Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Geodesia
de
la
Universidad
Francisco
Jos
de
Caldas.
hhespitiag@correo.udistrital.edu.co.
Resumen
La resistividad elctrica de los geomateriales es una caracterstica que ha sido utilizada en
las tcnicas de exploracin geoelctrica empleada frecuentemente en la prospeccin de
aguas subterrneas. El objetivo de este estudio es generar un mapa de interpolacin
aplicando mtodos geoestadsticos para poder estimar los valores de resistividad asociado a
localizaciones donde no se efectuaron mediciones. Los resultados del estudio mostraron la
naturaleza espacial muy marcada de la variable en cuestin y las bondades de las
herramientas geoestadisticas para la generacin de informacin continua de la variable
resistividad. El anlisis final llev a obtener una superficie de interpolacin por el mtodo
de Kriging Lognormal, obteniendo un mapa de prediccin de la zona con el cual se pueden
extraer los valores de resistividad en donde no se tomaron mediciones.
Abstract
The resistivity is a property inverse to the electrical conductivity and is usually expressed in
ohms per meter (.m). The resistivity of most rocks and dry sediment is high, so they act as
semiconductors, conductors or low capacity. This behavior changes significantly when the
fissures or pores are filled by water, which causes a decrease in resistivity, or what is the
same in increase in drivability of the electric current. Furthermore the degree of saturation
also affects the resistivity of the medium, the salt content of water; to higher salinity, lower
resistivity and vice versa. The contrast in resistivity are allowing successfully applied
geoelectric prospecting methods by injecting DC currents. (Funes 2008).
The multivariate statistical techniques are useful to study phenomena in which it is assumed
that the samples are random vectors, ie are independent or uncorrelated. To study
phenomena involving one or more variables very close in space is necessary to use analysis
tools that include spatial correlation, for this there are geostatistics.
The study of spatial correlation variables by geostatistical analysis arose from the fifties in
the field of mining. (Giraldo 2000).
In one particular case study in Envigado-Antioquia geostatistical analysis of resistivity data
for the first 10 meters deep in the ground was implemented, but for this particular case
interpolated with the method of mild-one-out, without But in conclusion recommend
kriging method to treat such data. (Alarcn 2011).
Introduccin.
La resistividad es una propiedad inversa a la conductividad elctrica y generalmente se
expresa en ohm por metro (.m). La resistividad de la mayora de las rocas y sedimentos
secos es elevada, por lo que actan como semiconductores, o conductores de baja
capacidad. Este comportamiento cambia significativamente cuando las fisuras o los poros
estn ocupados por agua, lo que genera una disminucin de la resistividad, o lo que es lo
mismo en aumento en la capacidad de conduccin de la corriente elctrica. Adems del
grado de saturacin tambin incide en la resistividad del medio, el contenido salino del
agua; a mayor salinidad, menor resistividad y viceversa. Los contrastes en las resistividades
son los que permiten aplicar exitosamente los mtodos de prospeccin geoelctrica
mediante la inyeccin de corrientes continuas. (Funes 2008).
Las tcnicas estadsticas multivariadas son tiles para estudiar fenmenos en los que se
supone que las muestras son vectores aleatorios, es decir son independientes o no
correlacionadas. Para estudiar fenmeno que involucran una o ms variables muy cercanas
en espacio es necesario recurrir a herramientas de anlisis que contemplen la correlacin
espacial, para esto existen las geoestadstica.
El estudio de variables con correlacin espacial por medio de anlisis geoestadstico surgi
a partir de los aos cincuenta en el campo de la minera. (Giraldo 2000).
En un caso particular de estudio en el municipio de Envigado-Antioquia se implement el
anlisis geoestadstico sobre datos de resistividad para los primeros 10 metros de
profundidad en el suelo, pero para este caso particular interpolaron con el mtodo de leveone-out, sin embargo como conclusin recomiendan el mtodo de Kriging para tratar estos
datos. (Alarcn 2011).
Geologa
En trminos generales, la geologa de la zona de estudio est principalmente compuesta por
shales con yeso, cherts, calizas y arenitas (bab6-Sm) y abanicos aluviales y depsitos
aluviales (Q-ca) (SGC-2015) (ver figura 2)
Hidrologa e Hidrogeologa.
La zona de estudio tiene una precipitacin anual promedio entre 1.000-1.500 mm con una
temperatura anual promedio entre 18- 24 [1]
Metodologa.
