This GIS study applies Geographically Weighted Regression (GWR) to investigate the spatial relationship between Purchasing Power Index (PPI) and the distribution of gambling-related retail establishments within the city of Madrid. My aim is to account for spatially varying relationships driven by local urban contexts, under the assumption that the relationship between socioeconomic conditions and the presence of gambling venues varies across urban space. My hypothesis is that the socioeconomic conditions of the urban fabric can be a breeding ground for the location of betting shops, or in other words, I am attempting to Detect Urban Vulnerability to Gambling Harm.
Category Archives: geovisualizacion
Testing GEMINI for 3D environments. From SketchUp to an unlikely future!
The exercise shows how a simple SketchUp 3D volume, defined solely by its basic geometry, can be transformed into a complex architectural proposal. Starting from the initial schematic model, the system interprets proportions, levels, and shapes, and converts them into a fully developed building, complete with textures, vegetation, lighting, and an urban context
Spatial relationship between “high schools” and “betting shops” in Madrid. A first approach (1)
It is a fact that a betting shop should not be close to a secondary school. Its obvious the impact on population ranging 12-17 could be higher than in other. How near? 100m? 500m? Euclidean distance or following the street network?. In any case, if I choose for instance a range of 500m, for example, 81% of betting shops in Madrid have secondary schools within that distance (258 out of 316). Looking at it from the secondary schools’ point of view, almost 60% of secondary schools have betting shops within 500m (171/291). This is undoubtedly an issue that needs to be addressed.
Precision Elevation Data for Forest Giants: LiDAR vs ETH Global Canopy Height in Mata do Buçaco (Portugal)
High‑resolution elevation data underpins almost every spatial analysis we do in GIS—especially in forests where vertical structure defines habitat, biomass, wind exposure, fire behavior, hydrology, and the microclimates that sustain rare species. In rugged or densely vegetated environments, a coarse or biased elevation model propagates error everywhere: orthorectification drifts, hillshades mislead, slope/aspect misclassify, and canopy metrics saturate. The result is decisions made on blurred terrain that hides the very patterns we seek to manage. Precision elevation—derived from airborne LiDAR (Light Detection and Ranging)—solves this by separating the ground from the vegetation and delivering both a bare‑earth Digital Terrain Model (DTM) and a Digital Surface Model (DSM). Subtracting DTM from DSM gives a Canopy Height Model (DHM) that captures the true vertical architecture of the forest at sub‑meter resolution.
¡Al final se nos quema la península este 2025!
Este agosto, España y Portugal han vivido una temporada de incendios excepcionalmente dura. En España, las llamas han calcinado ~382.000 hectáreas (más de seis veces la media reciente) y han dejado víctimas mortales; en Portugal, las superficies quemadas superan las 200.000 hectáreas, muy por encima del promedio 2006–2024 para estas fechas. El humo cruzó fronteras y degradó la calidad del aire a cientos de kilómetros.
REBATE A TU CUÑADO SOBRE “LLUVIA”
¿Cuántas veces has oído a tu cuñado (o cuñada) decir en una comida familiar frases tipo:
Antes llovía más, se está desertificando todo!”
“¡Yo ya lo noto, desde que era niño no ha vuelto a llover igual!”
En lugar de entrar en debates circulares, te propongo usar Google Earth Engine (GEE), una plataforma gratuita (si demuestras que no vas a usarlo comercialmente, claro) de computación geoespacial en la nube, y una fuente de datos de primer nivel: CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data).
Agricultura de Precisión. Uso del Satélite para la toma de decisiones en el campo
Quieres conocer cuál es el momento óptimo para plantar? Para fumigar? Para recolectar?. Sabías que dos de cada tres agricultores no cosechan en la fase de madurez adecuada?. Aquí abajo te describo un método completamente automatizado mediante el uso combinado de varios índices de vegetación como NDVI, NDWI, SAVI y EVI que podemos extraer del Satétile SENTINEL-2 en la plataforma COPERNICUS de la UE para conocer exactamente y anticipar las mejores decisiones de intervención sobre tus tierras.
Spider diagrams in GEE and QGIS
Hace unos días, caminando por una calle concreta —no muy lejos de mi casa, la cual recorro con regularidad— me pregunté cuál era realmente la estación de metro más cercana. Tiendo a pensar que siempre es Puerta del Ángel… y en realidad, lo es. Pero aún así, quise comprobarlo quantitativamente, empíricamente. ¿Y si no fuera tan evidente?
En este tutorial se explica cómo crear un efecto visual dinámico en QGIS que simula una «araña» (ragnetto) que conecta automáticamente los 8 puntos más cercanos al cursor del mouse. Esta funcionalidad permite visualizar relaciones espaciales de forma interactiva y resulta especialmente útil para análisis de proximidad.
Mapas de Peligrosidad Climática: Datos y Análisis para aseguradoras
Gracias a datos satelitales de alta calidad y herramientas de análisis geoespacial en la nube, es posible generar de forma ágil mapas de peligrosidad climática con respaldo científico y cobertura global. Un ejemplo de ello es el análisis de la frecuencia de lluvias extremas realizado para Sri Lanka en el periodo 2001–2023.
Summer Heat Inequity in Madrid: A Playground-Based Analysis in Summer 2024
Between June 21 and September 21, 2024, I analyzed the surface temperatures of all 2,123 registered playgrounds in Madrid using Landsat 8/9 imagery (Level-2 Surface Temperature products). This investigation, an extension of my previous reflection on urban heat and environmental justice in Geovisualization.net (May 2025), highlights how thermal exposure is patterned by geography, planning legacies, and demographic vulnerability in the Spanish capital.
Geovisualization.net 