Arqueología computacional del territorio: Métodos y técnicas para estudiar decisiones humanas en paisajes pretéritos

Cover
Title Page
Copyright Page
Contents Page
Presentación
Agradecimientos
PRIMERA PARTE: TEORÍA Y MÉTODOS EN ARQUEOLOGÍA COMPUTACIONAL DEL TERRITORIO Y PAISAJE
	1. Prospección arqueológica remota y la “revolución” del LiDAR
		1.1. El cambio de siglo. Estrategias adaptadas a una renovación tecnológica
		1.2. El despegue de la tecnología: la teledetección y cartografía digital
		1.3. La tecnología LiDAR y su uso en Arqueología
			1.3.1. El tratamiento de los datos LiDAR
			1.3.2. Creación de un Modelo Digital del Terreno a partir de datos LiDAR
			1.3.3. Técnicas de visualización microtopográficas
			1.3.4. Comparación y discusión de los resultados analíticos
	2. Arqueología del territorio y paisaje a través de los Sistemas de Información Geográfica
		2.1. Las investigaciones con Sistemas de Información Geográfica y estadística espacial
		2.2. Un camino pedregoso: las críticas del postprocesualismo y el determinismo ambiental
		2.3. Cuestiones técnicas de inicio sobre los SIG
	3. Modelos computacionales, distribuciones, patrones y procesos de puntos
		3.1. Modelos computacionales en Arqueología
		3.2. Cuantificación y estadística espacial
			3.2.1. Una historiografía difusa
			3.2.2. Análisis de datos exploratorio
			3.2.3. Inferencia estadística
			3.2.4. Hacia una mayor significación: la Aleatoriedad Espacial Completa y la Simulación de Monte Carlo
		3.3. Análisis espacial de patrones de puntos
			3.3.1. Un ejemplo práctico no arqueológico
			3.3.2. Métodos de análisis
			3.3.3. Principales problemas en el análisis espacial
		3.4. El análisis locacional
SEGUNDA PARTE: MODELANDO DECISIONES HUMANAS EN PAISAJES PRETÉRITOS
	4. Aproximaciones con Sistemas de Información Geográfica y estadística espacial para ...
		4.1. Propiedades y efectos de primer orden. Las variables medioambientales
			4.1.1. Factores de primer orden
		4.2. Modelado predictivo
	5. Simulación estadística para el estudio de patrones culturales
		5.1. Factores de segundo orden. La interacción entre los puntos
TERCERA PARTE: CIENCIA ABIERTA EN ARQUEOLOGÍA. CASOS DE ESTUDIO
	6. Ciencia arqueológica en acceso abierto y transparente
		6.1. Acceso abierto a las investigaciones y datos arqueológicos
		6.2. Métodos en abierto, transparentes y reproducibles
		6.3. Una apuesta por el uso de R Statistics en Arqueología
	7. Caso práctico. Modelos de procesos de puntos para el estudio del Megalitismo...
		7.1. El fenómeno tumular y megalítico del Barbanza
		7.2. Construcción de las covariables
		7.3. Formalización y discusión de los modelos
		7.4. Compartir la investigación. Almacenamiento, publicación en línea, y lenguaje Rmarkdown
	8. Caso práctico. Patrones de localización en el poblamiento de la Edad del Hierro de Galicia...
		8.1. Introducción, área de estudio y datos arqueológicos
		8.2. Construcción de las covariables
		8.3. Estudio de la distribución de los castros: la intensidad espacial
		8.4. Patrones y efectos de primer orden: la importancia de las variables medioambientales
		8.5. Patrones y efectos de segundo orden. Midiendo la territorialidad
		8.6. Conclusiones
CUATRA PARTE: REFLEXIONES FINALES
	9. Un futuro para la Arqueología computacional del territorio y paisaje...
Índice de figuras
	Figura 1. Visor SIGPAC con la localización del campamento romano de Aquis Querquennis, Bande (Ourense).
	Figura 2. Proyecto PNOA. Año de vuelo de la última ortofotografía validada (Copyright proyecto PNOA. Ministerio de Transportes, Movilidad y Agenda Urbana, Gobierno de España).
	Figura 3. Zonas del vuelo fotogramétrico del PNOA para el año 2020 (Copyright proyecto PNOA. Ministerio de Transportes, Movilidad y Agenda Urbana, gobierno de España).
