INTRODUCCIÓN

La creciente ola de información que se genera diariamente es almacenada en diversos forma- tos de datos. Muchos de estos formatos han sido creados por instituciones o comunidades, en dependencia de la necesidad de almacenamiento que estos poseen para sus grandes volú- menes de datos. Gran parte de esta información almacenada está relacionada con variables climáticas y datos asociados a otros eventos que ocurren cotidianamente, con el objetivo de analizarlos y poder arribar a conclusiones sobre el tema.

La mayoría de estos datos están relacionados con el medio ambiente, enfermedades, entre otros. Muchos poseen componente espacial, lo que significa que estos datos pueden ser geo- rreferenciados, o lo que es lo mismo, tienen una localización geográfica (Vázquez Rodríguez, 2015).

Gran parte de los elementos que existen en la naturaleza pueden ser representados me- diante formas geométricas (puntos, líneas o polígonos), lo que suele representarse en el mun- do de los Sistemas de Información Geográfica (SIG) mediante formatos de datos de tipo vec- torial. Comúnmente se selecciona una estructura de datos vectorial cuando hay que reflejar

entidades reales ubicadas en el espacio (carreteras, ríos, regiones), también cuando se quiere realizar un análisis entre unidades espaciales donde se manejan datos sobre una extensión de territorio que se considera homogénea (Barroso & Puebla, 1997; Murphy, 1995).

En las últimas décadas se ha producido un desarrollo importante de la Estadística espa- cio-temporal, dada la necesidad de analizar la evolución temporal del comportamiento espa- cial de magnitudes aleatorias que son de interés en estudios desarrollados en diversas áreas aplicadas, tales como Medioambiente, Geofísica, Biología y Medicina (Hernández-Leal, Du- que-Méndez, & Moreno-Cadavid, 2017). En particular, en el contexto geo-estadístico, se ha producido un avance importante en la derivación de modelos flexibles para el procesamiento y análisis estadístico de datos espacio-temporales. Los enfoques adoptados se fundamentan esencialmente en la estadística espacial, dado su auge previo en este contexto (Salmerón Gó- mez, et al., 2008). R como lenguaje estadístico (Lamigueiro, 2014) cuenta con diversos paque- tes para manipulación de datos vectoriales y datos espacio-temporales. Estos se encuentran organizados en vistas o temas en un repositorio oficial conocido como The Comprehensive R

Archive Network (CRAN). El análisis espacial es una extensión natural a las capacidades de

R, que es primordialmente un lenguaje de programación para análisis de datos, por lo que cuenta con un sin fin de técnicas estadísticas que no se encuentran tradicionalmente en pla- taformas SIG.

El Coronavirus 2019 (COVID-19) es una enfermedad infecciosa causada por el virus del Síndrome Respiratorio Agudo Severo tipo-2 (SARS-CoV-2), que fue declarado pandemia en marzo de 2020. Las tasas de letalidad se estiman entre el 1% y el 3% de los infectados por el virus, afectando principalmente a los adultos mayores y a aquellos con comorbilidades, como hipertensión, diabetes, enfermedad cardiovascular y cáncer. Diariamente se generan altos vo- lúmenes de datos relacionados con esta pandemia, debido a la alta cifra de contagios que pre- senta y el interés mundial que ha despertado. El estudio del comportamiento esta enfermedad en un espacio y período dado es de vital importancia para su enfrentamiento (Díaz-Castrillón & Toro-Montoya, 2020).

El objetivo de este trabajo es procesar datos de la enfermedad COVID-19 y visualizarlos

en forma de mapas de coropletas y mapas de símbolos graduados, de forma tal que posibilite un análisis espacial y temporal de los datos, mediante secuencias de imágenes. Se utiliza el lenguaje R para el procesamiento de datos, la generación y animación de mapas. El procedi- miento descrito puede adaptarse sin mucha complejidad para ser utilizado con otros datos en diferentes regiones y con otras escalas temporales.

