esto hace que los polígonos más grandes parezcan estar más urbanizados que las áreas urbanas densas más pequeñas de Boston , Massachusetts. El mapa de la derecha utiliza la densidad de población. Un mapa correctamente normalizado mostrará variables independientes del tamaño de los polígonos.

Normalización

La normalización es la técnica de derivar una variable espacialmente intensiva a partir de una o más variables espacialmente extensivas, de modo que pueda usarse adecuadamente en un mapa de coropletas. Es similar, pero no idéntica, a la técnica de normalización o estandarización en estadística. Por lo general, se logra calculando la relación entre dos variables espacialmente extensas. ^{[9] : 252} Aunque cualquier relación de este tipo resultará en una variable intensiva, solo unas pocas son especialmente significativas y se usan comúnmente en mapas de coropletas:

• Densidad = total / área. Ejemplo: densidad de población
• Proporción = total del subgrupo / total general. Ejemplo: Hogares ricos como porcentaje de todos los hogares.
• Asignación media = cantidad total / individuos totales. Ejemplo: producto interno bruto per cápita (PIB total / población total)
• Tasa de cambio = total en un momento posterior / total en un momento anterior. Ejemplo: tasa de crecimiento anual de la población.

Estos no son equivalentes, ni uno mejor que otro. Más bien, cuentan diferentes aspectos de una narrativa geográfica. Por ejemplo, un mapa de coropletas de la densidad poblacional de la población latina en Texas visualiza una narrativa sobre la agrupación espacial y la distribución de ese grupo, mientras que un mapa del porcentaje de latinos visualiza una narrativa de composición y predominio.

Clasificación

Artículos principales: agrupamiento de datos , análisis de conglomerados y clasificación estadística

Este mapa de las elecciones presidenciales de EE. UU. 2004-2016 utiliza distritos de condado, una variable espacialmente intensiva (diferencia en proporción) que no está clasificada y una progresión espectral de color divergente. Tenga en cuenta la leyenda de gradiente continuo que refleja la falta de clasificación.

Cada mapa de coropletas tiene una estrategia para asignar valores a colores. Un mapa de coropletas clasificado separa el rango de valores en clases, y a todos los distritos de cada clase se les asigna el mismo color. Un no clasificados mapa (a veces llamado n-clase ) asigna directamente un proporcional color para el valor de cada distrito. Comenzando con el mapa de Dupin de 1826, los mapas de coropletas clasificados han sido mucho más comunes. Es probable que esto se deba originalmente a la mayor simplicidad de aplicar un conjunto limitado de tintes; sólo en la era de la cartografía computarizada han sido factibles los mapas de coropletas sin clasificar y, hasta hace poco, todavía no eran fáciles de crear en la mayoría de los programas de cartografía. ^[14] Waldo R. Tobler, al presentar formalmente el esquema no clasificado en 1973, afirmó que era una descripción más precisa de los datos originales, y afirmó que el argumento principal a favor de la clasificación, que es más legible, necesitaba ser probado. ^[15] El debate y los experimentos que siguieron llegaron a la conclusión general de que la principal ventaja de los mapas de coropletas no clasificados, además de la afirmación de Tobler de precisión bruta, era que permitían a los lectores ver variaciones sutiles en la variable, sin hacerles creer que los distritos que pertenecían a la misma clase tenían valores idénticos. Por lo tanto, pueden ver mejor los patrones generales del fenómeno geográfico, pero no los valores específicos. ^{[12] : 109 [16] [17]}El argumento principal a favor de los mapas de coropletas clasificados es que es más fácil de procesar para los lectores, debido a la menor cantidad de tonos distintos para reconocer, lo que reduce la carga cognitiva y les permite hacer coincidir con precisión los colores en el mapa con los valores enumerados en la leyenda. ^{[18] [19]}

La clasificación se realiza mediante el establecimiento de una regla de clasificación , una serie de umbrales que divide el rango cuantitativo de valores variables en una serie de clases ordenadas. Por ejemplo, si un conjunto de datos de ingresos medios anuales por condado de EE. UU. Incluye valores entre USD $ 20 000 y $ 150 000, podría dividirse en tres clases con umbrales de $ 45 000 y $ 83 000. Para evitar confusiones, cualquier regla de clasificación debe ser mutuamente excluyente y colectivamente exhaustiva., lo que significa que cualquier valor posible cae exactamente en una clase. Por ejemplo, si una regla establece un umbral en el valor 6.5, debe quedar claro si un distrito con un valor de exactamente 6.5 se clasificará en la clase baja o alta (es decir, si la definición de la clase baja es < 6.5 o ≤6.5 y si la clase alta es> 6.5 o ≥6.5). Se han desarrollado una variedad de tipos de reglas de clasificación para mapas de coropletas: ^{[20] [12] : 87}

