FACULTAD DE INGENIERÍA

E.A.P. DE INGENIERÍA DE MINAS

Curso: ANÁLISIS ESTADÍSTICO DE DATOS

MINEROS
Tema: “Análisis Espacial usando Surfer”.

Alumno: AGREDA RAMIREZ, José

Código: 2012-36986

Docente: Ing. Salomón Ortiz Quintanilla

TACNA - PERÚ

2015
 INTRODUCCIÓN

El objetivo de esta sección es que el lector se adentre en el mundo del

análisis espacial conociendo sus técnicas con ficheros raster, operaciones
geométricas con ficheros vectoriales y una introducción al análisis con
patrones de puntos. Espero que os pueda servir de ayuda y orientación.

La meta es compartir lo que el autor ha ido estudiando y aprendiendo, si

encuentras algún error, o imprecisión ruego lo compartas con objeto de
mejorar el contenido de la misma.

2
ANÁLISIS ESPACIAL Y USO DEL SURFER

El análisis espacial o estadística espacial comprende las técnicas formales que

estudian las entidades que utilizan sus propiedades topológicas, geométricas o
geográficas. La frase se refiere adecuadamente a una variedad de técnicas,
muchas todavía en su desarrollo temprano, usando diferentes enfoques
analíticos y aplicados en campos tan diversos como la astronomía, con sus
estudios de la colocación de las galaxias en el cosmos, a la ingeniería de
fabricación de chips, con su uso de algoritmos de 'lugar y ruta', para construir
estructuras de cables complejos. La frase se utiliza a menudo en un sentido más
restringido para describir las técnicas aplicadas a las estructuras a escala
humana, sobre todo en el análisis de la información geográfica. La frase incluso
a veces se utiliza para referirse a una técnica específica en una sola área de la
investigación, por ejemplo, para describir la geoestadística.

Surgen problemas complejos en el análisis espacial, muchos de los cuales no

son ni claramente definidos ni completamente resueltos, pero constituyen la
base de la investigación actual. El más importante de éstos es el problema de
definir la ubicación espacial de las entidades que se están estudiando. Por
ejemplo, un estudio sobre la salud humana puede describir la posición espacial
de los seres humanos con un punto colocado en el que viven, o con un punto
situado en el que trabajan, o mediante el uso de una línea para describir sus
viajes semanales, cada elección tiene efectos dramáticos en la técnicas que
pueden utilizarse para el análisis y en las conclusiones que se pueden obtener.

Otras cuestiones en el análisis espacial incluyen las limitaciones del

conocimiento matemático, los supuestos requeridos por las técnicas
estadísticas existentes y los problemas en los cálculos basados en computación.

La clasificación de las técnicas de análisis espacial es difícil debido a la gran

cantidad de diferentes campos de la investigación, a los diferentes enfoques
fundamentales que se pueden elegir, y las muchas formas que los datos pueden
tomar.

1. ¿QUÉ ES EL ANÁLISIS ESPACIAL?

El análisis espacial es la conjugación de técnicas que buscan separar, procesar,

clasificar y presentar con criterios cartográficos el estudio cuantitativo y
cualitativo de aquellos fenómenos que se manifiestan en el espacio y que son
objeto de nuestro estudio.

Estas herramientas pueden ser de diferentes tipos, gráficos y cuantitativos

primordialmente. Muchas de estas herramientas podemos usarlas en un SIG,
herramientas gráficas para la composición de cartografía de diferente tipo y
herramientas estadísticas de distinta índole que nos permiten describir, inferir,

3
significar y predecir cuantitativamente estos fenómenos. Todas
estas operaciones realizadas pueden producirnos resultados como:

Capas de datos geográficos:

Tablas de datos:

Vectores o escalares:

4
 1.1 Minería de Datos Espaciales:

La minería de datos espaciales posee la base teórica y metodológica para la

identificación de patrones sobre los datos y tiene como objetivo descubrir de
forma automatizada patrones inesperados potencialmente útiles en SDBMS y
que serán validados por expertos del área en cuestión. Se puede definir como el
proceso automático o semiautomático de seleccionar, explorar, modificar,
visualizar y valorar grandes volúmenes de datos espaciales con el objetivo de
descubrir conocimientos. La minería de datos espaciales es considerada una
rama de la minería de datos con la característica de extraer conocimiento
referente a la naturaleza espacial de los datos.

