UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE BOGOTÁ

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA CIVIL Y AGRÍCOLA

SIG PARA INGENIERÍA CIVIL [2022761-1]

Msc. Ing. SERVIO JAVIER CONTRERAS GUERRERO

INVESTIGACIÓN SOBRE KRIGGING

LUIS MIGUEL GUAVITA ROJAS – Cód. 1.032.476.136

BOGOTÁ D.C., COLOMBIA.

08 DE JUNIO DE 2020
 Introducción
La necesidad de acudir a herramientas estadísticas para el análisis de datos en todas las áreas del conocimiento, ha hecho que
aparezcan con el correr de los años nuevas metodologías que, no obstante se centran en fundamentos probabilísticos
comunes, son específicas para cada una de las diversas disciplinas del saber.

El estudio de fenómenos con correlación espacial, por medio de métodos geoestadísticos, surgió a partir de los años sesenta,
especialmente con el propósito de predecir valores de las variables en sitios no muestreados. Como antecedentes suelen
citarse trabajos de Sichel (1947; 1949) y Krige (1951). El primero observó la naturaleza asimétrica de la distribución del
contenido de oro en las minas surafricanas, la equiparó a una distribución de probabilidad lognormal y desarrolló las fórmulas
básicas para esta distribución. Ello permitió una primera estimación de las reservas, pero bajo el supuesto de que las
mediciones eran independientes, en clara contradicción con la experiencia de que existen “zonas” más ricas que otras. Una
primera aproximación a la solución de este problema fue dada por geólogo G. Krige que propuso una variante del método
de medias móviles, el cual puede considerarse como el equivalente al krigeado simple que es uno de los métodos de
estimación lineal en el espacio con mayores cualidades teóricas.

Aunque la aplicación de la herramienta geoestadística es bastante reciente, son innumerables los ejemplos en los que se ha
utilizado esta técnica en estudios ambientales con el ánimo de predecir fenómenos espaciales. La columna vertebral del
análisis geoestadístico es la determinación de la estructura de autocorrelación entre los datos y su uso en la predicción a
través de las técnicas conocidas como kriging y cokriging

La geoestadística es solo una las áreas del análisis de datos espaciales. Es importante reconocer cuando la información
georreferenciada es susceptible de ser analizada por medio de dicha metodología. Por ello en el documento se hace
inicialmente una definición global de estadística espacial y se describen las características especiales que enmarcan cada una
de sus áreas.

En el estudio de información georreferenciada, de forma análoga a como se procede en la aplicación de muchos

procedimientos estadísticos, la primera etapa que se debe cumplir es la del análisis exploratorio de datos (AED). Esta busca
identificar localización, variabilidad, forma y observaciones extremas.

¿Qué es la interpolación?
Para entender realmente el krigging, hay que saber lo que es la interpolación. Como en toda interpolación, estamos
prediciendo valores desconocidos en otros lugares. Con un método de interpolación como la ponderación de distancia
inversa, usted está haciendo predicciones sin decir cuán seguro está. Aquí hay un ejemplo:

Predecimos el punto púrpura, tomando una distancia ponderada inversa de los tres puntos de entrada más cercanos (los
valores de 12, 10 y 10). Basándonos en la distancia, calculamos hasta dónde llega cada punto de entrada y obtenemos un
valor de 11.1.

((12/350) + (10/750) + (10/850)) / ((1/350) + (1/750) + (1/850)) = 11.1

Así es exactamente cómo funciona la interpolación determinista. Simplemente, utiliza una función predefinida y es lo que
es. Pero no te dice lo seguro que estás.

¿Qué es la interpolación con Krigging?

El krigging es una familia de métodos de estimación lineal y óptima en el sentido de los mínimos cuadrados; hace parte de
la inferencia espacial, la cual nos permite estimar valores de una variable en lugares no muestreados utilizando la información
proporcionada por la muestra. Esta familia de métodos considera el valor de las mediciones, la correlación espacial, la
precisión de los dispositivos de medida y el ruido aleatorio.
El método está planteado de manera que nos da el mejor estimador lineal no sesgado con una varianza mínima. Hay que ser
cuidadosos de no mal interpretar lo anterior, ya que puede haber mejores estimadores que los obtenidos con Kriging pero
con características diferentes: con sesgo, por ejemplo.

