Este trabajo analiza las nuevas tendencias en la creación y gestión de información geográfica, para la elaboración de modelos inductivos basados exclusivamente en bases de datos geográficas. Estos modelos permiten integrar grandes volúmenes de datos de características heterogéneas, lo que supone una gran complejidad técnica y metodológica. Se propone una metodología que permite conocer detalladamente la distribución de los recursos hídricos naturales en un territorio y derivar numerosas capas de información que puedan ser incorporadas a estos modelos «ávidos de datos» (data-hungry). La zona de estudio escogida para aplicar esta metodología es la comarca de la Marina Baja (Alicante), para la que se presenta un cálculo del balance hídrico espacial mediante el uso de herramientas estadísticas, geoestadísticas y Sistemas de Información Geográfica. Finalmente, todas las capas de información generadas (84) han sido validadas y se ha comprobado que su creación admite un cierto grado de automatización que permitirá incorporarlas en análisis de Minería de Datos más amplios.

Aquest treball analitza les noves tendències en la creació i gestió d'informació geogràfica, per a l'elaboració de models inductius basats exclusivament en bases de dades geogràfiques. Aquests tipus de models permeten integrar grans volums de dades de característiques heterogènies, la qual cosa suposa una gran complexitat tècnica i metodològica. Es proposa una metodologia que permet conèixer detalladament la distribució dels recursos hídrics naturals en un territori i derivar nombroses capes d'informació que puguin ser incorporades dins d'aquests models «àvids de dades» (data-hungry). La zona d'estudi escollida per aplicar aquesta metodologia és la comarca de la Marina Baixa (Alacant), per a la qual es presenta un càlcul del balanç hídric espacial mitjançant l'ús d'eines estadístiques, geoestadístiques i Sistemes d'Informació Geogràfica. Finalment, totes les capes d'informació generades (84) han estat validades i s'ha comprovat que la seva creació admet un cert grau d'automatització que permetrà incorporar-les dins d'anàlisis de Mineria de Dades més amplis.

Cet article traite des nouvelles tendances dans la création et la gestion de l'information géographique pour le développement de modèles inductifs fondés uniquement sur des bases de données géographiques. Ces modèles permettent d'intégrer d'importants volumes de données aux caractéristiques hétérogènes, ce qui représente une grande complexité technique et méthodologique. L'article propose une méthodologie qui permet de connaître en détail la répartition des ressources hydriques naturelles d'un territoire, et de dériver de nombreux niveaux d'information qui peuvent être incorporés aux modèles « avides de données » (data-hungry). La zone d'étude choisie pour appliquer cette méthodologie est le quartier de la Marina Baja (Alicante), pour lequel une estimation du bilan hydrique spatial est présentée à l'aide d'outils statistiques, géostatistiques et SIG. Finalement, toutes les couches générées (84) ont été validées d'une part, puis on a vérifié que ce modèle prenait en charge un certain degré d'automatisation pour incorporer ces couches à une analyse « data-mining » de plus grande importance.

This paper discusses new trends in the creation and management of geographic information for the development of inductive models based entirely on geodatabases. These models enable the integration of large volumes of data with heterogeneous characteristics, which is of an enormous technical and methodological complexity. We propose a methodology to determine the distribution of natural water resources in a study area and derive numerous geospatial layers that can be incorporated into these "data-hungry" models. The Marina Baja is the study area chosen to apply this methodology. An estimation of the spatial water balance is presented using statistical tools, geostatistics and geographic information systems. Finally, the layers generated (84) have been validated, thus demonstrating that the creation of such layers allows for a convenient degree of automation that permits them to be incorporated into broader data mining studies.