El descubrimiento de conocimiento o patrones en bases de datos espaciales a

través de la minería de datos espaciales es más complejo, pues no solo se
encarga de los datos no espaciales, sino que además tiene en cuenta la
localización de los objetos y sus relaciones topológicas. En este proceso se
utilizan métodos basados en la generalización, en el reconocimiento de
patrones, de agrupamiento: de exploración de asociaciones espaciales y
mediante el uso de aproximación y agregación. A continuación se describen los
métodos utilizados en la minería de datos espaciales:

 Basados en la generalización: requieren de la implementación de

jerarquías de conceptos, bien temática o espacial. Dentro de las
temáticas se incluyen los datos no espaciales; de ellos se colectan sus
características más importantes para la búsqueda, se caracterizan por
regiones y se agrupan como datos no espaciales generalizados. Para el
caso de los espaciales esta generalización puede ser presentada como la
partición en regiones y su posterior fusión dependiendo de los atributos
espaciales de los datos.

5
  Basados en el reconocimiento de patrones: son utilizados en la
clasificación de información que pueden ser imágenes de satélites,
fotografías, textos o cualquier fuente de datos:

 De agrupamiento: permiten agrupar los objetos de una base de datos

en grupos llamados conglomerados, conformados por elementos tan
similares como sea posible.

 De exploración de asociaciones espaciales: permiten descubrir reglas

de asociación espacial que relacionen a uno o más objetos espaciales.

 Mediante el uso de aproximación y agregación: permiten descubrir

conocimiento a partir de las características representativas de los
objetos.

1.2 ALGORITMOS DE MINERÍA DE DATOS ESPACIALES

Los algoritmos de minería de datos espaciales deben operar sobre conjuntos de

datos de tamaño considerable, por lo que se debe trabajar en propuestas donde
el conjunto de datos completo no resida en la memoria principal. Deben hacer
un correcto uso de las técnicas de optimización de búsquedas espaciales y del
razonamiento espacial y realizar su tarea de forma eficiente y rápida. A
continuación se describen algunos de los algoritmos más utilizados de la
minería de datos espaciales:

 CLARANS: consiste en la búsqueda aleatoria de un grupo de datos. Tiene

complejidad temporal de O(n2). Producto de la importancia de los datos
espaciales, este algoritmo se deriva del SD CLARANS, que busca
descubrir características no espaciales en grupos espaciales, y del NSD
CLARANS para descubrir conglomerados espaciales en grupos de datos
no espaciales.

 DBSCAN: este algoritmo pertenece a la familia de algoritmos de

conglomeración espacial. Aborda la integración entre la minería de datos
espaciales y la interfaz con el sistema de bases de datos espaciales. No
todos los datos deben permanecer en memoria principal y tienen un
orden de ejecución de O(logn). Este algoritmo se basa en los conceptos de
conglomerado, alcance directo por densidad, alcance por densidad y
conexión por densidad.

 ST-DBSCAN: es un algoritmo de agrupamiento por densidad y basa su

funcionamiento en el DBSCAN. Tiene la característica de descubrir
grupos de acuerdo con valores no espaciales y espacio-temporales de los
objetos. Tiene complejidad temporal O(n3).

6
 SISTEMAS INFORMÁTICOS CON SOPORTE PARA LA MINERÍA DE
DATOS ESPACIALES:

La aplicación de la minería de datos espaciales busca resolver diversos

problemas mediante el descubrimiento de conocimiento, aplicando diversas
técnicas donde los objetos espaciales cuentan además con características no
espaciales y sirven de entrada a algoritmos de minería. En aplicaciones
desarrolladas para este fin se ha incluido también el uso de otras técnicas de la
inteligencia artificial como las redes bayesianas y árboles de decisión. A
continuación se describen algunos sistemas informáticos con soporte para
realizar la minería de datos espaciales o con base en dichos procesos para
obtener resultados específicos:

 GeoDMA: es un complemento para la minería de datos del sistema

informático TerraView. Soporta el uso de datos espaciales para la
comparación de imágenes y regiones obtenidas en los procesos de
segmentación y análisis de imágenes. Optimiza la segmentación de
imágenes y la extracción de características, incluyendo atributos de
selección, clasificación, validación y visualización. Utiliza árboles de
decisión y algoritmos para mapas auto organizado. Se encuentra liberado
bajo la licencia de software libre GNU General Public License (GPL), lo
que facilita el desarrollo de nuevas funcionalidades. Su implementación
es en lenguaje C++ e interfaz en QT.

 SDMiner: tiene soporte para las principales técnicas de minería de datos

espaciales, como agrupamiento, clasificación espacial, caracterización
espacial y espacio-temporal y reglas de asociación espacial. Posee gran
facilidad para el uso de datos espaciales y no espaciales con la
característica de determinar su naturaleza. Los parámetros de entrada
para la minería son en forma de tablas de la base de datos, lo que
aumenta su flexibilidad. Implementa sus algoritmos en una librería que
permite que sean utilizados por otros sistemas y, a su vez, incorporar
nuevas funcionalidades.

