Diseño e implementación de una plataforma de análisis visual para sistemas urbanos
77
0
0
Texto completo
(2) DISEÑO E IMPLEMENTACIÓN DE UNA PLATAFORMA DE ANÁLISIS VISUAL PARA SISTEMAS URBANOS. JHON ALEJANDRO TRIANA TRUJILLO. Tesis para optar por el grado de: Maestrı́a en Ingenierı́a de Sistemas y Computación. Profesor Asesor José Tiberio Hernández, MSc., PhD.. UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA DE SISTEMAS Y COMPUTACIÓN GRUPO DE INVESTIGACIÓN IMAGINE BOGOTÁ D. C. JULIO 2011.
(3) A mi familia,. 1.
(4) Agradecimientos Este proyecto no hubiera sido posible sin el apoyo y la enseñanzas del profesor José Tiberio Hernández Ph. D, mi asesor de tesis, sin la colaboración de los miembros del grupo IMAGINE y el equipo de trabajo de la linea de investigación de sistemas urbanos. Un agradecimiento especial al profesor Juan Pablo Bocarejo Ph D, y a su equipo de trabajo por su colaboración y aportes significativos a este proyecto que hoy termina una primer etapa.. 2.
(5) Índice general Resumen. 5. Introducción. 7. Objetivos Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . .. 8 8 8. 1. Marco Teórico 1.1. Analı́tica visual . . . . . . . . . . . . . 1.1.1. Técnicas de Visualización . . . 1.1.2. Técnicas de Interacción . . . . . 1.1.3. Representación de Datos . . . . 1.2. Sistema urbano . . . . . . . . . . . . . 1.3. Antecedentes . . . . . . . . . . . . . . 1.3.1. IN-SPIRE . . . . . . . . . . . . 1.3.2. Jigsaw, analizando documentos 1.3.3. WireViz . . . . . . . . . . . . . 1.3.4. GreenGrid . . . . . . . . . . . 1.3.5. Scalable Reasoning System . . 1.3.6. Visualizando la ciudad . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. . . . . . . . . . . . .. 2. Propuesta 2.1. Requerimientos de la plataforma . . . . . . . . . . . . . . . . 2.1.1. Requerimientos para administrar y transformar datos 2.1.2. Requerimientos de visualización . . . . . . . . . . . . 2.1.3. Requerimientos de interacción . . . . . . . . . . . . . 2.2. Diseño de la plataforma . . . . . . . . . . . . . . . . . . . . 3. . . . . . . . . . . . .. 9 9 11 14 17 23 24 24 25 28 31 32 32. . . . . .. 37 37 39 40 41 41.
(6) 2.2.1. 2.2.2. 2.2.3. 2.2.4.. Representación y transformación de Visualización de elementos urbanos Visualización de datos . . . . . . . Interacción . . . . . . . . . . . . .. 3. Implementación 3.1. Arquitectura . . . 3.2. Implementación . 3.2.1. Fuentes de 3.2.2. Aplicación. . . . . . . . . datos . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. datos . . . . . . . . . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. 41 54 55 60. . . . .. 63 63 65 65 65. Conclusiones. 69. Bibliografı́a. 75. 4.
(7) Resumen Este documento presenta el diseño e implemenetación parcial de una plataforma de análisis visual que asiste el proceso de toma de decisiones en planeación urbana, este proceso requiere del análisis de diversas temáticas como usos de suelo, movilidad y transporte, economı́a, etc; estas temáticas o disciplinas usualmente no convergen en una situación común al no tener un lenguaje hemogéneo o herramientas que integren la información de diferentes temáticas. Para solucionar este inconveniente y mejorar la comunicación entre los expertos que intervienen en las diversas disciplinas, este proyecto propone el diseño e implementación parcial de una plataforma de análisis visual que permita integrar la información disponible en múltiples fuentes de datos heterogéneas, ademas de modelar y visualizar el sistema urbano requerido por los expertos brindando un ambiente común en el cual se puedan discutir alternativas o escenarios desde diferentes puntos de vista según la temática y el experto. Las diferentes fuentes de datos pueden ser sistemas de información geográficos o SIG, datos estadı́sticos, simulaciones e incluso modelos tridimensionales, adicionalmente la herramienta propone vistas, menús y tareas especificas dependiendo del análisis o tareas de análisis que se requiera por parte de los expertos.. 5.
(8) Abstract This document presents a design and implementation of a visual analytics application to support the decision making process that requires the combination of different kinds of topics such as land use, mobility or economics which usually are not congruent. Consequently, the process may be complex for decision makers who have to act based on a restricted understanding of the situation. This project proposes a method for urban systems representation, visualization and interaction, taking as data sources GIS information, statistics, regulations, simulations, or urban 3D models, and taking into account alternatives, scenarios, points of view, data quality and decision tasks and tools. Also a prototype was developed to test the main features of the platform.. 6.
(9) Introducción El análisis y representación de sistemas urbanos requiere el uso de datos complejos referenciados espacial y temporalmente, ademas estos datos son hetereogéneos en calidad y proceden de múltiples fuentes de datos como sistemas de información geográfica, simuladores, bases de datos, entre otros. Como un apoyo a tratar estas dificultades se propone el diseño de una plataforma de análisis visual que, con base en un esquema de representación y una propuesta de visualización interactiva, nos facilita el análisis de grandes volúmenes de datos complejos para la toma de decisiones por el ser humano. Para ilustrar la funcionalidad de la plataforma se tomó como caso de estudio la ciudad de Bogotá y como foco la temática de movilidad y trasporte en un contexto de uso del suelo, sugerido por los expertos en movilidad y transporte para analizar la dinámica de la movilidad en la ciudad. Con base en el prototipo construido se están formulando nuevas hipótesis acerca de las caracterı́sticas de una plataforma de analı́tica visual de sistemas urbanos y posibles escenarios de análisis. Este documento presenta una revisión bibliográfica en el capitulo 1, donde se presentan trabajos relacionados en el campo del análisis visual, en sistemas urbanos y algunos antecedentes de herramientas similares o con caracterı́sticas útiles para el desarrollo de este proyecto. En el capitulo 2, se plantea la propuesta de diseño de la plataforma de análisis visual, presentando los requerimientos y el diseño de la plataforma, considerando la representación del sistema urbano, la visualización y la interacción necesaria para efectuar las tareas de análisis requeridas por los usuarios de la plataforma. A continuación en el capitulo 3, se presenta un prototipo de la plataforma propuesta resaltando las caracterı́sticas mas relevantes de la herramienta propuesta. Finalmente se presentan las conclusiones y la bibliografı́a.. 7.
(10) Objetivos Objetivo General Proponer el diseño e implementación parcial de una herramienta de análisis visual que permita asistir el proceso de toma de decisiones en la planeación urbana, tomando como referencia escenarios y problemáticas reales en la ciudad de Bogotá.. Objetivos Especı́ficos Proponer un modelo de integración de información sobre sistemas urbanos (ocupación y uso del suelo, población y transporte en Bogotá y su región) con el fin de alimentar una representación que apoye la planeación urbana. Diseñar e implementar un prototipo de una plataforma de análisis visual de escenarios de movilidad con base en la información integrada. Diseñar e implementar un caso de uso de análisis de un escenario propuesto por los expertos para el estudio de alternativas y la toma de decisiones en la temática de transporte en el contexto Bogotá- Región.. 8.
(11) Capı́tulo 1 Marco Teórico La revisión bibliográfica busca crear un estado del arte sobre el análisis visual, al igual que fundamentar y contextualizar el estudio de sistemas urbanos orientado al proceso de planeación urbana y toma decisiones. Este capitulo se encuentra estructurado en tres secciones, la primera sección denominada analı́tica visual, establece los fundamentos del análisis visual requeridos en el desarrollo de este proyecto, la segunda sección define y caracteriza los diversos sistemas urbanos que serán objeto de estudio ası́ como procesos de planeación urbana que afecta dichos sistemas. Finalmente se presentan algunos antecedentes de aplicaciones que usan analı́tica visual en el área de planeación urbana y otras áreas de aplicación.. 1.1.. Analı́tica visual. Esta sección busca definir y caracterizar los elementos mas relevantes que conforman la analı́tica visual, como lo son las técnicas de visualización, técnicas de interacción, minerı́a de datos, entre otros. Para lograr este objetivo se plantea el estudio de los términos mas generales a los mas especı́ficos, incluyendo una taxonomı́a de los datos que se requieren representar y visualizar. Definición Según algunos autores, la analı́tica visual o análisis visual se puede definir como:. 9.
