Documentos de Académico
Documentos de Profesional
Documentos de Cultura
257
258 TERRA LATINOAMERICANA VOLUMEN 27 NÚMERO 3, 2009
C1 γ + 1 , α ≠ 1
en la distribución de probabilidad del proceso como:
C1α 1 α
Pr{φ > s} ≈ s − qd , s >> 1
C (γ ) =
(7)
C exp γ + 1 , α = 1 E[φq ] = ∞, q ≥ q d
1 C
1
donde: qd = C’(γd) es la pendiente absoluta de la caída
C1
(q α − q) , α ≠ 1
algebraica de la distribución de probabilidad (la cola
α − 1 larga) y define el momento crítico de divergencia de los
K (q ) = (4) momentos estadísticos.
C1 q ln(q), α = 1 Para entender este comportamiento de divergencia
de los momentos estadísticos, es importante enfatizar
que las cascadas multiplicativas continuas tienen las
1 1
+ =1 propiedades definidas en el límite (cuando el número de
α α1
pasos tiende a infinito) y son cascadas “desnudas”, en
el sentido de que representan un proceso físico
donde: C1 = codimensión de la singularidad media del (o simplemente conveniente) iterado hasta su escala de
proceso, mide la fractalidad promedio (0 ≤ C1 ≤ d). disipación. En las mediciones que se efectúan sobre un
α = índice de Levy (0 ≤ α ≤ 2), el cual define que tan proceso, las observaciones están “vestidas” (de allí
rápido se incrementa la fractalidad con singularidades el subíndice d de “dressed”, en inglés), ya que están
más y más grandes. Para α = 2, el proceso es log normal. promediadas (integradas) a la escala de observación que
En procesos multifractales no conservativos utilizamos. Debido a esta “vestimienta” se presenta la
(E[fl]¹1) es necesario introducir un nuevo parámetro divergencia de los momentos estadísticos, la cual exhibe
en las funciones universales: un comportamiento dado por:
PAZ ET AL. ANÁLISIS MULTIFRACTAL DEL CARBONO EN SUELOS. 2. DIVERGENCIA DE MOMENTOS ESTADÍSTICOS 259
d + Ds
1/α
(9) α
qs = q ( p − 1) + 1, q ≥ α
C1
donde: Ds es la dimensión del muestreo (Ds = 0 para donde: p define el orden de una integración fraccional y
una sola realización) y qd se estima en forma numérica. ζ(1) = H.
Si γ está limitada por γ max, entonces hay un Puesto que la var iable gaussiana o normal
qmax = C’(γ max ) tal que K(q > q max ) exhibe un (movimiento browniano) es un caso especial de las
comportamiento lineal (no hay espacio suficiente para variables Levy-estables (α = 2), a partir del movimiento
promediar estos valores extremos). Así, y usando la Levy fraccional es posible generar los demás procesos:
transformada de Legendre, se tiene que: movimiento de Levy (p = 1), movimiento browniano
fraccional (α = 2) y movimiento browniano (p = 1 y
α = 2).
γ max ( q − qmax ) + K ( qmax ) = En los procesos monofractales, el índice α de Levy
K ( q ) = qγ max − C (γ max ), q ≥ qmax (0 ≤ α ≤ 2) se estima de la cola larga de la distribución
K ( q), q < qmax de probabilidad, qd = α en la Ecuación 7. Así, un valor
qm ax(γ − γ max ) + C (γ max ) = de qd > 2 es evidencia de la multifractalidad de un
(10)
C (γ ) = γqmax − K (qmax ), q ≥ qmax proceso.
C (γ ), q < qmax
APLICACIÓN DE LA DIVERGENCIA DE
MOMENTOS ESTADÍSTICOS:
En el caso de la existencia de un γmin, diferente de DISTRIBUCIÓN DEL CARBONO
cero, para un número finito de muestras, γ ≤ γmin, la ORGÁNICO EN LOS SUELOS DE MÉXICO
función K(q) también presenta un comportamiento lineal
(Tessier et al., 1994). Para este caso, las relaciones de Usando funciones de estructura espacial, se analizó
las funciones de escalamiento son iguales a las mostradas una base de datos de COS (SEMARNAT-CP, 2001-
para las singularidades y órdenes de momentos máximos. 2002) para estimar los parámetros de la función
260 TERRA LATINOAMERICANA VOLUMEN 27 NÚMERO 3, 2009
de escalamiento universal (proceso continuo), de acuerdo del signo ± corresponde a una desviación estándar,
con las Ecuaciones 4 y 7 para procesos no conservativos. mientras que el valor a la izquierda es la media.