 SaTScan: es gratuito y se utiliza para realizar análisis estadístico

espacial, implementa la técnica de detección de conglomerados de
Kulldorff para la detención de conglomerados espaciales, temporales,
espacio-temporales y prospectivos. Se pueden utilizar varios modelos
estadísticos, entre ellos la distribución de Poisson o Bernoulli. Fue
concebido inicialmente para su uso en el área de la salud en estudios
sobre la distribución espacial de las enfermedades y epidemias. Si bien
su mayor utilización radica en los estudios de sanidad, puede ser
utilizado en problemas similares de otros campos para:

1) efectuar vigilancia geográfica de una variable, detectar patrones

espaciales o espacio-temporales estadísticamente significativos,

2) probar si una variable tiene distribución aleatoria en el espacio,

tiempo o espacio-tiempo.

7
 3) evaluar valores umbrales alcanzados por agrupaciones espaciales
de la variable.

1.3 TIPOS DE ANÁLISIS ESPACIAL

Existen familias principales de tipos de análisis, no son estancas, si no que

muchas veces se solapan. Estas son:

 Consulta espacial: Es la consulta directa, es el análisis más básico

cuando trabajamos con cartografía clásica, en la que la propiedad
fundamental es la posición de cada elemento. Da respuestas a preguntas
como: ¿Qué tipo de suelo hay en la coordenada x,y? ¿Dónde está el
pueblo X?. Como también tenemos asociada información no espacial
también podemos realizar preguntas del tipo ¿Cuáles son las 10 ciudades
más pobladas de España?

 Análisis Topológico: Los datos espaciales pueden tener relación con otros
elementos dentro de la misma capa. ¿Cómo llegar desde el punto A al
punto B por esta red viaria? ¿Qué comunidades limitan con Madrid?

 Medición: al existir referencia espacial podemos cuantificar otra serie de

parámetros espaciales como la distancia, el área, el perímetro, la longitud
de un recorrido no lineal y factores de forma. Responden a preguntas
como ¿Qué superficie de zonas arboladas hay? ¿cuantos kilómetros de
red viaria española hay?

 Combinación: Se trata de la combinación de varias capas de información.

La estructura de las BBDD geográficas es idónea para integrar toda la
información disponible acerca de una región en concreto y sus capas se
pueden combinar de manera muy sencilla.

 Transformaciones: Una amplia gama de procesos que modifican los

elementos de entrada, como por ejemplo áreas de influencia,
(simplificación) de líneas, o conversiones de tipo cartográfico, (conversión
entre distintos sistemas de coordenadas). Un tipo de transformación es
relativa al modelo de datos o bien vectorial o bien raster, ya que cada
modelo es apto para una cosa diferente. También tenemos
transformaciones basadas en valores de variables estudiadas, por
ejemplo reclasificaciones de mapas, que en el caso de los datos
categóricos transforman la identificación de cada elemento en una clase
dada.

 Análisis de superficies: Éste es uno de los más potentes, van desde el

análisis de orientación y pendiente, que son los más simples hasta
análisis hidrológicos. Se puede usar para todo tipo de superficies, no sólo
terrestre.

8
  Estadística descriptiva: Elementos de de estadística clásica tienen
equivalentes en la estadística espacial. Tenemos descriptores de
centralidad y dispersión, dependencia espacial, y un largo etc… Pueden
usarse para el contraste de hipótesis que contenga una cierta
componente espacial.

 Inferencia: Podemos inferir comportamientos de las distintas variables y

estudiar su evolución a lo largo del tiempo.

 Toma de decisiones y optimización: la realización de actividades en el

espacio físico conlleva una serie de consecuencias. Los SIG nos ayudan
a minimizar o maximizar el impacto de estas actividades. Podemos
estudiar aquellos factores que influyan en nuestra actividad diaria.

 Modelización: estos tipos de análisis no son independientes entre si y la

verdadera potencia está en la elaboración de metodologías que combinen
estos tipos de análisis.

1.4. CONCEPTOS BÁSICOS:

El carácter especial del dato espacial deriva de la existencia de posición, tanto

absoluta, con sus coordenadas, como relativa en relación con otras entidades.
Son muchas las consecuencias derivables de la posición absoluta, veremos a
continuación alguna de ellas.

 LA ESCALA

La escala de análisis para estudiar la información geográfica lo hacemos a

distintos niveles, dependiendo del nivel, los resultados serán de una u otra
naturaleza. Esto se ve claramente en las estructuras espaciales. A diferentes
escalas una misma distribución de puntos pueden ser de dos tipos distintos.
Ésta debe ir relacionada con el elemento a estudiar, ya que le da sentido. Por
ejemplo, si vamos a estudiar el relieve veremos montañas y zonas llanas, si nos
vamos acercando veremos cómo esas zonas llanas también tienen orografía y
accidentes. Debemos analizar los fenómenos desde su escala óptima, no
podemos pretender estudiar fenómenos globales a una escala de máximo
detalle.
Hacer un análisis a diferentes escalas nos proporciona más información que si
lo hacemos con una escala simplemente, por ello es interesante, en ocasiones
trabajar a distintas escalas.

