mapa coroplético

Un mapa coroplético ( del griego antiguo χῶρος ( khôros ) ' área, región ' y πλῆθος ( plêthos ) ' multitud ' ) es un tipo de mapa temático estadístico que utiliza pseudocolor , es decir, un color que corresponde a un resumen agregado de una característica geográfica dentro de unidades de enumeración espacial, como la densidad de población o el ingreso per cápita . ^{[ 1 ] [ 2 ] [ 3 ]}  

Los mapas coropléticos ofrecen una forma sencilla de visualizar cómo varía una variable en un área geográfica o de mostrar el nivel de variabilidad dentro de una región. Un mapa de calor o isarítmico es similar, pero utiliza regiones dibujadas según el patrón de la variable, en lugar de las áreas geográficas predefinidas de los mapas coropléticos. El mapa coroplético es probablemente el tipo de mapa temático más común, ya que los datos estadísticos publicados (de fuentes gubernamentales u otras) suelen estar agrupados en unidades geográficas bien definidas, como países, estados, provincias y condados, lo que facilita su creación mediante SIG , hojas de cálculo u otras herramientas de software.

El primer mapa coroplético conocido fue creado en 1826 por el barón Pierre Charles Dupin , que representaba la disponibilidad de educación básica en Francia por departamento . ^{[ 4 ]} Pronto se produjeron más " cartes teintées " ("mapas coloreados") en Francia para visualizar otras "estadísticas morales" sobre educación, enfermedades, delincuencia y condiciones de vida. ^{[ 5 ] : 158} Los mapas coropléticos ganaron rápidamente popularidad en varios países debido a la creciente disponibilidad de datos demográficos recopilados a partir de censos nacionales, comenzando con una serie de mapas coropléticos publicados en los informes oficiales del censo de Irlanda de 1841. ^{[ 6 ]} Cuando la cromolitografía se generalizó después de 1850, se añadió cada vez más color a los mapas coropléticos. ^{[ 5 ] : 193}

El término «mapa coroplético» fue introducido en 1938 por el geógrafo John Kirtland Wright y se popularizó entre los cartógrafos en la década de 1940. ^{[ 7 ] [ 8 ]} También en 1938, Glenn Trewartha los reintrodujo como «mapas de proporción», pero este término no perduró. ^{[ 9 ]}

Un mapa coroplético combina dos conjuntos de datos: datos espaciales que representan una división del espacio geográfico en distritos distintos y datos estadísticos que representan una variable agregada dentro de cada distrito. Existen dos modelos conceptuales comunes sobre cómo interactúan estos conjuntos de datos en un mapa coroplético: en una perspectiva, que puede denominarse "dominante de distrito", los distritos (a menudo unidades gubernamentales existentes) son el foco principal, donde se recopilan diversos atributos, incluida la variable que se representa. En la otra perspectiva, que puede denominarse "dominante de variable", el foco está en la variable como un fenómeno geográfico (por ejemplo, la población latina), con una distribución en el mundo real, y su división en distritos es simplemente una técnica de medición conveniente. ^{[ 10 ]}

Geometría: distritos de agregación

En un mapa coroplético, los distritos suelen ser entidades predefinidas, como unidades gubernamentales o administrativas (por ejemplo, condados, provincias, países) o distritos creados específicamente para la agregación estadística (por ejemplo, secciones censales ), por lo que no se espera que guarden correlación con la geografía de la variable. Es decir, los límites de los distritos coloreados pueden o no coincidir con la ubicación de los cambios en la distribución geográfica que se estudia. Esto contrasta directamente con los mapas corocromáticos e isarítmicos , en los que los límites de las regiones se definen por patrones en la distribución geográfica del fenómeno en cuestión.

El uso de regiones de agregación predefinidas ofrece varias ventajas, entre ellas: una compilación y representación más sencillas de la variable (especialmente en la era de los SIG e Internet, con sus múltiples fuentes de datos), la identificación de los distritos y la aplicabilidad de la información a investigaciones y políticas específicas de cada distrito. Un ejemplo claro de esto son las elecciones, donde el total de votos de cada distrito determina a su representante electo.