• Las reglas exógenas importan umbrales sin tener en cuenta los patrones en los datos disponibles.
  • Las reglas establecidas son las que ya son de uso común debido a investigaciones científicas anteriores o políticas oficiales. Un ejemplo sería el uso de tramos de impuestos gubernamentales o un umbral de pobreza estándar al clasificar los niveles de ingresos.
  • Las estrategias ad hoc o de sentido común son esencialmente inventadas por el cartógrafo utilizando umbrales que tienen algún sentido intuitivo. Un ejemplo sería clasificar los ingresos de acuerdo con lo que el cartógrafo cree que es "rico", "clase media" y "pobre". Estas estrategias generalmente no se recomiendan a menos que todos los demás métodos no sean factibles.
• Las reglas endógenas se basan en patrones en el propio conjunto de datos.
  • Las reglas de rupturas naturales buscan conglomerados naturales en los datos, en los que un gran número de distritos tienen valores similares con grandes espacios entre ellos. Si este es el caso, estos grupos probablemente tengan un significado geográfico.
    • La optimización de las rupturas naturales de Jenks es un algoritmo heurístico para identificar automáticamente dichos grupos, si existen; es esencialmente una forma unidimensional del algoritmo de agrupamiento de k-medias . ^[21] Si los clústeres naturales no existen, las rupturas que genera a menudo se reconocen como un buen compromiso entre los otros métodos, y comúnmente es el clasificador predeterminado utilizado en el software SIG.
  • Intervalos iguales o una progresión aritmética divide el rango de valores para que cada clase tenga un rango de valores igual: ( max - min ) / n . Por ejemplo, el rango de ingresos anterior ($ 20 000 - $ 150 000) se dividiría en cuatro clases en $ 52 500, $ 85 000 y $ 117 500.
    • Una regla de desviación estándar también genera rangos iguales de valores, pero en lugar de comenzar con los valores mínimo y máximo, comienza en la media aritmética de los datos y establece una ruptura en cada múltiplo de un número constante de desviaciones estándar por encima y por debajo de la media. .
  • Quantiles divide el conjunto de datos para que cada clase tenga el mismo número de distritos. Por ejemplo, si los 3141 condados de los Estados Unidos se dividieran en cuatro clases de cuantiles (es decir, cuartiles ), entonces la primera clase incluiría los 785 condados más pobres y luego los 785 siguientes. Es posible que sea necesario realizar ajustes cuando el número de distritos no divide uniformemente, o cuando valores idénticos superan el umbral.
  • Una regla de progresión geométrica divide el rango de valores para que la proporción de umbrales sea constante (en lugar de su intervalo como en una progresión aritmética). Por ejemplo, el rango de ingresos anterior se dividiría usando una proporción de 2 con umbrales de $ 40 000 y $ 80 000. Este tipo de regla se usa comúnmente cuando la distribución de frecuencia de los datos tiene un sesgo positivo muy alto , especialmente si es geométrico o exponencial .
  • Una regla de medias anidadas o de rupturas de cabeza / cola es un algoritmo que divide de forma recursiva el conjunto de datos estableciendo un umbral en la media aritmética , luego subdividiendo cada una de las dos clases creadas en sus respectivas medias, y así sucesivamente. Por lo tanto, el número de clases no es arbitrario, sino que debe ser una potencia de dos (2, 4, 8, etc.). Se ha sugerido que esto también funciona bien para distribuciones muy sesgadas .

Debido a que los umbrales calculados a menudo pueden tener valores precisos que los lectores de mapas no pueden interpretar fácilmente (por ejemplo, $ 74,326.9734), es común crear una regla de clasificación modificada redondeando los valores de umbral a un número simple similar. Un ejemplo común es una progresión geométrica modificada que subdivide potencias de diez, como [1, 2.5, 5, 10, 25, 50, 100, ...] o [1, 3, 10, 30, 100, ... ].