La escala también influye en lo que es la representación y el almacenamiento

de los datos. Por ejemplo, una ciudad a una escala determinada es un punto,
sin embargo, a otra distinta el callejero está disponible. En cuanto al
almacenamiento vemos que los con formatos vectoriales es imposible almacenar
números decimales de la precisión deseada, (no obstante el límite que tienen
está acorde con la precisión de los instrumentos de medición). Los formatos

9
raster están condicionados por el tamaño de celda, por ello no podemos recoger
detalles más pequeños que el tamaño de la misma.

 EL PROBLEMA DE LA UNIDAD DE ÁREA MODIFICABLE.

Para un área dada muchas variables han de estudiarse, por ejemplo el

porcentaje de un determinado rango de edad, para obtener una densidad media.
Las áreas que se definen para poder trabajar con variables de esta índole son
arbitrarias, no obstante la elección de una u otra unidad es problemática. Este
problema se le conoce como: “Problema de la Unidad de Área Modificable”
(PUAM). Este problema viene causado por la imposición de unidades artificiales
de definición espacial en fenómenos geográficos continuos teniendo esto como
consecuencia la generación de patrones artificiales.

Consecuencias del PUAM:

 Efecto escala: Variación de los resultados obtenidos en relación con el

número de zonas en que se divide el total de la zona de estudio.

Diferencias de escalas. A una escala con más detalle podemos ver las
variaciones locales, mientras que a escalas más grandes perdemos toda esa
variabilidad.

 Efecto de zonificación: Diferencias que

se producen cuando la información se
agrega a una escala distinta, por
ejemplo, medir la densidad de términos
municipales y luego presentarla a nivel
autonómico.

Buena parte de la información recogida en un SIG ha sido recogida

originalmente a una escala determinada y a veces se agrupa en unidades
mayores para su manejo.

Estos efectos que hemos visto con anterioridad están muy relacionados. En
líneas generales, el uso de unidades pequeñas equivale a un número de
elementos menor, con lo que conlleva menor fiabilidad estadística. Así pues el
uso de unidades más grandes equivale a que sean estadísticamente más fiables,
pero pierde todas las variaciones locales.

 AUTOCORRELACIÓN ESPACIAL

Esta característica es la aplicación directa de la primera ley de Tobler que dice

que todo está relacionado con todo, pero las cosas más próximas entre sí están
más relacionadas que las distantes.

La autocorrelación espacial es la constatación de que existe relación entre un

elemento y aquello que se halla en sus aledaños. Por ejemplo, un tóxico en la

10
tierra. Si muestreamos un terreno veremos cómo allá donde se halle más
concentrado el tóxico los valores serán más parecidos.

Podemos encontrar autocorrelación de dos tipos:

 Positiva: cuando los valores altos se rodean de valores altos y viceversa.

 Negativa: si los valores altos se rodean de bajos y viceversa.
 En caso de no haber autocorrelación se dice que los datos son
independientes entre sí y no se afectan mutuamente.

Una autocorrelación positiva es útil para procesos como la interpolación, ya que

podríamos estimar el valor de lugares en los que no tuviéramos datos.

Los conceptos que estamos viendo no son independientes entre si, por ejemplo
si hacemos un análisis de autocorrelación a una escala concreta, nos saldrá
distinto si lo hacemos a una escala distinta.

1.5. EXISTENCIA DE ESTRUCTURA

La disposición de los datos como las propiedades de una variable estudiada

muestra una estructura determinada.

En la imagen vemos dos conjuntos diferentes de puntos, unos están agrupados,

mientras que los otros se hallan de manera regular distribuidos. Si existiera
una autocorrelación positiva en los regulares, tendríamos como conclusión que
los datos son poco significativos ya que muchos datos con correlación espacial
ofrecen información redundante, y por ello el análisis estadístico será menos
preciso, en la práctica es como si hubiéramos reducido el número de puntos.

Los dos principales concepto estadísticos que definen la estructura espacial son
la estacionaridad y la isotropía:

 Estacionaridad: Se refiere a que las propiedades de la variable a

estudiar son constantes en el espacio. Por tanto no existen tendencia
alguna.

 Isotropía: Se refiere a que las propiedades de la variable tienen la misma

covarianza en todas sus direcciones.