Sin embargo, esto puede generar varios problemas, generalmente debido a que el color constante aplicado a cada distrito de agregación lo hace parecer homogéneo, enmascarando un grado desconocido de variación de la variable dentro del distrito. Por ejemplo, una ciudad puede incluir barrios de ingresos familiares bajos, moderados y altos, pero estar coloreados con un color constante de "moderado". Por lo tanto, los patrones espaciales del mundo real pueden no ajustarse a la unidad regional simbolizada. ^{[ 11 ]} Debido a esto, problemas como la falacia ecológica y el problema de la unidad areal modificable (MAUP) pueden llevar a importantes interpretaciones erróneas de los datos representados, y otras técnicas son preferibles si se pueden obtener los datos necesarios. ^{[ 12 ] [ 13 ] [ 14 ]}

Estos problemas pueden mitigarse en cierta medida utilizando distritos más pequeños, ya que muestran variaciones más sutiles en la variable mapeada, y su menor tamaño visual y mayor número reducen la probabilidad de que el usuario del mapa emita juicios sobre la variación dentro de un solo distrito. Sin embargo, pueden hacer que el mapa sea excesivamente complejo, especialmente si no hay un patrón geográfico significativo en la variable (es decir, el mapa parece una dispersión aleatoria de colores). Aunque representar datos específicos en grandes regiones puede ser engañoso, las formas familiares de los distritos pueden hacer que el mapa sea más claro y más fácil de interpretar y recordar. ^{[ 15 ]} La elección de las regiones dependerá en última instancia del público objetivo y el propósito del mapa. Alternativamente, a veces se puede emplear la técnica dasimétrica para refinar los límites de las regiones y que se ajusten mejor a los cambios reales en el fenómeno en cuestión.

Debido a estos problemas, para muchas variables, puede ser preferible un mapa isarítmico (para una variable cuantitativa) o corocromático (para una variable cualitativa), en el que los límites de las regiones se basan en los propios datos. Sin embargo, en muchos casos, esta información detallada simplemente no está disponible, y el mapa coroplético es la única opción viable.

Propiedad: resúmenes estadísticos agregados

La variable que se va a representar puede provenir de diversas disciplinas del mundo humano o natural, aunque los temas humanos (por ejemplo, demografía, economía, agricultura) suelen ser más comunes debido al papel de las entidades gubernamentales en la actividad humana, lo que a menudo conduce a la recopilación original de los datos estadísticos. La variable también puede estar en cualquiera de los niveles de medición de Stevens : nominal, ordinal, de intervalo o de razón, aunque las variables cuantitativas (de intervalo/razón) se utilizan con mayor frecuencia en los mapas coropléticos que las cualitativas (nominales/ordinales). El nivel de medición del dato individual puede ser diferente al de la estadística de resumen agregada. Por ejemplo, un censo puede preguntar a cada individuo por su "idioma principal hablado" (nominal), pero esto puede resumirse para todos los individuos de un condado como "porcentaje de personas que hablan principalmente español" (razón) o como "idioma principal predominante" (nominal).

En términos generales, un mapa coroplético puede representar dos tipos de variables, una distinción común a la física y la química, así como a la geoestadística y el análisis espacial :