	Figura 4. Comparativa del Castro de Santa Trega (A Guarda, Pontevedra) con el visor webmapping de la Xunta de Galicia. Izquierda: fotografía aérea del Vuelo Americano de 1956. Derecha: imagen del PNOA, de 2017.
	Figura 5. Estado actual del proyecto PNOA-LiDAR, con datos referidos a las dos coberturas disponibles y su publicación, año 2020 (Copyright PNOA, IGN).
	Figura 6. Nubes de puntos LiDAR clasificadas por tipos de vegetación. A: Puntos correspondientes al terreno y vegetación baja. B: Puntos correspondientes al terreno y vegetación media. C: Puntos correspondientes al terreno y vegetación alta.
	Figura 7. Caso de estudio. Castro de Viladonga (Castro de Rei, Galicia), perteneciente a la cultura castreña de la Edad del Hierro del Noroeste. A: Ortoimagen procedente del PNOA. B: Vista aérea del sitio arqueológico (copyright wikipedia commons).
	Figura 8. A: Resultados del filtraje de clasificación realizado con el script lasground de LASTools (puntos del terreno en marrón; estructuras artificiales y vegetación en verde), con factor de exageración 3 para una mejor visualización. B: Resultados del
	Figura 9. Interpolación de la nube de puntos LiDAR correspondiente al Castro de Viladonga (identificado con una flecha en ambas imágenes), en SAGA GIS. A: Nube de puntos sin interpolar. B: Interpolación del Modelo Digital del Terreno mediante Inverse Dist
	Figura 10. Dos de los softwares más utilizados para la generación de resultados analíticos a partir de datos LiDAR. Arriba: LiDAR Visualisation Toolbox; Abajo: Relief Visualization Toolbox.
	Figura 11. Resultados del sombreado analítico realizado en SAGA GIS, sobre el MDE del Castro de Viladonga generado previamente. A: Analytical hillshading, método standard (Azimut: 315; Altura: 45; Exageración: 4). B: Analytical hillshading, método combina
	Figura 12. Uso de filtros espaciales para la detección de las estructuras del castro. Arriba: de paso bajo. Abajo: de paso alto.
	Figura 13. Arriba: Modelo de relieve local realizado con la toolbox LRM de ArcGIS (Novák 2014). Abajo: Filtro resampling de SAGA GIS. En ambas imágenes puede observarse la planta del Castro de Viladonga en el centro.
	Figura 14. Monográficos sobre SIG aplicados a Arqueología publicados la década de 1990.
	Figura 15. Monográficos sobre SIG aplicados a Arqueología, publicados a inicios del S. XXI.
	Figura 16. Últimos monográficos de referencia en el campo de la Arqueología computacional, desde 2010.
	Figura 17. Principales funciones y usos de los Sistemas de Información Geográfica (modificado de Conolly, Lake 2009).
	Figura 18. Tipos de datos vectoriales y raster, junto a su representación (modificado de Conolly, Lake 2009).
	Figura 19. Ejemplo esquemático del proceso de interpolación con distancia media ponderada (IDW) de 4 vecinos más próximos.
	Figura 20. Monográficos de finales del S. XX sobre matemáticas y estadística aplicadas a Arqueología.
	Figura 21. Ejemplo de distribución de frecuencia acumulada de la visibilidad de dos muestras de yacimientos arqueológicos (a partir de Lake, Woodman 2003).
	Figura 22. Ejemplo de aplicación de la simulación de Monte Carlo para estudiar la altitud de los monumentos megalíticos de Costa da Morte, Galicia (muestra de 334 monumentos). En verde puede observarse el rango aleatorio (envelope), compuesto de 999 simul
	Figura 23. Patrones de puntos. A: Regular. B: Aleatorio. C: Agrupado.
	Figura 24. Vista aérea del Osheaga Festival de Montreal, Canadá (2006) (licencia standard, ©fotoimagemtl/123RF.COM).
	Figura 25. Ejemplo de análisis de cuadrantes.
