Geocodificación de direcciones

En 1960, el Dr. Roger Tomlinson , considerado desde entonces el padre de los SIG, inventó el primer SIG operativo: el Sistema de Información Geográfica de Canadá (CGIS). El CGIS se utilizaba para almacenar y analizar los datos recopilados para el Inventario de Tierras de Canadá , que cartografiaba información sobre agricultura , fauna silvestre y silvicultura a escala 1:50 000, con el fin de regular la capacidad de uso de la tierra en las zonas rurales de Canadá . Sin embargo, el CGIS estuvo en funcionamiento hasta la década de 1990 y nunca estuvo disponible comercialmente.

El 1 de julio de 1963, el Departamento de Correos de los Estados Unidos (USPOD) introdujo los códigos postales de cinco dígitos en todo el país. En 1983, se implementaron los códigos postales de nueve dígitos (ZIP+4) como un identificador adicional para localizar direcciones con mayor precisión.

En 1964, el Laboratorio de Gráficos por Computadora y Análisis Espacial de Harvard desarrolló un código de software revolucionario, como GRID y SYMAP, que sirvieron de base para el desarrollo comercial de los SIG (Sistemas de Información Geográfica).

En 1967, un equipo de la Oficina del Censo, que incluía al matemático James Corbett ^{[ 3 ]} y a Donald Cooke ^{[ 4 ]} , inventó la Codificación de Mapas Independientes Duales (DIME), el primer modelo moderno de mapeo vectorial, que cifraba rangos de direcciones en archivos de red de calles e incorporaba el algoritmo de geocodificación "porcentaje a lo largo" ^{[ 5 ]} . Todavía en uso por plataformas como Google Maps y MapQuest , el algoritmo "porcentaje a lo largo" indica dónde se encuentra una dirección coincidente a lo largo de una característica de referencia como un porcentaje de la longitud total de dicha característica. DIME fue diseñado para el uso de la Oficina del Censo de los Estados Unidos e implicaba el mapeo preciso de caras de manzanas, la digitalización de nodos que representaban intersecciones de calles y la formación de relaciones espaciales . New Haven, Connecticut, fue la primera ciudad del mundo con una base de datos de red de calles geocodificables.

A finales de la década de 1970, se desarrollaron dos plataformas principales de geocodificación de dominio público : GRASS GIS y MOSS. A principios de la década de 1980, surgieron muchos más proveedores comerciales de software de geocodificación, como Intergraph , ESRI , CARIS , ERDAS y MapInfo Corporation . Estas plataformas fusionaron el enfoque de la década de 1960 de separar la información espacial con el enfoque de organizar dicha información espacial en estructuras de bases de datos.

En 1986, el Sistema de Visualización y Análisis de Mapas (MIDAS) se convirtió en el primer software de geocodificación de escritorio diseñado para MS-DOS . La geocodificación pasó del ámbito de la investigación al mundo empresarial con la adquisición de MIDAS por parte de MapInfo. Posteriormente, MapInfo fue adquirida por Pitney Bowes y se ha convertido en pionera en la integración de la geocodificación con la inteligencia empresarial, lo que permite que la inteligencia de localización ofrezca soluciones para los sectores público y privado .

A finales del siglo XX, la geocodificación se había vuelto más orientada al usuario, especialmente a través del software SIG de código abierto. Las aplicaciones de cartografía y los datos geoespaciales se habían vuelto más accesibles a través de Internet.

Debido al éxito de la técnica de envío y devolución de encuestas por correo en el censo de 1980 , la Oficina del Censo de los Estados Unidos pudo crear una gran base de datos geoespacial mediante geocodificación de calles interpolada . ^{[ 6 ]} Esta base de datos, junto con la cobertura nacional de hogares del Censo, permitió el surgimiento del Sistema de Codificación y Referencia Geográfica Topológicamente Integrada (TIGER).

TIGER, que contiene rangos de direcciones en lugar de direcciones individuales, se ha implementado desde entonces en casi todas las plataformas de software de geocodificación que se utilizan hoy en día. Para finales del censo de 1990 , TIGER "contenía una coordenada de latitud/longitud para más de 30 millones de intersecciones y puntos finales de entidades y casi 145 millones de puntos de 'forma' de entidades que definían los más de 42 millones de segmentos de entidades que delimitaban más de 12 millones de polígonos". ^{[ 7 ]}

TIGER supuso un gran avance para las soluciones geoespaciales de "big data".

