Kriging es un procedimiento geoestadstico avanzado que genera una superficie

estimada a partir de un conjunto de puntos dispersados con valores z. A

diferencia de otros mtodos de interpolacin en el conjunto de herramientas de
Interpolacin, utilizar la herramienta Kriging en forma efectiva implica una
investigacin interactiva del comportamiento espacial del fenmeno
representado por los valores z antes de seleccionar el mejor mtodo de
estimacin para generar la superficie de salida.

Qu es kriging?
Las herramientas de interpolacin IDW (Distancia inversa ponderada) y Spline son
consideradas mtodos de interpolacin determinsticos porque estn basados
directamente en los valores medidos circundantes o en frmulas matemticas
especificadas que determinan la suavidad de la superficie resultante. Hay una segunda
familia de mtodos de interpolacin que consta de mtodos geoestadsticos, como
kriging, que est basado en modelos estadsticos que incluyen la autocorrelacin, es
decir, las relaciones estadsticas entre los puntos medidos. Gracias a esto, las tcnicas de
estadstica geogrfica no solo tienen la capacidad de producir una superficie de
prediccin sino que tambin proporcionan alguna medida de certeza o precisin de las
predicciones.

Kriging presupone que la distancia o la direccin entre los puntos de muestra reflejan
una correlacin espacial que puede utilizarse para explicar la variacin en la superficie.
La herramienta Kriging ajusta una funcin matemtica a una cantidad especificada de
puntos o a todos los puntos dentro de un radio especfico para determinar el valor de
salida para cada ubicacin. Kriging es un proceso que tiene varios pasos, entre los que
se incluyen, el anlisis estadstico exploratorio de los datos, el modelado de
variogramas, la creacin de la superficie y (opcionalmente) la exploracin de la
superficie de varianza. Este mtodo es ms adecuado cuando se sabe que hay una
influencia direccional o de la distancia correlacionada espacialmente en los datos. Se
utiliza a menudo en la ciencia del suelo y la geologa.

La frmula de kriging
El mtodo kriging es similar al de IDW en que pondera los valores medidos
circundantes para calcular una prediccin de una ubicacin sin mediciones. La frmula
general para ambos interpoladores se forma como una suma ponderada de los datos:

donde:

Z(si) = el valor medido en la ubicacin i

i = una ponderacin desconocida para el valor medido en la ubicacin i

s0 = la ubicacin de la prediccin

N = la cantidad de valores medidos

En IDW, la ponderacin, i, depende exclusivamente de la distancia a la ubicacin de la

prediccin. Sin embargo, con el mtodo kriging, las ponderaciones estn basadas no
solo en la distancia entre los puntos medidos y la ubicacin de la prediccin, sino
tambin en la disposicin espacial general de los puntos medidos. Para utilizar la
disposicin espacial en las ponderaciones, la correlacin espacial debe estar
cuantificada. Por lo tanto, en un kriging ordinario, la ponderacin, i, depende de un
modelo ajustado a los puntos medidos, la distancia a la ubicacin de la prediccin y las
relaciones espaciales entre los valores medidos alrededor de la ubicacin de la
prediccin. En las siguientes secciones se describe cmo se utiliza la frmula general de
kriging para crear un mapa de la superficie de prediccin y un mapa de la precisin de
las predicciones.

Crear un mapa de la superficie de prediccin con el

mtodo kriging
Para llevar a cabo una prediccin con el mtodo de interpolacin de kriging, es
necesario realizar dos tareas:
 Descubrir las reglas de dependencia.
Realizar las predicciones.

A fin de completar estas dos tareas, kriging atraviesa un proceso de dos pasos:

1. Crea los variogramas y las funciones de covarianza para calcular los valores de dependencia
estadstica (denominada autocorrelacin espacial) que dependen del modelo de
autocorrelacin (ajustar un modelo).

2. Prev los valores desconocidos (hacer una prediccin).

Se dice que en este mtodo los datos se utilizan dos veces, debido a estas dos tareas bien
distintivas: la primera vez, para calcular la autocorrelacin espacial de los datos, y la
segunda, para hacer las predicciones.