En la zona de estudio durante el periodo de tiempo comprendido entre Junio de 2005 y
Julio de 2006 el Servicio Geolgico Colombiano (SGC) ejecuto la exploracin con el
mtodo de Sondeo Elctrico Vertical (SEV) usando un arreglo del tipo Schlumberger (ver
figura 3).
Generalidades
El presente artculo contiene una serie de actividades involucradas para el desarrollo del
estudio:
-
Anlisis estructural, a partir de este fue posible elegir los modelos y mtodos de
ajuste ms adecuados para el estudio.
Anlisis de resultados
Anlisis exploratorio
La diferencia entre el anlisis convencional y el anlisis espacial radica principalmente, en
la inclusin de informacin espacial para los clculos, la estimacin de modelos y la
generacin de predicciones, gracias al anlisis exploratorio es posible identificar anomalas
en la recepcin y/o toma de datos, presencia o no de datos atpicos, y evaluar si existe algn
tipo de tendencia.
El principio bsico y fundamental para la realizacin de estudios de interpolacin
geoestadstica se fundamenta en la hiptesis de que los datos provienen de una distribucin
normal de probabilidad; mediante el mtodo exploratorio de datos es posible inferir si al
realizar una prediccin los datos generados son confiables o no (Arana J., Gaona F. ,2011)
Antes de entrar en detalle con los clculos hechos para realizar el anlisis previo o
exploratorio de los datos cabe aclarar que los datos de resistividad originales o sin
transformar, no presentan una distribucin normal, por ende tampoco simetra, supuestos
necesarios para la aplicacin de tcnicas de interpolacin geoestadstica, por tal razn fue
necesario aplicar una transformacin logartmica a los datos, esta transformacin permiti
cumplir tanto con el supuesto de normalidad como con el supuesto de simetra , al graficar
los datos transformados se descart la existencia de algn tipo de tendencia para sus
componentes espaciales, esto posteriormente fue ratificado al tratar de modelar el
comportamiento de los datos mediante un modelo de regresin (Arana J., Gaona F. ,2011).
Pruebas de normalidad
Para verificar si los datos de resistividad provienen o no de una distribucin normal se
realizaron 2 grficos exploratorios, un histograma y un grfico de cuantiles, grficos
idneos para verificar visualmente si la distribucin de los datos es normal o no;
posteriormente se ratific que los datos no provienen de una distribucin normal mediante
el uso del test de normalidad Shapiro Wilk.
Como se puede observar en los grficos (Figura 5) existe ausencia de normalidad ya que la
mayor parte de la muestra se concentra en los valores bajos y no hacia las medidas de
tendencia central como lo sugiere la distribucin normal, adems se presume que hay
asimetra positiva, por otra parte el grafico de cuantiles muestra que gran parte de la
muestra est fuera de la tolerancia establecida para una distribucin normal.
Para realizar la verificacin de lo dicho anteriormente se procedi a aplicar el test de
normalidad Shapiro Wilk, planteando la siguiente prueba de hiptesis:
H 0=Los datos siguenuna distribucin normal
H 1=Los datos no siguenuna distribucin normal
=0)
P-valor (
=1)
Test de transformacin
0.7256314
0.0000000
Como se cumple 1, es decir el p valor es mayor al nivel de significancia (Tabla 2), entonces
se procede a transformar aplicando logaritmo natural a la variable resistividad;
posteriormente se realizan de nuevo los grficos para evaluar la normalidad (Figura 6).
Figura 6. Histograma y grfico de cuantiles para evaluar la normalidad (Variable transformada) - Fuente: autores
Mximo
Mnimo
Media
Mediana
Desviacin estndar
Desviacin de la Mediana
5.81
5.70
1.35
0.95
Asimetra
Kurtosis
Coeficiente de variacin media
0.09
3.15
23.22
16.73
Como el p valor es mayor que el nivel de significancia, se procede a ratificar que los datos
tiene una distribucin normal,
La tabla resumen de estadsticas descriptivas (Tabla 4) muestra que la media y la mediana
tiene valores similares, caracterstica de una distribucin normal, los coeficientes de
variacin estn entre 15% y 30% , por tanto se puede decir nada sobre la heterogeneidad de
los datos, la Kurtosis es cercana a 3, es decir no se puede establecer la presencia de datos
atpicos, la asimetra es de 0,09 por tanto podemos decir que la muestra es relativamente
simtrica, estos estadsticos nos permiten corroborar la normalidad en los datos.
