#destacables #sig (19/05/2014)

Thomas Blaschke, Helena Merschdorf (2014). Geographic information science as a multidisciplinary and multiparadigmatic field. Cartography and Geographic Information Science, 41(3): 196-213 

¿Es GIScience (Geographic Information Science) una disciplina científica autónoma? ¿Es en cambio un sub-campo de la Geografía? ¿O se trata mas bien de un campo científico multi-disciplinar? 

El artículo de Blaschke y Merschdorf parte de la hipótesis de que GIScience es un campo multi-disciplinar por definición y desde su nacimiento (allá por la década de los noventa), y que resulta muy difícil delimitar los bordes que separan GIScience de otras disciplinas científicas. El estilo de los autores es más parecido a un ensayo corto que a un artículo científico, pero su lectura es de indudable valor para todos aquellos científicos que se consideren GIScientists pero que les cuesta definirse o, pero aún, encontrar fondos para proyectos GIScience que no encajan en la lista de disciplinas científicas de las agencias científicas.  

Los autores validan su hipótesis mediante el análisis de las publicaciones con términos derivados de GIScience. Artículos de campos tan diversos como Informática, Geografía, Ciencias de la Información (18%), Psicología, Salud, etcétera, tratan sobre GIScience, dando pie a la tesis de que GIScience es una mezcla de disciplinas de ciencias, ciencias sociales y  las humanidades (por ser atractiva y de interés para la sociedad). Cabe destacar que el 18% de las publicaciones científicas sobre GIScience proviene de las Ciencias de la Información. Esto no sorprende ya que algunos autores consideran el origen de GIScience como la intersección de la Geografía, Informática y Ciencias de la Información.

Dejando atrás el breve análisis bibliométrico, los autores describen de forma amena, ágil e interesante las distintas percepciones de GIScience a lo largo de los últimos años, íntimamente relacionadas a las tecnologías que han aparecido en escena durante los últimos años, mezclado todo ello con una breve y concisa argumentación sobre ciencia  inter-disciplinar, multi-disciplinar y multi-paradigma. 

La conclusión final a la que llegan los autores es que el campo de GIScience es multi-disciplinar e multi-paradigma en el sentido de que científicos de distintas disciplinas contribuyen al campo de GIScience pero que se mantienen autónomos en sus respectivos campos de formación. Es decir, uno trabaja en GIScience pero es sociólogo, trabaja en GIScience pero es geográfico, trabajo en GIScience pero es informático, trabaja en GIScience pero es documentalista. De ahí el prefijo "multi-" y no "inter-" en el término multi-disciplinar.

Me han gustado la siguientes frases que reproduzco literalmente abajo y que pueden sirver para contar a un amigo que es lo hace un GIScientist!

GIScience develops methodologies to address problems or research challenges which arise as a result of the emergence of new GIS tools and technologies.

GIScience is a multidisciplinary and multiparadigmatic field which is strongly related to ICT developments including sensors, the Internet of Things, or big data analytics. 

GIScience needs to keep up with such emerging technologies so that GIScientists can ask questions about the spatiotemporal representations that are needed. They need to critically reflect and engage.

#destacables #vgi (21/02/2014)

Pascal Neis, Dennis Zielstra. Recent Developments and Future Trends in Volunteered Geographic Information Research: The Case of OpenStreetMap. Future Internet, 6, 76-106, 2014. 

Apto para quien desee saber un poco más la historia y quehaceres de OpenStreetMap (OSM), proyecto pionero en la recolección de datos geográficos por los usuarios-productores de contenido (Voluntereed Geographic Information o VGI) .

Pero la historia y contexto es solo el principio. El núcleo del articulo se centra en un par de análisis de OSM desde dos ópticas complementarias: calidad de los datos y el perfil del usuario-productor.

