GEOESTADSTICA

Estimacin de semivariogramas y E i i d i i KRIGEADO Concepcin Gonzlez Garca (2008)

Imagen cortesa de la NASA

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

Parmetros del semivariograma

Modelos tericos de semivariogramas

(h) (h)

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

EFECTO PEPITA PURO

c0 w

ESFRICO

h (h) (h) =1,5 =1 w 0,95w

2a/3

MONMICO

EXPONENCIAL

=0,5

h (h) (h)

3a

GAUSSIANO EFECTO AGUJERO

w 0,95w

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.

geoR : Package for Geostatistical Data Analysis

An illustrative session

Paulo J. Ribeiro Jr. & Peter J. Diggle Last update: 26/Dez/2003

Modelado de semivariogramas (i) g ()

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.

Modelado de semivariogramas: Validacin del modelo terico

El ajuste de los modelos tericos al semivariograma experimental, se realiza de forma visual o interactiva, variando los valores, (h) Co (efecto C ( f t pepita), it ) C + Co (meseta) y a (alcance) (alcance),
Ct C

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

Modelado de semivariogramas: Validacin del modelo terico (ii)

El mtodo de validacin cruzada Sea Z(x) una funcin aleatoria estacionaria con semivariograma (h), su funcin d covarianza C(h) viene i i (h) f i de i i dada por C(h) = 2 - (h) donde 2 es la varianza de Z(x). Sea Zx1, Zx2,...,Zxn los valores de Z(x) en n puntos medidos. La validacin cruzada consiste en suprimir el i-simo valor medido Z(xi) y estimarlo a partir del resto de los datos datos. El valor estimado Z*(xi) se calcula por krigeado: procedimiento explicado ms adelante. di i li d d l

Modelado de semivariogramas: Validacin del modelo terico (iii)

El mtodo de validacin cruzada (cont) (cont). Si se repite este proceso para los n puntos, se pueden calcular n errores de validacin: l l d lid i E(xi) = Z*(xi)- Z(xi) Z (xi) i=1 2 ...,n 1, 2, n.

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,

Modelado de semivariogramas: Validacin del modelo terico (iv)

El Ajuste automtico Mtodo presentado por algunos autores, que sugieren una forma particular de aplicar el mtodo de los mnimos cuadrados y as obtener el modelo y sus parmetros teniendo en cuenta que el modelo obtenido sea definido positivo
El ajuste realizado de forma automtica no tiene por qu reportar mejores resultados en el proceso de estimacin estimacin. Distintos autores recomiendan validar el modelo seleccionado de acuerdo al estimador a utilizar. Independientemente de la forma utilizada en la eleccin del modelo terico y sus parmetros, como criterio se recomienda emplear el mtodo de la p , p validacin cruzada con el estimador a utilizar en el proceso de estimacin.

Modelado de semivariogramas: Anlisis de anisotropa

Anlisis sobre el comportamiento de la variabilidad del atributo en estudio. El semivariograma describe las caractersticas de continuidad espacial de la variable regionalizada en una direccin, pero este comportamiento pueden variar segn la direccin que se analice. q Se exige por este motivo un anlisis del comportamiento g p m u mp m de la continuidad en distintas direcciones: Anlisis de Anisotropa.

Modelado de semivariogramas: Anlisis de anisotropa (ii)

Cuando el semivariograma calculado en diferentes direcciones (norte-sur, este-oeste, y en direcciones intermedias de 45 o de 22.5, con tolerancia de 22.5o), , muestra similar comportamiento, se dice que el fenmeno es Isotrpico. Cuando muestran diferentes comportamientos es Anisotrpico Tipos de Anisotropas: p p Las ms comunes son la Geomtrica y la Zonal.

Modelado de semivariogramas: Anlisis de anisotropa (iii)

Anisotropa Geomtrica:
cuando los semivariogramas en diferentes direcciones tiene l misma meseta pero la distintos alcances. (h) C

(h)
C1 C2

a1

a2

Anisotropa Zonal: cuando los

semivariogramas en diferentes direcciones tiene diferentes mesetas y alcances. l

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

Modelado de semivariogramas: Anlisis de anisotropa (iv)

Efecto proporcional: Cuando en el clculo del p p semivariograma se detecta que existe una relacin lineal entre el valor medio de las muestras usadas en el clculo d cada (h) y l d l l l de d (h) la desviacin estndar i i t d correspondiente (heterocedasticidad). (h)
C1 C2 Este efecto se puede detectar en un grfico de los valores de Xm contra , es decir decir, que el coeficiente de variacin (/Xm) sea aproximadamente constante, ocurre cuando los datos presentan una distribucin lognormal. h
semivariograma relativo: F(h) = (h)/Xm2(h)

Efecto proporcional

Problemas en el modelaje de semivariogramas - Anisotropa geomtrica: semivariogramas direccionales p g g

con la misma meseta pero diferentes alcances; sta puede ser corregida por una transformacin linear de coordenadas que permita reducir una elipse a un circulo circulo.

Modelado de semivariogramas:

-Anisotropa zonal: tanto las mesetas como los alcances son

diferentes para los semivariogramas direccionales puede ser direccionales, corregido separando el semivariograma en sus componentes isotrpicos horizontal y anisotrpico vertical.

- Tendencia de los datos: los valores medidos aumentan o

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:

-Estructuras anidadas: diferentes procesos operan a Estructuras

diferentes escalas. Por ejemplo: debido a cambios de una composicin mineral a otra. A pequeas distancias la variabilidad puede estar presente debido a errores errores. A grandes distancias la variabilidad puede estar presente debido a casos transitorios de desgaste mineral. Se puede resolver aplicando varios modelos simultneamente

. A muy pequeas distancias la variabilidad puede estar presente yp q p p

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:

- Periodicidad: indica que el comportamiento del

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.

