Documentos de Académico
Documentos de Profesional
Documentos de Cultura
10krigeado PDF
10krigeado PDF
E i
Estimación
ió de
d semivariogramas
i i y
KRIGEADO
¾ El ajuste al sem
semivariograma
var ograma emp
empírico
r co de un modelo
teórico conocido.
(h)
γ(h)
C
Ct Parámetros del semivariograma
C0
a h
Modelos teóricos de semivariogramas
γ(h) γ(h)
Características:
EFECTO PEPITA PURO ESFÉRICO
c0 w
1.- Su
c mp t mi nt en
comportamiento n
el origen, el cual
h 2a/3 a h
γ(h) γ(h)
Efecto de Pepita y
λ=0,5
2.- La presencia o h
a 3a
h
ausencia de
γ(h) γ(h)
GAUSSIANO
EFECTO AGUJERO
meseta
w
0,95w
√3 a
h h
Se dibujan
S dib j llos variogramas,
i empírico
í i y tteórico,
ó i y se
comparan visualmente. Por ejemplo, en la figura se
muestra el modelo teórico de variograma , usado para
simular una muestra de 100 datos, y dos variogramas
estimados.
Co (efecto
C ( f t pepita),
it ) C
Ct
C + Co (meseta) y
a (alcance),
(alcance)
C0
a h
Parámetros del semivariograma
E(xi) = Z
Z*(xi)-
(xi) Z(xi) i = 11, 2
2, . . . , n
n.
Se exige
g por
p este motivo
m un
u análisis del comportamiento
mp m
de la continuidad en distintas direcciones:
Análisis de Anisotropía.
Modelado de semivariogramas:
Análisis de anisotropía (ii)
Tipos
p de Anisotropías:
p
Las más comunes son la Geométrica y la Zonal.
Modelado de semivariogramas:
Análisis de anisotropía (iii)
γ(h)
Anisotropía Geométrica: C
cuando los semivariogramas
en diferentes direcciones
tiene la
l misma meseta pero
distintos alcances.
a1 a2 h
γ(h)
C1
C2 Anisotropía Zonal: cuando los
semivariogramas en diferentes
direcciones tiene diferentes
mesetas y alcances.
l
a1 a2 h
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 ell
objetivo de obtener modelos Isotrópicos
Modelado de semivariogramas:
Análisis de anisotropía (iv)
Efecto p proporcional:
p Cuando en el cálculo del
semivariograma se detecta que existe una relación
lineal entre el valor medio de las muestras usadas en
ell cálculo
ál l de d cada
d γ(h)
(h) y la
l desviación
d i ió estándar
tá d
correspondiente (heterocedasticidad).
Este efecto se puede detectar en
γ(h) un gráfico de los valores de Xm
C1 contra σ, σ es decir,
decir que el
C2 coeficiente de variación (σ/Xm) sea
aproximadamente constante, ocurre
cuando los datos presentan una
distribución lognormal.
a h semivariograma relativo:
Efecto proporcional F(h) = γ(h)/Xm2(h)
Modelado de semivariogramas:
Problemas en el modelaje de semivariogramas
- Anisotropía
p geométrica: semivariogramas
g g direccionales
con la misma meseta pero diferentes alcances; ésta puede ser
corregida por una transformación linear de coordenadas que
permita reducir una elipse a un circulo.
circulo
- Efecto p
proporcional:
p Indica q
que la desviación estándar local
es proporcional al cuadrado de la media local y que los datos
presentan una distribución lognormal, puede ser resuelto
dividiendo cada valor del semivariograma local por el cuadrado de
la media local (semivariogramas relativos).
-Estructuras
Estructuras anidadas: diferentes procesos operan a
diferentes escalas. Por ejemplo:
. A muyy pequeñas
p q distancias la variabilidad puede
p estar presente
p
debido a cambios de una composición mineral a otra.
• A pequeñas distancias la variabilidad puede estar presente
debido a errores.
errores
• A grandes distancias la variabilidad puede estar presente
debido a casos transitorios de desgaste mineral.
Se puede resolver aplicando varios modelos simultáneamente
Modelado de semivariogramas:
Problemas en el modelaje de semivariogramas
- Efecto
Ef t hueco:
h i di
indica que muy pocos pares están
á disponibles
di ibl
para la comparación a una distancia específica.
Se resuelve recuperando
p más casos ppara la distancia definida.
- Periodicidad: indica que el comportamiento del
semivariograma repite por sí mismo periodicidades.
Ejemplo:
El valor de la meseta puede aumentar o disminuir
sistemáticamente,
i á i o un caso en que los
l valores
l son tomados
d
alternativamente a través de diferentes estratos, como piedras
areniscas,
aren scas, esquistos,
esqu stos, etc.
Se puede resolver si no es un enmascaramiento de la realidad.