(12) (( Es la ciencia de razonamiento analı́tico facilitada por interfaces visuales interactivas [1] )) (( El Análisis Visual o Visual Analytics, es una extensión de la visualización cientı́fica y de información usando técnicas de transformación de datos (computacionales), análisis de datos incluyendo técnicas de visualización y de interacción. [2] )) Teniendo en cuenta las consideraciones anteriores podemos concluir que análisis visual: Es la ciencia del razonamiento analı́tico que permite mostrar la sı́ntesis de información compleja para el ser humano con la ayuda de técnicas de visualización, interacción y transformación de datos. El análisis visual permite mostrar información compleja para el ser humano, la complejidad de la información se puede caracterizar según un conjunto de propiedades listada a continuación: Grandes volúmenes de Datos Datos dinámicos Datos ambiguos Datos conflictivos Datos relacionados [3] Considerando que la mayorı́a de datos fuente en el estudio y análisis de sistemas urbanos son complejos, se requiere de la integración de datos de diversa naturaleza, provenientes de fuentes de datos heterogéneas, con diferentes resoluciones y calidades, y poseen alguna de las propiedades previamente mencionadas, el uso de análisis visual permite: Incrementar los recursos cognitivos, como la memoria humana Reducir la búsqueda al mostrar muchos datos en el mismo espacio Aumentar el reconocimiento de patrones porque la información organizada especialmente y sus relaciones temporales 10.
(13) Facilitar la inferencia Monitoreo de un gran numero de eventos Brindar un ambiente manipulable Teniendo en cuenta los diversos aspectos que caracterizan la analı́tica visual podemos concluir: Plataforma de análisis visual es una aplicación que usa técnicas de interacción, técnicas de visualización y transformación de datos; para analizar grandes de volúmenes de información y datos complejos para la toma de decisiones por el ser humano. La plataforma de análisis visual que se propone en este proyecto se caracteriza por: Tipo de datos que puede manipular Transformación de datos Técnicas de interacción como: exploración, navegación, filtrado, extracción, etc Técnicas de Visualización Tipo de escenarios que puede representar Trazabilidad de un proceso de análisis y toma de decisiones. 1.1.1.. Técnicas de Visualización. En la literatura se encuentran diferentes técnicas de visualización como proyecciones geométricas, técnicas basadas en iconos, técnicas jerárquicas, técnicas basadas en grafos, técnicas basadas en pixeles, y combinaciones entre varias técnicas. Proyección Geométrica Las proyecciones geométricas incluyen gráficas de dispersión, gráficos de linea, gráficos de barras, histogramas, coordenadas paralelas para graficar datos multi-dimensionales, coordenadas paralelas circulares [4] y paisajes [5]. En la figura 1.1, se muestra un ejemplo de gráficos de coordenadas paralelas y coordenadas circulares paralelas. 11.
(14) Figura 1.1: Gráficos de coordenadas paralelas y gráfico de coordenadas paralelas circulares. Imagen tomada de [4]. Técnica de visualización basada en iconos Algunos ejemplos son codificación de formas, iconos de color [6] o figuras con lineas [7]. En la figura 1.2, se muestran los iconos usados para codificar la imagen y la gráfica de una imagen tomada por el satélite meteorológico NOAA-7 AVHRR.. Figura 1.2: Ejemplo de una gráfica basada en iconos. a la izquierda, los iconos usados para codificar la imagen. A la derecha, la gráfica de una imagen codificada, de una imagen tomada por el satélite NOAA-7 AVHRR meteorológico. Imagen tomada de [7]. 12.
(15) Técnica de visualización basada en pixeles Esta técnica consiste en asignarle a cada dato un pixel coloreado, donde el colo representa el valor del dato, esta técnica permite visualizar grandes cantidades de información, en algunos casos hasta 1’000.000 valores o mas. Algunas variantes de esta técnica son el uso de espirales, patrones recursivos o segmentos de circulo [8]. En la figura 1.3 se muestra un ejemplo de una visualización que usa una técnica basada en pixeles.. Figura 1.3: Ejemplo de una visualización basada en pixeles. Imagen tomada de [8].. 13.
(16) Técnica de visualización Jerárquica Este tipo de visualización incluye arboles 2D y 3D, o arboles graficados como conos propuesto por [9], en la figura 1.4 se muestra un ejemplo de este tipo de visualización.. Figura 1.4: Ejemplo de una visualización jerárquica, Cone Tree. Imagen tomada de [9].. Técnica de visualización basada en grafos Este tipo de técnica busca agrupar y optimizar datos jerárquicos para visualizarlos adecuadamente [10]. En la figura 1.5 se muestra la estructura de World. Wide Web in 3D [11].. 1.1.2.. Técnicas de Interacción. El estudio de las técnicas de interacción clásico se hace desde niveles muy bajos que pueden describir operaciones muy básicas, según [14], se deben proponer nuevas técnicas de interacción de mas alto nivel que asistan las aplicaciones y tareas de análisis visual. 14.
(17) Figura 1.5: Ejemplo de una visualización basada en grafos, imagen que muestra la estructura de World. Wide Web in 3D. Imagen tomada de [11]. En [12], se definen algunas las tareas mı́nimas que debe tener una permitir una aplicación interactiva: Resumen (Overview): brinda una visualización global de los datos representados. El resumen comúnmente contiene un cuadro que representa la vista actual de los datos cuando el modelo se encuentra muy cerca. Enfocar (Zoom): permite acercar o alejar la vista a una zona de interés de los datos mostrados. Esta función requiere que la representación de los datos mantenga las proporciones, para no alterar la visualización de la información a analizar. Filtrar (Filter): muestra zonas y objetos de interés. Permite agregar o remover objetos de la visualización, esto permite al usuario ocultar o resaltar datos de interés. Detalles por demanda (Details on demmand): despliega información adicional de acuerdo a los datos mostrados o seleccionados. Usualmente es usado sobre la operación de filtrado, cuando el usuario a seleccionado un datos o grupo de datos. Relacionar (Relate): esta operación permite visualizar las relaciones entre datos de interés, que permite al usuario el análisis de conectividad, pa15.
(18) trones, agrupaciones entre otros. Historia (History): conserva el historial de operaciones ejecutadas por el usuario, permite deshacer operaciones y reproducir sesiones almacenadas. [13] Extraer (Extract): permite extraer información filtrada o seleccionada por el usuario. Esta operación permite crear subconjuntos de datos y almacenarlos por separado en un nueva estructura de datos. [13] En un trabajo mas reciente [14], hace una recopilación de trabajos similares y establece 7 categorı́as principales de interacción que debe tener toda herramienta de visualización cientı́fica. A continuación son definidas las 7 categorı́as. Seleccionar (Select): es darle al usuario la posibilidad de marcar objetos o datos de su interés para resaltarlos. Cuando se tiene una gran cantidad de elementos representados en una vista es complejo para el usuario hacerles seguimiento a los objetos de su interés. Esta técnica puede estar acompañada de otra para enriquecer la interacción y motivar al usuario a explorar y navegar en el ambiente virtual. Explorar (Explore): permite al usuario examinar diferentes grupos de datos. En una representación visual con muchos elementos el usuario puede enfocar los elementos de su interés, este proceso es conocido como DirectWalk, en la literatura. Esta técnica puede o no afectar la visualización presente, es decir el usuario cambia de escala, pero la visualización se mantiene constante. Reconfigurar (Reconfigure): brinda al usuario diferentes perspectivas de un grupo de datos cambiando el arreglo espacial. El propósito de esta técnica es mostrar información oculta y relaciones entre elementos. Un ejemplo puede ser el cambio de ejes para mostrar objetos ocultos. Codificar (Encode): esta técnica permite al usuario cambiar la representación visual, a cada objeto le puede su apariencia (color, tamaño, forma, etc.). La operación mas común es el cambio del color, pero el cambio de. 16.
(19) orientación, fuente o forma, permite realizar varios tipos de codificaciones para un mismo grupo de datos y un mismo usuario. Extraer/Elaborar (Abstract/Elaborate): permite al usuario ajustar el nivel de abstracción de la representación visual. este tipo de interacción ofrece al usuario ver un todos los elementos o ver los detalles de un elemento en particular. Un caso particular de esta técnica en una operación de detalles por demanda, por ejemplo en [15], SequoiaView, permite al usuario explorar un árbol, mostrando solo los hijos del nodo en el que se encuentre el usuario. Otro ejemplo es cuando un usuario acerca la vista (Zoom-In), o aleja la vista (Zoon-Out), cambiando la escala y afectando la vista. Filtrar (Filter): presenta al usuario datos afectados por una caracterı́stica definida por el mismo. En esta técnica el usuario define un rango o una condición, y solo los datos que cumplen con estos parámetros son mostrados. con esta técnica el usuario no cambia la representación, solo oculta o muestra información para su análisis. Conectar (Connect): hace referencia a las técnicas de interacción que se usan para: resaltar asociaciones y relaciones entre elementos que han sido representados y mostrar elementos ocultos que son importantes de un elemento de interés. Cuando hay múltiples vistas del mismo objeto puede ser difı́cil identificar el objeto mientras se cambia de vistas. Por ejemplo en [16], cuando el cursor pasa sobre un objeto se resaltan los nodos conectados, en este caso particular los amigos de la persona señalada, en la imagen 1.6, se muestra un ejemplo de este caso especifico. Otras técnicas de interacción como deshacer, rehacer o cambiar la configuración, pueden llegar a ser de mucha utilidad, debido a que están presentes en muchas aplicaciones de uso diario.. 1.1.3.. Representación de Datos. Esta sección muestra algunas propuestas diseñadas para la representación de datos en sistemas urbanos. Primero se muestra una taxonomı́a de datos que busca caracterizar los datos presentes en un sistema urbano y a continuación se exponen algunos de los trabajos mas relevantes y pertinentes.. 17.