Estimacin: La interpolacin con mtodo de Krige p g

El krigeado (de krigeage en francs, en ingls kriging), g interpolador de la geoestadstica, utiliza los resultados discutidos del anlisis estructural. El krigeado es una tcnica de estimacin que, proporciona el mejor estimador lineal insesgado. (BLUE, en ingls, Best Linear Unbiased Estimator) proporciona un error de estimacin conocido como proporciona varianza de krigeado que depende del modelo de variograma

obtenido y de las localizaciones de los datos originales

p posibilidad de hacer anlisis sobre la calidad de las estimaciones.

Planteamiento del problema del krigeado

OBJETIVOS:
Generar superficies que incorporen las estadsticas analizadas en los datos observados. caractersticas

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

Ecuaciones del krigeado (i)

Se dispone de los valores muestreados Z(xi) i=1 n Z(xi), i=1,,n, Se trata de estimar un valor de la caracterstica observada en la zona de estudio, Z(v), mediante una combinacin lineal de Z(xi), Z (v) Z*(v) = i Z(xi) Z*(v) es el valor estimado i son l pesos de krigeado los d k i d de modo qu los i sean obtenidos de ta forma qu mo o que os s an o t n os tal que proporcione un estimador: - insesgado E[Z*(v) - Z(v)] = 0 y - d varianza Var[Z*(v) - Z(v)] mnima de *( ) ( )

Ecuaciones del krigeado: Resultados (ii)

1. Mapa de predicciones en todas las ubicaciones de p p inters s0 .

Z(s0 ) Z * (s0 ) = i z(si )

i =1

2. Varianza estimada del error de prediccin . 3. Media de los residuos de la prediccin .

[Z(si ) - Z * (si )]
i =1

Ecuaciones del krigeado: Resultados (ii)

4. Cuadrado medio del error.

[Z(s i ) - Z * (s i ) ]
i =1

mnimo

5. Error cuadrtico medio estandarizado .

n [Z(s ) - Z * (s ) ]2 i i 1 1 i= 2 n (s i )

Ecuaciones del krigeado: Resultados (ii)

6. 6 Coeficiente de correlacin de Pearson entre observaciones y predicciones .

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.

Ecuaciones del krigeado: Resultados (ii)

DIFERENTES TIPOS DE PREDICCIN

Valores de la variable considerada Residuos de cada prediccin Probabilidad de P b bilid d d que l la variable supere o no supere un umbral definido Cuantiles
Prediction Map Prediction Std. Error Map Probability Map

Quantil Map

Ecuaciones del krigeado (iii)

Teniendo en cuenta las hiptesis de la geoestadstica: estacionaridad (sin tendencia, autocovarianza y
autocorrelacin espacial dependiendo slo de la distancia entre puntos) t )

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)

Ecuaciones del krigeado (iii)

Krigeado o kriging Simple

Estacionariedad de segundo orden Media constante y conocida Dificilmente aplicable por requerir demasiado conocimiento de la variable Siempre insesgado (sin restricciones) No es preciso que cumpla que

i = 1
i =1

Ecuaciones del krigeado (iii)

Para una funcin aleatoria estacionaria de esperanza p desconocida Krigeado Ordinario En trminos de la covarianza Estimador: Z*(v) = i Z(xi) Sistema: Si t : i C( i xj) - = C( j ); C(xi, j) C(xj,v); i,j = 1,,n Varianza de krigeado: 2 = C(v,v) - i C(xi, v) + i = 1

Ecuaciones del krigeado (iv)

Para una funcin aleatoria estacionaria de esperanza desconocida d s n id Krigeado Ordinario (cont) g ( ) En trminos del semivariograma Estimador: Z*(v) = i Z(xi) Z (v) Sistema: i (xi, xj) + = (xj, v)
j = 1,,n;

i = 1

Varianza de krigeado: 2 = i (xi, v) - (v,v) +

El sist m k i sistema krigeado y l varianza d k i d la i n de krigeado d p nd n sl : d l m d l d dependen slo: del modelo estructural C(h) o (h) obtenido y de la geometra del soporte de observacin.

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

El caso no estacionario, Krigeado Universal (KU)

Tendencia en los datos: los valores medidos aumentan o diminuyen en alguna direccin en el rea de estudio. Modelar la tendencia o deriva mediante una componente determinstica funcin polinomial de las coordenadas:

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 ( )

El caso no estacionario, Krigeado Universal (KU)

As pueden obtenerse derivas simples (p r un d riv para una deriva simple el KU se reduce al Krigeado Ordinario) , lineales, cuadrticas, etc., El sistema de (x , x ) + al f l (x ) = (x , xo ) KU: =1 l =0

=1

f l (x ) = f l (xo )
N K

Con C varianza de estimacin: i d ti i

2 KU = ( x , x ) + al f l ( xo )

=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.

Geoestadstica no Lineal (i)

KRIGIN INDICADOR La variable de inters es el cumplimiento o no de una condicin. Hay que definir un umbral No tiene supuestos, por lo que se clasifica como un mtodo d estimacin no t d de ti i paramtrico. Se estima la probabilidad de que en cada punto se cumpla o no la condicin.

Geoestadstica no Lineal (ii)

KRIGIN INDICADOR Se redefine la variable a travs de una redef ne a ar a e tra s variable indicadora

Sus propiedades:

Geoestadstica no Lineal (iii)

KRIGIN INDICADOR Adems: dems

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).