	Figura 26. Ejemplo de análisis del vecino más próximo. A: Histograma de la medida general, en el que se observa que la mayor parte de los puntos se localizan a menos de 500 m unos de otros. B: Histograma centrado en los primeros 500 m, para observar con m
	Figura 27. Influencia del tamaño del área de estudio en la detección de patrones de puntos (Goreaud, Pélissier 2000, tomada de Bevan, Conolly 2006: 220).
	Figura 28. Patrones de puntos “multiescalares”. Patrón general (A), que esconde agrupación si reducimos la escala de análisis (B).
	Figura 29. Estimación de la función K de Ripley.
	Figura 30. Gráfico de función L de Ripley (variante de la K), con explicación de sus diferentes parámetros. Modificado a partir de un gráfico de M. Peeples (mattpeeples.net).
	Figura 31. Ejemplo de una función L de Ripley, para el estudio de la distribución de cierto tipo de pinos japoneses, junto con 19 simulaciones aleatorias creadas bajo un proceso Poisson (a partir de Baddeley et al. 2015: 246). En naranja puede identificar
	Figura 32. Representación esquemática del cálculo de las funciones K y de correlación par (pcf).
	Figura 33.  Función G de correlación par, junto a la identificación de sus componentes analíticos principales.
	Figura 34. Estimación de densidad del núcleo (Kernel Density Estimation, KDE) para los monumentos megalíticos localizados en A Costa da Morte (Galicia), utilizando un sigma (r) de 2 km.
	Figura 35. Problemas derivados del efecto de borde, y cómo este afecta en mayor o menor medida en función de la escala de análisis (tamaño del círculo) (modificado a partir de Olaya 2014: 249).
	Figura 37. Cartografía de los humedales potenciales para el noroccidente de Galicia, a partir del cálculo de un índice de humedad topográfica. Nótese los valores más elevados (en rojo), que caracterizan el embalse de A Fervenza, sobre el curso medio del r
	Figura 38. Esquema del cálculo de la prominencia topográfica, definida con relación a un radio específico definido por el usuario (Llobera 2001: 1007).
	Figura 39. Cálculo del Índice de Posición Topográfica (TPI) (Weiss 2000).
	Figura 40. Densidad de rutas de menor coste para modelizar la intensidad de tránsito potencial, en la zona gallega de Costa da Morte (A) y coste de desplazamiento en tiempo desde las rutas de tránsito potencial al resto del paisaje (B).
	Figura 41. Mapa binario de visibilidad, con zonas visibles (1) y zonas no visibles (0), creado con el software GRASS GIS.
	Figura 42. A: Cálculo de visibilidad acumulada para el occidente coruñés, basado en la creación de una malla regular de puntos situados a 250 m; B: Cálculo de visibilidad acumulada sobre 47.902 puntos para el área occidental coruñesa.
	Figura 43. Metodología del modelado predictivo utilizado por M. Carrero-Pazos (2017: 181), a partir de las propuestas de J. Conolly y M. Lake (2009).
	Figura 44. Ejemplo de regresión logística lineal, con probabilidad de sitios arqueológicos (1) y zonas identificadas como áreas sin yacimientos (0) con respecto a determinadas altitudes.
	Figura 45. Ejemplo gráfico de correlación de Pearson, con diversas variables raster (Carrero-Pazos 2018b: 545).
	Figura 46. Ejemplo de mapa predictivo de los túmulos megalíticos del sur de Galicia (España). Los puntos negros se corresponden con la muestra de control utilizada (a partir de Carrero-Pazos 2018b).
	Figura 47. Modelos de relaciones espaciales entre túmulos megalíticos (línea negra) y simulaciones aleatorias (bandas de gris claro). El sombreado naranja ilustra tendencias de agrupación significativas. A: Función de correlación par en la que las simulac
	Figura 48. Modelos de relaciones espaciales de primer y segundo orden entre túmulos megalíticos (línea negra) y simulaciones aleatorias (bandas grises). En ambos casos las simulaciones aleatorias fueron creadas teniendo en cuenta los efectos de primer ord
	Figura 49. El ciclo de publicación en revistas académicas (obtenida de Marwick et al. 2017: 9).
	Figura 50. Ejemplo de una consulta realizada en GIS Stack Exchange.
	Figura 51. Izquierda: Localización de la península del Barbanza en Galicia (Noroeste de la Península Ibérica). Derecha: Conjuntos tumulares y dolménicos de “As Chans”, localizados en las penillanuras elevadas de la sierra.