(20) Figura 1.6: Ejemplo de la técnica de interacción conectar, muestra la imagen de una persona y sus amigos (arcos resaltados). Imagen tomada de [16]. Taxonomı́a de Datos En la revisión bibliográfica se identifico una propuesta ampliamente difundida y aceptada en la comunidad cientı́fica. La propuesta se materializa en el articulo The Eyes Have It: A Task By Data Type Taxonomy for Information Visualization [12] por Ben Shneiderman presenta una clasificación de datos ampliamente conocida. Según [12] los datos se pueden clasificar en 7 categorı́as: Datos de una dimensión: incluye documentos, textos, códigos, listas de caracteres, lista alfabéticas que pueden estar organizadas secuencialmente. Adicionalmente estos datos pueden contener atributos adicionales como fecha de modificación, nombre del autor, fuentes, color, entre otros. Datos de dos dimensiones: planos, mapas, diseños de periódicos, imágenes fotográficas. En esta categorı́a se encuentra clasificada la mayor parte de información disponible de sistemas referenciados geográficamente amplia-. 18.
(21) mente usados en sistemas urbanos. Datos de tres dimensiones: En esta categorı́a están los objetos reales como edificios, vehı́culos, personas y muchos objetos adicionales. El diseño asistido por computador o Computer asisted design (CAD), por sus siglas en ingles ha permitido modelar y manejar la complejidad que implican las relaciones entre objetos en 3 dimensiones, algunas de estas relaciones pueden ser: sobre, debajo, dentro, afuera. En las aplicaciones que manipulan datos en 3 dimensiones los usuarios deben tener en cuenta la posición y orientación de los objetos para evitar problemas de oclusión, algunas estrategias para solucionar este problema es el uso de vistazos, marcadores, perspectiva, visualización estereoscopica, transparencias y codificación por colores. Datos temporales: Principalmente lineas de tiempo muy importantes en registros médicos, gerencia de proyectos o presentaciones de eventos históricos. Este tipo de datos son datos de 1 dimensión, pero con caracterı́sticas particulares, tienen un tiempo inicial y uno final e incluso pueden interceptarse con otras lineas de tiempo. Las tareas principales con este tipo de datos son encontrar eventos o datos, antes, después, o durante un intervalo de tiempo definido. Datos multidimensionales: bases de datos relacionales y estadı́sticas son manejadas como datos multidimensionales por conveniencia, cada atributo de la base de datos se modela con una dimensión. Este tipo de datos se puede visualizar tomando parejas de atributos y dejando una tercera dimensión para graficar las relaciones entre ellos. La visualización de este tipo de datos permite encontrar patrones, grupos, correlaciones entre parejas de datos, tendencias, entre otros datos de interés. Datos jerárquicos: jerárquicos o de estructura de árbol, son colecciones de datos que tienen una relación con un dato en un nivel superior (excepto el padre), las relaciones entre datos o nodos pueden tener múltiples atributos. Las operaciones en este tipo de estructuras de datos pueden aplicarse a los datos o a las relaciones existentes de entre ellos, operaciones comunes con este tipo de datos son: ¿cuantos niveles tiene el árbol?, ¿cuantos nodos hijo tiene un dato?.. 19.
(22) Grafos: algunas relaciones entre datos no se pueden representar fácilmente en un a estructura de árbol, en algunos casos se requiere que un dato este relacionado con un numero arbitrario de otros datos. Un ejemplo común para este tipo de datos en es modelado de una red de computadores. Algunas de las operaciones con este tipo de datos son: encontrar la ruta optima entre dos puntos de las red, ver las rutas de alta velocidad en toda la red, entre otras tareas de interés para diseñadores y analistas de redes. La taxonomı́a de datos anterior no esta diseñada particularmente para sistemas urbanos, pero se puede extender para la representación de sistemas urbanos. a continuación se muestran alguno trabajos de representación de datos que pueden ser de gran utilidad para la plataforma propuesta. CityGML CityGML es un modelo de datos basado en un fomato XML, diseñado para representar e intercambiar modelos 3D de ciudades. Esta basado en Geography Markup Language (GML3), propuesto por la Open Geospatial Consortim (OGC). CityGml no solo representa geometrı́as y apariencia de objetos urbanos, también permite incluir información semántica de los objetos a representar. CityGML [17], puede representar 4 aspectos principales de los modelos urbanos tridimensionales: semántica, geometrı́a, topologia y apariencia. Todos los objetos pueden ser representados en uno de los cinco niveles de detalle bien definidos. En la figura 1.7 se muestran los módulos que contiene CityGML, los módulos verticales definen diferentes modelos temáticos como construcción, equipamientos, usos de suelo, cuerpos de agua y transporte. Los módulos horizontales definen la estructura que es relevante para cada modulo temático. Esta estructura permite a las implementaciones de CityGML ser extensibles. Algunas de las caracterı́sticas mas importantes de CityGML se exponen a continuación. Representación Multi-escala CityGML, propone 5 niveles de detalle o LOD (Level Of Detail ) consecutivos, donde los objetos se muestran mas detallados a medida que el nivel aumenta. El uso de niveles detalle permite hacer mas eficiente la visualización y tener varias representaciones del mismo objeto. En la figura 1.8, se muestra un ejemplo de los 5 niveles de detalle definidos en CityMGL. 20.
(23) Figura 1.7: Estructura modular de CityGML, los módulos verticales contienen el modelo semántico para diferentes temáticas. Imagen tomada de [17] Nivel de detalle 0 (LOD0): es esencialmente un modelo digital de dos dimensiones y media. Nivel de detalle 1 (LOD1): es un modelo de bloques o prismas sin estructuras en la parte superior de los bloques. Nivel de detalle 2 (LOD2): tiene estructuras distintiva en la parte superior de los edificios e instalaciones mas grandes como balcones y escaleras. Nivel de detalle 3 (LOD3): son modelos arquitectónicos con paredes detalladas, techos, puertas, ventanas y bahı́as. Nivel de detalle 4 (LOD4): completa el nivel de detalle 3, agregando estructuras internas como habitaciones, escaleras y equipamiento. Semántica El modelo semántico de CityGML emplea la norma ISO 19109 como referencia para modelar caracterı́sticas geográficas. CityGML provee una definición de clases, regulaciones normativas y explicaciones de objetos semánticos, para los elementos geográficos más importantes en modelos 21.
(24) Figura 1.8: Imagen que muestra los cinco niveles de talle propuestos por CityGML. Imagen tomada de [17]. virtuales tridimensionales, incluyendo edificios, modelos de terreno digital (DTM), cuerpos de agua, vegetación y equipamientos de la ciudad. Geometrı́a CityGML usa GML3, para representar la geometrı́a. GML3 brinda clases de 0,1,2 y 3 dimensiones, clases compuestas de 1, 2, 3 dimensiones y agregación de clases de 0,1,2 y 3 dimensiones. Las clases compuestas son por ejemplo superficies, o grupos de sólidos. Las coordenadas usadas para representar la geometrı́a pertenecen a un sistema de coordenadas global o mundial, es decir no se permiten transformaciones locales. Esto permite tener una única representación de cada coordenada, también permite mantener la información en geodatabases, o manejadores de bases de datos comerciales como Oracle Spatial o PostGIS. Una gran desventaja es que cada objeto debe ser modelado, es decir si hay 100 elementos iguales se deben representar todos y cada uno de ellos. Topologı́a En muchas aplicaciones la topologı́a adecuada es crucial. La norma de topologia ISO 19107 y GML3, propone una descomposición completa de primitivas topologicas n dimensionales, en primitivas (n-1) dimen22.
(25) sionales. Cada primitiva descompuesta se convierte en un objeto con un nivel de detalle asociado. Apariencia La información sobre la apariencia de las superficies es considerada una parte integral de los modelos tridimensionales agregando información semántica. Cada superficie puede tener mas de una apariencia, por ejemplo la apariencia tomada con una cámara RGB, o una cámara infrarroja, también se puede tener la apariencia en verano o en invierno, incluso se puede tener un mapa de sombras pre-calculado usando esta funcionalidad. La apariencia es representada como una textura o materiales tomando como referencia X3D y COLLADA, que ofrecen diversas formas de mapear superficies. Extensiblilidad CityGML, puede ser extendido de dos formas, la primera es usar elementos genéricos y atributos genéricos, generando nuevos objetos genéricos. La segunda forma de extender CityGML, es crear nuevos elementos en una capa superior sobrepuesta a CityGML, usando la estructura existente de CityGML, esta segunda opción es mostrada en la figura 1.9.. Figura 1.9: Imagen que muestra una estrategia para extender CityGML. Imagen tomada de [17].. 1.2.. Sistema urbano. Según [18], Un sistema urbano se puede definir como: Conjunto de centros urbanos y/o ciudades definidos en un área. la ubicación 23.
