Visualización científica: ideas generales (página 2)

• Mapas.
• Gráficos matemáticos y estadísticos.
• Gráficos Multivariados.
• Diagramas de Software.
• Visualización Científica.
• Visualización de la Información.

La visualización científica es la transformación de datos científicos y abstractos en imágenes. Es una forma especial de la visualización que procura encontrar una representación visual apropiada para un conjunto de datos que permita mayor efectividad en el análisis y evaluación de los mismos. Simplifica el análisis, comprensión y la comunicación de modelos, conceptos y datos en la ciencia y la ingeniería.

¿POR QUÉ USAR LA VISUALIZACIÓN?

Usualmente cuando se almacenan los datos se incluyen varios parámetros, resultando datos multidimensionales con un alto nivel de dimensionalidad. Buscar información valiosa en ellos es una tarea difícil. Con los sistemas actuales de administración de datos solo es posible ver porciones muy pequeñas de estos datos. Si los datos son presentados textualmente la cantidad de estos que pueden ser mostrados está en el rango de algunos cientos de ítems de datos, pero es como una "aguja en un pajar" cuando se trata con conjuntos de datos que contengan millones de ítems de datos. No teniendo la posibilidad de explorar adecuadamente las grandes cantidades de datos que han sido coleccionadas debido a su utilidad potencial, los datos se tornan inservibles y las bases de datos en "almacenes" de datos".

La visualización facilita el entendimiento a pequeña y gran escala de características de los datos. Simplifica el análisis y la comunicación de modelos y conceptos. Emplea las potencialidades del sistema visual que es un buscador de patrones de extrema fuerza y sutileza. El hecho de que el resultado sea una imagen posibilita una mayor comprensión, claridad y aprovechamiento de este. Se estima que el 50% de las neuronas está dedicado a la visión. Además, la densidad de información por unidad de área en una imagen es notablemente mayor a la de un texto. Por otro lado, la visualización nos permite observar lo que "no es posible ver directamente", debido, entre otras razones, al gran volumen de los datos o a que estos no tengan una representación gráfica asociada.

La visualización científica posibilita reconocer patrones de comportamiento de los datos, ver en una sola imagen o en una secuencia de estas (animación) una gran cantidad de datos y facilita la comprensión de algunos conceptos, sobre todo de tipo abstracto. Por ejemplo, si se diera el caso de que tuviéramos una serie de datos, obtenidos de una estación meteorológica, al mostrarlos en forma de tabla, sería muy difícil distinguir a simple vista alguna relación entre los mismos, pero al conformar una gráfica de los valores veríamos si siguen cierto patrón de comportamiento.

Entre las ventajas de la visualización científica está el poder representar datos de varias dimensiones o variables, lográndose visualizar cuatro o más variables al mismo tiempo apoyándose en algunos métodos. Por ejemplo, el plano cartesiano puede mostrar dos variables, si agregamos otro, podremos ver 3, si agregamos colores, tendremos 4, si se hace alguna animación de la gráfica podremos apreciar una quinta variable o dimensión. Otra gran ventaja es la independencia del lenguaje, ya que la idea principal del problema está representada de forma gráfica.

Posibilita a las personas la interacción directa con los datos. La visualización puede ser hecha sin mayor dificultad en datos no homogéneos o que no se conozca detalladamente su estructura. La exploración visual es intuitiva, no requiere de complicados conocimientos matemáticos, estadísticos o de otra índole. Otra gran ventaja consiste de la visualización de datos es la gran cantidad de conocimiento que puede ser rápidamente interpretado.

¿QUÉ LIMITANTES TIENE?

La principal limitante de la visualización científica reside en que, al manejarse una cantidad considerable de datos durante el trabajo, requiere tener una gran capacidad de cómputo para obtener los resultados en un tiempo asequible.

HISTORIA DE LA VISUALIZACIÓN.

La visualización, en cualquiera de sus formas, no es un concepto nuevo. Desde hace mucho el hombre creó representaciones gráficas de los datos que disponía. Los mapas quizás sean la expresión más antigua de la visualización, datándose algunos de la época de antes de Cristo (AC), como el mapa de "Mesopotamía Norte" hecho en una tabilla de barro en el 3800 AC.

Uno de los primeros pasos dentro de la visualización científica fue la creación de gráficas y modelos en dos dimensiones. Posteriormente, estas evolucionaron hacia modelos de 3, 4, 5 ó más dimensiones. Los modelos tridimensionales se iniciaron como objetos construidos con líneas, a los que posteriormente se les dio volumen por medio de la generación de imágenes o renderización (del inglés render), que no es más que la generación de una imagen a partir de un modelo. Este modelo es una descripción de un objeto tridimensional en un lenguaje bien definido o en una estructura de datos.

