El anlisis estructural
Est compuesto por: El clculo del semivariograma experimental experimental. El ajuste al semivariograma emprico de un modelo sem var ograma emp r co terico conocido. Objetivo: determinar los parmetros descriptivos del semivariograma que posteriormente sern usados en la estimacin.
Modelado de semivariogramas g
Parmetros del semivariograma: g
Son tres elementos que caracterizan la variabilidad de un atributo: la discontinuidad en el origen (existencia de efecto de pepita: C0) el valor mximo de variabilidad (meseta: Ct) y ), el rea de influencia de la correlacin (alcance: a),
(h) (h) C C0 a h
Ct
Caractersticas:
1.- Su comportamiento n c mp t mi nt en el origen, el cual puede ser lineal lineal, parablico y con Efecto de Pepita y 2.- La presencia o ausencia de meseta
ESFRICO
2a/3
MONMICO
EXPONENCIAL
=0,5
h (h) (h)
3a
3 a
Se dib j los S dibujan l variogramas, emprico y t i i i terico, y se comparan visualmente. Por ejemplo, en la figura se muestra el modelo terico de variograma , usado para simular una muestra de 100 datos, y dos variogramas estimados.
An illustrative session
La seleccin del modelo y los parmetros apropiados a las caractersticas del semivariograma emprico, para g p ,p ser usados en la interpolacin geoestadstica es el punto ms importante del proceso planteado . Sin un estudio de estructura espacial y la seleccin adecuada del modelo de semivariograma y sus parmetros, segn muchos autores, el empleo del Krigeado puede tener g , p g p un efecto negativo en la estimacin.
C0
Parmetros del semivariograma
hasta coincidir con los parmetros que mejor se ajustan, es conveniente validar el modelo seleccionado y los parmetros meseta i t lid l d l l i d l t t y alcance escogidos
As se van probando diferentes valores de los parmetros del semivariograma hasta que los errores de t d l i i h t l d validacin cumplen una serie de criterios estadsticos: error medio nulo, error cuadrtico medio pequeo, Corr{Z(xi) Z*(xi)} = 1 ... Corr{Z(xi), 1,
(h)
C1 C2
a1
a2
a1
a2
En estos casos conviene realizar transformaciones de coordenadas con el st s s s n i n li t nsf m i n s d d n d s n l objetivo de obtener modelos Isotrpicos
Efecto proporcional
Modelado de semivariogramas:
disminuyen rpidamente en la zona estudiada con el aumento de la distancia. Esto puede ser resuelto aplicando polinomios a la ecuacin del semivariograma (anlisis de tendencia).
Problemas en el modelaje de semivariogramas - Efecto proporcional: Indica que la desviacin estndar local p p q
es proporcional al cuadrado de la media local y que los datos presentan una distribucin lognormal, puede ser resuelto dividiendo cada valor del semivariograma local por el cuadrado de la media local (semivariogramas relativos).
Modelado de semivariogramas:
Problemas en el modelaje de semivariogramas - Ef t h Efecto hueco: i di que muy pocos pares estn di indica disponibles ibl
para la comparacin a una distancia especfica. Se resuelve recuperando ms casos para la distancia definida. p p
Modelado de semivariogramas:
semivariograma repite por s mismo periodicidades. Ejemplo: El valor de la meseta puede aumentar o disminuir sistemticamente, o un caso en que los valores son tomados i i l l d alternativamente a travs de diferentes estratos, como piedras aren scas, esqu stos, areniscas, esquistos, etc.
Se puede resolver si no es un enmascaramiento de la realidad. El fenmeno es real cuando hay zonas similares que aparecen espaciadas regularmente
Estimacin
Todo lo expresado hasta aqu tiene un nico objetivo, p q j , conocer la informacin disponible para realizar estimaciones de valores desconocidos a partir, no slo de los conocidos, sino t bi d su estructura d d l id i tambin de t t de continuidad espacial Algunos ejemplos: Triangulacin , Inverso de la distancia
Estas dos tcnicas de estimacin utilizan, en el proceso de estimacin directamente los valores estimacin, muestreados y refieren pesos de acuerdo a las distancias entre los datos, sin tener en cuenta la continuidad espacial de la informacin disponible.