• Una variable espacialmente extensa (a veces llamada propiedad global ) es aquella que se aplica únicamente a todo el distrito, generalmente en forma de recuentos o cantidades totales de un fenómeno (similar a la masa o el peso en física). Se dice que las variables extensas son acumulativas en el espacio; por ejemplo, si la población del Reino Unido es de 65 millones, no es posible que las poblaciones de Inglaterra, Gales, Escocia e Irlanda del Norte también sean de 65 millones. En cambio, sus poblaciones totales deben sumarse (acumularse) para calcular la población total de la entidad colectiva. Sin embargo, aunque es posible representar una variable extensa en un mapa coroplético, esto se desaconseja casi universalmente, ya que los patrones pueden interpretarse erróneamente con facilidad. Por ejemplo, si un mapa coroplético asignara un tono particular de rojo a poblaciones totales entre 60 y 70 millones, una situación en la que el Reino Unido (como un solo distrito) tuviera 65 millones de habitantes sería indistinguible de una situación en la que los cuatro países constituyentes tuvieran cada uno 65 millones de habitantes, aunque se trate de realidades geográficas muy diferentes. Otra fuente de error de interpretación es que si un distrito grande y uno pequeño tienen el mismo valor (y, por lo tanto, el mismo color), el más grande parecerá naturalmente mayor. ^{[ 16 ]} Otros tipos de mapas temáticos , especialmente los símbolos proporcionales y los cartogramas , están diseñados para representar variables extensas y generalmente se prefieren. ^{[ 1 ] : 131}
• Una variable espacialmente intensiva , también conocida como campo , superficie estadística o variable localizada , representa una propiedad que puede medirse en cualquier ubicación (un punto o una pequeña área, según su naturaleza) en el espacio, independientemente de cualquier límite, aunque su variación en un distrito puede resumirse como un solo valor. Las variables intensivas comunes incluyen densidades, proporciones, tasas de cambio, asignaciones medias (por ejemplo, PIB per cápita) y estadísticas descriptivas (por ejemplo, media, mediana, desviación estándar). Se dice que las variables intensivas son distributivas en el espacio; por ejemplo, si la densidad de población del Reino Unido es de 250 personas por kilómetro cuadrado, entonces sería razonable estimar (en ausencia de otros datos) que la densidad más probable (si no la correcta) de cada uno de los cinco países constituyentes también es de 250/km² ^. Tradicionalmente en cartografía, el modelo conceptual predominante para este tipo de fenómeno ha sido la superficie estadística , en la que la variable se imagina como una "altura" de tercera dimensión sobre el espacio bidimensional que varía continuamente. ^{[ 17 ]} En la ciencia de la información geográfica , la conceptualización más común es el campo , adoptado de la física y generalmente modelado como una función escalar de la ubicación. Los mapas coropléticos son más adecuados para variables intensivas que extensivas; si un usuario de mapas ve el Reino Unido lleno de un color para "100-200 personas por kilómetro cuadrado", estimar que Gales e Inglaterra pueden tener cada uno 100-200 personas por kilómetro cuadrado puede no ser exacto, pero es posible y una estimación razonable.

Normalización

La normalización es la técnica de derivar una variable espacialmente intensiva a partir de una o más variables espacialmente extensivas, de modo que pueda utilizarse adecuadamente en un mapa coroplético. ^{[ 3 ]} Es similar, pero no idéntica, a la técnica de normalización o estandarización en estadística. Típicamente, se logra calculando la razón entre dos variables espacialmente extensivas. ^{[ 12 ] : 252} Aunque cualquier razón de este tipo dará como resultado una variable intensiva, solo unas pocas son especialmente significativas y se utilizan comúnmente en mapas coropléticos:

• Densidad = total / área. Ejemplo: densidad de población
• Proporción = total del subgrupo / total general. Ejemplo: Hogares adinerados como porcentaje del total de hogares.
• Asignación media = cantidad total / número total de individuos. Ejemplo: producto interno bruto per cápita (PIB total / población total).
• Tasa de cambio = total en un momento posterior / total en un momento anterior. Ejemplo: tasa de crecimiento poblacional anual.

Estos no son equivalentes, ni uno es mejor que otro. Más bien, cuentan diferentes aspectos de una narrativa geográfica. Por ejemplo, un mapa coroplético de la densidad de población de la población latina en Texas visualiza una narrativa sobre la agrupación espacial y la distribución de ese grupo, mientras que un mapa del porcentaje de población latina visualiza una narrativa de composición y predominio. No emplear una normalización adecuada dará lugar a un mapa inapropiado y potencialmente engañoso en casi todos los casos. ^{[ 16 ] [ 18 ] [ 19 ]} Este es uno de los errores más comunes en cartografía; un estudio encontró que, en un momento dado, más de la mitad de los paneles de control de COVID-19 de Estados Unidos alojados por los gobiernos estatales no empleaban la normalización en sus mapas coropléticos. ^{[ 19 ]} Este es uno de los muchos problemas que contribuyeron a la infodemia en torno a la pandemia de COVID-19, y "también podría ser un facilitador sutil de la extrema polarización política en torno a las medidas para combatir la COVID que se ha producido en Estados Unidos". ^{[ 18 ] [ 20 ]}