En primer lugar comparan los datos OSM atendiendo a los parámetros que vienen en la norma ISO 19175 sobre calidad de datos geográficos.  Los autores repasan de forma exhaustiva con numerosas referencias a la literatura relacionada, cada uno de estos parámetros de calidad, como la precisión de los datos, completud, la evaluación de puntos de interés y objectos geográficos,  aspectos de geocodificación, veracidad y cobertura espacial de los datos, entre otros. Se trata de un análisis bien documentado, con gran cantidad de porcentajes que ayuda a poner en contexto la calidad de los datos OSM frente a otras fuentes de datos. Sin embargo, el texto es algo denso y manco de visualizaciones para enriquecer y fortalecer el texto puro y duro.

En segundo lugar el artículo análisis OSM desde la visión del verdadero protagonista, el usuario productor de datos geográficos.  El estudio se hace echo otra vez de un hecho común en proyecto de código abierto: el número de usuarios registros dista muchísimo del numero que realmente aporta contenido. Este efecto es fiel a una distribución Long Tail. El análisis continua con aspectos socio-económicos y demográficos desgranando la distribución geográfica, por género, y motivación de los usuarios de OSM. Hombre, entre 20 y 40 año, con estudios universitarios, altruista, y que vive en Europa o Norte América es el prototipo ideal de productor de datos para OSM.  

El artículo concluye resumiendo los puntos más destacables de los dos análisis anteriores sobre la calidad de los datos y el perfil de usuario en OSM. Otra revisión del estado del arte sin futuro.

#destacables #sig (31/01/2014)

Daniel Sui (2014). Opportunities and Impediments for Open GIS. Transactions in GIS, 18(1):1-14

Excelente artículo, de esos que vale la pena leer con detenimiento y analizar todo lo que una experimentada y fluida pluma nos cuenta sobre oportunidades y barreras que pueden afectar al despegue de SIG como disciplina científica en auge en el futuro.

En este artículo, versión extendida de una AAG 2013 Plenary Keynote del mismo autor, Sui destaca la idea de Open GIS, reflejo de las iniciativas Open X (Open Science, Open Source, Open Government, Open Data, etc.), la cual intenta reflejar la cultura Open en el contexto de SIG atendiendo a las siguientes dimensiones: datos, software, hardware, estándares, publicaciones, investigación, financiación y educación. Y todo ello, claro, con el Open delante.  

El objetivo primordial es concienciar a la comunidad SIG de que no se centre únicamente en los datos y software sino que las otras dimensiones son igualmente importantes para potenciar el valor de SIG como disciplina abierta en el contexto actual de cultura y movimiento abierto en el que nos encontramos.

En la primera parte del artículo, el autor desgrana cada una de estas dimensiones abiertas en el contexto de Open GIS.

No es nada nuevo que la comunidad SIG haya sido pionera en las dimensiones de datos (INSPIRE, IDEs, etc.), software (dar un vistazo a la serie de conferencias FOSS4G) y estándares abiertos (e.g. OGC). Pero de los éxitos pasados no se vive eternamente, y hay que seguir involucrándose en los nuevos avances y tendencias en cuanto a datos (p.e. open data, big data), software (p.e.,  IoT, smart cities, smartphones) y estándares (p.e. sinergias con estándares de otros dominios como salud). Este es justo el caso del hardware abierto: el bricolaje gana adeptos espectacularmente debido a la facilidad de reutilizar y combinar componente físicos (arduino, raspberry pi), como si fueran piezas de Lego, para luego enganchar el sensor o sensores resultantes con dispositivos móviles. El cóctel de sensores (hardware abierto) + procesamiento móvil (software abierto) + mediciones del entorno en cualquier lugar (datos abiertos) abre nuevas oportunidades para la comunidad SIG. 