Esta base de datos informa sobre la localización Definidos los valores qmin y qmax, se ajustaron los datos
geográfica y el contenido de carbono orgánico (kg m-2). experimentales a la función universal de ζ(q)
El soporte muestral es un volumen aproximado de 20 x (Ecuaciones 4 y 7). Para esto se empleó el procedimiento
20 cm en área y 20 cm de profundidad (0.008 m3). El que utiliza la función f(q) definida como (Schmitt et al.,
número de muestras es de 4583 y el rango de la distancia 1995; Liu y Molz, 1997):
de separación entre las muestras es 524.5 m ≤ h ≤
C1 α
3 274 751.0 m. f (q) = qς ' (0) − ς (q ) = q (12)
La Figura 1 muestra la función ζ(q) estimada, donde α −1
se observa un comportamiento lineal para momentos de donde: la derivada de ζ(0) es aproximada por diferencias
orden aproximadamente q ≤ qmin ≈ 0.6 y q ≥ qmax ≈ 2.8, finitas de:
asociados a la divergencia de los momentos estadísticos. ς (q ) − ς (0)
El valor de H se estimó de H = ζ(1) = 0.1196. ς ' (0) = (13)
q
Para analizar la divergencia de los momentos
estadísticos en la cola larga de la distribución de La ventaja de usar f(q) permite estimar en forma
probabilidad de ΔZh, se realizó un análisis similar al de directa a α , al considerar la pendiente de una gráfica
la Ecuación 7 para distancias h seleccionadas. La log-log y con este valor calcular a C1 de la intersección
Figura 2 muestra el patrón general que se obtiene, gráfica de la recta (Ecuación 12). La Figura 4 muestra los
log-log, de los datos analizados. Se observa que cuando resultados obtenidos usando diferentes valores de q para
ΔZh tiene valores grandes (s >> 1) el número de datos aproximar la derivada de ζ(q) dada por la Ecuación 13.
disponibles es pequeño, por lo que el comportamiento El comportamiento no convergente de α observado es
lineal tiende a ser enmascarado. Para evitar este tipo producto de la linealidad de la función ζ(q) para q ≤ qmin
de problema asociado al número de datos disponible, se (divergencia de momentos).
seleccionó el rango 17 kg m-2 CO ≤ ΔZh ≤ 68 kg m-2 CO La alternativa utilizada para estimar α y C1 fue
en el análisis. La Figura 3 muestra los resultados realizar una regresión no lineal, minimizando el error
obtenidos según h. cuadrático de estimación. Para esto, se usó la función
De análisis similares al mostrado en la Figura 6 se SOLVER de EXCELMR, la cual produjo resultados
estimó qd = 2.844 ± 0.072, donde el valor a la derecha aceptables y no tuvo problemas de divergencia numérica.
0.3
0.25
0.2
ζ(q)
0.15
0.1
0.05
0
qmin qmax
0 1 2 3 4 5 6
q
Figura1. Patrón experimental de la función ζ(q) y divergencia de momentos estadísticos.
PAZ ET AL. ANÁLISIS MULTIFRACTAL DEL CARBONO EN SUELOS. 2. DIVERGENCIA DE MOMENTOS ESTADÍSTICOS 261
Los valores estimados, usando los datos entre qmin y qmax 0.0007. La Figura 5 muestra el ajuste experimental
y analizando el efecto de cambiar estos límites en un obtenido con estos parámetros. Se aprecia que los
rango pequeño, fueron α = 1.83 ± 0.06 y C1 = 0.03305 ± estimados de qmin y qmax definen pendientes (derivadas)
de la función ajustada, de acuerdo con lo establecido
0 anteriormente con relación a la transformada de
0 1 2 3 4 5
-1 Legendre.