Cada mapa coroplético tiene una estrategia para asignar valores a colores. Un mapa coroplético clasificado separa el rango de valores en clases, asignando el mismo color a todos los distritos de cada clase. Un mapa no clasificado (a veces llamado de n clases ) asigna directamente un color proporcional al valor de cada distrito. Desde el mapa de Dupin de 1826, los mapas coropléticos clasificados se han vuelto mucho más comunes. ^{[ 2 ]} Es probable que esto se debiera originalmente a la mayor simplicidad de aplicar un conjunto limitado de tonalidades; solo en la era de la cartografía computarizada se han hecho factibles los mapas coropléticos no clasificados, y hasta hace poco, todavía no eran fáciles de crear en la mayoría de los programas de cartografía. ^{[ 21 ] [ 2 ] [ 22 ] [ 23 ]} Waldo R. Tobler , al introducir formalmente el esquema no clasificado en 1973, afirmó que era una representación más precisa de los datos originales y declaró que el argumento principal a favor de la clasificación, que es más legible, necesitaba ser probado. ^{[ 2 ]} El debate y los experimentos que siguieron llegaron a la conclusión general de que la principal ventaja de los mapas coropléticos no clasificados, además de la afirmación de Tobler sobre la precisión bruta, era que permitían a los lectores ver variaciones sutiles en la variable, sin llevarlos a creer que los distritos que caían en la misma clase tenían valores idénticos. Por lo tanto, pueden ver mejor los patrones generales en el fenómeno geográfico, pero no los valores específicos. ^{[ 1 ] : 109 [ 24 ] [ 25 ]} El principal argumento a favor de los mapas coropléticos clasificados es que son más fáciles de procesar para los lectores, debido a la menor cantidad de tonos distintos que reconocer, lo que reduce la carga cognitiva y les permite hacer coincidir con precisión los colores del mapa con los valores enumerados en la leyenda. ^{[ 2 ] [ 22 ] [ 23 ]}

La clasificación se realiza estableciendo una regla de clasificación , una serie de umbrales que divide el rango cuantitativo de valores de variables en una serie de clases ordenadas. Por ejemplo, si un conjunto de datos de ingresos medios anuales por condado de EE. UU. incluye valores entre US$20 000 y US$150 000, podría dividirse en tres clases con umbrales de US$45 000 y US$83 000. Para evitar confusiones, cualquier regla de clasificación debe ser mutuamente excluyente y colectivamente exhaustiva , lo que significa que cualquier valor posible cae en exactamente una clase. Por ejemplo, si una regla establece un umbral en el valor 6,5, debe quedar claro si un distrito con un valor exacto de 6,5 se clasificará en la clase inferior o superior (es decir, si la definición de la clase inferior es <6,5 o ≤6,5 y si la clase superior es >6,5 o ≥6,5). Se han desarrollado diversos tipos de reglas de clasificación para mapas coropléticos: ^{[ 26 ] [ 1 ] : 87}

• Las reglas exógenas importan umbrales sin tener en cuenta los patrones presentes en los datos.
  • Las normas establecidas son aquellas que ya se utilizan comúnmente debido a investigaciones científicas previas o políticas oficiales. Un ejemplo sería el uso de tramos impositivos gubernamentales o un umbral de pobreza estándar para clasificar los niveles de ingresos.
  • Las estrategias ad hoc o de sentido común son, en esencia, inventadas por el cartógrafo utilizando umbrales que tienen cierta lógica intuitiva. Un ejemplo sería clasificar los ingresos según lo que el cartógrafo considera "rico", "clase media" y "pobre". Estas estrategias generalmente no se recomiendan a menos que todos los demás métodos sean inviables.
• Las reglas endógenas se basan en patrones presentes en el propio conjunto de datos.
  • Las reglas de detección de rupturas naturales buscan agrupaciones naturales en los datos, donde un gran número de distritos presentan valores similares con grandes diferencias entre ellos. Si esto ocurre, es probable que dichas agrupaciones tengan un significado geográfico.
    • La optimización de rupturas naturales de Jenks , desarrollada por George F. Jenks , es un algoritmo heurístico para identificar automáticamente dichos clústeres si existen; es esencialmente una forma unidimensional del algoritmo de agrupamiento k-means . ^{[ 27 ]} Si no existen clústeres naturales, las rupturas que genera suelen considerarse un buen compromiso entre los otros métodos, y es comúnmente el clasificador predeterminado utilizado en el software SIG.
  • Los intervalos iguales o una progresión aritmética dividen el rango de valores de manera que cada clase tenga un rango igual de valores: ( máximo - mínimo ) / n . Por ejemplo, el rango de ingresos anterior ($20,000 - $150,000) se dividiría en cuatro clases: $52,500, $85,000 y $117,500.
    • Una regla de desviación estándar también genera rangos de valores iguales, pero en lugar de comenzar con los valores mínimo y máximo, comienza en la media aritmética de los datos y establece una ruptura en cada múltiplo de un número constante de desviaciones estándar por encima y por debajo de la media.
  • El método de cuantiles divide el conjunto de datos de manera que cada clase tenga un número igual de distritos. Por ejemplo, si los 3141 condados de Estados Unidos se dividieran en cuatro clases de cuantiles (es decir, cuartiles ), la primera clase incluiría los 785 condados más pobres, y luego los siguientes 785. Es posible que se deban realizar ajustes cuando el número de distritos no sea una división exacta o cuando haya valores idénticos que abarquen el umbral.
  • Una regla de progresión geométrica divide el rango de valores de manera que la razón entre los umbrales sea constante (en lugar de su intervalo, como en una progresión aritmética). Por ejemplo, el rango de ingresos anterior se dividiría usando una razón de 2 con umbrales en $40,000 y $80,000. Este tipo de regla se usa comúnmente cuando la distribución de frecuencia de los datos tiene una asimetría positiva muy alta , especialmente si es geométrica o exponencial .
  • La regla de medias anidadas o de rupturas de cabeza/cola es un algoritmo que divide recursivamente el conjunto de datos estableciendo un umbral en la media aritmética , subdividiendo cada una de las dos clases resultantes en sus respectivas medias, y así sucesivamente. Por lo tanto, el número de clases no es arbitrario, sino que debe ser una potencia de dos (2, 4, 8, etc.). Se ha sugerido que este método también funciona bien para distribuciones muy asimétricas .