Luego de concluir que los datos provienen de una distribucin de probabilidad normal, se
procede a realizar el anlisis estructural, sobre la variable transformada.
Anlisis estructural
Se entiende por anlisis estructural al proceso de seleccin del modelo geoestadstico... As,
el anlisis estructural implica especificar el tipo de hiptesis que se van a hacer sobre la
variabilidad del fenmeno en estudio. Es decir, implica decidir si la variable se puede
considerar estacionaria, o no; si se requiere la especificacin de la tendencia y, en caso de
requerirla, la forma que tendr dicha tendencia; si es suficiente suponer que la variable es
intrnseca, etc. (Funes 2004).
Este proceso es fundamental en el anlisis geoestadstico ya que a travs de l se pretende
entender el comportamiento de la resistividad en funcin de la variacin en la distancia.
Tendencia
Para evaluar la presencia o no de tendencias globales se usaron grficos de dispersin de la
variable contra sus componentes espaciales (este, norte y altura), adems de realiz un
mapa de contornos ya que se presume es el ms idneo para verificar la presencia o no de
tendencias globales (Figura 7).
A partir de los grficos se puede establecer que no hay una tendencia aparente para ninguna
de las componentes espaciales, para corroborar la hiptesis anterior se procedi a realizar
un modelo de regresin de primer orden incluyendo las componentes x, y & z, buscando
establecer si la resistividad es explicada por sus componentes (Ecuacin 1 Tabla 5).
Figura 7. Mapa de contornos y grficos de dispersin para evaluar tendencia - Fuente: autores
0.002216
0.1568,
0.127
PRUEBA DE HIPOTESIS
Para verificar la pertinencia del modelo de regresin se plantean 3 hiptesis:
1. H o :los parametros no son significativos ; Si p valor coeficientes < , se rechaza H o .
2. H o : El modelo no sirve ; Si p valor F < , se rechaza H o .
3. Si elr cuadrado es inferior al 30 el modelo no ajustalos datos .
Como los p valores de los parmetros de X & Z son menores a 0.05 se rechaza Ho y se dice
que son significativos para el modelo, adems el p valor de F es tambin inferior al nivel de
significa , entonces se dice que el modelo sirve, pero como el r cuadrado es inferior al
25% se establece que no hay una buena bondad del ajuste, por ende se dice que
aparentemente no existe tendencia y se ratifica lo que se haba planteado anteriormente.
Semivariogramas experimentales
Los semivariogramas son la representacin grfica de la semivarianza calculada mediante
un estimador a partir de las diferentes distancias que existen entre los puntos medidos, en
este caso se utiliz el modelo clsico o Mather (Figura 8), donde se analiza la nube de
puntos en el semivariograma o la
Fuente autores
Anisotropa
Antes de continuar con el anlisis estructural es pertinente establecer si existe o no
anisotropa, y si es as establecer de que tipo. Se denomina que un proceso Z es
anisotrpico cuando la dependencia entre Z(s) y Z(s + h) es una funcin de la magnitud y la
direccin de h, el variograma no es ms una funcin solamente de la distancia entre dos
ubicaciones espaciales (Funes 2004).
Tipos de anisotropa
La anisotropa puede ser de dos tipos genricos: elptica y zonal. La anisotropa elptica se
manifiesta en que el alcance (meseta) vara con la direccin. La anisotropa zonal se
presenta cuando existe una fuente de variabilidad adicional en una de las direcciones, lo
que se manifiesta en que la meseta depende de la direccin (Funes 2004).
PEPITA
RANGO
MESETA
EXP
0.86
6236.54
1.85
GAU
1.08
8315.38
2.18
SPH
0.79
11953.36
1.72
Mtodos de ajuste
Para ajustar los modelos tericos es decir para encontrar un mtodo de ajuste para
minimizar el error, se usaron 4 mtodos de ajuste: mnimos cuadrados ordinarios (MCO),
mnimos cuadrados ponderados (MCP), mxima verosimilitud (ML) y mxima
verosimilitud restringida (MVR), estos mtodos permiten estimar los parmetros finales
para cada modelo.