METODOLOGÍA

Para la generación de los mapas, se parte de datos disponibles, previamente elaborados con otros fines, algunos de los cuales están disponibles en Internet y otros fueron solicitados a diferentes entidades dentro de las cuales se encuentra el Ministerio de Salud Pública de la Re- pública de Cuba (Minsap). En todos los casos es necesario procesar dichos datos de acuerdo al

tipo de análisis que se desee realizar, para luego asociarlos a las geometrías correspondientes en el formato shapefile (shp), un tipo de modelo vectorial. Con dicha asociación ya estamos en condiciones de generar los diferentes mapas temáticos (símbolos graduados y coropletas). En este caso se utiliza el lenguaje R para realizar el procesamiento de los datos y la generación de los mapas.

Seguidamente, en esta metodología se describe el modelo vectorial como dato espacial y se menciona el formato shapefile, a partir del cual se generan los mapas. Por último, se des- cribe el lenguaje R como herramienta utilizada para el procesamiento y generación de mapas temáticos.

Los datos espaciales permiten una representación del mundo real o cotidiano. Dicha re- presentación trae consigo la incorporación de modelos dinámicos, dependientes de las va- riables temporales y espaciales. Una gran cantidad de estudios han permitido acrecentar las capacidades y condiciones de desarrollo para herramientas que realicen análisis de variables temporales. Para modelar y entender la evolución de los fenómenos geográficos el tiempo es determinante, se considera que las transformaciones del espacio geográfico dependen de las actividades y los fenómenos espacio-temporales (Durango Vanegas, 2013).

Modelo vectorial

El modelo vectorial permite modelar el espacio geográfico mediante puntos, líneas o polígo- nos, si se asocian a estas geometrías una serie de valores definitorios. Al definir las formas geométricas básicas, todas ellas pueden, en última instancia, reducirse a puntos. Así, las líneas son un conjunto de puntos interconectados en un determinado orden, y los polígonos son lí- neas cerradas, también expresables como una serie de puntos. Todo elemento del espacio geo- gráfico queda definido por una serie de puntos que determinan sus propiedades espaciales y una serie de valores asociados. Una única entidad puede contener varias primitivas, esto per- mite representar territorios en los que no se puede mostrar toda su extensión mediante una sola primitiva. Una entidad que esté compuesta por más de una primitiva, contiene un único conjunto de valores asociados a ella (Olaya, 2014).

El modelo de representación vectorial posee como elemento particular la topología. De

manera informal, la topología se ocupa de aquellas propiedades y características de las figu- ras o cuerpos geométricos que permanecen invariantes cuando dichas figuras son plegadas, dilatadas, contraídas o deformadas, de manera que no aparezcan nuevos puntos o se hagan coincidir puntos diferentes (Stadler, 2002).

La representación de puntos o líneas es inmediata, sin embargo, al representar polígonos aparecen dos situaciones diferentes (Stadler, 2002):

• • Si los polígonos aparecen aislados los unos de los otros, cada polígono se codifica como una línea cerrada, esta representación se denomina modelo Orientado a objetos. Esta representación tiene como desventaja que, si los polígonos se yuxtaponen, codificar los polígonos como líneas cerradas tiene el problema de que habría que repetir cada una de las líneas interiores.

  • El formato alternativo es el modelo Arco-Nodo, donde se codifican las líneas por separa- do, y posteriormente se define cada uno de los polígonos a partir del conjunto de líneas que lo componen.

  Generalmente se considera al formato vectorial más adecuado para la representación de entidades o variables cualitativas; sin embargo, esto no siempre es necesariamente así (Stadler, 2002).

  Para representar variables cualitativas y objetos en el modelo vectorial existen dos formas posibles (Stadler, 2002):

  • Formato vectorial Arco-Nodo.

  • Formato vectorial Orientado a objetos, menos adecuado pues se introduce mucha infor- mación redundante.