A principios de la década de 2000, surgió el sistema de estandarización de direcciones CASS ( Coding Accuracy Support System ). La certificación CASS se ofrece a todos los proveedores de software y empresas de publicidad que deseen que el Servicio Postal de los Estados Unidos (USPS) evalúe la calidad de su software de estandarización de direcciones. La certificación CASS, que se renueva anualmente, se basa en códigos de punto de entrega , códigos postales (ZIP) y códigos ZIP+4. La adopción de un software certificado por CASS permite a los proveedores obtener descuentos en los costos de envío y correo masivo . Además, se benefician de una mayor precisión y eficiencia en dichos envíos masivos gracias a una base de datos certificada. A principios de la década de 2000, las plataformas de geocodificación también podían admitir múltiples conjuntos de datos.

En 2003, las plataformas de geocodificación fueron capaces de fusionar códigos postales con datos de calles, actualizados mensualmente. Este proceso se conoció como "conflación".

A partir de 2005, las plataformas de geocodificación incluyeron la geocodificación por centroide de parcela. Esta geocodificación permitía una gran precisión al geocodificar una dirección. Por ejemplo, permitía determinar el centroide de un edificio o terreno específico. Las plataformas también podían determinar la elevación de parcelas específicas .

En 2005 también se introdujo el Número de Parcela del Tasador (APN, por sus siglas en inglés). El tasador de impuestos de cada jurisdicción podía asignar este número a las parcelas inmobiliarias, lo que permitía una correcta identificación y registro. El APN es importante para la geocodificación de áreas cubiertas por concesiones de gas o petróleo, así como para la indexación de la información sobre impuestos a la propiedad que se proporciona al público.

En 2006, se introdujeron la geocodificación inversa y la búsqueda inversa de APN en las plataformas de geocodificación. Esto implicaba geocodificar una ubicación numérica (con longitud y latitud ) para obtener una dirección textual legible.

En 2008 y 2009 se produjo un auge de las plataformas de geocodificación interactivas y orientadas al usuario, como MapQuest, Google Maps, Bing Maps y los sistemas de posicionamiento global (GPS). Estas plataformas se hicieron aún más accesibles al público gracias al crecimiento simultáneo de la industria móvil, en particular de los teléfonos inteligentes.

En la década de 2010, los proveedores ofrecieron soporte completo para la geocodificación y la geocodificación inversa a nivel mundial. Las interfaces de programación de aplicaciones (API) de geocodificación en la nube y la geocodificación local han permitido una mayor tasa de coincidencia, mayor precisión y mayor velocidad. Actualmente, existe una creciente popularidad en la idea de que la geocodificación pueda influir en las decisiones empresariales. Esto se refiere a la integración entre el proceso de geocodificación y la inteligencia empresarial.

El futuro de la geocodificación también incluye la geocodificación tridimensional, la geocodificación en interiores y la posibilidad de obtener resultados en varios idiomas para las plataformas de geocodificación.

Los datos de entrada son la información descriptiva y textual (dirección o nombre del edificio) que el usuario desea convertir en datos numéricos y espaciales (latitud y longitud) mediante el proceso de geocodificación. Estos datos suelen incluirse en una tabla junto con otros atributos de las ubicaciones. Los datos de entrada se clasifican en dos categorías:

Datos de entrada relativos

Los datos de entrada relativos son descripciones textuales de una ubicación que, por sí solas, no permiten especificar una representación espacial de dicha ubicación, sino que dependen geográficamente de otras ubicaciones y son relativas a ellas. Un ejemplo de geocodificación relativa es "Al otro lado de la calle del Empire State Building". La ubicación buscada no se puede determinar sin identificar el Empire State Building. Las plataformas de geocodificación a menudo no admiten este tipo de ubicaciones relativas, pero se están realizando avances en este sentido.

Datos de entrada absolutos

Los datos de entrada absolutos son descripciones textuales de una ubicación que, por sí solas, permiten obtener una representación espacial de dicha ubicación. Este tipo de datos proporciona una ubicación absoluta conocida, independientemente de otras ubicaciones. Por ejemplo, los códigos postales del USPS, los códigos postales ZIP+4 del USPS, las direcciones postales completas y parciales, los apartados postales del USPS, las rutas rurales, las ciudades, los condados, las intersecciones y los lugares con nombre propio pueden referenciarse de forma absoluta en una fuente de datos.