Estos métodos de krigging se desarrollaron originalmente para minería y ciencias de la tierra; los principales usos que le
daban era para medidas muy ruidosas, irregularmente distribuidas y normalmente pocos datos. En la actualidad existen
muchos artículos de aplicaciones (más de 8000 referencias) en temas de geoestadística, climatología, demografía, análisis de
epidemias, entre otros.

Los datos de entrada se utilizan para construir una función matemática con un semivariograma, crear una superficie de
predicción y, luego, validar el modelo con validación cruzada.

El krigging utiliza el semivariograma para medir la correlación espacial y también determina la incertidumbre asociada a la
estimación.

Un problema típico en esta situación es tratar de predecir el valor de z en aquellas posiciones donde no hubo medición,
teniendo en cuenta la estructura de covarianza de las variables aleatorias Z(s) definidas en los sitios donde fue posible hacer
mediciones. El método utilizado es muy similar a una regresión lineal múltiple aplicada a un contexto espacial, en donde las
variables aleatorias Z(s) fungen como variables regresoras, y la variable aleatoria en el punto donde interesa la predicción,
Z(s0), funge como la variable dependiente. Al conjunto de algoritmos de regresión lineal cuyo propósito es ese, se le conoce
como krigging. Esta es una técnica de estimación local que tiene la cualidad de ser el mejor estimador lineal insesgado de z.

El predictor kriging depende del modelo que se adopte para la funci´on aleatoria Z(s). Por lo general, Z(s) se suele
descomponer en una componente de tendencia y una componente residual, tal como lo expresa la ecuaci´on

donde se supone conocido el variograma o el covariograma de ε(s).

El valor esperado de Z en la posici´on s representa el valor de la tendencia en dicha posici´on:

Las variantes de kriging dependen del modelo que se adopte para la tendencia m(s).

1. El kriging simple (KS) supone m(s) = m, es decir, que la media m(s) es conocida en todo el dominio D.

2. El kriging ordinario (KO) supone que la tendencia m(s) = m es constante pero desconocida. Adem´as, se ci˜ne a
fluctuaciones locales de la media dentro de una vecindad W(s), dentro del cual se pueda considerar la media estacionaria.

3. El kriging Universal (KU) considera que la media m(s) es una funci´on que varia suavemente en todo el dominio D. La
tendencia se suele modelar generalmente mediante modelos de superficie los cuales resultan ser combinaciones lineales de
las coordenadas espaciales. Es decir, fi(s):

donde los coeficientes ai se desconocen. Se considera que f0(s) = 1, de tal manera que cuando K = 0, se tiene el caso
particular del kriging ordinario

¿Qué es el semivariograma?
La clave del krigging es el semivariograma. En términos simples, los semivariogramas cuantifican la autocorrelación porque
grafican la varianza de todos los pares de datos según la distancia: lo más probable es que las cosas más cercanas estén más
relacionadas y tengan una pequeña semivarianza, mientras que las cosas lejanas están menos relacionadas y tienen una alta
semivarianza.
Pero a cierta distancia (rango), la autocorrelación se vuelve independiente. Donde esa variación se nivela, se llama (umbral).
Esto significa que ya no hay ninguna autocorrelación espacial o relación entre la cercanía de sus puntos de datos. Este
concepto es la Primera Ley de Geografía de Tobler.