11
 EXISTENCIA DE TENDENCIA ESPACIAL.

Decimos que existe tendencia espacial, cuando los valores de la variable están
relacionadas con las coordenadas geográficas, por ejemplo la temperatura,
cuanto más alto, más frío.

Conocer las tendencias existentes ayuda a su correcta interpretación. Si

podemos cuantificar esta tendencia, podemos o bien eliminarla del estudio, o
bien considerarla de forma explícita en el análisis.
Al igual que la autocorrelación espacial, en caso de existir invalida el principio
de independencia de los datos.

 EFECTOS DE BORDE.

Toda zona estudiada en un análisis tiene unos límites establecidos, bien sean
artificiales, o bien sean naturales, por ejemplo un bosque, la densidad de
árboles será mayor dentro del mismo que en los bordes, ya que en los bordes se
contabilizarán menos. Este efecto no es independiente de otras variables como
la escala. Es importante considerar el efecto borde para saber si los valores
calculados dentro de cualquier análisis estadístico son válidos o no.

 LOCALIZACIÓN REPRESENTADA.

Algunas variables requieren un área para ser recogidas y no pueden hacerse de

forma puntual. En ocasiones recoger unidades no puntuales obedece a la forma
de almacenar dicha variable. El modelo raster por ejemplo, se compone de
unidades geométricas arbitrarias, (son cuadrados). Para cada unidad de este
modelo hay un valor, el cual puede variar en función de cómo esté calculado, o
bien por el valor que se halle en el centro de la celda o bien el valor medio de
todos los valores contenidos en ella.

1.6. RELACIONES ESPACIALES

Los elementos de las diferentes capas geográficas se relacionan entre sí. Estas
son debidas a diferentes criterios y son la base de un gran número de
procedimientos, puede haber relaciones topológicas, métricas, etc…

Las relaciones espaciales podrían categorizarse de la siguiente manera:

 Direccionales: describen el orden en el espacio (Al Norte de, al Sur de..)

 Topológicas: Describen la vecindad e incidencia, por ejemplo si son

disjuntos o si son adyacentes.

 Comparativas: Describen inclusión, p. ej. está en.

 Distancia: Lejos, cerca de…

 Difusas: al lado de, a continuación de…

12
Las relaciones pueden darse entre todas las combinaciones posibles de
entidades geográficas.

Punto Línea Polígono

Punto

Línea

Polígono

Para clasificar y definir las relaciones espaciales se basan en dos enfoques

principales:

1. Matemático: Pretende formalizar con lenguaje matemático las diferentes

relaciones, para poder así analizar y estudiar con herramientas
matemáticas las relaciones topológicas y espaciales.

2. Geográfico: Su necesidad surge a medida que los SIG vienen

desarrollándose, ya que aparece la necesidad de expresar las relaciones
espaciales de un modo adecuado para implementar estas, así como los
distintos algoritmos que se sustentan en ellas. Puede entenderse en
cierta forma como una versión práctica del enfoque matemático.

Ambos enfoques son netamente cuantitativos. No obstante para comunicar

algún tipo de conocimiento espacial que lleve implícita una relación espacial lo
hacemos de forma cualitativa. Entender las relaciones espaciales cualitativas
para poder implementarlas en una herramienta lógica como un SIG es en
esencia una cuestión de traducción entre un lenguaje natural y uno formal. Los
SIG deben combinar enfoques para transmitir de forma sencilla y efectiva el
razonamiento espacial. Lo más habitual es convertir conceptos del lenguaje
natural al lógico a través de métodos cuantitativos, lo cual no es adecuado para
todos los casos.

13
 RELACIONES TOPOLÓGICAS

Conforman el conjunto principal de relaciones, las usaremos para combinar las

geometrías y elementos de dos capas vectoriales según como sean dichas
relaciones entre ellas.

De entre estas relaciones destacan:

Predicadores espaciales: Son operaciones de tipo lógico que indican si entre dos
objetos geográficos existe o no una relación dada. Cabe destacar que estos
objetos se consideran planos en todo momento.

Uno de los primeros sistemas de predicados es el conocido como 4-Intersection.

Según este modelo la relación entre dos objetos se define por las intersecciones
entre las fronteras de los mismos (sigma A y sigma B)y sus interiores (A y B).
Así obtenemos 4 intersecciones con las que conformar una matriz.

Para cada intersección se estudia algún invariante topológico, alguna propiedad

que sea invariante alas propiedades topológicas, lo más habitual es el contenido,
el cual puede ser vacío (0) o no (¬0). Por tanto tenemos 2 posibilidades por cada
elemento de la matriz, ello equivale 16 posibilidades diferentes. De estas 8
pueden darse en un plano entre objetos bidimensionales con fronteras cerradas,
donde cada una define una región.