Progresión de color

Artículo principal: esquema de color

El elemento final de un mapa de coropletas es el conjunto de colores utilizados para representar los diferentes valores de la variable. Hay una variedad de enfoques diferentes para esta tarea, pero el principio principal es que cualquier orden en la variable (por ejemplo, valores cuantitativos bajos a altos) debe reflejarse en el orden percibido de los colores (por ejemplo, claro a oscuro), como esto permitirá a los lectores de mapas hacer juicios intuitivos de "más frente a menos" y ver tendencias y patrones con una referencia mínima a la leyenda. ^{[12] : 114}Una segunda pauta general, al menos para mapas clasificados, es que los colores deben ser fácilmente distinguibles, por lo que los colores en el mapa pueden coincidir sin ambigüedades con los de la leyenda para determinar los valores representados. Este requisito limita el número de clases que se pueden incluir; para los tonos de gris, las pruebas han demostrado que cuando se usa solo el valor (p. ej., claro a oscuro, ya sea gris o cualquier tono ), es difícil usar prácticamente más de siete clases. ^[22] Si se incorporan diferencias en el tono y / o la saturación, ese límite aumenta significativamente hasta 10-12 clases. La necesidad de discriminación de colores se ve aún más afectada por las deficiencias en la visión de los colores.; por ejemplo, los esquemas de color que usan rojo y verde para distinguir valores no serán útiles para una porción significativa de la población . ^[23]

Los tipos más comunes de progresiones de color que se utilizan en los mapas de coropletas (y otros mapas temáticos) incluyen: ^{[24] [25]}

• Una progresión secuencial representa valores variables como valor de color
  • Una progresión de escala de grises usa solo tonos de gris.
    Progresión en escala de grises
  • Una progresión de un solo tono se desvanece de un tono oscuro del color elegido (o gris) a un tono muy claro o blanco de relativamente el mismo tono. Este es un método común utilizado para mapear la magnitud. El tono más oscuro representa el mayor número en el conjunto de datos y el tono más claro representa el menor número.
    Progresión de un solo tono
  • Una progresión espectral parcial utiliza un rango limitado de matices para agregar más contraste al contraste de valores, lo que permite utilizar un mayor número de clases. El amarillo se usa comúnmente para el extremo más claro de la progresión debido a su aparente ligereza natural. Los rangos de tonos comunes son amarillo-verde-azul y amarillo-naranja-rojo.
    Progresión espectral parcial
• Una progresión divergente o bipolar es esencialmente dos progresiones de color secuenciales (de los tipos anteriores) unidas con un color de luz común o blanco. Normalmente se utilizan para representar valores positivos y negativos o divergencias de una tendencia central, como la media de la variable que se está mapeando. Por ejemplo, una progresión típica al mapear temperaturas es de azul oscuro (para frío) a rojo oscuro (para caliente) con blanco en el medio. Estos se utilizan a menudo cuando los dos extremos reciben juicios de valor, como mostrar el final "bueno" como verde y el final "malo" como rojo. ^[26]
  Progresión de color bipolar
• Una progresión espectral utiliza una amplia gama de matices (posiblemente toda la rueda de colores) sin diferencias de valor intencionadas. Esto se usa más comúnmente cuando hay un orden para los valores, pero no es un orden "más vs. menos", como la estacionalidad. Los no cartógrafos lo utilizan con frecuencia en situaciones en las que otras progresiones de color serían mucho más efectivas. ^{[27] [28]}
  Progresión de color espectral completa
• Una progresión cualitativa utiliza un conjunto disperso de matices sin ningún orden en particular, sin diferencia intencionada de valor. Esto se usa más comúnmente con categorías nominales en un mapa de coropletas cualitativas, como "religión más prevalente".
  Progresión de color cualitativa

Mapas de coropletas bivariados

Mapa de coropletas bivariado que compara las poblaciones negras (azul) e hispanas (rojas) en los Estados Unidos, censo de 2010; los tonos de violeta muestran proporciones significativas de ambos grupos.

Artículo principal: mapa bivariado

Es posible representar dos (y a veces tres) variables simultáneamente en un único mapa de coropletas al representar cada una con una progresión de un solo tono y combinar los colores de cada distrito. Esta técnica fue publicada por primera vez por la Oficina del Censo de EE. UU. En la década de 1970 y se ha utilizado muchas veces desde entonces, con diversos grados de éxito. ^[29] Esta técnica se utiliza generalmente para visualizar la correlación y el contraste entre dos variables hipotetizadas que están estrechamente relacionadas, como el nivel educativo y los ingresos. Generalmente se utilizan colores contrastantes pero no complementarios, de modo que su combinación se reconoce intuitivamente como "entre" los dos colores originales, como rojo + azul = violeta. La técnica funciona mejor cuando la geografía de la variable tiene un alto grado de autocorrelación espacial., de modo que haya grandes regiones de colores similares con cambios graduales entre ellos; de lo contrario, el mapa puede parecer una mezcla confusa de colores aleatorios. ^{[9] : 331} Se ha descubierto que son más fáciles de usar si el mapa incluye una leyenda cuidadosamente diseñada y una explicación de la técnica. ^[30]