Las otras cuatro dimensiones abiertas - publicaciones, investigación, financiación y educación - son relativamente nuevos nichos desde la perspectiva SIG. Con respecto a la primera, el autor incide en la oferta creciente de revistas de acceso abierto en el campo de SIG. Ciertamente me hubiera inclinado por otros aspectos. La investigación abierta no es algo propio de Open GIS, sino de cualquier disciplina científica. La colaboración entre científicos y la transparencia del método científico para facilitar la reutilización y reproducción de los resultados científicos son pilares fundamentales de la ciencia. En el caso de la financiación abierta, se identifica el caso de plataformas crowdfunding como mecanismo de financiación alternativo (a la administración pública) de proyectos SIG, aunque aún muy incipiente y sin experiencias claras que tomar de referencia. Finalmente, con respecto a la educación abierta, el autor comenta muy por encima el potencial todavía por desvelar de los cursos MOOCs en temáticas geo-espaciales.

En la segunda parte del artículo, el autor se moja (es su deber, puesto que es un pope) y propone futuras lineas de investigación (oportunidades) para Open GIS, así como barreras (impedimentos) que pueden dificultar las primeras. 

Oportunidades:

• Spatial big data deluge: Nuevas herramientas y técnicas para procesamiento geo-espacial y asegurar la calidad de datos en big data.
• New applications for improving individual and collective decisions: Nuevas aplicaciones que exploten los datos de localización para la toma de decisiones a nivel personal pero también de forma colectiva, dando importancia  al espacio y lugar para situaciones complejas como por ejemplo en la vigilancia territorial o en la definición y evaluación de políticas.
• Open geographic (citizen) science for understanding the chaning planet: La curiosidad científica de los ciudadanos será crucial para involucrarlo en proyectos científicos y mejorar así nuestra comprensión de problemas con una clara dimensión geo-espacial (medioambiente, movilidad, etc.). 
• Vision for a spatial university: Inculcar un pensamiento espacial y crítico en la próxima generación es clave por la horizontalidad de SIG y del concepto de espacio en ciencias, ingenierías, tecnologías, salud y ciencias sociales. 

Impedimentos:

• The academic culture and the reward system: la cultura de todo abierto aun no casa muy bien con las actuales medidas de evaluación, obsoletas y conservativas, en las universidades, especialmente por la falta de conexión entre contribución y atribución.
• Existing laws and intellectual property rights: IPR, copyright y atribución son clave para establecer un marco legal adecuado para el desarrollo de la cultura abierta.
• Social/political barriers and the chaingign power relationships: Unas pocas empresas privadas acumulan ya más datos de los ciudadanos que la propia administración pública, debido al uso de aplicaciones sociales "gratis" , que son una puerta abierta sin control a nuestros datos personales.  
• Environmental impacts and sustainabilty goals: Aún está por ver el impacto medioambiental  de la propia cultura abierta, de la cual Open GIS forma parte.  

El autor concluye evitando los extremos (todo open, todo closed) y toma una posición híbrida que, en mi opinión, es bastante lógica y realista:

I am a strong advocate for open science in general and open GIS in particular, but I do not believe that the free and open paradigm will be a panacea for all the problems and challenges we are facing in our profession. 

Por último, la sección de referencias es sensacional.

¿Que hay de geo en aplicaciones de salud?

Mucho. Potencialmente mucho. Esta entrada viene a colación para destacar un comentario en Science [1], que termina con las siguientes dos frases: 

“…There is also an urgent need for the creation of distributed, interoperable spatial data infrastructures to integrate health research data across and within disparate health research programs. In addition to fostering standards and scientific access, such large-scale spatial data infrastructures are themselves powerful new resources for generating and testing hypotheses, detecting spatial patterns, and responding to health threats.”