Para realizar la interpolación, el krigging considera la correlación espacial mediante el semivariograma:

Donde,

Zi, Zj son datos experimentales en posiciones xi y xj

N(h) es el número de pares (xi,xj) cuya distancia es h

Se asume que Z(x) es isótropa (la correlación espacial sólo depende de la distancia). El semivariograma está relacionado con
la varianza C(h). Cuando Z(x) es estacionaria de segundo orden:

En el origen se miden las fluctuaciones aleatorias:

Existen varios tipos de semivariograma; la forma del semivariograma es muy importante para la interpretación de los datos
y para la estabilidad del algoritmo. A continuación se presentan las formas generales y las ecuaciones de los modelos
matemáticos utilizados para describir la semivarianza.
 - Semivariograma constante

- Semivariograma esférico

- Semivariograma potencial

- Semivariograma gaussiano

Proceso del krigging

Incluso antes de comenzar el kriging, sus datos deben cumplir con este criterio antes del kriging ordinario. Kriging es la
técnica de interpolación óptima si sus datos cumplen ciertos criterios. Pero si no cumplen estos criterios, puedes masajearlo
o elegir una técnica de interpolación diferente:

- Sus datos deben tener una distribución normal

- Los datos deben ser estacionarios.
- Sus datos no pueden tener tendencias.

Los pasos siguientes son maneras de verificar sus datos para ver si cumplen con este criterio. Primero, sugerimos trazar tus
puntos y simbolizarlos de abajo hacia arriba.

1. Los datos deben tener una distribución normal

En esta prueba no estamos explorando las propiedades espaciales, sólo estamos comprobando que los valores estén
distribuidos normalmente. En otras palabras, ¿los valores de sus datos se ajustan a la forma de una curva de campana? Una
de las maneras de explorar esto es usando un histograma. Puede comprobar el histograma para ver si hay valores atípicos y
cuánto se parece a una curva de campana.

Alternativamente, puede comprobar sus datos con un gráfico QQ normal. Un gráfico QQ normal compara cómo se alinean
sus datos con los datos distribuidos normalmente. Si todos los puntos tienen una distribución perfectamente normal, todos
tus puntos caerán en la línea de 45°.

Si los datos no tienen una distribución líneal, tendrá que aplicar una transformación como un log o un arco hasta que se
vuelva normal. En lugar de seleccionar su propia transformación, puede hacer una transformación de puntaje normal que
hace mucho del trabajo por usted.

2. Los datos deben ser estacionarios o fijos

Esto significa que la variación local no cambia en diferentes áreas del mapa. Por ejemplo, 2 puntos de datos separados por
5 metros en diferentes ubicaciones deberían tener diferencias similares en su valor medido. La varianza es bastante constante
en diferentes áreas del mapa. Kriging no es óptimo para cambios bruscos y líneas de rotura.
Puede comprobar la estacionariedad de sus datos con un mapa Voronoi simbolizado por entropía (variación entre vecinos)
o desviación estándar y buscar aleatoriedad.

Si los datos no son fijos, se puede usar Krigging bayesiano empírico (EBK). Este puede ayudar tratando la varianza local por
separado. En lugar de que la desviación sea similar en su totalidad, EBK realiza el kriging como un proceso subyacente
separado en áreas diferentes. Todavía realiza el kriging, pero se hace localmente.

3. Los datos no deben tener tendencias

Las tendencias son cambios sistemáticos en los datos de toda un área de estudio.

Si sus datos tienen tendencias sistemáticas: aunque tener grandes tendencias en toda su área de estudio puede ser una razón
para cambiar los métodos de interpolación, la herramienta de eliminación de tendencias puede ser de ayuda para que el
siguiente análisis no se vea influenciado por esa tendencia en sus datos.

Referencias
- https://centrogeo.repositorioinstitucional.mx/jspui/bitstream/1012/160/1/16-
M%C3%A9todo%20Kriging%20de%20Inferencia%20espacial%20-
%20%20Diplomado%20en%20An%C3%A1lisis%20de%20Informaci%C3%B3n%20Geoespacial.pdf
- https://www.ucm.es/data/cont/docs/112-2013-10-15-presentacion_krigeado_130215_paraImprimir.pdf
- https://acolita.com/geoestadistica-interpolacion-con-kriging/
- http://www.bdigital.unal.edu.co/6329/1/1832260.2011.pdf
- https://geoinnova.org/blog-territorio/wp-content/uploads/2015/05/LIBRO_-DE-_GEOESTADISTICA-R-
Giraldo.pdf