(26) del sistema se da como el resultado de la interacción entre condiciones históricas, polı́ticas, sociales, tecnológicas y geológicas. El tamaño del sistema esta fuertemente relacionado con la ubicación y su función principal. Otra definición propuesta por [19], es: Es una colección compleja de edificios, parcelas, manzanas y barrios interconectados entres si. La complejidad esta dada por: el numero de componentes y sus relaciones, componentes jerárquicos y fenómenos urbanos. Considerando las definiciones anteriores se concluye que un sistema urbano se puede definir como: Es un sistema complejo compuesto por todos los componentes urbanos como, zonas, localidades, barrios, edificios, peatones, vehı́culos, red vial, etc; su regulación, y su relación entre ellos. La complejidad esta dada por: los fenómenos urbanos, la jerarquı́a de los componentes, la cantidad de los elementos urbanos y la diferentes relaciones que pueden existir entre todos y cada uno de los elementos del sistema urbano.. 1.3.. Antecedentes. Esta sección presenta algunas aplicaciones de análisis visual y sus caracterı́sticas mas relevantes. Al final de esta sección se presenta un trabajo de representación visual en ciudades, que ejemplifica el tipo de visualizaciones aplicadas a sistemas urbanos.. 1.3.1.. IN-SPIRE. In-Spire [20], [21], es un sistema de exploración en colecciones de documentos de texto. La aplicación genera una vista sobre una superficie tridimensional, soporta consultas, brinda la posibilidad de analizar datos a través del tiempo y permite descubrir información oculta y relaciones entre documentos. Su objetivo es identificar y comunicar diferentes temas y después permite a un analista explorar mas a fondo sobre los documentos identificados. En la figura 1.10, se muestran 2 tipos de visualizaciones ofrecidas por In-Spire.. 24.
(27) Figura 1.10: Capturas de pantalla de In-Spire. Imagen tomada de [21]. 1.3.2.. Jigsaw, analizando documentos. En el IEEE Symposium on Visual Analytics Science and Technology (VAST) del año 2007, se presento un sistema interactivo para visualizar colecciones de documentos de texto con el objetivo de apoyar la investigación de documentos para la búsqueda de amenazas de seguridad. este proyecto se desarrollo por que los analistas de documentos de texto gastan demasiado tiempo buscando y seleccionando entidades o datos relevantes como: nombres, números, lugares, etc., lo cual representa un alto costo en las organizaciones de seguridad, esta aplicación permiten reducir el tiempo de búsqueda y reducir costos, ampliando la capacidad de los analistas implementando técnicas de visualización e interacción para ampliar la memoria de estos y ayudando en la búsqueda de patrones automáticamente. Jigsaw presenta la información de los documentos y sus atributos importantes usando seis diferentes tipos de vistas: listas, grafos, gráficos de dispersión, textos, linea de tiempo y calendario. Vista de listas (List view): Ilustra las conexiones entre entidades o datos de interés, ademas permite al usuario seleccionar el color de las conexiones, las listas y los documentos que se desean representar. La figura 1.11 muestra un ejemplo de la vista de listas.. 25.
(28) Figura 1.11: Vista de listas, en color amarillo se muestran las entidades seleccionadas, mientras que las relaciones se muestran con las lineas oblicuas y en un tono mas oscuro se observan las entidades con mas relaciones. Imagen tomada de [22] Vista de grafos (Graph view): esta vista muestra las entidades y sus relaciones en un grafo donde los nodos son cı́rculos con diferentes colores dependiendo de la entidad que se requiere representar, en la figura 1.12 se muestra un ejemplo de esta vista, las personas son nodos rojos, los lugares son nodos verdes, las fechas son nodos azules y las organizaciones son nodos amarillos, adicionalmente los nodos de color blanco y mayor tamaño son organizaciones de interés. El grafo es generado ubicando los nodos de forma aleatoria y son conectados posteriormente, los nodos pueden ser seleccionados dando click sobre uno o varios de ellos. Gráficos de dispersión (scatterplot view): Para la construcción de estos gráficos el usuario elige las entidades que se desean analizar en un menú y a continuación las entidades pueden ser ubicadas automáticamente por orden de entidades personas, lugares, y organizaciones, por orden alfabético o por orden cronológico. Adicionalmente el usuario puede configurar los colores de las relaciones entre entidades. La figura 1.13 muestra un ejemplo de gráficos de dispersión. Vista de texto (Text view): Con esta vista se pueden cargar diferentes documentos y el usuario puede seleccionar palabras claves codificandolas. 26.
(29) Figura 1.12: Vista de grafos, los nodos representan entidades y los arcos las relaciones entre los nodos, los colores y tamanos de los nodos caracterizan la vista. Imagen tomada de [22] según el color de la selección con tan solo un clic. en la figura 1.14 se muestra un claro ejemplo de esta vista. Linea de tiempo (Time line view): Esta vista muestra una linea de tiempo y las entidades relacionadas a esta, esta vista soporta acercamientos en un rango determinado de tiempo. Vista de Calendario (Calendar view): visualiza los reportes y entidades en un calendario configurable respecto a su fecha de publicación. Un escenario de análisis con Jigsaw inicia con una colección de documentos sobre una o varias entidades en particular, y se organizan los documentos 27.
(30) Figura 1.13: Gráficos de dispersión, los ejes representan las entidades, mientras que los rombos indican documentos que contienen parejas de datos de interés. Imagen tomada de [22] de menor a mayor relevancia teniendo en cuenta la frecuencia con que aparece la entidad en los documentos, luego se elige el tipo de entidad que se desea representar y finalmente se generan cada una de las vistas mencionadas previamente. El usuario o analista examina los documentos buscando relaciones con otras entidades, eventos y fechas importantes, finalmente se analista concluye en base al análisis efectuado. Cabe resaltar que este proyecto es financiado por el National Visualization and Analytics Center (NVAC), que es un programa del departamento de seguridad nacional de los Estados Unidos de América.. 1.3.3.. WireViz. WireViz es una iniciativa del Bank of america, liderada por su vicepresidente Bill Fox y el equipo de investigación de transacciones sospechosas. Wireviz es una aplicación que permite analizar múltiples transacciones a través del tiempo para hacer seguimiento de personas, clientes del banco y sus respectivas transacciones [23]. Esta aplicación permite a los analistas monitorear millones de transacciones en cortos periodos de tiempo, la búsqueda 28.
(31) Figura 1.14: Vista de texto, las pestañas muestran varios documentos abiertos, algunos lugares están resaltados en verde, mientras que los nombres propios resaltados en color rojo claro. Imagen tomada de [22] de transacciones sospechosas inicia cuando se configuran algunas palabras claves y patrones de movimientos financieros predeterminados. WireViz ofrece a loa investigadores tres vistas básicamente: palabras clave contra grupos de transacciones, patrones de actividad financiera en periodos de tiempo y mapa de relaciones entre palabras clave. A continuación se nombran las caracterı́sticas mas importantes de cada vista: Palabras clave contra grupos de transacciones (heapmap) Las palabras clave son mostradas en el eje horizontal mientras que los grupos se muestran en el eje vertical. Cada celda en esta vista es representada por colores que es mas oscuro de acuerdo al tamaño del grupo de palabras clave. Esta vista permite permite ver grandes grupos de cuentas y pequeños grupos hasta llegar a una sola cuenta o transacción. Patrones de actividad financiera en el tiempo (Strings an beads) Esta vista es activada cuando se selecciona un grupo de transacciones en la vista heapmap, muestra los montos y duración de las transacciones a través del tiempo. la figura 1.15 muestra un ejemplo de esta vista. Mapa de relaciones entre palabras clave (Keyword network) Esta vista ilustra las palabras clave y sus respectivas relaciones, la distribución de las palabras clave puede ser ordenada por los analistas o por relevancia 29.
(32) Figura 1.15: Mapa de relaciones entre palabras clave, las palabras clave con mayor frecuencia se encuentran en el centro. Imagen tomada de [24] según la vista heapmap. En la figura 1.16 se muestra un ejemplo donde las palabras clave mas importantes se encuentran centradas.. Figura 1.16: Mapa de relaciones entre palabras clave, las palabras clave con mayor frecuencia se encuentran en el centro. Imagen tomada de [23] El uso de esta aplicación ha permitido identificar patrones interesantes para el desarrollo de estrategias financieras y el análisis de transacciones sospechosas en periodos de tiempo reducido.. 30.