Formato Shapefile

El formato shapefile es un formato de archivos para datos vectoriales desarrollado por la com- pañía ESRI y es ampliamente utilizado. A diferencia de otros formatos de datos existentes, está compuesto por al menos por tres tipos de ficheros, los cuales tienen las extensiones siguientes (Richards, et al., 2010):

• • .shp: almacena las entidades geométricas de los objetos.

  • .shx: almacena el índice de las entidades geométricas.

  • .dbf: almacena la tabla de atributos de los objetos.

Es común encontrar también un cuarto archivo con extensión .prj, que contiene la infor- mación referida al sistema de coordenadas (Mas, 2018).

Este formato permite almacenar solamente una geometría por tabla, no puede almacenar valo- res nulos, redondea los números y en él no se pueden almacenar fecha y hora en un mismo campo. Actualmentenosololos SIGsoncapaces demanipularsatisfactoriamentearchivos shapefile; han surgido lenguajes muy efectivos para su manipulación, como es el caso del lenguaje R

(Richards, et al., 2010).

Las imágenes resultantes de la generación de mapas a partir de un archivo shapefile con- tienen mapas temáticos, que por lo general son de coropletas o de símbolos graduados, ya que estos tipos de mapas facilitan la comparación de una medida estadística de una región con otra, o muestra la variabilidad de esta para una región dada.

Mapas temáticos

Los mapas temáticos son mapas basados en mapas topográficos, cuyo fin es representar cual- quier fenómeno geográfico de la superficie terrestre, tanto cualitativo como cuantitativo. Un mapa temático es en buena medida el final de un proceso investigativo. De esta forma el mapa será la suma de las fuentes y de la propia aportación o interpretación personal de un investi- gador (Bravo, 2000).

Estos tipos de mapas son una herramienta eficaz utilizada por los especialistas para rea- lizar análisis comparativos de tendencias y variedades presentes en la información de una

determinada fuente de datos, debido a que tratan los valores en un campo designado estadís- ticamente y asignan los estilos a las clases identificadas según los parámetros que el usuario especifica. Se pueden representar datos derivados a la densidad poblacional, tasas de morta- lidad, enfermedades, etc., y todo esto codificado bien sea por colores o gráficas (Bravo, 2000).

Mapas de símbolos proporcionales o graduados

Los mapas de símbolos graduados son un tipo de mapas de puntos, donde la presencia de símbolos en determinadas posiciones, está relacionada con un tamaño que es proporcional a la magnitud de la cantidad del atributo que se pretende visualizar. De esta forma es fácil es- tablecer comparaciones visuales entre varios valores de un atributo único representado en el mapa (Taylor & Brower, 1984). El mapa B en la figura 1 se muestra un ejemplo de un mapa de símbolos graduados.

Este tipo de mapa puede ser creado utilizando una regla que contenga un tipo de geome- tría puntual para definir un símbolo, por ejemplo, cuadrado o círculo, donde su tamaño puede variar de acuerdo a la proporción de la cantidad del valor que se muestra. De esta forma, los símbolos tendrán tamaños diferentes acordes al valor del atributo donde serán representados (Taylor & Brower, 1984).

Es muy común que este tipo de mapa sea utilizado sobre todo para la representación de datos socioeconómicos, pero en la práctica mediante este sistema se puede representar cual- quier dato, incluyendo totales, proporciones y razones (Taylor & Brower, 1984). Además del tamaño, en un símbolo se pueden emplear también otras metáforas visuales como forma, co- lor, luminosidad, transparencia, textura, etc., para codificar otros atributos numéricos asocia- dos a diferentes variables observadas en esa misma localización geográfica.