-2 La linealidad mostrada para valores de q ≤ 1.0 de la
Figura 5 sugiere que es aplicable un modelo monofractal,
ln[Pr{Delta_Z h > s}]
-3
-4
con la perspectiva de los procesos multifractales, el caso
α = 0, llamado modelo β (Novikov y Stewart, 1964;
-5
Mandelbrot, 1974; Frisch et al., 1978) tiene una función
-6
de estructura:
-7
-8
ς (q) = C1 + ( H − C1 )q (14)
-9
ln(s)
La Figura 6 muestra este comportamiento para
Figura 2. Patrón experimental de la cola larga de la q ≤ 1.0 de ζ(q), que da un valor de C 1 = 0.0165
distribución de probabilidad.
0
2.5 3 3.5 4 4.5
-1
ln[Pr{Delta_Z h > s}]
-2
h = 100,000 - qd = 2.83
-3
-4
-5
-6
h = 30,000 - qd = 2.86
-7
ln(s)
Figura 3. Estimación de qd para valores de h selectos.
1.8
1.6
1.4
1.2
1
α
0.8
0.6
0.4
0.2
0
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
q
Figura 4. Estimación de α usando diferentes valores de q para aproximar ζ’(q).
262 TERRA LATINOAMERICANA VOLUMEN 27 NÚMERO 3, 2009
0.3
0.25
0.2
ζ(q)
0.15
0.1
0.05
0
qmin qmax
0 1 2 3 4 5 6
q
Figura 5. Función universal de ζ(q) estimada (H = 0.12, α = 1.83 y C1 = 0.033).
y H = 0.1214. Aunque el ajuste es bueno, el por lo que su sentido físico es cuestionable. Para entender
comportamiento observado es producto del valor mínimo que el patrón mostrado en las Figuras 5 y 6 es sólo
en la base de datos que define una divergencia de producto de los valores mínimos de ΔZh, la Figura 7
momentos. muestra la misma gráfica de la Figura 6, pero con la
Usando como referencia una cascada multiplicativa condición de no tomar en cuenta los valores de cero de
binomial, donde la densidad se transmite de la escala ΔZh. En este caso, la codimensión del promedio, C1, es
mayor a la menor, usando valores multiplicativos prácticamente cero.
(generadores) que producen dos singularidades en cada Ninguno de los modelos monofractales (aditivos)
paso de la cascada, el modelo β se genera de una discutidos alcanza evidencia experimental, por lo que
cascada en la cual la densidad se transfiere completa a el modelo multifractal presentado se seleccionó como
un subintervalo inferior de la cascada y el otro tiene adecuado para usarse al definir la función multi-
valor nulo. Así, el modelo β representa el caso de escalamiento del contenido de materia orgánica en los
transferencia de todo o nada en los pasos de la cascada, suelos.
0.14
0.12
0.1
0.08
ζ(q)
0.06
0.04
y = 0.1049x + 0.0165
0.02 R2 = 0.9995
0
0 0.2 0.4 0.6 0.8 1 1.2
q
Figura 6. Modelo β ajustado para q ≤ 1.0.
PAZ ET AL. ANÁLISIS MULTIFRACTAL DEL CARBONO EN SUELOS. 2. DIVERGENCIA DE MOMENTOS ESTADÍSTICOS 263
0.12
0.04
0.02
0.00
0 0.2 0.4 0.6 0.8 1 1.2
q
SEMARNAT-CP (Secretaría de Medio Ambiente y Recursos Tessier, Y., D. Schertzer, and S. Lovejoy. 1993. Universal
Naturales-Colegio de Postgraduados). 2001-2002. Evaluación multifractals: theory and observations for rain and clouds.
de la degradación de los suelos causada por el hombre en la J. Appl. Meteor. 32: 223-250.
República Mexicana, a escala 1:250 000. Memoria Nacional. Tessier, Y., S. Lovejoy, and D. Schertzer. 1994. Multifractal analysis
México, D.F. and simulation of the global meteorological network. J. Appl.
Meteor. 33: 1572-1586.