(33) Figura 1.17: Imagen de la aplicación WireViz con sus respectivas vistas. En la parte superior izquierda se muestra la vista heapmap. En la parte superior derecha la búsqueda de una palabra clave y sus estadı́sticas. En la parte inferior izquierda, la vista Strings ans beads. En la parte inferior derecha la vista Keyword network. Imagen tomada de [24]. 1.3.4.. GreenGrid. Es una aplicación que permite identificar partes vulnerables de la red eléctrica, representando la red eléctrica con pesos en cada arco (impedancia) y cada nodo (voltaje), para explorar el comportamiento de la red eléctrica, en la figura 1.18 se muestra un ejemplo de representación de la red eléctrica. GreenGrid [25], permite analizar los cambios en la red eléctrica, como impedancias, voltajes, agrupar nodos, ofrece visualización múltiple de grafos, entre otras funcionalidades, mientras que usando los sistemas GIS clásicos no permiten este análisis. GreenGrid esta construido sobre una colección de herramientas de análisis y minerı́a de grafos desarrolladas previamente denominada Have Green [26], la aplicación propone nuevas visualizaciones a medida para hacer análisis en redes de energı́a eléctrica. La aplicación ha sido probada y ha tenido una gran acogida en los Estados Unidos, considerando los impactos económicos y sociales de catástrofes como la ocurrida el 10 de agosto de 1996 [27], [28]. En la figura 1.19 se muestra una captura de pantalla de GreenGrid, con algunas de las visualizaciones ofrecidas por la aplicación.. 31.
(34) Figura 1.18: (a). Red eléctrica con valores de impedancia y voltaje en un grafo simétrico. (b). Grafo distorsionado representando una subida de voltaje en la red. Imagen tomada de [25]. 1.3.5.. Scalable Reasoning System. SRC (Scalable Reasoning System) [29], es una aplicación web y para dispositivos móviles de análisis visual, que ofrece servicios web orientados a tareas de análisis, que pueden operar sobre datos centralizados. SRC usa un modelo de datos flexible que recibe información de múltiples fuentes para ser analizados. La aplicación tiene una capa de servicios que ejecuta operaciones de análisis sobre los datos almacenados o referenciados vı́a servicios web. Los datos almacenados en el SRC, deben ser agrupados para buscar relaciones entre ellos, por ejemplo un análisis de crı́menes, deberı́a identificar patrones por áreas de la ciudad. En la figura 1.20 se muestra la interfaz web de la aplicación SRC.. 1.3.6.. Visualizando la ciudad. Este proyecto [30], presenta el estado del arte de técnicas de reconstrucción de modelos tridimensionales de ciudades. También lista las diferentes temáticas que pueden verse afectadas y beneficiados con la construcción de este tipo de modelos, algunas temáticas son: sistemas de emergencia, planeación urbana, telecomunicaciones, arquitectura, mercadeo, desarrollo económico, turismos, entretenimientos, comercio electrónico, medio ambiente, educación, etc. Este trabajo presenta algunas técnicas de reconstrucción que se caracterizan por su contenido geométrico en un rango desde un mapeo topográfico bidimensional hasta modelos tridimensionales completos, en la tabla 1.1, se muestran las técnicas de reconstrucción analizadas en el proyecto. 32.
(35) Figura 1.19: Captura de pantalla de GreenGrid que ilustra las diferentes visualizaciones que pueden tener una referencia geográfica. Imagen tomada de [24]. Algunas aplicaciones fueron analizados, pero dos de las mas relevantes son las aplicaciones desarrolladas en Tokyo y New York. El centro CAD de Tokyo ha desarrollado 12 aplicaciones y modelos tridimensionales diferentes del centro de Tokyo, sin embargo esos modeles son esencialmente modelos 3D, con alta fiabilidad pero con funcionalidad SIG limitada. Los modelos son ampliamente usados para diseñar y revisar en arquitectura y planeación urbana, pero carecen de interoperabilidad en ambientes SIG y dificulta conectar la información espacial. En New York hay 4 aplicaciones principales que son menos variadas que las de Tokyo, ademas están orientadas a sistemas SIG que contienen geografı́a 3D y geometrı́a de la ciudad. En la figura 1.21 se muestran algunas visualizaciones de las reconstrucciones tridimensionales de New York. Otra caracterı́stica importante de este proyecto es la definición de 7 niveles de detalle o LOD (Level Of Detail ). LOD A, Modelo arquitectónico detallado, incluyendo acabados. LOD B, Detalle equivalente a una escala de 1:100. LOD C, Elevaciones detalladas. LOD D, Alturas de edificios con mas detalle. 33.
(36) Figura 1.20: interfaz web de la aplicacion SRC. Imagen tomada de [29] LOD E, Volúmenes de edificios mas precisos. LOD F, Tejados. LOD E, Modelos de bloques prismáticos. Los trabajos mencionados previamente, se encuentran enmarcados en el análisis visual de temáticas diversas y representación y visualización de sistemas urbanos. De 1.3.1, 1.3.2, 1.3.3 y 1.3.5 se pueden definir la principales tareas y caracterı́sticas que una aplicación de análisis visual debe tener. De 1.3.4 y 1.3.6 se pueden tomar como referencia los tipos de visualizaciones y arquitecturas propuestas. En la tabla 1.2 se muestra un resumen de los trabajos revisados y su contribución a este trabajo considerando aportes en representación de datos urbanos, visualización e interacción.. 34.
(37) Mapas digitales 2d Representación basado en imágenes (incluye técnicas de imágenes panorámicas) Construcción de modelos prismáticos y Extrusión de edificios (Block modeling) Modelado de bloques con mapeo de texturas basado en imágenes Modelado arquitectónico Modelado CAD completo. Bajo contenido geométrico Bajo contenido geométrico. Contenido geométrico medio. Contenido geométrico medio. Alto contenido geométrico Alto contenido geométrico. Cuadro 1.1: Técnicas de reconstrucción propuestas por [30] .. Sección 1.3.1 1.3.2 1.3.3 1.3.4 1.3.5 1.3.6. Trabajo In-Spire Jigsaw WireViz GreenGris SRS Visualizando la ciudad. Representación. x x. Visualización x x x x x x. Interacción x x x x x. Cuadro 1.2: Resumen de trabajos relacionados y sus aportes a este proyecto.. 35.
(38) Figura 1.21: Ciudad de New York : (a) Urban Data Solutions – Superficie útil en el centro de Manhattan (b) Simulación usos de suelo. (c) Modelos 3D con texturas. (d) Lineas funcionales debajo del modelo de superficie útil. Imágenes tomadas de [30]. 36.
(39) Capı́tulo 2 Propuesta Este capitulo presenta la propuesta de diseño de la plataforma de análisis visual para sistemas urbanos, primero se presentan los requerimientos generales de la plataforma. A continuación se presenta un diagrama conceptual global de la aplicación y los requerimientos de cada componente de dicho diagrama. Finalmente se describe el diseño de cada etapa que compone la plataforma considerando la revisión de trabajos relacionados documentado en el capitulo anterior.. 2.1.. Requerimientos de la plataforma. Considerando las caracterı́sticas que tiene la plataforma de análisis visual previamente mencionadas, se tiene que los requerimientos generales de la plataforma son: Representar un sistema urbano: modelar un sistema urbano o parte del mismo, desde unas cuantas manzanas a una ciudad completa, e incluso la región en la que se encuentra esta misma. Agregar información a un sistema urbano desde múltiples fuentes de datos: complementar un sistema urbano existente con información adicional que proviene de diversas fuentes de datos, algunas fuentes de datos pueden ser: Fuente de datos cartográfica 37.
(40) Fuente de datos estadı́stica Otras aplicaciones de análisis Complementar información en un sistema urbano: generar nuevos datos a partir de datos existentes dentro de un sistema urbano, es decir crear nuevos indicadores y descriptores procesando los datos existentes del sistema urbano. Filtrar información de un sistema urbano: Efectuar consultas sobre un sistema urbano creado previamente. Representar visualmente un sistema urbano o parte del mismo: Visualizar el sistema urbano total o parcialmente, sus datos y los resultados de las operaciones sobre los datos como filtrar, resaltar, etc. Permitir la interacción con la representación del sistema urbano: ofrecer al usuario tareas interactivas como navegar, explorar, resaltar, entre otras tareas de análisis requeridas por la plataforma, en la sección 1.1.2 se presentan algunas tareas de análisis. Registrar una sesión de análisis: documentar el proceso de análisis de uno o varios usuarios, almacenar comentarios, anotaciones, y las operaciones efectuadas por el usuario. Tomando como referencia la definición de analı́tica visual de la sección 1.1, se identifican 3 grandes bloques funcionales que debe tener la plataforma de análisis visual, estos son: (1). la administración y transformación de datos que se encarga del manejo de todos los datos de la plataforma, (2). la visualización, encargada de representar visualmente los datos y (3). la interacción que brinda al usuario herramientas para manipular los datos dentro de la plataforma. En la figura 2.1, se muestra un diagrama de bloques conceptual que muestra dichos bloques y su relación entre ellos.. 38.
