Unidad 2. Datos y calidad

Tiempo: cuatro horas presenciales y cinco horas autónomas. Producto: un pipeline reproducible que genera, valida y documenta datos sintéticos para publicación. La unidad no reutiliza datos sociales, descargas no documentadas ni archivos con licencia o sensibilidad sin resolver.

Resultados de aprendizaje

Al finalizar podrás:

• Distinguir entidad, atributo, geometría, esquema y sistema de referencia.
• Elegir entre GeoJSON, GeoPackage y TopoJSON según la tarea.
• Interpretar coordenadas GeoJSON como longitud, latitud y detectar un orden invertido.
• Evaluar precisión, geometría, licencia, procedencia y sensibilidad antes de publicar.
• Reproducir un fixture y comprobar su checksum y manifiesto.

Modelo de datos geográficos

Una entidad representa algo del territorio, por ejemplo una zona, una vía o una estación. Sus atributos describen propiedades como nombre, fecha o valor. La geometría indica dónde está o qué extensión ocupa: punto, línea o polígono. El esquema declara qué campos existen, qué tipo de valores admiten y qué significan. Una geometría sin contexto, atributos sin unidades o una capa sin sistema de referencia no son suficientes para una publicación responsable.

El CRS o sistema de referencia de coordenadas permite convertir números en ubicaciones. El fixture vectorial del curso usa EPSG:4326, que expresa longitud y latitud en grados. GeoJSON escribe posiciones en este orden:

"coordinates": [-74.07, 4.72]

El primer valor es longitud, oeste o este; el segundo es latitud, sur o norte. Invertirlos puede situar un dato en otro continente o producir una geometría que parece válida pero no representa el lugar esperado.

Formatos y decisiones

GeoJSON es texto JSON que representa entidades simples y funciona bien en la web. Es fácil de inspeccionar con un editor, pero no conserva todas las capacidades de una base de datos ni resulta eficiente para colecciones grandes.

GeoPackage es un archivo SQLite que puede contener capas, atributos, clientes de escritorio. En este curso se genera desde el GeoJSON aprobado para demostrar una conversión reproducible, no para reemplazar el archivo fuente.

TopoJSON comparte arcos entre geometrías vecinas y puede disminuir la duplicación en límites administrativos. Es una comparación útil de tamaño y topología, pero no corrige geometrías inválidas, atributos ambiguos ni una licencia ausente. Un formato compacto no demuestra calidad.

Calidad antes de publicar

La precisión no es solo el número de decimales. Siete decimales en una columna no prueban que una posición sea exacta a centímetros; pueden ser redondeo de una medición menos precisa. Conserva la precisión justificada por la fuente y evita publicar coordenadas individuales cuando el riesgo de reidentificación supera el valor pedagógico.

Una geometría válida respeta las reglas del tipo que representa. Un polígono no debe cruzarse a sí mismo; una línea no debe tener segmentos imposibles por un error de conversión; un punto debe estar dentro de un rango de coordenadas coherente. La validez geométrica no demuestra que el dato sea correcto: también hay que revisar cobertura, fecha, unidades, atributos faltantes y coherencia con el problema territorial.

Antes de incorporar un dataset, responde:

1. ¿Quién lo produjo y bajo qué licencia?
2. ¿Qué fecha, versión y cobertura territorial tiene?
3. ¿Cuál es el CRS y qué unidad tienen sus atributos?
4. ¿Qué significa cada campo y qué valores faltantes existen?
5. ¿Puede identificar personas, hogares, rutas sensibles u otra información restringida?
6. ¿Qué transformación se aplicó y cómo se puede repetir?

Manifiesto y trazabilidad

data/manifests/datasets.yml es la fuente de verdad del curso para los datos redistribuidos. Cada entrada declara identificador, título, fuente, propietario, versión, fecha, checksum, licencia, CRS, esquema, sensibilidad y archivo. Un checksum es una huella calculada desde los bytes del archivo. Si el archivo cambia, el checksum cambia; esa diferencia obliga a revisar el origen y no a actualizar el manifiesto sin explicación.

El fixture referencia-sintetica-vector usa datos creados localmente, licencia CC0-1.0, EPSG:4326 y sensibilidad pública. Esa combinación permite practicar sin trasladar datos personales o de cohortes anteriores al material mantenido.

QGIS como inspección local

Abre data/fixtures/vector/referencia.gpkg en QGIS LTR. Observa el nombre de la capa, la tabla de atributos, el CRS y las geometrías. Cambia la simbología para inspeccionar los valores, pero no confundas una representación temporal con una transformación de datos. Comprueba que los identificadores, nombres y valores coinciden con el GeoJSON fuente.

QGIS es una herramienta local recomendada, no una fuente de datos ni un servicio de publicación obligatorio. QGIS2Web se conserva como salida generada histórica: puede ayudar a explorar un prototipo, pero no reemplaza una aplicación con datos, estado, accesibilidad y pruebas mantenibles.

Pipeline reproducible

Los fixtures se generan con un script versionado. Ejecuta desde la raíz:

uv run python scripts/generate_fixtures.py
uv run pytest tests/data
uv run python scripts/prepare_vector_data.py --input data/fixtures/vector/referencia.geojson --output data/fixtures/vector/referencia.gpkg
uv run python scripts/validate_resources.py

generate_fixtures.py crea GeoJSON, CSV y GeoTIFF sintéticos. La conversión usa GDAL en un contenedor con digest fijado, valida geometrías y escribe un GeoPackage en EPSG:4326. La prueba repite el proceso y comprueba que los resultados son deterministas. Si un checksum cambia, identifica primero qué entrada, herramienta o metadato cambió antes de aceptar la nueva salida.

Práctica guiada

1. Lee la entrada vectorial de data/manifests/datasets.yml y anota sus campos obligatorios.
2. Abre el GeoJSON y localiza una coordenada. Indica cuál valor es longitud y cuál es latitud.
3. Carga el GeoPackage en QGIS y compara atributos, número de entidades y CRS con el GeoJSON.
4. Ejecuta el generador dos veces. Explica qué evidenciaría un checksum distinto.
5. Propón un campo adicional para una publicación territorial e indica unidad, tipo, valores faltantes y riesgo de sensibilidad.

Errores frecuentes

• Declarar EPSG:4326 sin comprobar el orden longitud, latitud.
• Confundir más decimales con mayor exactitud.
• Publicar un archivo porque “funciona en QGIS” sin verificar licencia o sensibilidad.
• Transformar un dato y perder la fuente o versión original.
• Usar TopoJSON como argumento para omitir validación geométrica.
• Actualizar un checksum sin explicar por qué cambió el archivo.

Autoevaluación

1. ¿Qué diferencia a GeoJSON de GeoPackage en este curso?
2. ¿Qué información permite interpretar [-74.07, 4.72] correctamente?
3. ¿Por qué una geometría válida no garantiza que el dato sea publicable?
4. ¿Qué debe suceder si falta licencia o la sensibilidad no está resuelta?
5. ¿Qué demuestra una segunda generación con el mismo checksum?

Esta unidad prepara el procesamiento documentado de la Entrega 1.

Diagnóstico

Ejecuta uv run python scripts/generate_fixtures.py dos veces y compara los checksums impresos. Si cambian, el pipeline no es reproducible: identifica el archivo, el metadato o la herramienta que produjo la diferencia antes de continuar.