Más tarde se diseñaron métodos para manipular, modificar y animar estos modelos. Algunos métodos gráficos permiten, mediante la manipulación del plano, representar más de 2 variables en un solo plano.

El primer impulso por utilizar las computadoras en la representación de datos fue en la década de 1960, de ahí en lo adelante la visualización científica ha ido de la mano del desarrollo de la computación

A principios de los noventa las técnicas de visualización científica empezaron a atraer a una serie de científicos, ingenieros, médicos, entre otros, al estudio de la amplia variedad de conjuntos de datos disponibles. El desarrollo de las capacidades de cómputo dio posibilidad de mejorar los resultados y facilitar la visualización científica. Se vuelve común usar una computadora de gran capacidad y rendimiento para el procesamiento o generación de grandes cantidades de información y después una estación de trabajo para la presentación gráfica de los resultados, de esta forma se puede aprovechar las ventajas de ambos equipos. Posteriormente, las imágenes obtenidas pueden almacenarse en discos o grabarse en videos para facilitar su distribución y presentación.

APLICACIONES DE LA VISUALIZACIÓN.

Debido a la gran utilidad que tiene la visualización científica, existe una amplia gama de aplicaciones de esta, tanto la investigación como en cualquier otra área.

Algunos campos específicos donde se aplica la visualización son:

• Medicina
• Geofísica
• Geografía
• Bioquímica
• Astrofísica
• Biología
• Fluidos

La visualización científica se emplea con varios propósitos que se agrupan en tres modos de uso muy particulares que se pueden describir de esta forma:

• Análisis exploratorio.

Se tiene un conjunto de datos sin una hipótesis específica. Estos datos se someten a un proceso de búsqueda interactiva de información que va a arrojar como resultado una visualización que soporte una hipótesis sobre el conjunto de datos.

• Análisis confirmativo.

Se tiene un conjunto de datos sobre los que se plantea una hipótesis. Se realiza un procesamiento de dichos datos que genera una visualización mediante la cual se pueda validar o refutar la hipótesis que se tenía de ellos.

• Presentación de un resultado.

Se conocen hechos específicos sobre los datos, se realiza un proceso que dé como resultado una visualización que enfatice en la veracidad de dichos hechos.

El análisis exploratorio y el confirmatorio incluyen el análisis estadístico de los datos, la simulación y la educación. Dentro del área del análisis existen aplicaciones para el control de calidad, análisis y proyecciones financieras, análisis de esfuerzos, etc. Está última podría considerarse dentro del área de simulaciones, junto con la de modelos atmosféricos. En cuanto a la educación, se tienen desde demostraciones matemáticas, hasta modelos de física cuántica y planetarios.

Fuera del área de la investigación la visualización tiene aplicaciones en la ingeniería y en el diseño (diseño de ropa, diseño industrial, diseño de automóviles y aviones), la ingeniería genética, la exploración mineral y de combustibles, la animación para la producción de efectos especiales en la industria audiovisual, entre otros campos.

La visualización científica es usada en la astronomía para visualizar objetos que se sabe que existen pero no han sido observados directamente como los Agujeros Negros. Se utiliza en la medicina para mostrar el crecimiento de las células, para asistir en diagnósticos médicos. Un ejemplo común de aplicación está en los programas del estado del tiempo los cuales combinan datos atmosféricos con colores y otra serie de parámetros específicos de la visualización científica. En la Química se aprecian varios usos, como la representación de moléculas y/o estructuras moleculares. Otras aplicaciones importantes se encuentran en la rama de la vulcanología, como la visualización de la actividad sísmica en un área.

Clasificación de los Algoritmos de visualización científica.

El problema principal del proceso de visualización científica consiste en encontrar la técnica de visualización que logre los resultados más apropiados. Las técnicas de visualización son una de las partes fundamentales del proceso de visualización y dependen en gran medida del tipo de dato a visualizar (escalar, vector, tensor) y de la dimensión del dominio en que se van a representar los datos (una, dos, tres dimensiones o multidimensional).

Los algoritmos de transformación de los datos se pueden clasificar según la estructura y el tipo de transformación. Estructura se refiere a los efectos que puede tener la transformación sobre la topología, geometría y atributos de los datos, y el tipo se refiere al tipo de datos con que se va a operar.

Las transformaciones estructurales pueden ser clasificadas en cuatro conjuntos, en dependencia de cómo estas afectan a la geometría, la topología, y los atributos del conjunto de datos:

• Transformaciones Geométricas

Son aquellas que cambian la geometría de la entrada, pero no cambian la topología del conjunto de entrada. Por ejemplo si realizamos una traslación, una rotación, y/o un escalado en los puntos de un conjunto de datos poligonal, la topología no cambia, pero las coordenadas de los puntos sí.