(41) Figura 2.1: Diagrama de bloques conceptual con bloques funcionales requeridos por la plataforma y sus relaciones. 2.1.1.. Requerimientos para administrar y transformar datos. Para administrar y transformar los datos se debe considerar la naturaleza de los datos, y sus múltiples fuentes. Cabe resaltar que los datos de entrada son de diversos tipos y se encuentran en diferentes formatos, para tratar estos inconvenientes se debe proponer un modelo de datos que unifique y normalice la información. También se debe tener en cuenta las diferentes operaciones de transformación que debe tener la plataforma, a continuación se listan los requerimientos necesarios para esta etapa de la plataforma. Soportar múltiples fuentes de datos: hace referencia a las diversas fuentes de datos, su tipo y su formato, es decir el tipo de comunicación requerido con cada fuente para importar datos requeridos. Soportar múltiples tipos de datos: especifica los diferentes tipos de datos que debe soportar la plataforma, como información geo-referenciada, datos estadı́sticos, entre otros datos. Unificar y normalizar los datos: agrupar todos los datos en un único modelo de datos que los administre. También se deben normalizar los datos, es decir llevar todos los datos a un mismo nivel, por ejemplo la información cartográfica tiene una proyección asociada y usualmente no es la misma para las diferentes fuentes de datos, estos datos deben ser llevados a una proyección común antes de ser almacenados y operados dentro del modelo de datos. Este. 39.
(42) proceso es obligatorio en toda aplicación que integre datos y no es automático si no se han caracterizado las fuentes de datos adecuadamente. Operaciones de transformación de datos: al tener datos a múltiples escalas se hace necesario transformar datos de una escala a otra para poder ser analizados. Algunos datos pueden ser del mismo tipo pero sus unidades de medida son diferentes imposibilitando su correcto análisis y comparación, en estos casos los datos deben ser operados para logar un correcto análisis de los mismos. Este proceso debe considerara la precision y confiabilidad de los datos generados para conservar las caracterı́sticas de los datos existentes.. 2.1.2.. Requerimientos de visualización. Este bloque es el encargado de representar visualmente todos y cada uno de los objetos y datos dentro de la plataforma de análisis visual. Este bloque tiene requerimientos básicos de visualización de geometrı́a, pero también tiene requerimientos de mas alto nivel para asistir el proceso de análisis. Visualizar elementos de básicos: es la tarea mas básica que tiene esta etapa y consiste es mostrar elementos de 0, 1, 2 y 3 dimensiones, es decir es un objeto que solo contiene una geometrı́a asociada. Visualizar objetos urbanos: consiste en mostrar un elemento urbano considerando su naturaleza, sus datos asociados, su dimension asociada, la vista actual y los demás objetos urbanos que lo acompañan. Visualizar datos urbanos: visualiza datos urbanos teniendo en cuenta un punto de vista o escenario que se este representando, también debe considerar los otros datos visualizados, y la caracterı́sticas de los datos a visualizar como su certeza, resolución y unidades de medida. Almacenar y cargar vistas: guarda y carga vistas pre-calculadas o por defecto, es decir se pueden tener vista predefinidas al iniciar la aplicación.. 40.
(43) 2.1.3.. Requerimientos de interacción. Este bloque es el encargado de la comunicación entre el usuario y la plataforma de análisis visual. Explorar un sistema urbano: permite al usuario navegar a través de la representación visual del sistema urbano. Enfocar un objeto: permite enfocar o acercar un objeto de interés para el usuario. Reconfigurar el sistema urbano: llevar la representación a un estado predefinido, o aplicar los cambios hechos al agregar nuevos elementos o al efectuar una consulta. Filtrar: ejecutar una consulta a pedido del usuario, esta opción depende del punto de vista asociado a cada experto. Seleccionar objetos urbanos: resaltar objetos de interés por el usuario.. 2.2.. Diseño de la plataforma. El diseño de la plataforma se aborda considerando tres etapas, la representación y transformación de datos, la visualización y la interacción. Esta sección presenta una descripción de cada una de la tres etapas propuestas y finalmente plantea la arquitectura de la plataforma.. 2.2.1.. Representación y transformación de datos. Esta etapa tiene como objetivo tomar los diferentes tipos de datos provenientes de la diversas fuentes de datos, unificarlo, normalizarlos y consolidarlos en una estructura de datos para ser administrados y operados posteriormente. Este proceso inicia con un caracterización de los datos tomando como referencia la taxonomı́a de datos propuesta por Ben Shneiderman [12] mencionada en la sección 1.1.3 de este documento y resumida en la tabla 2.1.. 41.
(44) Una vez caracterizados los datos, cada fuente de datos es evaluada para asignarle a los datos un valor de confiabilidad y la resolución de cada dato. Cabe resaltar que la confiabilidad representa la certeza o nivel de incertidumbre que tiene dicho dato, mientras que la resolución hace referencia al proceso de cuantificación que tiene cada dato y puede relacionarse con al error que puede tener el dato. Una vez terminado este proceso, los datos proceden a ser representados y/o transformados, estos 2 últimos pasos se describen en las secciones presentadas a continuación. Tipo de Datos 1 Dimensión 2 Dimensiones 3 Dimensiones Temporales Multi-Dimensionales Arboles y jerárquicos Redes y grafos. Ejemplo Documentos de texto Mapas geográficos Edificios Horarios y lineas de tiempo Bases de dato relacionales Sistemas de archivos Visualización de redes de datos. Cuadro 2.1: Taxonomı́a de datos propuesta por [12]. Representación de Datos El objetivo de este proceso es tomar la información y estructurarla en un modelo de datos para ser administrada, operada e incluso completada de ser necesario. Algunos modelos de datos como CityGML [17], MLGL [31], MDM [32], Representación de sistemas complejos: una aplicación a sistemas urbanos [33], modelos de comportamiento e infraestructura relacionado a anomalı́as [34],Modelo distribuido de espacios urbanos [35] y Sistemas de Información Geográfica (SIG) clásicos fueron considerados, pero ninguno de ellos tiene caracterı́sticas o funcionalidades para asistir el proceso de toma de decisiones en planeación urbana, por este motivo fue propuesto un modelo de datos orientado al proceso de toma de decisiones en planeamiento urbano. Un modelo de datos orientado a la planeación urbana se propone para complementar la plataforma de análisis visual para sistemas urbanos y permitir a los usuarios de la plataforma modelar sus propuestas, diseños y escenarios desde diferentes puntos de vista y motivar la disertación y estudio de los mismos. La figura 2.2 se muestra un diagrama conceptual del modelo 42.
(45) de datos propuesto. Algunas de la caracterı́sticas mas relevantes del modelo propuesto son: Múltiples niveles de detalle y escalas. Múltiples puntos de vista. Representación de alternativas, escenarios y puntos de vista. El sistema de coordenadas usado es WGS84, es decir longitud y latitud especificadas por la OGC (Open Geospatial Consortium) y que es usado por especificaciones como KML o KMZ. Adicionalmente cada temática o dimension involucrada en el proceso de toma de decisiones tiene datos (UrbanData) y puntos de vista asociados. Algunas de las posibles dimensiones son: ocupación y usos del suelo, población, movilidad y transporte, etc.. Figura 2.2: Diagrama conceptual del modelo de datos orientado al proceso de toma de decisiones en planeamiento urbano A continuación se definen los elementos que componen el modelo de datos propuesto y seguido se definen algunas de las caracterı́sticas mas relevantes del modelo mencionadas previamente.. 43.
(46) Sistema Urbano: un sistema urbano o UrbanSystem se define como la unión de todos los componentes urbanos, sus atributos y posibles distribuciones, estructuradas en zonas definidas por un criterio, un ejemplo gráfico se puede apreciar en la figura 2.3. Sea S, un sistema urbano y A, B, zonas contenidas en S. Entonces: S =A∪B. Figura 2.3: S: sistema urbano, con 2 zonas (A, B) y sus respectivos objetos y datos. Zona Urbana: una zona urbana o UrbanZone es una partición espacial de un sistema urbano, el proceso de división debe usar el mismo criterio de partición para todo el sistema. Ademas cada zona contiene uno o mas grupos de objetos urbanos (UrbanGroup) y una o mas configuraciones (UrbanSetup) de los objetos contenidos en la zona. Ejemplo: Un barrio o una localidad. Grupo de Objetos Urbanos: un grupo de objetos urbanos o UrbanGroup, representa uno o varios objetos dentro de una zona y sus respectivos atributos que describen el objeto. Ejemplo: Un edificio con su altura como atributo. Sea S un sistema urbano, Z una zona dentro del sistema urbano, G un grupo de objetos, O un objeto urbano y θ un atributo de O, entonces: ∀(Z ∈ S | O ∈ Z | θ ∈ O)∃G = {O, θ} Configuración de Objetos Urbanos: una configuración de objetos urbanos o UrbanSetup, representa una distribución de uno o mas grupos de objetos dentro de una zona especifica. La configuración puede representar 44.