A partir de este método se desarrolla el 9-Intersection que lo que hace

básicamente es considerar también los exteriores de los elementos a estudiar.
Por tanto el número de matrices posibles asciende a 152, no obstante sólo un
pequeño subconjunto de estas matrices podrían darse en un plano. En el caso
de sólo dos regiones no existiría diferencias entre ambos modelos.

En el caso de que considerásemos dos líneas en plano aparecen 25 nuevas

relaciones, para las líneas ramificadas tendríamos 21 nuevas relaciones, en lo
que respecta a línea y región tendríamos 19 posibles, (20 si las líneas son
ramificadas).

Índices métricos

El modelo 9-Intersection deja de lado relaciones basadas en distancias y

orientaciones, que son más cercanas al habla común, las cuales se definen
mediante cuantificaciones de índices diversos. Dependiendo del tipo de
entidades que se consideren existen diferentes tipos de índices:

14
 REGIÓN-LÍNEA:

 Subdivisión: Definición de índices que describen la forma en que la

frontera, interior y exterior de la región subdivide la frontera y el interior
de la linea. Tratan la forma en que la linea divide el interior de la región
y el exterior de ésta. La relación entre la frontera de la región y la línea y
la división del perímetro por tramos por intersecciones con la línea.

 Cercanía: Cuantifican el alejamiento entre partes disjuntas. Tenemos 4

índices definidos.

o Distancia entre frontera y línea y de la región cuando la linea está

fuera de la región.

o Distancia entre la frontera de la linea y la región cuando la línea

está dentro de la región.

o La distancia del recorrido mínimo entre el interior de la línea y la

frontera de la región si el interior de la línea está en el exterior de
la región.

o La distancia del recorrido mínimo entre el interior de la línea y la

frontera de la región si el interior de la línea está en el interior de
la región.

15
 3. SURFER

Surfer es un programa para hacer mapas y trazar líneas de contorno en 3D para

Windows únicamente. Con facilidad y rapidez, convertirá todos sus datos en
mapas con contorno, superficie, wireframe, vector, imagen y sombras.

Virtualmente todos los aspectos de sus mapas pueden ser personalizados para
que produzcan exactamente la presentación que usted desea. Producir mapas
de calidad de publicación jamás ha sido tan fácil y eficiente.

Utilización del programa "Surfer"

16
17
18
 PRÁCTICA DE GEO ESTADÍSTICA CON SURFER

 Nociones básicas de geoestadística para la el estudio espacial de

variables geoquímicas

Estas prácticas tienen como objeto mostrar los pasos necesarios para estudiar
geoestadísticamente las variables geoquímicas georeferenciadas, que
previamente han sido estudiadas estadísticamente con R o SPSS.

En estas prácticas vamos a presentas las nociones básicas de geoestadística y

la utilización de métodos matemáticos de interpolación. En la asignatura de
Recursos Minerales y Energéticos (RME) de 4 cursos se estudiará en detalle la
distribución espacial de las variables, denominado análisis estructural o
variagrafía. La variagrafía incluye el cálculo del variograma o semivariograma
experimental y su estudio teórico nos permitirá evaluar la correlación espacial,
anisotropía y variabilidad máxima en función del espacio.

Por lo tanto, en estas prácticas nos vamos a centrar solo en los métodos de
interpolación para la obtención de los mapas de isolíneas (isoconcentración de
elementos). Extrapolar el valor en un punto y/o zona depende de la distancia
entre puntos y orientación, número de zonas muestreadas, geometría del
muestreo en el terreno, comportamiento normal del elemento a interpolar,
tendencia del fenómeno físico, etc.

El método interpolación más extendido cuando existe una fuerte variabilidad

espacial y anisotropía es el kriging, el cual usa como función matemática de
interpolación el semivariograma. Este método queda fuera de estudio de estas
prácticas y se estudiará en RME.

Nosotros utilizaremos como método de interpolación el kriging lineal, el cual

funciona relativamente bien para estudios geoquímicos con poca anisotropía
(como ocurren en estas prácticas). SURFER tiene implementadas otros métodos
de interpolación, como el vecino más cercano y natural, la inversa de la
distancia, etc.

Esta guía está desarrollada para estudiantes que utilizan por primera vez
SURFER. Se muestra cómo se crea un mapa de puntos y de clasificación,
aprenderemos a generar mapas de isolíneas y en 3D, y seleccionar (digitalizar)
un área de estudio a partir de un bln.