Debido a que los umbrales calculados a menudo pueden tener valores precisos que no son fácilmente interpretables por los lectores de mapas (por ejemplo, $74,326.9734), es común crear una regla de clasificación modificada redondeando los valores umbral a un número simple similar. Un ejemplo común es una progresión geométrica modificada que subdivide potencias de diez, como [1, 2.5, 5, 10, 25, 50, 100, ...] o [1, 3, 10, 30, 100, ...].

El elemento final de un mapa coroplético es el conjunto de colores utilizados para representar los diferentes valores de la variable. Hay una variedad de enfoques diferentes para esta tarea, pero el principio principal es que cualquier orden en la variable (por ejemplo, valores cuantitativos bajos a altos) debe reflejarse en el orden percibido de los colores (por ejemplo, claro a oscuro), ya que esto permitirá a los lectores del mapa hacer juicios intuitivos de "más vs. menos" y ver tendencias y patrones con una referencia mínima a la leyenda. ^{[ 1 ] : 114} Una segunda pauta general, al menos para mapas clasificados, es que los colores deben ser fácilmente distinguibles, de modo que los colores en el mapa se puedan hacer coincidir inequívocamente con los de la leyenda para determinar los valores representados. Este requisito limita la cantidad de clases que se pueden incluir; para tonos de gris, las pruebas han demostrado que cuando solo se usa el valor (por ejemplo, claro a oscuro, ya sea gris o cualquier tono único ), es difícil usar en la práctica más de siete clases. ^{[ 19 ] [ 28 ]} Si se incorporan diferencias de tono y/o saturación, ese límite aumenta significativamente hasta 10-12 clases. La necesidad de discriminación de color se ve aún más afectada por las deficiencias en la visión del color ; por ejemplo, los esquemas de color que usan rojo y verde para distinguir valores no serán útiles para una parte significativa de la población . ^{[ 29 ]}

Los tipos más comunes de progresiones de color utilizadas en mapas coropléticos (y otros mapas temáticos) incluyen: ^{[ 30 ] [ 31 ]}

• La progresión secuencial representa los valores de las variables como valores de color.
  • La progresión en escala de grises utiliza únicamente tonalidades de gris.
  • La progresión de un solo tono va desde un tono oscuro del color elegido (o gris) hasta un tono muy claro o blanco de un matiz similar. Este es un método común para representar la magnitud. El tono más oscuro representa el valor más alto del conjunto de datos y el tono más claro, el valor más bajo.
  • La progresión espectral parcial utiliza un rango limitado de tonalidades para aumentar el contraste de valor, lo que permite emplear un mayor número de clases. El amarillo se usa comúnmente para el extremo más claro de la progresión debido a su luminosidad aparente natural. Los rangos de tonalidades más comunes son amarillo-verde-azul y amarillo-naranja-rojo.
• La progresión divergente o bipolar consiste esencialmente en dos progresiones de color secuenciales (de los tipos anteriores) unidas por un color claro común o blanco. Normalmente se utilizan para representar valores positivos y negativos o la divergencia de una tendencia central , como la media de la variable que se está representando. Por ejemplo, una progresión típica al representar temperaturas va del azul oscuro (para el frío) al rojo oscuro (para el calor) con blanco en el medio. Estas se utilizan a menudo cuando se asignan juicios de valor a los dos extremos, como mostrar el extremo "bueno" como verde y el extremo "malo" como rojo. ^{[ 32 ]} Para indicar la aceptación legal o social de algún fenómeno, la autorización puede representarse típicamente como verde y la prohibición como rojo.
• La progresión espectral utiliza una amplia gama de tonalidades (posiblemente todo el círculo cromático) sin diferencias de valor intencionadas. Se usa con mayor frecuencia cuando existe un orden en los valores, pero no un orden de "más o menos", como por ejemplo la estacionalidad. La utilizan frecuentemente personas que no son cartógrafos en situaciones donde otras progresiones de color serían mucho más efectivas. ^{[ 33 ] [ 34 ]}
• La progresión cualitativa utiliza un conjunto disperso de tonalidades sin un orden específico, sin diferencias de valor preestablecidas. Se usa con mayor frecuencia con categorías nominales en un mapa coroplético cualitativo, como por ejemplo "religión más predominante".