No es nada nuevo comentar que algunos problemas de salud pública pueden llevar a mejores decisiones si se analizan desde una perspectiva espacio-temporal. Un ejemplo típico es la expansión, o simplemente la monitorización, de una epidemia en una gran ciudad. Las tecnologías geo-espaciales facilitan por ejemplo analizar y simular la evolución temporal y espacial de una epidemia. Del valor añadido de afrontar un problema desde una perspectiva distinta, como la espacial, ya se dio cuenta el Dr Snow en el siglo XIX con su famoso mapa del colera y a vuelto a la palestra con el comentario en Science de arriba.  En otras palabras, es evidente que las aplicaciones de salud necesitan datos y tecnologías geo-espaciales para, por ejemplo, pronosticar cómo se expande una epidemia en un área. Señores médicos: no reinventen la rueda, no se saquen de la chistera nuevos servicios geo-espaciales! Aquí al lado tienen a la comunidad geo-espacial con sus infraestructuras de datos espaciales lista para colaborar y ayudarles. Una vez claro este punto, habría que pensar, como los autores del comentario en Science argumentan, en ver de que forma ambas infraestructuras, la geo-espacial  y la de salud, pueden interaccionar y colaborar en proyectos donde las tecnologías y datos  geo-espaciales ayuden en programas de salud pública. En un reciente artículo publicado en FGCS hemos sugerido la necesidad de colaboración entre las infraestructuras de información de salud y la geográfica [2]. Desde un punto tecnológico, es evidente que cada disciplina tiene sus singularidades, su terminología, su forma de hacer las cosas. Eso es así, y la esperanza de una única infraestructura “para todo” es más bien utopía. En la práctica, si somos capaces de identificar las demandas de carácter geo-espacial en aplicaciones de salud, y hacerlas corresponder con las ofertas de los servicios y tecnologías geo-espaciales, puede ser una vía para estrechar y aunar la colaboración entre disciplinas distintas que intentan resolver problemas multi-disciplinares.

[1] D.B. Richardson et al. Spatial Turn in Health Research. Science, 339(6126):1390-1392, 2013. doi: 10.1126/science.1232257
[2] C. Granell, O. Belmonte, L. Díaz. Geospatial information infrastructures to address spatial needs in health: collaboration, challenges and opportunities. Future Generation Computer Systems 31, 213-222. doi: 10.1016/j.future.2013.04.002. Acceso a la versión preprint.

Big Data: The future is in analytics

Este artículo de Abril de 2013 en la revista Geospatial World comenta algunas recomendaciones  que me han llamado especialmente la atención. Primero, no caigamos en el mismo error del pesado (lease servicios OGC vs. servicios web), y pensamos que necesitamos un Geo Big Data especial para la comunidad  geoespacial diferente de la corriente  actual de desarrollo en Big Data. Nada de eso, lo que hay que intentar es revalorizar el componente geográfico en el contexto de la tecnología actual de Big Data, sin tener que crear dos mundos artificiales distintos, uno geo y otro el resto del mundo, que en la vida real están totalmente conectados desde el punto de vida del usuario. Por ejemplo, no creo que estas dos preguntas a un Big Data necesiten tecnología distintas: Dame los sensores que miden contaminación de aire o dame los sensores que miden contaminación de aire cerca de mi? Segundo, Big Data, en una simple frase,  trata del almacenamiento de grandes cantidades de datos estructurados y no estructurados, que con la tecnología actual de bases de datos no es posible. Esto ya es un reto, por supuesto. Pero mas que el almacenaje de datos, lo interesante es sacar jugo a los datos, descubrir relaciones ocultas que únicamente emergen cuando se aplican técnicas de análisis de datos. De ahí la importancia  de la parte analítica en el Big Data. Tercero y ultimo, cito textualmente al autor porque lo explica de maravilla:

GIScience needs to move away from this approach [descriptive analysis] and move on to a model-centric approach, which stresses the underlying spatial processes rather than addressing the data bottleneck. [...]. The need is for runtime stream data analysis. The focus therefore shifts from the database to a model dictionary that is applied to streaming data to detect the states of the environment to highlight normal and abnormal conditions. Stream processing can be used to tune model parameters and to store useful data samples.