Variografa
El ajuste de un modelo, o modelado espacial, tambin se conoce como anlisis
estructural o variografa. En el modelado espacial de la estructura de los puntos
medidos, se comienza con un grfico del semivariograma emprico, calculado con la
siguiente ecuacin para todos los pares de ubicaciones separados por la distancia h:

Semivariogram(distanceh) = 0.5 * average((valuei valuej)2)

La frmula implica calcular la diferencia cuadrada entre los valores de las ubicaciones
asociadas.

En la imagen a continuacin se muestra la asociacin de un punto (en color rojo) con

todas las dems ubicaciones medidas. Este proceso contina con cada punto medido.
 Clculo de la diferencia
cuadrada entre las ubicaciones asociadas
A menudo, cada par de ubicaciones tiene una distancia nica y suele haber varios pares
de puntos. La diagramacin de todos los pares rpidamente se vuelve imposible de
administrar. En lugar de diagramar cada par, los pares se agrupan en bins de intervalo.
Por ejemplo, calcule la semivarianza promedio de todos los pares de puntos que estn a
ms de 40 metros de distancia pero a menos de 50 metros. El semivariograma emprico
es un grfico de los valores de semivariograma promediados en el eje Y, y la distancia
(o intervalo) en el eje X (consulte el diagrama a continuacin).

Ejemplo de grfico de
semivariograma emprico
La autocorrelacin espacial cuantifica un principio bsico de geografa: es ms probable
que las cosas que estn ms cerca sean ms parecidas que las que estn ms alejadas.
Entonces, los pares de ubicaciones que estn ms cerca (extremo izquierdo del eje X de
la nube de semivariograma) deberan tener valores ms similares (parte inferior en el eje
Y de la nube de semivariograma). A medida que los pares de ubicaciones estn ms
separados entre s (hacia la derecha en el eje X de la nube de semivariograma), deberan
ser ms distintos y tener una diferencia cuadrada ms grande (hacia arriba en el eje Y de
la nube de semivariograma).

Ajustar un modelo al semivariograma emprico

El siguiente paso es ajustar un modelo a los puntos que forman el semivariograma
emprico. El moldeado del semivariograma es un paso clave entre la descripcin
espacial y la prediccin espacial. La aplicacin principal de kriging es la prediccin de
los valores de atributo en las ubicaciones que no fueron muestreadas. El
semivariograma emprico proporciona informacin sobre la autocorrelacin espacial de
los datasets. Sin embargo, no suministra informacin para todas las direcciones y
distancias posibles. Por esta razn, y para asegurar que las predicciones de kriging
tengan varianzas de kriging positivas, es necesario ajustar un modelo (es decir, una
funcin o curva continua) al semivariograma emprico. En resumen, esto es similar al
anlisis de regresin, en el que se ajusta una lnea o curva continua a los puntos de
datos.

Para ajustar un modelo al semivariograma emprico, seleccione una funcin que sirva
como modelo, por ejemplo, un tipo esfrico que se eleve y nivele las distancias ms
grandes que sobrepasan un determinado rango (vea el ejemplo del modelo esfrico ms
abajo). Existen desviaciones de los puntos en el semivariograma emprico con respecto
al modelo; algunos estn por encima de la curva del modelo y algunos estn por debajo.
Sin embargo, si suma la distancia de cada punto por encima de la lnea y la distancia de
cada punto por debajo, los dos valores deberan ser similares. Existen varios modelos de
semivariograma para elegir.

Modelos de

Kriging Kriging es la tcnica de interpolacin utilizada en geostadstica, con la que se ha