• Transformaciones Topológicas

Son aquellas que alteran la topología de la entrada, pero no cambian la geometría y los atributos de los datos. Convirtiendo el tipo de un conjunto de datos poligonal a una malla no estructurada, o de una imagen a una malla no estructurada, se cambia la topología pero no la geometría.

• Transformaciones de Atributos

Son aquellas que convierten de los atributos de los datos de una forma a otra, o crean nuevos atributos del conjunto de entrada manteniendo la estructura del conjunto de datos sin afectarse.

• Transformaciones Combinadas

Son aquellas que cambian la estructura del conjunto de entrada y los atributos de los datos.

Una forma muy usada de clasificar los algoritmos es de acuerdo al tipo de datos que usan. El significado de la palabra "tipo" en este caso se refiere a la clase de datos perteneciente a los atributos, tales como vectores y/o escalares. Estas categorías incluyen los siguientes algoritmos:

• Algoritmos Escalares: Operan en datos escalares. Un ejemplo es la generación de líneas de contorno de temperatura en un mapa del estado del tiempo.
• Algoritmos Vectoriales: Operan en datos vectoriales. Un ejemplo es mostrado por las flechas orientadas de corrientes de aire en un mapa del estado del tiempo (dirección y magnitud).
• Algoritmos Tensoriales: Operan en matrices tensoriales. Un ejemplo es al mostrar los componentes de tensión o presión en un material usando iconos orientados.
• Algoritmos de Modelado: Generan la topología, la geometría de un conjunto de datos, normales de la superficie o datos de la textura. Esta última tiende a ser la categoría para todos los algoritmos que no están en una sola de las categorías que se trataron arriba.

BIBLIOGRAFÍA

• Gallagher, R.S., Computer Visualization: Graphics Techniques For Engineering And Scientific Analysis. 1994.
• Ware, C., Information Visualization Perception For Design. 2da Edición Ed. 2004.

• Hutchins, M.A., Modelling Visualisation Using Formal Algebra. 1999, The Australian National University. P. 486.
• Visualización, G.D.I.E., Visualización, Universidad Nacional Del Sur.
• Theisel, D.H., Scientific Visualization. Compact Course. 2000.
• Keim, D.A., Information Visualization And Visual Data Mining. Ieee Transactions On Visualization And Computer Graphics, 2002. 7: P. 8.
• Charles D. Hansen, C.R.J., Ed. The Visualization Handbook. 2005.
• (Unam), U.N.A.D.M. Técnicas De Visualización. 2006
• Chomut, T. (1987), "Exploratory Data Analysis In Parallel Coordinates" Ibm Los Angeles Scientific Center
• Pánel: "Information Visualization: The Next Frontier"" Chair: Nahum D. Gershon, The Mitre Corp. Computer Graphics Proceedings, Annual Conference Series, 1994 Pp. 485-486 Siggraph Conference 1994
• Pánel: "Is Visualization Really Necessary: The Role Of Visualization In Science And Medicine" Chair: Nahum D. Gershon, The Mitre Corp. Computer Graphics Proceedings, Annual Conference Series, 1994 Pp. 499-500 Siggraph Conference 1994

INTERNET

http://www.bookrags.com/research/scientific-visualization-csci-03/scientific-visualization-csci-03.html

http://www-i.almaden.ibm.com/dx/ (Data Explorer)

http://www.ibm.com/News/950203/pve-01.html (Parallel Visual Explorer)

http://www.labvis.unam.mx/labvis/ (Laboratorio de visualización de la UNAM)

Autor:

Eutimio Liusbel de la Rosa Armas

Licenciado en Ciencias de la Computación.

Eutimio Liusbel de la Rosa Armas nació el 24 de diciembre de 1983, en Cienfuegos, Cuba. Desde edades muy tempranas se vinculo a los estudios, logrando pasar por todos los niveles con excelentes resultados. Después de terminar el Instituto Preuniversitario de Ciencias Exactas logra obtener una beca en la carrera Licenciatura en Ciencias de la Computación la cual desarrolla y finaliza con notorios resultados. Para culminar sus estudios universitarios realiza un proyecto de diploma en una temática relacionada con la Visualización Científica, el cual ha servido como material de consulta para varias publicaciones y proyectos de investigación. Actualmente se desarrolla como profesor en la Universidad de Ciencias Informáticas donde ha continuado su labor investigativa.

Este trabajo ha sido elaborado en la Ciudad de la Habana, Cuba a los 22 días del mes de noviembre del año 2007