Leyenda

Ver también: Diseño de página (cartografía)

Un mapa de coropletas utiliza símbolos ad hoc para representar la variable asignada. Si bien la estrategia general puede ser intuitiva si se elige una progresión de color que refleje el orden correcto, los lectores de mapas no pueden descifrar el valor real de cada distrito sin una leyenda. Una leyenda de coropletas típica para un mapa de coropletas clasificadas incluye una serie de parches de muestra del símbolo para cada clase, con una descripción de texto del rango de valores correspondiente. En un mapa de coropletas sin clasificar, es común que la leyenda muestre un degradado de color suave entre los valores mínimo y máximo, con dos o más puntos etiquetados con los valores correspondientes. ^{[12] : 111}

Un enfoque alternativo es la leyenda del histograma , que incluye un histograma que muestra la distribución de frecuencia de la variable mapeada (es decir, el número de distritos en cada clase). Cada clase puede estar representada por una sola barra con su ancho determinado por sus valores de umbral mínimo y máximo y su altura calculada de manera que el área de la caja sea proporcional al número de distritos incluidos, luego coloreada con el símbolo del mapa utilizado para esa clase. Alternativamente, el histograma se puede dividir en un gran número de barras, de modo que cada clase incluya una o más barras, simbolizadas según su símbolo en el mapa. ^[31]Esta forma de leyenda muestra no solo los valores de umbral para cada clase, sino que brinda un contexto para la fuente de esos valores, especialmente para las reglas de clasificación endógenas que se basan en la distribución de frecuencias, como los cuantiles. Sin embargo, actualmente no son compatibles con el software de cartografía y SIG, y normalmente deben construirse manualmente.

Ver también

• Cartogramas , que a menudo se colorean como coropletas.
• Mapa de calor
• MacChoro