Mapas de coropletas

Los mapas de coropletas son una variedad de mapas temáticos, donde un área geográfica es dividida en diferentes regiones, cada una de las cuales se distingue de las restantes a través de un color correspondiente a un determinado atributo. De esta manera proporcionan una forma fácil de visualizar una variación de un único atributo de una región determinada. En la figura 1 se muestra un ejemplo de este tipo de mapa temático. Normalmente, se crean inter- valos dentro de una gama de valores que un atributo puede tomar, y para cada uno de estos intervalos se le atribuye un color o tonalidades de colores diferentes. Para la creación de este tipo de mapas se puede definir una regla con un filtro por clase, que será caracterizada por un elemento o región que contenga un tipo de geometría poligonal. Cada color representa una determinada clase de valores (Sherman, Gartin, & Burger, 1989).

Cuando se crean estos tipos de mapas, el usuario debe seleccionar el tipo de rango a utili-

zar para representar la distribución del hecho, por ejemplo, intervalos iguales, conteos iguales (cuantiles), rupturas naturales, desviación estándar o rango personalizado. Esta libertad para escoger un rango de cualquier tipo origina una variabilidad en cualquier mapa creado para identificar determinados hechos (Harries, 1995).

Un problema adicional con los mapas de áreas definidas por límites geográficos es el re- lacionado con el “Problema de la Unidad de Área Modificable”, en el cual los cambios en las áreas geográficas definidas por límites empleadas para representar temáticamente la distri- bución de un atributo, pueden afectar e incluso ocasionar equivocaciones en la interpretación del mapa. Sin embargo, el método de mapeo temático por áreas definidas por límites no debe ser completamente desechado. Los mapas temáticos de áreas definidas por límites geográficos son importantes, ya que las áreas que representan frecuentemente son regiones geográficas usadas para propósitos políticos y administrativos (Bailey & Gatrell, 1995).

El lenguaje R para la visualización de archivos shapefile

El lenguaje R es una plataforma de análisis estadístico. Es un referente desde hace varios años en este campo, debido a que cuenta con herramientas gráficas muy avanzadas. Se puede obtener gratuitamente, ya que es parte del proyecto colaborativo de software libre GNU y se distribuye bajo la Licencia Pública General. Esta licencia tiene por propósito declarar que el software es libre y protegerlo de intentos de apropiación que restrinjan esas libertades a nuevos usuarios, cuando el software es distribuido o modificado. Por ser un programa de código abierto, R es fruto del esfuerzo de miles de personas en todo el mundo que colaboran en su desarrollo, lo que permite solucionar problemas de errores de programación rápidamente, así como el desarrollo de pa- quetes modulares, que son complementos especializados para temas específicos. Estos paquetes se basan a menudo en métodos muy innovadores, permitiendo utilizar R para una amplia gama de problemas. Existen paquetes para procesar datos tan diversos como censos, series de tiem- po, secuencias genéticas o información económica, así como implementar una gran variedad de métodos estadísticos. Durante los últimos años, se han creado diferentes paquetes dirigidos al análisis espacial, convirtiendo al lenguaje R en una potente herramienta para llevar a cabo el mapeo y el análisis de todo tipo de información georeferenciada (Mas, 2018).

Aspectos generales del lenguaje R

El lenguaje R se caracteriza como un sistema completamente diseñado y vinculado directamente al análisis de datos. Generalmente se utiliza R como un sistema estadístico, sin embargo, la des- cripción correcta es la de un lenguaje en el que se han implementado muchas funciones con fines estadísticos. Algunas están incluidas en el entorno base de R y otras se encuentran en forma de bibliotecas (Bellosta, 2018; Mas, 2018; Paradis & Ahumada, 2003; Santana & Farfán, 2014).

Actualmente se encuentran disponibles alrededor de 14.000 bibliotecas desarrolladas en R, que cubren diversos campos, desde aplicaciones Bayesianas, financieras, generación de ma- pas, wavelets, análisis de datos espaciales, etc. (Bellosta, 2018; Mas, 2018; Paradis & Ahumada, 2003; Santana & Farfán, 2014).