19
Pasos Para Elaborar un Mapa en Surfer:

MUESTRA X Y Cu % Ag %

1 20 168 0.73 0.80

2 37 169 0.76 0.89

3 47 169 0.73 0.36

4 63 163 0.72 0.89

5 77 168 0.78 0.99

6 94 163 0.78 1.23

7 109 168 0.80 1.56

8 121 167 0.72 1.52

9 145 176 0.56 0.62

10 160 173 0.51 0.98

11 10 173 0.16 1.23

12 40 0 0.03 1.25

13 39 4 0.03 1.64

14 32 16 0.70 1.98

15 31 21 0.73 0.60

16 34 40 0.92 0.84

17 38 51 0.86 1.52

18 37 92 0.72 1.42

19 32 101 0.85 1.32

20 33 115 0.52 1.54

21 31 131 0.77 1.58

22 35 141 0.30 1.46

23 49 0 0.03 1.99

20
24 50 10 0.10 1.87

25 44 27 0.20 0.65

26 49 36 0.98 0.90

27 48 47 0.93 1.56

28 42 59 1.00 0.85

29 41 77 0.85 0.64

30 47 87 0.61 1.23

31 46 98 0.50 1.20

32 42 110 0.45 1.35

33 49 118 0.26 1.20

34 48 131 0.65 1.40

35 41 157 0.16 1.58

36 60 0 0.03 0.65

37 60 12 0.10 1.57

38 53 22 0.40 1.24

39 59 44 0.77 1.25

40 52 58 0.54 0.66

41 52 72 0.44 0.24

42 57 83 0.47 0.25

43 58 91 0.27 1.36

44 51 108 0.30 1.56

45 57 137 0.38 0.25

46 51 145 0.25 0.64

47 58 156 0.18 1.65

48 70 1 0.03 0.21

49 69 16 0.10 0.35

21
50 63 31 0.80 0.94

51 68 39 1.51 0.98

52 69 53 0.73 0.57

53 62 68 0.47 0.65

54 62 118 0.47 0.37

55 69 112 0.53 0.11

56 68 129 0.53 1.45

57 67 144 0.37 1.46

58 80 0 0.10 0.35

59 78 11 0.10 1.24

60 74 29 0.83 0.57

61 78 68 0.52 1.68

62 75 85 0.45 1.69

63 71 99 0.38 1.97

64 78 107 0.20 0.98

65 74 120 0.58 1.79

66 78 128 0.36 1.85

67 71 137 0.29 0.96

68 71 160 0.28 0.80

69 87 20 0.48 0.25

70 88 37 0.29 1.65

71 83 47 0.23 1.32

72 87 63 0.54 1.36

73 87 77 0.69 1.35

74 82 94 0.38 1.36

75 86 109 0.11 1.25

22
76 87 121 0.19 1.36

77 82 145 0.23 1.25

78 86 160 0.31 1.37

79 95 10 0.27 0.36

80 98 34 0.17 0.40

81 92 47 0.33 0.98

82 96 82 0.90 0.87

83 93 92 0.55 0.54

84 96 117 0.09 0.63

85 91 131 0.15 0.25

86 96 145 0.28 0.36

87 91 150 0.22 0.84

88 103 2 0.38 1.25

89 104 19 0.23 1.24

90 103 53 0.46 1.22

91 102 70 0.31 1.29

92 109 79 0.70 1.33

93 103 88 0.61 1.22

94 102 101 0.16 0.89

95 106 108 0.23 0.98

96 107 117 0.20 0.60

97 101 132 0.19 0.71

98 114 8 0.66 1.19

99 114 23 0.66 1.60

100 113 36 0.33 1.59

101 119 41 0.37 1.57

23
102 119 59 0.65 1.64

103 112 64 0.52 1.68

104 120 72 0.69 1.57

105 119 88 1.09 1.24

106 117 102 0.49 1.33

107 112 112 0.18 0.95

108 112 129 0.19 1.06

109 111 149 0.30 1.54

110 117 159 0.20 1.95

111 125 2 0.88 1.94

112 124 12 0.71 1.92

113 129 40 0.26 1.99

114 128 52 0.52 2.03

115 130 62 0.55 1.92

116 128 80 0.41 1.59

117 126 93 0.93 1.68

118 122 108 0.35 1.30

119 121 122 0.26 1.41

120 122 133 0.48 1.89

121 135 11 0.80 2.30

122 136 22 0.68 2.29

123 137 129 0.48 2.27

124 132 136 0.67 2.34

125 132 149 0.67 2.38

126 132 158 0.38 2.27

127 150 15 0.67 1.94

24
128 149 30 0.60 2.03

129 148 42 0.58 1.65

130 144 52 0.56 1.76

131 143 70 0.49 2.24

132 145 83 0.46 2.65

133 142 100 0.50 2.64

134 141 113 0.44 2.62

135 147 119 0.66 2.69

136 147 135 0.67 2.73

137 142 140 0.71 2.62

138 147 148 0.67 2.29

139 141 153 0.70 2.38

140 145 159 0.59 2.00

141 160 9 1.01 2.11

142 160 25 0.80 2.59

143 160 40 0.84 3.00

144 152 47 0.73 2.99

145 154 63 0.73 2.97

146 155 80 0.73 3.04

147 153 96 0.73 3.08

148 152 110 1.18 2.97

149 158 140 0.74 2.64

150 151 163 0.85 2.73

151 170 50 0.94 2.35