Para lograr la máxima precisión, los geocódigos del conjunto de datos de entrada deben ser lo más correctos posible y estar formateados de forma estándar. Por lo tanto, es común realizar primero un proceso de limpieza de datos , a menudo denominado "depuración de direcciones", para detectar y corregir cualquier error. Esto es especialmente importante en bases de datos donde los participantes introducen sus propios geocódigos de ubicación, lo que suele dar lugar a diversas variantes (por ejemplo, "Pennsylvania", "PA", "Penn.") y errores ortográficos.

El segundo conjunto de datos necesario especifica la ubicación de las características geográficas en un sistema de referencia espacial común , generalmente almacenado en un formato de archivo SIG o base de datos espacial . Algunos ejemplos incluyen un conjunto de datos de puntos de edificios, un conjunto de datos de líneas de calles o un conjunto de datos de polígonos de condados. Los atributos de estas características deben incluir información que coincida con los geocódigos del conjunto de datos de entrada, como un nombre, un identificador único o un geocódigo estándar, como los códigos FIPS de Estados Unidos para características geográficas. Es común que el conjunto de datos de referencia incluya varias columnas de atributos de geocódigos para mayor flexibilidad o para manejar geocódigos complejos. Por ejemplo, un conjunto de datos de calles destinado a la geocodificación de direcciones postales debe incluir no solo el nombre de la calle, sino también cualquier sufijo o prefijo direccional y el rango de números de dirección que se encuentran en cada segmento.

El tercer componente es un software que relaciona cada geocódigo del conjunto de datos de entrada con los atributos de una característica correspondiente en el conjunto de datos de referencia. Una vez que se establece una coincidencia, la ubicación de la característica de referencia se puede adjuntar a la fila de entrada. Estos algoritmos son de dos tipos:

Coincidencia directa

El geocodificador espera que cada elemento de entrada se corresponda directamente con una única característica completa del conjunto de datos de referencia. Por ejemplo, un país o código postal, o la correspondencia entre direcciones postales y datos de referencia de edificios. Este tipo de coincidencia es similar a la unión de tablas relacionales , con la diferencia de que los algoritmos de geocodificación suelen incorporar algún tipo de manejo de incertidumbre para reconocer coincidencias aproximadas (por ejemplo, diferencias en el uso de mayúsculas o errores ortográficos leves).

Coincidencia interpolada

La geocodificación especifica no solo una característica, sino también una ubicación dentro de ella. El ejemplo más común (y antiguo) es la correspondencia entre direcciones postales y datos de líneas de calle. Primero, el geocodificador descompone la dirección postal en sus componentes (nombre de la calle, número, prefijo/sufijo direccional). Luego, relaciona estos componentes con un segmento de calle correspondiente cuyo rango numérico incluye el valor de entrada. Finalmente, calcula la posición del número dentro del rango del segmento para estimar una ubicación a lo largo del mismo. Al igual que con la coincidencia directa, estos algoritmos suelen gestionar la incertidumbre para manejar coincidencias aproximadas (especialmente abreviaturas como "E" de "Este" y "Dr" de "Dirección").

El algoritmo rara vez logra localizar con precisión todos los datos de entrada; pueden producirse discrepancias debido a errores ortográficos o datos incompletos, datos de referencia imperfectos (generalmente desactualizados) o sistemas de geocodificación regionales únicos que el algoritmo no reconoce. Muchos geocodificadores ofrecen una etapa posterior para revisar y corregir manualmente las coincidencias sospechosas.

Por ejemplo: 742 Evergreen Terrace

Supongamos que este segmento (por ejemplo, una manzana) de Evergreen Terrace va del 700 al 799. Las direcciones pares se ubican en el lado este de Evergreen Terrace, mientras que las impares se encuentran en el lado oeste de la calle. El número 742 de Evergreen Terrace probablemente estaría situado un poco antes de la mitad de la manzana, en el lado este de la calle. Se trazaría un punto en ese lugar a lo largo de la calle, tal vez desplazado una cierta distancia al este del eje central.

Sin embargo, este proceso no siempre es tan sencillo como en este ejemplo. Surgen dificultades cuando

• distinguir entre direcciones ambiguas como 742 Evergreen Terrace y 742 W Evergreen Terrace.
• Intentando geocodificar nuevas direcciones para una calle que aún no se ha añadido a la base de datos del sistema de información geográfica.