El lenguaje R como una plataforma SIG

Desde ya varios años se han desarrollado paquetes en R dirigidos al análisis espacial, permi- tiendo la manipulación y el análisis de datos espacio-temporales en este lenguaje (Mas, 2018).

Entre las ventajas del lenguaje R para la realización de visualizaciones y análisis espaciales se encuentran:

• • R permite repetir y replicar todos los procesos una vez que se han desarrollado, lo que genera de manera automática una investigación transparente.

  • R es primordialmente un lenguaje de programación para análisis de datos, por lo que cuenta con un sin fin de técnicas estadísticas, que no se encuentran tradicionalmente en plataformas SIG (Mas, 2018).

La mayor desventaja de usar R por sí solo como SIG es su capacidad para la visualización

de datos espaciales, que por lo general solo permite la generación de imágenes estáticas. Si se desea explorar un mapa de manera dinámica, se deben utilizar funcionalidades específicas (Mas, 2018). Por esto es recomendable parear R con un software SIG especializado, por ejem- plo QGIS, que es sumamente poderoso y de código abierto (Mas, 2018).

Paquetes para la manipulación de formatos científicos de datos espacio-temporales y geoespaciales en R

R forma parte de un proyecto colaborativo y abierto, que promueve la creación de paquetes

con el fin de brindar la posibilidad de compartir el trabajo y contribuir además al crecimiento del propio lenguaje. Existe un repositorio oficial de paquetes, que son organizados en vistas (o temas) según su naturaleza y función. El lenguaje cuenta con paquetes para facilitar la ma- nipulación de datos científicos y espacio-temporales como son: Raster (Hijmans, 2013), rgdal

(Keitt, Rowlingson, & Bivand, 2013), tidyr (Messy, 2019), ClassInt (Bivand, 2013), Maptools

(Bivand, et al., 2016), RcolorBrewer (Neuwirth, 2013), ggplot2 (Wickham & Chang, 2015), Plyr

(Wickham, 2020).

RESULTADOS Y DISCUSIÓN

En esta sección se describen los principales resultados obtenidos sobre la generación de ma- pas para la COVID-19 en el lenguaje R: generación de mapas de coropletas mundiales con los casos positivos y fallecidos por países a causa de la pandemia; procesamiento de datos de casos positivos de Cuba a nivel provincial y municipal, los cuales se visualizan en forma de mapas de coropletas y de símbolos graduados, incluyendo animaciones temporales a partir de los mapas de símbolos graduados; visualización en mapas de los datos de la autopesquisa, en conjunto con otras instituciones y entidades del país como el Minsap, la empresa Geocuba y el Ministerio de Ciencia, Tecnología y Medio Ambiente de la República de Cuba (Citma).

Generación de mapas de coropletas a nivel mundial con los casos positivos y fallecidos por países a causa de la COVID-19

El primer resultado que se obtuvo en la visualización de mapas sobre la COVID-19 está re- lacionado con la generación de mapas a nivel mundial de datos oficiales de la Organización Mundial de la Salud.

Figura 1
Mapas del Mundo con casos positivos y fallecidos de la COVID-19.
Mapas del Mundo con casos positivos y fallecidos de la COVID-19

A partir de un pequeño fragmento de código en R, disponible en el sitio Web del Centro Europeo para la Prevención y el Control de Enfermedades (https://www.ecdc.europa.eu) se logra obtener un documento de Microsoft Excel con los datos oficiales de casos y fallecidos de COVID-19 por países. Tomando como base el fragmento de código mencionado anteriormen- te se desarrolló un script, el cual utiliza el documento de Excel obtenido y un fichero shapefile con la geometría de los países a nivel mundial para generar los mapas con las cantidades de casos positivos (ver figura 1 Mapa A) y de fallecidos (ver figura 1 Mapa B). En este caso los mapas de la figura fueron generados calculando siete clases de intervalos a partir del método Jenks (Intervalos Naturales) y con una paleta de colores de amarillo (menor cantidad de casos) a rojo (mayor cantidad de casos). No obstante, se pueden utilizar otros métodos, otro número de clases, así como otros tipos de paletas de colores.