estimado los mapas de la Figura 6. Su fortaleza estriba en el conocimiento del comportamiento
de la variable en el espacio. As, la forma del semivariograma nos indica la capacidad
predictora que tiene cada punto en funcin de la distancia que lo separa con otro punto. Los
puntos ms all del rango, es decir cuando el semivariograma se vuelve plano, tienen la
mnima capacidad predictora. A la hora de realizar un kriging hay que, adems de suministrar
los parmetros del semivariograma isotrpico o los anisotrpicos, decidir la estrategia
adecuada para la seleccin de puntos para la interpolacin. Si el nmero de valores en el
espacio es suficiente, disminuir el radio de bsqueda de puntos puede ser la mejor estrategia,
ya que evita problemas de estacionariedad, aunque hay que procurar que el radio de
bsqueda no sea inferior al rango, ya que no se utilizara toda la informacin que proporciona
el semivariograma. Otra decisin a tomar es el tipo de interpolacin: puntual o por bloques.
Mientras que la interpolacin puntual es la estima del valor de la variable en un punto del
espacio, en la interpolacin por bloques esta estima se corresponde con la media de un rea
predeterminada que rodea a ese punto. En la mayora de los casos la interpolacin por bloques
(que produce un suavizado de las estimas) correlaciona mejor con los valores verdaderos,
siendo generalmente ms exacta que la interpolacin puntual (Isaaks y Srivastava, 1989). El
resultado final del kriging es un mapa con los valores interpolados de la variable. Sin embargo,
a diferencia de otras tcnicas, la geostadstica permite que cada interpolacin lleve asociado
un grado de incertidumbre que puede tambin ser representado en el espacio (en forma de
varianza o desviacin estndar). Por tanto a cada punto del espacio interpolado se le puede
asociar una distribucin terica, lo que adems permite Figura 6. Mapa producto de la
interpolacin de valores de materia orgnica en un bosque de inundacin. a) Interpolacin a
partir de un semivariograma construidos con los valores de materia orgnica. El mapa refleja
sobre todo un gradiente SO-NE. b) Interpolacin a partir de un semivariograma de los
residuales resultantes de sustraer una tendencia espacial (distancia a la masa de agua). El
mapa refleja tanto el gradiente espacial como fuentes de heterogeneidad local. 9 la posibilidad
de realizar simulaciones probabilsticas, representando el resultado del kriging como la
probabilidad de que la variable alcance un determinado valor. Variograma cruzado y cokriging
Hasta ahora se ha tratado de modelar la variacin de un fenmeno espacial a partir de los
valores de esa variable tomados del espacio. Sin embargo, es posible aprovechar la
informacin espacial que contiene otra variable que covarie con la primera. De esta forma se
puede construir un semivariograma en donde la varianza representada no sea entre puntos de
la misma variable sino de una variable con respecto a otra. Esta representacin se conoce
como variograma cruzado. Si el variograma cruzado da una estructura interpretable, esta
informacin puede usarse para la prediccin de la primera variable en una tcnica que se
conoce como cokriging. La informacin que tiene una variable sobre otra es siempre menor
que la que tiene una variable sobre si misma. Por ello el cokriging rara vez mejora la prediccin
del kriging salvo que una de las dos variables haya sido muestreada con menor intensidad que
la otra. En este caso el cokring puede ser muy til. Por ejemplo, cuando todo lo dems es igual
(sobre todo la textura), la humedad del suelo va a depender del contenido de materia orgnica
del mismo. La humedad del suelo es relativamente fcil de medir, mientras que la materia
orgnica requiere de recogida de suelos y un posterior esfuerzo analtico en el laboratorio. Una
estrategia no exenta de riesgos podra ser muestrear con menos intensidad la materia orgnica
para posteriormente ayudarse de la variacin espacial de la humedad del suelo utilizando el
cokriging. Validacin cruzada Existe un forma de comprobar el efecto de todas las decisiones
tomadas en los mtodos de estimacin de la variable en el espacio. El mtodo se conoce como
validacin cruzada y consiste en eliminar un valor de la variable, calcular el semivariograma
correspondiente y estimar el valor eliminado a partir de dicho semivariograma (es una tcnica
de jacknife). Si esto lo hacemos uno por uno con todos los valores de las variables, finalmente
podremos representar todos los valores interpolados frente a sus valores reales (Fig. 7). El
beneficio real de una validacin cruzada es el de seal de aviso. El estudio de los resultados de
la validacin cruzada debe concentrarse en los aspectos negativos, como en errores muy
abultados o reas con evidente sobre o subestimacin. No se debe utilizar los residuales de la
validacin cruzada para la mejora automtica del modelo de variograma, ya que podra llevar a
un modelo mejorado que realmente produce resultados peores. Para algunos autores es
siempre preferible el ajuste de los variogramas usando informacin cualitativa que este tipo de
ajuste automtico (Isaaks and Srivrastava 1989). 10