	Figura 52. Monumentos megalíticos de As Chans de Barbanza (arriba), y vistas desde lo alto de la sierra hacia la ría de Muros y Noia (abajo).
	Figura 53. Variables construidas para el modelo 1. A: Visibilidad total del paisaje; B: Índice de posición topográfica (r = 500m); C: Densidad de rutas de menor coste.
	Figura 54. Densidad de rutas óptimas (least cost paths) para As Chans de Barbanza.
	Figura 55. Variables construidas para el modelo 2. A: Visibilidad acumulativa desde rutas óptimas; B: Distancia a ejes de cuenca hidrográfica (m); C: Densidad de líneas de horizonte.
	Figura 56. Gráficos de la función K residual para los diferentes modelos creados. En los modelos 1 y 2 las simulaciones aleatorias se basan en las diferentes variables construidas. El modelo 3 es un modelo nulo, puramente aleatorio. Las líneas negras del
	Figura 57. Arriba (izquierda): vista aérea del castro de Borneiro (Cabana de Bergantiños, A Coruña). Arriba (derecha): vista aérea del castro de Santa Trega (A Guarda, Pontevedra). Abajo: área de estudio definida en este trabajo, con los castros punteados
	Figura 58. Opciones de conectividad para movimientos entre puntos. A: one-to-one; B: one-to-many; C: many-to-one; D: many-to-many (a partir de White, Barber 2012).
	Figura 59. Mapa raster de coste del movimiento con los puntos de origen y destino para el cálculo de las rutas óptimas.
	Figura 60. Mapa raster de densidad de rutas óptimas para el Noroeste de Galicia.
	Figura 61. Mapa raster de la prominencia topográfica del terreno para el Noroeste gallego.
	Figura 62. A: Malla regular de puntos de observador (cada 500m). B: Mapa raster de prominencia visual.
	Figura 63. Covariables de primer orden seleccionadas para este caso de estudio. Los puntos negros se corresponden con los castros objeto de análisis.
	Figura 64. Función K de Ripley para los yacimientos castreños seleccionados.
	Figura 65. Análisis de densidad de los castros, con diferentes valores sigma.
	Figura 66. Test de cuadrantes basado en un cálculo de densidades (sigma = 1000).
	Figura 67. Gráficos de la función rhohat para las diferentes covariables.
	Figura 68. Densidad de castros predicha si las diferentes covariables fuesen las únicas impulsoras del proceso.
	Figura 69. Superficie de intensidad de primer orden.
	Figura 70. Función de correlación par con la distancia entre castros (línea negra) y distancias esperadas bajo los efectos de primer orden. El intervalo de confianza (rango gris) está creado con 10.000 simulaciones aleatorias de Monte Carlo, condicionadas
	Figura 71. Funciones de correlación par con los diferentes modelos descritos anteriormente. A: Efectos de primer orden; B: Efectos de primer y segundo orden (modelo de interacción de área); C: Efectos de primer y segundo orden (modelo de interacción hardc
Índice de tablas
	Tabla 1. Ejemplos de filtro de paso bajo con ventanas analíticas de 3x3 y 5x5, que pueden utilizarse en GRASS GIS (r.mfilter) creando un archivo de texto con esta estructura.
	Figura 36. Criterios espaciales del modelo interpretativo del Megalitismo gallego definidos a partir de trabajo bibliográfico, junto a su factorización como variables raster susceptibles de ser analizadas en un Sistema de Información Geográfica (Carrero-P
	Tabla 2. Descripción metodológica del cálculo de densidad de rutas óptimas con GRASS GIS (a partir de Carrero-Pazos 2018a).
	Tabla 3. Ejemplo del resultado de un modelo de regresión logística multivariante. La columna Pr(>|z|) proporciona un valor p indicando aquellas covariables que son significativas.
	Tabla 4. Resultado de la aplicación del criterio de información Akaike, que permite obtener la mejor combinación de variables iniciales posible.
	Tabla 5. Factores de primer orden definidos para este caso de estudio.
	Tabla 6. Prueba de chi cuadrado para el test de cuadrantes.
	Tabla 7. Resultados del modelo de regresión logística. Covariables ajustadas para el modelo de primer orden.
Bibliografía