Generación de mapas de coropletas y de símbolos graduados de casos

positivos a la COVID-19 en Cuba

En el caso de la generación de mapas de COVID-19 en Cuba se utilizó como base la división político administrativa a nivel de provincias, y los datos oficiales publicados por el Ministerio de Salud Pública de la nación. Se generaron mapas de coropletas y de símbolos graduados con las cantidades acumuladas de casos por provincias por cada día desde el inicio de la epidemia, con el objetivo de analizar su desarrollo en el tiempo.

En la figura 2 Mapa A se muestra uno de los mapas de coropletas generados, correspon-

diente al día 21 de afectación. Estos tipos de mapas se generan mediante un script similar a los encargados de generar los mapas explicados en la sección anterior. A este script se le agrega un fragmento de código, que se encarga de procesar los datos de casos positivos, con el obje- tivo de agruparlos por provincias y por día de reporte, para así visualizarlos temporalmente.

Figura 2.
Mapa de Cuba con casos positivos a la COVID-19.
Casos Acumulados día 21

En la figura 2 Mapa B se muestra una imagen del mapa de símbolos graduados correspon- diente al acumulado de casos positivos por provincia hasta el día 21 de la epidemia. Lo más importante en este caso es que con la secuencia de mapas de símbolos graduados se puede hacer una animación en forma de archivo CompuServe Gif (.gif ) animado, donde se puede

comprobar el incremento de los casos al pasar los días. Para generar estos mapas se creó un script, que a partir de los datos de casos positivos genera una tabla con los casos agrupados por provincias y por día de reporte. Luego acopla la tabla a un fichero shapefile con la geome- tría de las provincias de Cuba y obtiene un centroide, el cual se utiliza para calcular el punto medio de las provincias, donde sitúa los símbolos graduados de tipo círculo, cuyo diámetro se corresponde con la cantidad de casos de esa provincia en ese día. El fichero .shp se enlaza con la ubicación de los símbolos graduados y comienza la generación de mapas por cada día de reporte. Una vez generados los mapas, se crea un archivo .gif animado con todos ellos, que acopla todas las imágenes ordenadas por fecha, de manera tal que al ejecutarse el .gif se vi- sualizan los mapas desde el primer día en que se reportaron casos hasta el último, mostrando la evolución de la enfermedad a lo largo del tiempo. De esta manera los especialistas pueden realizar un estudio del comportamiento de la enfermedad en las diferentes regiones.

De manera similar al caso de generación mapas de coropletas de Cuba, se desarrolló un script, el cual visualiza los datos de casos y de fallecidos de la COVID-19 para la provincia de Villa Clara por municipios. El script desarrollado también incluye el procesamiento de datos y es perfectamente adaptable para el resto de las provincias.

Generación de mapas de coropletas por municipios y áreas de salud a partir de

los datos de la autopesQuisa en Villa Clara

Como parte de la colaboración de los autores de este trabajo con el Consejo de Defensa Pro- vincial de Villa Clara y de la ayuda que brindó la Universidad Central “Marta Abreu” de Las Villas para el procesamiento de datos generados por la aplicación móvil Pesquisador Virtual (https://www.apklis.cu/application/cu.online.survey/), puesta a disposición de la población por parte de la Universidad de las Ciencias Informáticas en coordinación con el Ministerio de Salud Pública y el Ministerio de Comunicaciones de la República de Cuba, se pudo obtener de la Dirección de Provincial de Salud de Villa Clara los datos recopilados de las personas que se autopesquisaron. Estos datos fueron de gran importancia para la provincia, y en particular para las áreas de salud que atiende cada uno los policlínicos más importantes. En la aplicación de autopesquisa toda persona debe especificar el policlínico a que pertenece y existe una re- lación biunívoca entre el policlínico al que pertenece cada persona y el área de salud. Esta in- formación fue utilizada para hacer una correspondencia y generar mapas en formato shapefile con la información recopilada de las autopesquisas a nivel de áreas de salud.