Si bien podría haber una dirección en 742 Evergreen Terrace en Springfield, también podría haber una en Shelbyville. Preguntar por el nombre de la ciudad (y el estado, provincia, país, etc., según sea necesario) puede resolver este problema. Boston , Massachusetts ^{[ 8 ]} tiene varias ubicaciones de "100 Washington Street" porque varias ciudades se han anexado sin cambiar los nombres de las calles, lo que requiere el uso de códigos postales o nombres de distritos únicos para la desambiguación. La precisión de la geocodificación puede mejorarse enormemente utilizando primero buenas prácticas de verificación de direcciones . La verificación de direcciones confirmará la existencia de la dirección y eliminará ambigüedades. Una vez que se determina la dirección válida, es muy fácil geocodificarla y determinar las coordenadas de latitud/longitud. Finalmente, algunas advertencias sobre el uso de la interpolación:

• La atribución típica de un segmento de calle supone que todas las parcelas con números pares se encuentran a un lado del segmento, y todas las parcelas con números impares, al otro. Esto a menudo no se corresponde con la realidad.
• La interpolación presupone que las parcelas dadas están distribuidas uniformemente a lo largo del segmento. Esto casi nunca ocurre en la realidad; no es raro que una dirección geocodificada tenga un margen de error de varios miles de pies.
• La interpolación también presupone que la calle es recta. Si la calle es curva, la ubicación geocodificada no necesariamente coincidirá con la ubicación física de la dirección.
• La información de segmentos (especialmente la procedente de fuentes como TIGER ) incluye un límite superior máximo para las direcciones y se interpola como si se utilizara el rango completo de direcciones. Por ejemplo, un segmento (bloque) podría tener un rango listado de 100 a 199, pero la última dirección al final del bloque es 110. En este caso, la dirección 110 se geocodificaría al 10 % de la distancia a lo largo del segmento, en lugar de cerca del final.
• La mayoría de las implementaciones de interpolación producen un punto como ubicación de la dirección resultante. En realidad, la dirección física se distribuye a lo largo del segmento; por ejemplo, si consideramos la geocodificación de la dirección de un centro comercial , el terreno físico puede extenderse a lo largo del segmento de la calle (o podría considerarse como un polígono bidimensional que ocupa todo el espacio y que puede dar a varias calles diferentes  ; o peor aún, en ciudades con calles de varios niveles, una forma tridimensional que se encuentra con diferentes calles en varios niveles distintos), pero la interpolación lo trata como una singularidad.

Un error muy común es creer en las clasificaciones de precisión de los atributos geocodificables de un mapa. Dicha precisión, citada por los proveedores, no tiene ninguna relación con que una dirección se atribuya al segmento correcto o al lado correcto del segmento, ni resulta en una posición precisa a lo largo de ese segmento correcto. Con el proceso de geocodificación utilizado para los conjuntos de datos TIGER del censo de EE. UU. , entre el 5 % y el 7,5 % de las direcciones pueden asignarse a un distrito censal diferente , mientras que un estudio del sistema similar a TIGER de Australia encontró que el 50 % de los puntos geocodificados se mapearon a la parcela de propiedad incorrecta. ^{[ 9 ]} La precisión de los datos geocodificados también puede tener una influencia en la calidad de la investigación que utiliza estos datos. Un estudio ^{[ 10 ]} realizado por un grupo de investigadores de Iowa encontró que el método común de geocodificación utilizando conjuntos de datos TIGER, como se describió anteriormente, puede causar una pérdida de hasta el 40 % de la potencia de un análisis estadístico. Una alternativa es utilizar ortofotos o datos codificados por imagen, como los datos Address Point de Ordnance Survey en el Reino Unido, pero este tipo de conjuntos de datos suelen ser caros.

Por ello, es fundamental evitar el uso de resultados interpolados, salvo en aplicaciones no críticas. La geocodificación interpolada no suele ser apropiada para tomar decisiones de gran importancia, por ejemplo, si la seguridad de las personas se ve afectada por dicha decisión. Los servicios de emergencia, por ejemplo, no toman decisiones definitivas basándose en sus interpolaciones; siempre se enviará una ambulancia o un camión de bomberos, independientemente de lo que indique el mapa.