(47) una alternativa, un escenario o un punto de vista. Sea Gn un grupo de objetos dentro del sistema urbano, α una alternativa, β un escenario y γ un punto de vista, entonces: α = {G1 , G3 , G5 , G9 , G17 , G21 }. (2.1). β = {G1 , G2 , G3 , G3 , G11 , G13 }. (2.2). γ = {G10 , G11 , G12 , G19 , G20 }. (2.3). Ejemplo: Un punto de vista de movilidad compuesto por las calles tipo V 1 de la ciudad,puede ser definido por 2.3, donde γ es el punto de vista y los Gn , son las calles tipo V 1. Alternativa: dado un grupo de al menos dos opciones (por ejemplo dos o mas situaciones), cada una de las opciones es una alternativa que puede ser elegida. Ejemplo: se decide construir un puente, las alternativas serian los posibles tipos de puentes a construir. Alternativa 1: Puente elevado, o Alternativa 2: Puente deprimido. Escenario: son uno o varios grupos de objetos urbanos que representan un estado de una zona del sistema urbano, este estado puede ser real, o hipotético. Con el uso de escenarios se pueden plantear múltiples situaciones o alternativas para la misma zona de la ciudad. Ejemplo: Se planea la construcción de un puente vehı́cular en un zona de la ciudad, para efectuar el análisis de la obra se propone una alternativas con el estado actual de la zona, un escenario que representa la zona mientras se construye el puente y una alternativa con el puente vehı́cular finalizado, las dos alternativas mencionadas conformarı́an el escenario de análisis para la construcción del puente. Punto de vista: Son uno o varios grupos de objetos urbanos (UrbanGroup), que pueden ser agrupados por al menos un criterio. Ejemplo: Un grupo que contiene todos las zonas verdes y arboles de una zona, puede ser clasificado en un punto de vista ambiental.. 45.
(48) Objeto Urbano: un objeto urbano ó UrbanObject, representa un objeto que esta presente en el sistema urbano que puede ser tangible o cuantificable en una posición del sistema urbano. El objeto puede ser catalogado como un solido ó solid en el caso de objetos tangibles, como un campo ó Field para objetos como campos electromagnéticos, material particulado, radiación, ruido, entre otros fenómenos fı́sicos. Un objeto urbano también se puede clasificar como un lı́quido en el caso de rı́os, lagos y volúmenes de agua en general. Ejemplo: Un edificio, una manzana, el ruido producido por un vehı́culo, o un lago. En la figura 2.4, se muestran algunos ejemplos de objetos urbanos.. Figura 2.4: Ejemplos de objetos urbanos: un vehı́culo, ruido o un cuerpo de agua.. Información Urbana: la información urbana ó UrbanData, representa la cuantificación o descripción (anotación) de una propiedad o un atributo que llamaremos indicador o variable de uno o varios objetos urbanos que se encuentran contenidos en el grupo. Esta variable o indicador puede ser representado como un punto para datos precisos del espacio, una linea, un polı́gono para representar una zona afectada con este valor, un volumen para modelar una zona tridimensional afectada por la variable, o simplemente estar relacionado a un objeto existente. Ejemplo: El nivel de ruido de una construcción o la descripción histórica de un monumento, que se muestra en la figura 2.5. Niveles de detalle: la definicion de niveles de detalle el modelo de datos fueron inspirados en la propuesta de CityGML [17]. aunque el nivel de detalle 4 no es pertinente para el proceso de toma de decisiones se decide mantenerlo, y se propone un nuevo nivel para cumplir con los requerimientos que tiene la plataforma de análisis visual. A continuación se definen los niveles de detalle para el modelo de datos propuesto.. 46.
(49) Figura 2.5: Ejemplos de objetos urbanos: un vehı́culo, ruido o un cuerpo de agua. Nivel de detalle 4 (LOD4): presenta las estructuras internas de los componentes del sistema urbano. Ejemplo: en un edifico se muestran las escales, las habitaciones, los pasillos, y todas las estructuras internas del mismo. Nivel de detalle 3 (LOD3): en este nivel se encuentran los actores del sistema urbano como vehı́culos, peatones, semáforos, tramos viales y los componentes urbanos de unos pocos metros de tamaño o menos. Nivel de detalle 2 (LOD2): es este nivel se encuentran objetos y zonas mas grandes del sistema urbano como calles, avenidas, edificaciones, barrios, etc. Nivel de detalle 1 (LOD1): en este nivel encontramos zonas mas amplias de la ciudad y la representación visual de bloques o prismas sin estructuras en la parte superior de los bloques. Ejemplo: una localidad de la ciudad. Nivel de detalle 0 (LOD0): analogo al LOD0 de CityGML [17], es esencialmente un modelo digital de dos dimensiones y media. ejemplo: una ciudad completa. Nivel de detalle -1 (LOD-1): este nivel de detalle es un modelo de dos dimensiones y medio o de dos dimensiones y fue creado para representar regiones complejas o grupos de ciudades.. 47.
(50) Ejemplo: el eje de occidente de la ciudad de Bogotá compuesto por los municipios de Madrid, Mosquera, Funza y Facatativa. Puntos de vista: los puntos de vista definidos en la plataforma están asociados a las diversas temáticas que intervienen en el proceso de toma de decisiones. Se pueden generar nuevos puntos de vista cruzando diferentes temáticas según lo requiera el usuario. Ejemplo: un punto de vista de usos del suelo, un punto de vista de movilidad, con estos dos puntos de vista se puede crear un nuevo punto de vista mezclando las dos temáticas para promover la disertación y discusión de escenarios que involucren estas dos temáticas. Transformación de Datos La transformación de datos es una de las operaciones mas relevantes en la plataforma de análisis visual, debido a su gran potencial para enriquecer la representación del sistema urbano adicionando nuevos datos que pueden ser inferidos considerando la naturaleza de la información previamente cargada en la aplicación Tomando como referencia [36], el autor propone propone un proceso de transformación de datos para la importación de los mismos, el proceso propuesto se muestra en la figura 2.6, y consiste en tomar el dato original de la fuente, aplicarles un primer paso de transformación para obtener una abstracción analı́tica del datos agregando información adicional conocida, posteriormente una segunda etapa de transformación es aplicada para generar una abstracción visual del dato, es decir se genera información geométrica para representar el datos, finalmente se aplica un técnica de visualización para visualizar el dato, como resultado se tiene el mapeo del objeto a la pantalla. Considerando la propuesta presentada por [36], los datos de entrada pueden ser procesados usando dicho procedimiento, pero el caso particular de la plataforma deben ser implementados procesos adicionales para completar la información requerida por el modelo de datos y tener la información en todos los niveles de detalle necesarios por la plataforma, esta idea se representa en la figura 2.7. El modelo propuesto tiene varios niveles de detalle, y la información contenida debe de estar disponible en todos los niveles de detalle para garantizar la continuidad adecuada del proceso de análisis a múltiples escalas y niveles de detalle. Como se muestra en la figura 2.7, los datos provenientes de las. 48.
(51) Figura 2.6: Proceso de transformación de datos propuesto por [36]. diferentes fuentes, están asociados a un nivel de detalle en particular, esto quiere decir que los datos deben ser integrados o derivados para generar los datos a niveles superiores o inferiores respectivamente, a continuación se describe el proceso de integración y derivación de satos y sus variantes. Integración de Datos La integración de datos consiste en tomar datos de un nivel de detalle inferior, agruparlos usando un criterio que puede ser geométrico o semántico y aplicar una operación matemática sobre los datos seleccionados, generando ası́ un nuevo dato en un nivel superior. Adicionalmente si se tienen datos referenciados en el tiempo, se pueden aplicar los criterios mencionados a través del tiempo. A continuación se definen los criterios de selección previamente mencionados. Integración de datos según criterio geométrico: este tipo de integración, agrupa los datos del nivel inferior usando como referencia un objeto geométrico que puede ser de 0, 1, 2 o 3 dimensiones, es decir un punto, una linea, un polı́gono o un volumen. La estrategia es tomar los datos que se encuentren contenidos dentro de la linea, polı́gono o volumen, agruparlos y 49.
(52) Figura 2.7: Proceso de transformación de datos para completar el modelo de datos propuesto. Operación Sumatoria Promedio Máximo Mı́nimo Moda. Definición Pn di Pi=1 n 1 i=1 di n máx{d1, d2, ...dn} mı́n{d1, d2, ...dn} M d = xi , si ni = máx{fi , j ∈ {1, 2, 3..., k}}. Cuadro 2.2: Operaciones matemáticas permitidas sobre la integración de datos. aplicar una operación matemática, otra estrategia para agrupar los datos es aplicar un criterio de distancia mı́nima de un dato al objeto geométrico y tomar los datos que cumplan ese criterio, este tipo de agrupación puede ser útil en datos representados por un punto. Las operaciones matemáticas permitidas son: la sumatoria, el promedio, el máximo, el mı́nimo y la moda o valor que repite con una mayor frecuencia, en la tabla 2.2 se sintetizan las operaciones matemáticas que pueden ser usadas para realizar la integración de datos. En la figura 2.8 se muestra un ejemplo de integración geométrica, iniciando con una microsimulación multimodal de trafico desde un nivel de detalle 3. El nivel de detalle 2 se genera aplicando una integración que usa un criterio geométrico tomando los polı́gonos que representan los tramos viales del 50.