Es posible representar dos (y a veces tres) variables simultáneamente en un solo mapa coroplético representando cada una con una progresión de un solo tono y mezclando los colores de cada distrito. Esta técnica fue publicada por primera vez por la Oficina del Censo de los Estados Unidos en la década de 1970 y se ha utilizado muchas veces desde entonces, con diversos grados de éxito. ^{[ 35 ]} Esta técnica se utiliza generalmente para visualizar la correlación y el contraste entre dos variables que se hipotetiza que están estrechamente relacionadas, como el nivel educativo y los ingresos. Generalmente se utilizan colores contrastantes pero no complementarios, de modo que su combinación se reconoce intuitivamente como "entre" los dos colores originales, como rojo + azul = púrpura. La técnica funciona mejor cuando la geografía de la variable tiene un alto grado de autocorrelación espacial , de modo que hay grandes regiones de colores similares con cambios graduales entre ellos; de lo contrario, el mapa puede parecer una mezcla confusa de colores aleatorios. ^{[ 12 ] : 331} Se ha descubierto que son más fáciles de usar si el mapa incluye una leyenda cuidadosamente diseñada y una explicación de la técnica. ^{[ 36 ]}

Un mapa coroplético utiliza símbolos específicos para representar la variable representada. Si bien la estrategia general puede resultar intuitiva si se elige una secuencia de colores que refleje el orden correcto, quienes leen el mapa no pueden descifrar el valor real de cada distrito sin una leyenda. Una leyenda típica para un mapa coroplético clasificado incluye una serie de parches de muestra del símbolo para cada clase, con una descripción textual del rango de valores correspondiente. En un mapa coroplético no clasificado, es común que la leyenda muestre un gradiente de color suave entre los valores mínimo y máximo, con dos o más puntos a lo largo del mismo etiquetados con los valores correspondientes. ^{[ 1 ] : 111}

Un enfoque alternativo es la leyenda del histograma , que incluye un histograma que muestra la distribución de frecuencia de la variable mapeada (es decir, el número de distritos en cada clase). Cada clase puede representarse mediante una sola barra cuyo ancho está determinado por sus valores umbral mínimo y máximo, y cuya altura se calcula de manera que el área de la caja sea proporcional al número de distritos incluidos, y luego se colorea con el símbolo del mapa utilizado para esa clase. Alternativamente, el histograma puede dividirse en un gran número de barras, de modo que cada clase incluya una o más barras, simbolizadas según su símbolo en el mapa. ^{[ 37 ]} Esta forma de leyenda no solo muestra los valores umbral para cada clase, sino que también proporciona contexto sobre el origen de esos valores, especialmente para reglas de clasificación endógenas que se basan en la distribución de frecuencia, como los cuantiles. Sin embargo, actualmente no son compatibles con el software SIG y de mapeo, y generalmente deben construirse manualmente.

• Cartograma
• Mapa corocromático
• Mapa dasimétrico
• Mapa de distribución de puntos
• Mapa de calor
• MacChoro
• colorear mapas
• Mapa de símbolos proporcionales

• Dent, Borden; Torguson, Jeffrey; Hodler, Thomas (21 de agosto de 2008). Cartografía: Diseño de mapas temáticos . McGraw-Hill. ISBN 978-0-072-94382-5.

• ColorBrewer: consejos sobre color para cartografía
• Un generador de mapas coropléticos para EE. UU.