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:
s0 = la ubicacin de la prediccin
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).
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:
La frmula implica calcular la diferencia cuadrada entre los valores de las ubicaciones
asociadas.
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).
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