152 169 60 1.01 2.46

153 170 75 0.52 2.94

25
154 168 91 0.91 3.35

155 169 108 0.80 3.34

156 169 116 1.21 3.32

157 163 124 0.91 3.39

158 168 135 1.42 3.43

159 163 147 1.04 3.32

160 168 154 0.96 2.99

161 167 164 0.94 3.08

162 176 1 0.91 2.70

163 173 17 0.89 2.81

164 173 32 0.97 2.59

165 140 46 0.74 3.00

166 180 60 0.75 2.99

167 180 70 0.84 2.97

168 179 84 0.78 3.04

169 179 102 0.80 3.08

170 179 160 0.99 2.97

171 183 10 0.64 2.64

172 186 22 0.75 2.73

173 186 33 0.65 2.35

174 188 87 0.58 2.46

175 188 97 0.79 2.24

176 183 109 0.80 2.65

177 189 120 0.90 2.64

178 183 132 0.90 2.62

179 184 146 1.02 2.69

26
180 195 2 0.68 2.73

181 200 12 0.67 2.62

182 199 26 0.83 2.29

183 194 41 0.78 2.38

184 194 57 0.70 2.00

185 194 71 0.56 2.11

186 199 62 0.74 1.89

187 198 78 0.84 2.30

188 198 91 0.62 2.29

189 205 37 0.63 2.27

190 204 52 0.69 2.34

191 210 9 0.62 2.38

192 220 4 0.45 2.27

193 215 31 0.62 1.94

194 204 52 0.69 2.34

195 210 9 0.62 2.38

196 220 4 0.45 2.27

197 215 31 0.62 1.94

198 220 30 0.54 2.03

199 214 47 0.66 1.65

200 213 55 0.59 1.76

27
Luego se guarda el archivo en Texto Delimitado por tabulaciones:

Se guarda el archivo en Plot:

28
Se elabora el Plano en Surfer:

Se elabora el mapa con Colores y El Post Map:

29
Se elabora el Mapa en 3D: con sus respectivas Plot Map:

Se elabora los Post Map correctamente con ejes X,Y :

30
Se ubica el Plot Map en el 3D:

Como Resultado tenemos lo siguiente:

160

140

120

100

80

60

40

20

0
20 40 60 80 100 120 140 160 180 200 220

31
Se tiene los Plot Map: Con los ejes X, Y

32
Tenemos elaborado nuestro Mapa en 3D.

33
BIBLIOGRAFÍA:

 Barcellos C, Buzai GD. La dimensión espacial de las desigualdades sociales

en salud: aspectos de su evolución conceptual y metodológica.
Departamento de Ciencias Sociales. Universidad Nacional de Luján: Anuario
de la División Geografía; 2006:275-92.

 Orallo JH, Quintana MJR, Ramírez CF. Introducción a la minería de datos:

Pearson Prentice Hall; 2004.

 McDonnell R, de la Fuente Aragón M, McDonnell R, editors. Minería de datos

aplicada a la gestión de la información urbanística. Data mining applied to
urban information management. 6th International Conference on Industrial
Engineering and Industrial Management; 2012.

 Rigol-Sánchez JP, Chica-Olmo M, Pardo-Igúzquiza E, Rodríguez-Galiano V,

Chica-Rivas M. Análisis e integración de datos espaciales en investigación
de recursos geológicos mediante sistemas de información geográfica. Bol Soc
Geol Mex. 2011;63(1):61-70.

 Cangrejo Aljure D, Agudelo JG. Minería de datos espaciales Spatial data

miningAn overview. Rev Avanc Sist Informát. 2011;8(3):71-7.

 Dueñas Reyes MX. Minería de datos espaciales en búsqueda de la verdadera

información. Ing Univ. 2009:137-56.

 Han J, Kamber M. Data mining: concepts and techniques. Morgan

Kaufmann; 2006.

 Ester M, Kriegel HP, Sander J. Knowledge discovery in spatial databases. KI-

99. Advanc Artif Intellig. 1999:696.

 Ng RT, Han J. Clarans: a method for clustering objects for spatial data
mining. Knowledge and Data Engineering. IEEE Transactions on. 2002.

 Ester M, Kriegel HP, Sander J. Algorithms and applications for spatial data
mining. Geographic Data Mining and Knowledge Discovery. 2001.

34