Introducción a la Geoestadística

2008
Sesión
ió 04 Variografía

Relación espacial

Si se conoce como las valores de una

variable se relacionan espacialmente
p
entonces es posible utilizar esta
Up
información para inferir como éstos se
relacionan con valores desconocidos de la
misma variable en una determinada
N E
localización

Esta información puede ser

entonces utilizada para
estimar el valor o ley de un
determinado bloque

1
Ejercicio – gráficos de distancia

Estudiar la relación entre pares de datos de una misma

variable separados por distancias (lag) cada vez mayores
Estudiar el gráfico de distancia como función de distancias
(lag) cada vez mayores
Determinar la media y la varianza para cada lag

Los gráficos de distancia se denominan h-scatter plots en la

literatura geoestadística

h-scatter plots

Determinar todos los pares de muestras separadas por una distancia dada
Graficar en el plano X_Y los pares determinados para inferir el valor de muestras
separadas por la distancia especificada

2
Inferencia de los valores

Inferencia de los valores o leyes de muestras separadas 5 m

Cálculos con varias distancias

La variabilidad de los valores se incrementa a medida que se incrementa la

distancia
Capacidad para predecir valores separados por una cierta distancia

3
Semivarianza

n 2

γ (h ) = ∑ (valor inicial − valor final i )

1
i
2n i =1

Distancia entre los pares (h)

Número de pares (n)
Un par a la vez
Pensar que los valores están conectados mediante una
flecha
Calcular la diferencia entre el valor al inicio y al final de
la flecha
Elevar al cuadrado dicha diferencia
Calcular el promedio de todas las diferencias
cuadráticas obtenidas
Dividirla por dos ! …

Semivarianza

En el ejercicio del gráfico de distancia:

Calc lar la semivarianza
Calcular semi arian a para cada lag
Graficar el semivariograma como función de la semivarianza
versus la distancia
Incluir en el gráfico la varianza para cada lag

4
Semivariograma

Semivarianza como función de

la distancia

Resumen de distintos gráficos

de distancia

Variabilidad y separación

Los valores son cada vez más diferentes a medida que se incrementa la
distancia que los separa

. ..
. .
de los valores

. .
..
Diferencia d

0
Distancia entre los valores

5
Modelado de la variabilidad

Una función especial es utilizada para aproximar las diferencias entre pares de valores
para cualquier distancia dada

. ..
. .
en los valores

. .
..
Variabilidad e

0
Distancia entre los valores

Parámetros del semivariograma

. ..
. .
abilidad en los valores

sill = varianza total

.
Sill

.
.. Valores separados
p Valores separados
p
Varia

Efecto por estas distancias por estas distancias

nugget están espacialmente relacionados No están espacialmente relacionados

0 Zona de influencia en la estructura mineralizada

Distancia entre los valores

6
Forma de la variabilidad

Modelos comúnmente utilizados para asegurar que la varianza de

estimación es positiva
d en los valores

Exponencial

Esférico
Variabilidad

Gaussiano

0
Distancia entre las muestras

Caso de estudio

Distribución log-normal

El log-variograma revela mayor detalle

y diferente orientación
en distancias pequeñas

Variograma tradicional Log variograma

7
 Caso de estudio

30% variograma
indicador
La dirección de anisotropía
cambia a medida que se
incrementa la ley de corte

70% variograma
indicador
50% variograma
indicador

Caso de estudio
Variograma con transformación
Transformación gaussiana
gaussiana
evidencia de distintos grados de
mineralización
Difícil de incluir en la estimación

Variograma indicador
Separa los distintos grados de
Variograma indicador mineralizacion en direcciones relevantes
Puede ser incorporado en la estimación

0.6 g/t 1.0 g/t 1.5 g/t 3.0 g/t

8
 Introducción a la Geoestadística
2008
Sesión
ió 05 Kriging

Técnica de la distancia inversa

Estimado = suma de n muestras ponderadas
=(weight1 * sample1) + (weight2 * sample2) + ... (weightn * samplen)

Pesos = Inverso de la distancia a la localización objetivo

6
1 2 5 + 7.91

( distancia a la localización objetivo ) potencia 1

+ 6.96
+ 4.77
+ 6.06

Potencia
Ef
Efecto pepita l ⇒ Valor
i alto V l de
d lla potencia
i bajo
b j 3
+ 2.27
Efecto pepita elevado ⇒ Valor de la potencia alto 4 7
+ 6.46 + 7.83

Los pesos se normalizan para que su suma sea = 1 (after Isaaks and Srivastava, ‘89)

suma de todas (distancias inversas)potencia

dividir estimado por esta suma

9
 Parámetros para ID
Muestras
N
- mínimo y máximo número de muestras en la vecindad
de búsqueda
- Tipo
Ti dde vecindad
i d d ((octante/elipsoidal)
/ li id l)
- Parámetros vecindad con octantes
- número de octantes
- mínimo y máximo número de muestras por octante
- Rango de búsqueda (3D)
Ponderación
- potencia
- Distacia real o con anisotropía
Definicion del bloque
- Tamaño (3D)
Localización de las muestras

- número de puntos de discretización

Valor de ajuste (top cut)

El concepto de Kriging

Es una técnica que pondera los valores conocidos de acuerdo a la distancia al

punto objetivo
E ti d = suma dde n muestras
Estimado t ponderadas
d d
= (peso 1 * muestra 1) + (peso 2 * muestra 2) + ... (peso n * muestra n)
Los pesos son función de la distancia inversa al punto objetivo