Notas al pie

1. Dupin, Charles (1826). Carte figurative de l'instruction populaire de la France . Bruselas: sn
2. Robinson, Arthur H. (1982). Cartografía temática temprana en la historia de la cartografía . Prensa de la Universidad de Chicago.
3. Irlanda (1843). Informe de los comisionados designados para realizar el censo de Irlanda para el año 1841 . Dublín: HM Stationery Office. pag. lv.
4. John Kirtland Wright (1938). "Problemas en el mapeo de la población" en Notas sobre el mapeo estadístico, con especial referencia al mapeo de fenómenos poblacionales , p.12.
5. Raisz, Erwin (1948). Cartografía general (2ª ed.). McGraw-Hill. pag. 249.
6. Trewartha, Glenn T. (enero de 1938). "Mapas de proporción de granjas y cultivos de China". Revisión geográfica . 28 (1): 102-111.
7. Chrisman, Nicholas (2002). Explorando los sistemas de información geográfica (2ª ed.). Wiley. pag. 65. ISBN 0-471-31425-0.
8. Jenks, George F .; Caspall, Fred C. (junio de 1971). "Error en mapas coropletas: definición, medida, reducción". Anales de la Asociación de Geógrafos Estadounidenses . 61 (2): 217–244. doi : 10.1111 / j.1467-8306.1971.tb00779.x . ISSN 0004-5608 . 
9. T. Slocum, R. McMaster, F. Kessler, H. Howard (2009). Cartografía temática y geovisualización, tercera edición, página 252. Pearson Prentice Hall: Upper Saddle River, Nueva Jersey.
10. Rittschof, Kent (1998). "Aprendiendo y recordando de mapas temáticos de regiones familiares". Investigación y desarrollo de tecnología educativa . 46 : 19–38. doi : 10.1007 / BF02299827 .
11. Mark Monmonier (1991). Cómo mentir con mapas . págs. 22-23. Prensa de la Universidad de Chicago
12. Dent, Borden D .; Torguson, Jeffrey S .; Hodler, Thomas W. (2009). Cartografía: Diseño de mapas temáticos (6ª ed.). McGraw-Hill.
13. Jenks, George F. (1963). "Generalización en Mapeo Estadístico". Anales de la Asociación de Geógrafos Estadounidenses . 53 (1): 15. doi : 10.1111 / j.1467-8306.1963.tb00429.x .
14. Kelly, Brett (2017). "Revisión del mapeo de coropletas no clasificadas" . Perspectivas cartográficas (86): 30. doi : 10.14714 / CP86.1424 .
15. Tobler, Waldo R. (julio de 1973). "Mapas de coropletas sin intervalos de clase" . Análisis geográfico . 5 (3): 262–265. doi : 10.1111 / j.1538-4632.1973.tb01012.x .
16. Peterson, Michael P. (1979). "Una evaluación del mapeo de coropletas de líneas cruzadas no clasificadas". El cartógrafo estadounidense . 6 (1): 21–37. doi : 10.1559 / 152304079784022736 .
17. Muller, Jean-Claude (junio de 1979). "Percepción de mapas continuamente sombreados". Anales de la Asociación de Geógrafos Estadounidenses . 69 (2): 240.
18. Dobson, Michael W. (octubre de 1973). "¿Mapas de coropletas sin intervalos de clase? Un comentario" . Análisis geográfico . 5 (4): 358–360. doi : 10.1111 / j.1538-4632.1973.tb00498.x .
19. Dobson, Michael W .; Peterson, Michael P. (1980). "Mapas de coropletas no clasificados: un comentario, una respuesta". El cartógrafo estadounidense . 7 (1): 78–81. doi : 10.1559 / 152304080784522928 .
20. Kraak, Menno-Jan; Ormeling, Ferjan (2003). Cartografía: visualización de datos espaciales (2ª ed.). Prentice Hall. págs. 116-121. ISBN 978-0-13-088890-7.
21. Jenks, George F. 1967. "El concepto de modelo de datos en el mapeo estadístico", Anuario internacional de cartografía 7: 186-190.
22. Monmonier, Mark (1977). Mapas, distorsión y significado . Asociación de Geógrafos Americanos.
23. Olson, Judy M .; Brewer, Cynthia (1997). "Una evaluación de las selecciones de color para adaptarse a los usuarios de mapas con problemas de visión de los colores". Anales de la Asociación de Geógrafos Estadounidenses . 87 (1): 103-134.
24. Robinson, AH, Morrison, JL, Muehrke, PC, Kimmerling, AJ & Guptill, SC (1995) Elementos de cartografía. (Sexta edición), Nueva York: Wiley.
25. Brewer, Cynthia A. "Pautas de uso del color para mapeo y visualización". En MacEachren, Alan M .; Taylor, DRF (eds.). Visualización en cartografía moderna . Pergamon. págs. 123-147.
26. Patricia Cohen (9 de agosto de 2011). "Lo que los mapas digitales pueden decirnos sobre el estilo americano" . New York Times .
27. Luz; et al. (2004). "¿El fin del arco iris? Esquemas de colores para gráficos de datos mejorados" (PDF) . Eos . 85 (40): 385–91. doi : 10.1029 / 2004EO400002 .
28. Stauffer, Reto. "En algún lugar sobre el arco iris" . Asistente de HCL . Consultado el 14 de agosto de 2019 .
29. Meyer, Morton A .; Broome, Frederick R .; Schweitzer, Richard H. Jr. (1975). "Mapeo estadístico de color por la Oficina del Censo de Estados Unidos". El cartógrafo estadounidense . 2 (2): 101-117. doi : 10.1559 / 152304075784313250 .
30. Olson, Judy M. (1981). "Mapas de dos variables codificados espectralmente". Anales de la Asociación de Geógrafos Estadounidenses . 71 (2): 259–276.
31. Kumar, Naresh (2004). "Leyenda del histograma de frecuencia en el mapa de coropletas: un sustituto de las leyendas tradicionales". Cartografía y Ciencias de la Información Geográfica . 31 (4): 217-236. doi : 10.1559 / 1523040042742411 .

Referencias

• Dent, Borden; Torguson, Jeffrey; Hodler, Thomas (21 de agosto de 2008). Diseño de mapas temáticos de cartografía . McGraw-Hill. ISBN 978-0-072-94382-5.

Enlaces externos

Busque el mapa de coropletas en Wiktionary, el diccionario gratuito.

Wikimedia Commons tiene medios relacionados con mapas y mapas de coropletas .

• ColorBrewer - consejos de color para cartografía
• Un generador de mapas de coropletas para EE. UU.