El fenómeno es real cuando hay zonas similares que aparecen
espaciadas regularmente
Estimación
Todo lo expresado
p hasta aquí
q tiene un único objetivo,
j ,
conocer la información disponible para realizar
estimaciones de valores desconocidos a partir, no sólo
d los
de l conocidos,
id sino
i t bié de
también d su estructura
t t d
de
continuidad espacial
p
posibilidad de hacer análisis sobre la calidad de las
estimaciones.
Planteamiento del problema del krigeado
OBJETIVOS:
Generar superficies que incorporen las características
estadísticas analizadas en los datos observados.
de modo
mo o qu
que los
os λi sean
s an obtenidos
o t n os de ta tal forma qu
que
proporcione un estimador:
- insesgado E[Z*(v) - Z(v)] = 0 y
- de
d varianza Var[Z*(v)
*( ) - Z(v)]
( ) mínima
í
Ecuaciones del krigeado: Resultados (ii)
1. Mapa
p de predicciones
p en todas las ubicaciones de
interés s0 .
n
Z(s0 ) → Z * (s0 ) = ∑ λi z(si )
i =1
i =1
→ mínimo
n
5. Error cuadrático medio estandarizado .
n [Z(s ) - Z * (s ) ]2
1 ∑ i i
→ 1
i=1
n σ 2 (s i )
Ecuaciones del krigeado: Resultados (ii)
r (z(s
( ( i ); ( i )) →1
) z * (s
Valores de la variable
Prediction Map
considerada
Krigeado
K g Simple:
mp para una f
p función aleatoria
estacionaria, de esperanza nula o conocida,
Krigeado Ordinario
En términos de la covarianza
Estimador: Z*(v) = ∑ λi Z(xi)
Si t
Sistema:
: ∑ λi C(xi,
C( i xj)
j) - µ = C(xj,v);
C( j );
i,j = 1,…,n ∑ λi = 1
Varianza de krigeado:
σ2 = C(v,v) - ∑ λi C(xi, v) + µ
Ecuaciones del krigeado (iv)
Krigeado
g Ordinario ((cont))
En términos del semivariograma
Estimador: Z
Z*(v)
(v) = ∑ λi Z(xi)
Sistema: ∑ λi γ(xi, xj) + µ = γ(xj, v)
j = 1,…,n; ∑ λi = 1
Varianza de krigeado:
σ2 = ∑ λi (xi, v) - γ(v,v) + µ
El sistema
sist m krigeado
k i d y lal varianza
i n d de krigeado
k i d dependen
d p nd n sól
sólo:: d
dell m
modelo
d l
estructural C(h) o γ(h) obtenido y de la geometría del soporte de observación.
Krigeado Ordinario
N K
El sistema de
KU:
∑ l
∑
λβγ (xα , xβ ) + al f (xβ ) = γ (xα , xo )
β =1 l =0
N
∑λα f l l
(xα ) = f (xo )
α=1
C varianza
Con i de
d estimación:
ti ió
N K
σ KU
2
= ∑λα γ ( xα , xβ ) + ∑al f l ( xo )
α =1 l =0
El caso multivariante
Los conceptos
p presentados hasta aquí,
p q , extendidos a
más de una variable, se denominan Geoestadística
Multivariada
Se requiere conocimiento:
¾d l modelo
¾del d l dde semivariograma
i i d cada
de d una dde llas
variables
¾del semivariograma cruzado entre las variables
Semivariograma cruzado
N (h)
1
γ AB (h) = ∑
2N(h) i=1
[ ZA (xi ) − ZA (xi + h)][ ZB (xi ) − ZB (xi + h)]
El sem
semivariograma
var ograma d
directo
recto toma sólo valores positivos,
pos t vos, el cruzado puede
tomar valores negativos (correlación inversa entre las variables)
Geoestadística no Lineal
En estos casos se p
pueden realizar transformación a los
datos, y obtener configuraciones de estos que si
pueden ser explicados por el krigeado.
Krigeado de Indicadores
Krigeado Disyuntivo
Krigeado de Probabilidades
Krigeado
g Lognormal
g
Geoestadística no Lineal
KRIGIN INDICADOR
• La variable de interés es el cumplimiento o
no de una condición.
• Hay que definir un umbral
• No tiene supuestos, por lo que se clasifica
como un método
ét d dde estimación
ti ió no
paramétrico.
• Se estima la probabilidad de que en cada
punto se cumpla o no la condición.
Geoestadística no Lineal (ii)
KRIGIN INDICADOR
Se redefine
redef ne laa variable
ar a e a través
tra és de una
variable indicadora
Sus propiedades:
Geoestadística no Lineal (iii)
KRIGIN INDICADOR
Además:
demás
FUENTES
http://descargas.cervantesvirtual.com/servlet/Sirve
http://descargas cervantesvirtual com/servlet/Sirve
Obras/46860175104026839600080/006458_8.pdf
Cap.7: Sistemas de Información Geográfica:
Cap.7 Geográfica Pasado,
presente y futuro (tesis doctoral)
www.geogra.uah.es/~joaquin/curso-quito/SIG-
OdelT.pdf