El procesamiento de los datos de las autopesquisas fue realizado en R y la generación de los shapefile fue realizada también en este lenguaje.

Posteriormente, los datos procesados fueron entregados a los administradores de la In- fraestructura de Datos Espaciales de la provincia de Villa Clara (Geocuba), donde se logró pu- blicar información de enfermedades y los síntomas que padecen los autopesquisados. La figu- ra 3 muestra por cada área de salud las cantidades de autopesquisados, que dijeron padecer de enfermedades pulmonares. De igual manera se puede consultar en la página https://idevida.

geocuba.cu/vc, por área de salud las cantidades de personas que dijeron padecer de fiebre alta,

insuficiencia cardíaca, asma, cáncer, dolor en las extremidades, diarreas, diabetes, tos, dolor de cabeza, debilidad y cansancio, falta de aire, hipertensión, dolor de garganta y enfermedad coronaria. Todo esto constituye una poderosa herramienta para que se tomen mejores deci- siones por parte de las autoridades de salud.

Los scripts creados permiten agilizar el proceso de generación de mapas, debido a que no es

necesario hacer uso de herramientas que requieren interacción con el usuario, como es el caso de Excel o algún SIG. También posibilitan el procesamiento de un alto volumen de datos de ma- nera eficiente y eficaz. Una de las principales ventajas de estos scripts es que permiten generar más de 400 mapas en cuestión de minutos, esto lo hace muy superior a los SIG para estos casos. Si bien los scripts desarrollados son específicos para esta problemática en particular, pue- den generalizarse y adaptarse fácilmente para otros tipos de problemas con diferentes datos

que se puedan visualizar sobre otras regiones.

Figura 3.
Mapa de coropletas de casos autopesquisados con enfermedad pulmonar.
Mapa de coropletas de casos autopesquisados con enfermedad pulmonar

Los mapas generados pueden ser analizados mediante imágenes independientes, que pre- sentan el escenario de la enfermedad COVID-19 (casos positivos, fallecidos, datos de la auto- pesquisa) por día y región, o mediante animaciones, que muestran la evolución de los casos a lo largo del tiempo. De esta forma se puede arribar a conclusiones sobre la distribución tem- poral y espacial de la epidemia en Cuba y el mundo.

La visualización de una o varias regiones al mismo tiempo mediante animaciones permite comparar el desarrollo de la enfermedad en poblaciones cercanas y generar hipótesis sobre la posible relación entre ellas. Así, las autoridades competentes pueden tomar medidas especí- ficas de contención, como, por ejemplo, establecer puntos de control entre regiones o limitar los movimientos de personas de una región específica a otra.

CONCLUSIONES

Se desarrollaron varios scripts en R, que permiten procesar y visualizar datos de la pandemia COVID-19 en Cuba y en el mundo, de forma tal que se facilita la realización de análisis espa- ciales y temporales sobre la evolución de la enfermedad por parte de especialistas e investiga- dores.

Estos scripts se pueden generalizar para ser utilizados en otras áreas de investigación; no

están vinculados exclusivamente con la medicina. Fueron diseñados y programados lo más general posible, de manera que se pueden aplicar también a la demografía, sociología, meteo- rología y muchas otras áreas. También se pueden integrar de forma interactiva con otras he- rramientas de análisis, como es el caso de los Sistemas de Información Geográfica.

Se generaron más de 400 mapas de coropletas y de símbolos graduados de Cuba y el mun- do con datos de la COVID-19, así como animaciones que permiten estudiar la evolución de la enfermedad en el tiempo.

Los scripts programados para generar los mapas son resultados importantes de este tra-

bajo, que demuestran la viabilidad del uso del lenguaje R para el procesamiento de datos y la generación de mapas sobre COVID-19.