(53) sistema urbano y aplicando una sumatoria a los datos seleccionados con el polı́gono. Finalmente el nivel de detalle 1 se genera a partir de los arcos de la malla vial, aplicando un criterio de distancia mı́nima de integración, y sumando todos los datos que cumplan el criterio.. Figura 2.8: Integración de datos, usando un criterio geométrico, aplicando una sumatoria de datos. De Izquierda a derecha. Microsimulación multimodal de tráfico, nivel 3, un nivel 2, nivel 1 (niveles según CityGML [17]).. Integración de datos según criterio semántico: este tipo de integración, consiste en seleccionar uno o varios datos según un criterio semántico, es decir una caracterı́stica propia del dato y aplicar una operación matemática, las operaciones permitidas están especificadas en la tabla 2.2. Este tipo de integración permite seleccionar datos que estén asociados a una dimension especifica, o que representen un concepto especifico. Un ejemplo puede ser la integración de los datos de población en una o varias zonas que una vez seleccionados y sumados se obtiene la población total del sistema urbano. Integración de datos en el tiempo: este tipo de integración tiene como objetivo integrar datos referenciados en el tiempo, es decir podemos tomar datos a través del tiempo, aplicarles un criterio de selección que puede ser geométrico o semántico, y aplicarles una o varias de las operaciones previamente mencionadas, teniendo como resultado nuevos datos en un segmento de tiempo determinado, la referencia de los datos generados puede ser obtenida usando como referencia el segmento temporal usado para integrar los datos. Derivación de Datos La derivación de datos busca generar nuevos datos a partir de un nivel superior a un nivel inferior, generando ası́, datos mas granulares para com51.
(54) plementar los niveles de detalle inferiores. La estrategia para la derivación de datos se puede dividir en derivación geométrica y derivación semántica. La primer estrategia considera datos geo-referenciados, y la segunda considera datos que pueden o no estar geo-referenciados. Derivación de datos según criterio geométrico: este tipo de derivación, toma un dato geo-refenciado, donde la referencia espacial puede estar dada por objetos geométricos de 0,1,2 o 3 dimensiones, lo relaciona con objetos de un nivel inferior y se aplica un operación matemática para generar nuevos datos respecto a los objetos relacionados del nivel inferior. La relación entre los objetos del nivel superior e inferior puede ser : Relación de pertenencia: este tipo de relación aplica a objetos de 1,2 y 3 dimensiones que pueden contener otros objetos, es decir determina una relación de pertenencia espacial sobre los objetos de interés. Relación de proximidad: este tipo de relación esta dada por una distancia mı́nima entre objetos de 0,1,2 o 3 dimensiones. Este tipo de relación puede ser útil para generar datos en zonas alrededor de un un evento que sucede en una posición especifica en el espacio. Ejemplo: una estación de policı́a genera un foco de seguridad alrededor, la estación esta ubicada en un punto especifico del sistema urbano y tiene una área de influencia, esa área de influencia puede generar indicadores de seguridad en las manzanas y/o predios en la zonas aledañas a la estación de policı́a. En el ejemplo anterior, los objetos de interés son la estación de policı́a que puede ser representado como un objeto de dimension cero y los predios y/o manzanas representados por objetos de dimension 2. Adicionalmente la distancia mı́nima o umbral esta determinada por la zona de influencia que tiene la estación de policı́a y depende del equipamiento (numero de efectivos y numero de patrullas) que tiene la estación. Una vez se encuentran los objetos espaciales relacionados usando algún criterio como pertenencia o proximidad, se procede a generar el nuevo dato que va a estar relacionado con el objeto del nivel inferior, es decir el dato existente que pertenece a un nivel superior debe ser derivado en los objetos del nivel inferior, esta derivación puede ser:. 52.
(55) Derivación simple: consiste en una división lineal del objeto que pertenece al nivel superior, sobre los objetos del nivel inferior, es decir el valor del nivel superior es distribuido uniformemente en el numero de objetos del nivel inferior, sin tener en cuenta la propiedades de los objetos como tamaño u otros atributos. Este tipo de derivación puede ser aplicado a objetos de 0,1,2 o 3 dimensiones. En la figura 2.9, se muestra un ejemplo de derivación de datos simple según criterio geométrico.. Figura 2.9: Derivación de datos simple según criterio geométrico. A la derecha un UPZ con el numero de viajes de vehı́culos particulares que llegan, al lado izquierdo las manzanas de la UPZ con los datos derivados. Derivación geométrica: consiste en tomar el valor del nivel superior y distribuirlo proporcionalmente al área o volumen que ocupan los objetos entre si, es decir el objeto de nivel superior es representado en el nivel inferior por particiones del mismo. Este tipo de derivación se aplica a objetos de 2 y 3 dimensiones, y los objetos relacionados deben ser de la misma dimension. Derivación semántica: este tipo de derivación considera las propiedades de los objetos que cumplen con una relación entre ellos, es decir la distribución de los datos del nivel superior al nivel inferior se hace proporcional a las propiedades de los objetos de interés. Derivación de datos según criterio semántico: este tipo de derivación considera los datos existentes (nivel superior), y sus caracterı́sticas para generar datos en niveles inferiores, es decir tiene en cuenta la naturaleza de los 53.
(56) datos, la fuente de datos y el método de adquisición y captura. Ejemplo: Se desea derivar un indicador económico que represente los gastos de un sector de la ciudad, se debe tener en cuenta, el estrato de la zona, los impuestos, los subsidios, etc. En el ejemplo anterior se debe aplicar una regla diferente a cada sector de la ciudad, e incluso el método de derivación. Derivación de datos en el tiempo: este tipo derivación aplica uno de los criterios mencionados previamente y los distribuye a través del tiempo, esta distribución puede ser uniforme o en intervalos predefinidos. Ejemplo, se tiene el indice de precios al consumidor por meses en la ciudad, se podrı́a encontrar el valor de este indice en intervalos de tiempo menores como cada semana, e incluso cada dı́a. En el ejemplo anterior se puede distribuir el valor uniformemente o tomando como referencia datos históricos de dı́as o semanas con una menor o mayor influencia en el valor que se desea derivar.. 2.2.2.. Visualización de elementos urbanos. Los objetos urbanos tienen como objetivo representar los diferentes elementos que componen el sistema urbano y pueden tener o no un dato asociado, en caso de tener un dato asociado sirven como referencia para espacializar los datos asociados. Cada objeto urbano tiene una representación visual según su nivel de detalle o LOD (Level of detail, por sus siglas en ingles), los datos asociados y según el tipo análisis que se requiere. Se debe considerar que para cada nivel de detalle, existen objetos urbanos asociados, el la tabla 2.3 se muestran algunos objetos urbanos y su nivel de detalle asociado que se encuentra relacionado a la escala de representación de cada objeto. hhhh h. Objeto. hhhh Nivel de detalle hhhh hhh urbano hh. Ciudad Localidad UPZ Barrio Manzana Interior de vehı́culos. 0. 1. 2. 3. 4. X X X X X X. Cuadro 2.3: Relación entre algunos objetos urbanos y niveles de detalle.. 54.
Documento similar
Para recibir todos los números de referencia en un solo correo electrónico, es necesario que las solicitudes estén cumplimentadas y sean todos los datos válidos, incluido el
1) La Dedicatoria a la dama culta, doña Escolástica Polyanthea de Calepino, señora de Trilingüe y Babilonia. 2) El Prólogo al lector de lenguaje culto: apenado por el avan- ce de
Habiendo organizado un movimiento revolucionario en Valencia a principios de 1929 y persistido en las reuniones conspirativo-constitucionalistas desde entonces —cierto que a aquellas
diabetes, chronic respiratory disease and cancer) targeted in the Global Action Plan on NCDs as well as other noncommunicable conditions of particular concern in the European
d) que haya «identidad de órgano» (con identidad de Sala y Sección); e) que haya alteridad, es decir, que las sentencias aportadas sean de persona distinta a la recurrente, e) que
Las manifestaciones musicales y su organización institucional a lo largo de los siglos XVI al XVIII son aspectos poco conocidos de la cultura alicantina. Analizar el alcance y
En este sentido, puede defenderse que, si la Administración está habilitada normativamente para actuar en una determinada materia mediante actuaciones formales, ejerciendo
En la parte central de la línea, entre los planes de gobierno o dirección política, en el extremo izquierdo, y los planes reguladores del uso del suelo (urbanísticos y
