MÉTODO KRIGING

JOSEPH RODRÍGUEZ MUÑOZ

Trabajo presentado como requisito parcial de la asignatura de SIG PARA INGENIERÍA

CIVIL al docente:

Ing, SERVIO JAVIER CONTRERAS GUERRERO

UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA CIVIL
BOGOTÁ D.C.
2021
 1. ¿Qué es Kriging?
Kriging es un método empleado para el análisis espacial, el cual nos permite estimar los
valores de una variable en lugares no muestreados utilizando los valores proporcionados
por la muestra. Esta basado en modelos estadísticos que incluyen la autocorrelación, es
decir, las relaciones estadísticas entre los puntos medidos. De esta forma se tiene la
capacidad de generar una superficie de predicción y también una medida de la certeza o
precisión de las predicciones.
El método se compone de varios pasos, entre los cuales se incluyen, el análisis estadístico
de los datos, el modelo de variogramas, la creación de la superficie y la exploración de la
superficie de varianza.
La fórmula general para el método se forma como una suma ponderada de los datos:
N
^Z ( S0 ) =∑ λ i Z( S i)
i=1

en donde:
Z(S i)= el valor medido en la ubicación i.

λ i= una ponderación desconocida para el valor medido en la ubicación i.

S0= la ubicación de la predicción.

N= la cantidad de valores medidos.

Las ponderaciones ( λ i ¿ se basan en la distancia entre los puntos medidos, ubicación de la

predicción y la disposición espacial general de los puntos medidos.
1.1 Creación de mapas de la superficie de predicción
Para realizar una predicción con el método de Kriging es necesario: descubrir las reglas
de dependencia y realizar las predicciones.
Para completar esto, el método realiza dos tareas fundamentales:

 Crea los variogramas y las funciones de covarianza para así calcular los valores de
dependencia estadística (autocorrelación espacial) que dependen del modelo de
autocorrelación (ajustar un modelo)
 Predecir los valores desconocidos.

El Kriging se basa especialmente en el semivariograma. Básicamente los semivariogramas

cuantifican la autocorrelación ya que grafican la varianza de todos los pares de datos según
la distancia. Lo mas seguro es que las cosas más cercanas estén mas relacionadas y por lo
tanto presenten una pequeña semivarianza. Por otro lado, las cosas más lejanas están menos
relacionadas y tienen una alta semivarianza.
Teniendo en cuenta los resultados del semivariograma, se puede seleccionar un
semivariograma esférico, circular, exponencial, exponencial, gaussiano o lineal.

Figura 1. Tipos de semivariograma.

Tomado de: https://acolita.com/geoestadistica-interpolacion-con-kriging/

Es importante tener en cuenta que, para aplicar este método, los datos que vamos a utilizar
deben cumplir los siguientes criterios:

 Los datos deben tener una distribución normal.

 Los datos deben ser estacionarios.
 Los datos no pueden tener tendencias.

1.1.2 Componentes de un semivariograma

 Figura 2. Componentes de un semivariograma.

Tomado de: https://desktop.arcgis.com/es/arcmap/10.3/tools/3d-analyst-toolbox/how-kriging-works.htm

Como se observa en la figura 2, la distancia a la cual el modelo comienza a aplanarse se

denomina rango. Las ubicaciones de muestra separadas por distancias menores al rango
están auto correlacionadas espacialmente, mientras que las ubicaciones que están más
alejadas que el rango no lo están.
Por su parte, el valor en el cual el semivariograma alcanza el rango se denomina meseta.
Por último, el Nugget es el valor de intersección de la gráfica con el eje vertical. En teoría
para una distancia 0 el valor del semivariograma debería ser también 0, sin embargo, el
valor de Nugget puede presentarse debido a errores de medición o a fuentes espaciales de
variación a distancias menores que el intervalo de muestreo.
Para terminar, una vez se tiene el modelo ajustado, se puede realizar una predicción. Para
crear una superficie continua del fenómeno, se realizan predicciones para cada ubicación,
basadas en el semivariograma y la disposición espacial de los valores medidos que son
cercanos.
2. Referencias
Desktop.arcgis.com. 2021. Cómo funciona Kriging—Ayuda | ArcGIS for Desktop. [online]
Tomado de: https://desktop.arcgis.com/es/arcmap/10.3/tools/3d-analyst-toolbox/how-
kriging-works.htm
Porras, A., s.f. Método Kriging de inferencia espacial. Diplomado en Análisis de
Información Geoespacial. [online] CDMX. Tomado de:
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