REFERENCIAS

Bailey, T. C., & Gatrell, A. C. (1995). Interactive spatial data analysis (Vol. 413). Longman Scientific & Technical Essex.

Barroso, A. R., & Puebla, J. G. (1997). Los sistemas de información geograficos: origen y pers- pectivas (Vol. 7, p. 106). Madrid.

Bellosta, C. J. G. (2018). R para profesionales de los datos: una introducción.

Bivand, R. (2013). Package “ classInt ”, 1–12.

Bivand, R., Lewin-Koh, N., Pebesma, E., Archer, E., Baddeley, A., Bearman, N., … Rogerbi- vandnhhno, M. R. B. (2016). Package “ maptools ”, 81.

Bravo, J. D. (2000). Breve Introducción a la Cartografía y a los Sistemas de Información Geo- gráfica (SIG)., (June), 30.

Díaz-Castrillón, F. J., & Toro-Montoya, A. I. (2020). SARS-CoV-2 / COVID-19 : el virus , la enfermedad y la pandemia, 2019, 183–205.

Durango Vanegas, C. E. (2013). Caracterización de datos espacio temporales en sistemas de información geográfica. Instituto de Sistemas y Ciencias de la Decisión.

Harries, K. D. (1995). Mapping crime: Principle and practice. US Department of Justice, Offi- ce of Justice Programs, National Institute of~….

Hernández-Leal, E. J., Duque-Méndez, N. D., & Moreno-Cadavid, J. (2017). Big Data: an explo- ration of research, technologies and application cases. TecnoLógicas, 20(39), 17–24.

Hijmans, R. J. (2013). Introduction to the ’ raster ’ package ( version 2 . 1-49 ), (2008), 1–27.

Keitt, T., Rowlingson, B., & Bivand, R. (2013). Package “ rgdal ”, 01, 46.

Lamigueiro, Ó. P. (2014). Displaying time series, spatial, and space-time data with R. CRC Press.

Messy, T. (2019). Package “ tidyr .”

Murphy, L. D. (1995). Geographic information systems: are they decision support systems? In Twenty-Eighth Annual Hawaii International Conference on System Sciences (pp. 131–141). Hawaii.

Neuwirth, E. (2013). Package “ RColorBrewer ”, 1–5.

Olaya, V. (2014). Sistemas de Información Geográfica (p. 798).

Paradis, E., & Ahumada, J. A. (2003). R para Principiantes.

Richards, T. B., Berkowitz, Z., Thomas, C. C., Foster, S. L., Gardner, A., King, J. B., … Royalty, J. (2010). HERRAMIENTAS & TÉCNICAS El diseño de mapas de coropletas para repre- sentar la incidencia del cáncer.

Salmerón Gómez, R., & others. (2008). Análisis estadístico de datos espacio-temporales me- diante modelos funcionales de series temporales.

Referencias

Santana, J. S., & Farfán, E. (2014). El Arte de Programar en R: Un lenguaje para la estadística (p. 197).

Referencias

Sherman, L. W., Gartin, P. R., & Burger, M. E. (1989). Hot spots of predatory crime : routine activitices and the criminology of place, (September 2014), 56.

Referencias

Stadler, M. M. (2002). Topología General (p. 200). Managua. Retrieved from http://www.ehu.es

Taylor, R. B., & Brower, S. (1984). Block Crime and Fear : Defensible Space , Local Social Ties , and Territorial Functioning, (May), 331. doi:10.1177/0022427884021004003

Referencias

Vázquez Rodríguez, R. (2015). Nuevos métodos para el procesamiento y análisis de informa- ción geográfica. Universidad de Granada.

Referencias

Wickham, H. (2020). Package “ plyr .”

Referencias

Wickham, H., & Chang, W. (2015). Package “ggplot2.”

Referencias

Mas, J.-F. (2018). Análisis espacial con R : Usa R como un Sistema de Información Geográfica (p. 151).