6
2 5 + 7.91
+ 6.96 + 6.06 g (h)
1
+ 4.77
?
variogram

Punto
objetivo Valor de las
3 muestras
+ 2.27
4 7
+ 6.46 + 7.83
0
separation distance
(Isaaks and Srivastava, 1989)

+ Localización de las muestras

10
Hipótesis básicas

El variograma y los parámetros de estimación pueden ser usados para

la estimación de todos los bloques en el dominio en estudio
Diferencia entre los valores de las muestras
determinada únicamente por su posición espacial
Estacionaridad
media y varianza es la misma en todo el dominio
no hay valores extremos
no hay tendencias/derivas

Estimación con kriging

Determina un estimado “óptimo”

De todos los métodos, el estimador de kriging:
g g
Tiene el error más pequeño
Es insesgado (suma de los pesos es igual a 1)
6
2 5 + 7.91 + Localización de la muestra
+ 6.96 + 6.06
1
+ 4.77
?
Localización
Valor de la muestra
objetivo
3
+ 2.27
4 7
+ 6.46 + 7.83

(Isaaks and Srivastava, 1989)

11
 Definición de estimador “óptimo”

Estimador lineal “óptimo”

La estimación es una combinación lineal de los valores de las muestras
Los pesos suman 1
De todos los estimadores lineales, el kriging tiene el menor error
(diferencia entre el valore estimado y el valor real)2 es mínimo
Valores positivos y negativos no se cancelan mutuamente

(estimado – valor real)2 = mínimo (Suma de los pesos - 1) = 0

(estimado – valor real)2 + [ “Lagrange” x (suma de los pesos - 1) ] = mínimo

Measures the impact of adjusting weights to make sure they sum to one

Obtener las condiciones “óptimas”

(estimado – valor real)2 + [“Lagrange” x (Suma de los pesos - 1)] = mínimo

Se puede reescribir como:

([suma de (pesos x valores)] – valor real)2 + [“Lagrange” x (suma de los pesos-1)] = mínimo

Se calcula la derivada de esta ecuación para calcular los pesos que satisfacen:
Suma de los pesos es igual a 1
(diferencia)2 is mínima
El resultado es un sistema de ecuaciones (sistema de ecuaciones del kriging)
Determinación de los pesos

12
 Sistema de ecuaciones del kriging

Correlación entre las

muestras
X Peso = Correlación entre la muestra y
la localizacion objetivo (bloque)
O
6
⎡γ (1,1) γ (1,2) . . . γ (1,7) 1⎤ ⎡ λ 1 ⎤ ⎡γ (•,1) ⎤
. 2 5 + 7.91
⎢γ (2,1) γ (2,2) . . . γ (2,7) 1⎥⎥ ⎢⎢λ 2 ⎥⎥ ⎢γ (•,2)⎥
. 1
+ 6.96 + 6.06
⎢ + 4.77
⎢ . . . 1⎥ ⎢λ 3 ⎥ ⎢γ (•,3)⎥ ?
⎢ ⎥ ⎢ ⎥
1⎥ ⎢λ 4 ⎥ ⎢γ (•,4)⎥
⎢ . . .
=
⎢ . . . 1⎥ ⎢λ 5 ⎥ ⎢γ (•,5)⎥
⎢ ⎥ ⎢ ⎥
⎢ . . . 1⎥ ⎢λ 6 ⎥ ⎢γ (•,6)⎥ 3
⎢γ (7,1) γ (7,2) + 2.27
2 27
. . . . γ (7,7) 1⎥ ⎢λ 7 ⎥ ⎢γ (•,7)⎥
⎢ ⎥ ⎢ ⎥ 4 7
⎢⎣ 1 1 1 1 1 1 1 0⎦⎥ ⎢⎣ μ ⎦⎥ ⎣ ⎢ 1 ⎥⎦ + 6.46 + 7.83

μ = Multiplicador de Lagrange (asegura que la suma

(Isaaks and Srivastava, 1989)
de los pesos es 1)

Estimador de kriging = suma de las muestras ponderadas

Discretización
Variograma de las
Sill total = Varianza de los datos muestras
Varianza del bloque < Varianza de los datos
Es necesario ajustar la varianza debido al cambio en volúmen γ(h)

Volúmen del bloque

Definido mediante una discretización de puntos dentro del
bloque
0 h
Valor del variograma entre los puntos y el bloque
Valor promedio del variograma entre los puntos de Variograma del
discretización del bloque y las muestras bloque
+ + +

. . .. .. ..
+
. . + +
.. + + +

+ + +
Block size 1 Block size 2 Block size 3

13
 Varianza del kriging

Provee información sobre la localización espacial y cobertura de las

muestras
No toma en cuenta los valores de las muestras
Se puede considerar como una medida relativa de la confiabilidad del
valor estimado

-
VARIANZA DEL Suma de la variabilidad
KRIGING = entre las muestras
bloque
m estras y el Variabilidad
en el bloque + Multiplicador
de Lagrange

Parámetros para la estimación con

kriging
N Número de muestras
- mínimo y máximo número de muestras
dentro de la vecindad de búsqueda
- Tipo de vecindad (octantes/elipsoidad)
- Parámetros del octante
- mínimo y máximo número de
muestras en cada sección del octante
- Rango de búsqueda (3D)

Ponderación de las muestras

- Modelo del variograma en 3D

Localización de las muestras Modelo de bloques

- Definición (3D)
- número de puntos de discretización

Valor ajustado

14