El krigeado consiste en efectuar una ponderacin, es decir, decir atribuir un peso a cada valor observado, observado -los pesos son calculados de manera que minimice la var anza varianza de estimacin resultante, teniendo en cuenta est mac n ten endo las caractersticas geomtricas del problema (Matheron, 1970). Al minimizar la varianza de estimacin se garantiza el uso ptimo de la informacin disponible
[Z(si ) - Z * (si )]
i =1
[Z(s i ) - Z * (s i ) ]
i =1
mnimo
n [Z(s ) - Z * (s ) ]2 i i 1 1 i= 2 n (s i )
r ( ( i ) z * ( i )) 1 (z(s ); (s
7. Tambin es necesario comparar: > Mximo y mnimo de los errores de prediccin > Diagramas de cajas, tanto de las predicciones como de los errores, as como de todas las variables m did s i bl s medidas.
Quantil Map
K g Krigeado Simple: para una funcin aleatoria mp p f estacionaria, de esperanza nula o conocida, Estimador: Z*(v) = i Z(xi) + m(1- i). Sistema: i C(xi, xj) = C(xj, v); j = 1,,n Varianza de krigeado: 2 = C(v,v) - i C(xi, v)
i = 1
i =1
i = 1
Krigeado Ordinario
Media constante pero desconocida Puede usarse con estacionariedad de segundo or n orden o estacionariedad intrnseca stac onar a ntr ns ca Para ser un estimador insesgado (centrado) se debe cumplir que i = 1
m(x) = a l f l (x)
l =0
al son coeficientes y fl es la funcin que describe la tendencia. tendencia Z(x) = m(x) + (x). componente estocstico (x) i ( )
=1
f l (x ) = f l (xo )
N K
=1
l =0
El caso multivariante
Los conceptos presentados hasta aqu, extendidos a p p q , ms de una variable, se denominan Geoestadstica Multivariada
Situaciones prcticas de variables de inters, insuficientemente muestreadas, pero que se conoce su correlacin con otras variables en l zona de estudio. i bl la d di Utilizando esta correlacin es posible estimar una variable de inters i t a partir d la i f ti de l informacin d l propia variable adems d i de la i i bl d de las correlacionadas con ellas.
El Co-Krigeado (o cokriging) es una extensin o generalizacin del krigeado cuando ms de una de las variables d bl disponibles guardan relacin entre s. bl d l
El caso multivariante:Cokriging
Se requiere conocimiento: del d l modelo d semivariograma d cada una d l d l de i i de d de las variables del semivariograma cruzado entre las variables Semivariograma cruzado
1 N(h) AB (h) = [ZA (xi ) ZA (xi + h)][ZB (xi ) ZB (xi + h)] 2N(h) i=1
ZA y ZB son variables correlacionadas, ZA la variable de inters y ZB la , variable auxiliar o secundaria. El semivariograma directo toma slo valores positivos, el cruzado puede sem var ograma d recto pos t vos, tomar valores negativos (correlacin inversa entre las variables)
Geoestadstica no Lineal
En ocasiones aparecen situaciones con caractersticas que las tcnicas lineales no permiten modelar, > por ejemplo, datos con alta asimetra. En estos casos se pueden realizar transformacin a los p datos, y obtener configuraciones de estos que si pueden ser explicados por el krigeado. Krigeado de Indicadores Krigeado Disyuntivo Krigeado de Probabilidades Krigeado Lognormal g g
Geoestadstica no Lineal
La idea de estos procedimientos es 1. Realizar transformaciones en los datos originales hasta encontrar homogeneidad en g g la informacin 2. Utilizar alguna tcnica de Krigeado 3. Realizar la transformacin inversa.
Sus propiedades:
FUENTES
http://descargas.cervantesvirtual.com/servlet/Sirve http://descargas cervantesvirtual com/servlet/Sirve Obras/46860175104026839600080/006458_8.pdf Cap.7 Cap.7: Sistemas de Informacin Geogrfica: Pasado, Geogrfica presente y futuro (tesis doctoral) www.geogra.uah.es/~joaquin/curso-quito/SIGOdelT.pdf www.monografas .com. Elementos de Geoestadstica. CUADOR GIL, J.Q. Universidad de Pinar del Ro (Cuba).