MODELO
MESETA
MINIMOS
CUADRADOS
RANGO
1.1859
0.9606
6236.5877
5661.9572
GAUSSIANO
1.4412
0.6968
8315.3804
3.74
ESFEREICO
1.3294
0.8019
16525.3360
3.7284
1.1169
1.0969
6236.5877
203.1394
GAUSSIANO
1.4247
0.7663
8315.5832
203.6956
ESFEREICO
1.1155
0.9113
10218.4116
194.0569
MODELO
MESETA
AIC
RANGO
1.3356
0.7466
6236.5381
-149.9
GAUSSIANO
1.4273
0.5862
5763.2414
-148.9
ESFEREICO
1.341
0.6767
11950
-149.1
1.2965
0.9223
6236.5401
-147.4
GAUSSIANO
1.447
1.077
8315.377
-146.9
ESFEREICO
1.312
0.8278
11950
-146.8
A priori es posible establecer que el mtodo que tiene un mejor ajuste es el de mnimos
cuadrados ordinarios para el modelo gaussiano pues presenta la menor suma de cuadrados,
pero esta es una aproximacin ya que para elegir el mejor modelo se hace necesario realizar
una validacin cruzada para los diferentes modelos.
Validacin cruzada
A travs de la validacin cruzada es posible establecer cul de los modelos tericos de
semivarianza tiene un mejor ajuste a los estadsticos (ME,RME,ASE,MSE,RMSSE): cada
uno de los estadsticos tiene un valor optimo adecuado (ME=0,RME=0,ASE & MSE=Desv.
Estndar, RMSSE=1), la validacin cruzada lo que hace es estimar la distancia entre los
valores resultantes y los valores ptimos, esa distancia es calculada similar a la distancia
euclidiana, pero en este caso no se restan coordenadas sino los valores ptimos menos lo
valores obtenidos, elevados al cuadrado entre raz, esta distancia debe ser cercana a cero,
por tal razn la distancia ms pequea o lo que es lo mismo la ms cercana a cero es la que
se elige como la del mejor modelo (Arana J., Gaona F. ,2011).
Para realizar la interpolacin se utiliz el mtodo Kriging Ordinario ya que los datos no
presentan tendencia y la media es desconocida, en este caso especfico el Kriging se
denomina Kriging Lognormal, ya que proviene de una transformacin logartmica y su
distribucin es normal.(Funes 2004)
n
i=1
i=1
p ( Z ; B ) = i Z ( si ) con i =1
EXPONENCIA
L
GAUSSIANA
ESFERICA
METODO
DE AJUSTE
ME
RMSE
ASE
MSE
RMSSE
DISTANCIA
MCP
0.0005881351
1.2705814771
1.0545798968
0.0251638074
1.2033053749
1.64785
MCO
0.0004613428
1.2708701493
1.0324285007
0.0238608514
1.2289691240
1.63852
ML
1.005541e-05
1.273321e+00
1.002986e+00
5.185467e-03
1.266072e+00
1.639435
MLR
0.0003068093
1.2715042294
1.0007859203
0.0248212163
1.2676865532
1.62508
MCP
-0.002147642
1.272412051
1.020144116
0.026641671
1.240219026
1.632112
MCO
-0.002365794
1.273114432
1.016401765
0.027210034
1.245652101
1.63085
ML
-0.001847009
1.271689149
1.006603381
0.026187636
1.256004624
1.626023
MLR
-0.0008344682
1.2701161813
1.0050714208
0.0205119283
1.2560237296
1.627299
MCP
-0.0004451011
1.2595268953
1.0602641637
0.0371983299
1.1866784869
1.633377
MCO
-0.0006078912
1.2723511159
1.0209849477
0.0260926113
1.2410551931
1.633033
ML
-0.0003829664
1.2632440303
1.0026479965
0.0314372400
1.2561526112
1.613893
MLR
-4.774479e-05
1.261399e+00
1.000188e+00
6.639065e-02
1.257921e+00
1.59048
Luego de realizar la validacin cruzada se decidi que el mejor modelo es esfrico con el
mtodo de ajuste mxima verosimilitud restringido, el cual tiene los siguientes parmetros.
Tabla 9. Modelos tericos finales - Fuente: autores
Modelo
Esfrico
Pepita
1.316
Mtodo de ajuste ML
Meseta
8.464e-01
Rango
1.195e+04
Figura
13. Modelo de prediccin Kriging Ordinario resistividad y Modelo varianzas - Fuente: autores
Conclusiones
-
con ciertas
la composicin de los
Bibliografa
Auge M. (2008). Mtodos Geoelctricos para la Prospeccin de Agua. Universidad de
Buenos Aires
Alarcn J., Carvajal H. (2011). Caracterizacin espacial de la variable resistividad elctrica
en el municipio de Envigado, Colombia. Pan-Am CGS Geotechnical Conferece.