Documentos de Académico
Documentos de Profesional
Documentos de Cultura
10 Krigeado
10 Krigeado
El anlisis estructural
Est compuesto por: El clculo del semivariograma experimental. experimental El ajuste al sem semivariograma var ograma emp emprico r co de un modelo 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) C C0 a h
Ct
Caractersticas:
1.- Su c mp t mi nt en comportamiento n 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 dibujan S dib j l los variogramas, i emprico i yt terico, i 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 g emprico, p , para 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 g muchos autores, , el empleo p del Krigeado g puede p tener un efecto negativo en la estimacin.
C0
Parmetros del semivariograma
hasta coincidir con los parmetros que mejor se ajustan, es conveniente i t validar lid el l modelo d l seleccionado l i d y los l parmetros t meseta t y alcance escogidos
As se van probando diferentes valores de los parmetros t del d l semivariograma i i hasta h t que los l errores de d validacin cumplen una serie de criterios estadsticos: error medio nulo, error cuadrtico medio pequeo, Corr{Z(xi), Z(xi) Z*(xi)} = 1, 1 ...
(h)
C1 C2
a1
a2
a1
a2
En estos st s casos s s conviene n i n realizar li transformaciones t nsf m i n s de d coordenadas d n d s con n el 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 p proporcional: p Indica q que la desviacin estndar local
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 - Efecto Ef t hueco h : indica i di que muy pocos pares estn disponibles di ibl
para la comparacin a una distancia especfica. Se resuelve recuperando p ms casos p para la distancia definida.
Modelado de semivariogramas:
semivariograma repite por s mismo periodicidades. Ejemplo: El valor de la meseta puede aumentar o disminuir sistemticamente, i i o un caso en que los l valores l son tomados d alternativamente a travs de diferentes estratos, como piedras areniscas, aren scas, esquistos, esqu stos, 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 p hasta aqu q tiene un nico objetivo, j , conocer la informacin disponible para realizar estimaciones de valores desconocidos a partir, no slo d los de l conocidos, id sino i t bi de tambin d su estructura t t d de continuidad espacial Algunos ejemplos: Triangulacin , Inverso de la distancia
Estas dos tcnicas de estimacin utilizan, en el proceso de estimacin estimacin, directamente los valores 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 atribuir un peso a cada valor observado, decir, observado -los pesos son calculados de manera que minimice la varianza var anza de estimacin est mac n resultante, teniendo ten endo en cuenta 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 i=1 2 n (s i )
r (z(s ( ( i ); ) z * (s ( i )) 1
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 i bl s m medidas. did s
Quantil Map