“Análisis Geoestadístico”

POR : ING RENZO BENAVENTE APAZA

 Contenido

¿Qué es la geoestadística?

Un poco de historia

Ámbito de aplicación

Propósito de la geoestadística

Pasos para desarrollar un estudio geoestadístico

Ejemplo
 ¿Qué es la geoestadística ?

Definición
La geoestadística comprende a un conjunto de herramientas y técnicas
que sirven para analizar y predecir los valores de una variable que se
muestra distribuida en el espacio, o en el tiempo, de una forma continua.

Otra definición
Se considera como la aplicación de la Teoría de Funciones Aleatorias al
reconocimiento y estimación de fenómenos naturales.

Debido a su aplicación orientada a los SIG, también se podría definir

como la estadística relacionada con los datos geográficos, de ahí que se
le considera parte de la Estadística Espacial.
 La teoría de Variables Regionalizadas

La geoestadística es la aplicación de la teoría de las variables regionalizadas.

De manera general, un fenómeno es regionalizado cuando se desplaza en el

espacio, manifestando una cierta estructura.

• Un aspecto aleatorio.

• Los puntos cercanos en el espacio/tiempo suelen adoptar valores similares.

(G.Matheron)
 Un poco de historia
•“Student” (1911) : parcelas más cercanas dan resultados más similares.

• Fisher (1925): reducir los efectos de la variabilidad espacial.

• Años 40-50 : Ingenieros de minas de oro de Sudáfrica (H.Sichel y D.G. Krige)

desarrollan un procedimiento empírico basado en la estimación ponderada.

•Años 60: G. Matheron: “La teoría de las variables regionalizadas”.

(Escuela de Minas de Paris, Fontainebleau, Francia)

• Años 80: Aplicación a las ciencias del suelo por R. Webster y estudiantes.
(P. Burrough, A. McBratney, ...)

Se ha desarrollado en los últimos 30 años como ciencia aplicada.

 Aplicación de la geoestadística
La geoestadística ha sido ampliamente aplicada en diversas ramas de las
ciencias y en las ingenierías, entre otras tenemos:

•Minería •Estudios forestales

•Petróleo •Salud pública
•Pesca •Ingeniería civil
•Agricultura •Teledetección
•Ciencias del mar •Cartografía
•Hidrogeología •Finanzas
•Medio ambiente •Meteorología
•Edafología, •etc
 Aplicación de la geoestadística
Igualmente aplicable a:

• Salinidad del suelo

• Contaminación por metales pesados

• Precipitación

• Presión atmosférica

• Partículas en el aire

• ...

⇒ Todas estas variables ambientales son continuas, pero sólo

podemos observarlas en algunos puntos concretos.
 Propósito de la geoestadística

A partir de escasa información conocida estimar o predecir el valor de

una variable en localidades donde no se conoce.

Geoestadística:

Estimar, o predecir espacialmente,

sin sesgo y con un error mínimo.
Pasos de un estudio geoestadístico

1. Análisis exploratorio de los datos

2. Análisis estructural, construcción del semivariograma

3. Interpolación o estimación espacial – kriging

 1. Análisis exploratorio
Estadística descriptiva
Medidas de tendencia central (resumen todos los valores de una
muestra), media, mediana y moda son las más habituales.

Medidas de dispersión (calculan hasta qué punto la muestra se agrupa o

no en torno a esos promedios).

Calibrar la confianza de las muestras a través de tres estadímetros

básicos: la desviación estándar de la muestra, la curtosis y la asimetría.
 Representación espacial
Distribución de 64 estaciones meteorológicas en el estado de Aguascalientes, de
fondo el modelo digital de elevación.
 Representar la variación
El histograma

¿Qué aprendemos del histograma?

• Tipo de distribución
• Distribución uni-modal, multi-modal
• Aparición de valores extremos y outliers
 Representar la variación
Caja y bigote

Estos diagramas se basan en los siguientes parámetros de la distribución:

valor mínimo, los cuartiles Q 1, Q 2 y Q 3 y el valor máximo.

El rango intercuartílico = Q3 - Q1 = 14,5;

es decir, el 50% de la población está
comprendida.
 Medidas de dispersión

• La varianza, cuantifica la dispersión entorno a la media

• Desviación Estándar
• Coeficiente de variación (dispersión relativa)
• Coeficiente de simetría (medida de la simetría)
• Coeficiente de curtosis (medida del achatamiento)
 Descripción bi-variada
Cuando se dispone de observaciones de dos variables en los mismos puntos

Gráficos de dispersión Coeficiente de correlación

 Representación de muestras
Los conjuntos 1 y 2 son estadísticamente equivalentes.
El tamaño de los puntos es proporcional al valor.

Distribución de valores aleatoria.

Muestra 1 Muestra 2

Se distingue una marcada anisotropía, es

decir, una dirección
 2. Análisis estructural

Se estudia la continuidad espacial de la variable. En esta etapa

se calcula el semivariograma experimental, se ajusta al mismo
un semivariograma teórico y se analiza e interpreta dicho ajuste
al modelo paramétrico seleccionado.

• Cuantificación de la correlación espacial y su estructura

• Cálculo del semivariograma experimental
• Analizarlo e interpretarlo
• Ajustar un modelo teórico
 ¿Qué es el semivariograma?

Es una función matemática que nos permite estudiar las diferencias

entre muestras y la direccionalidad (anisotropía) de los valores.

Es decir, el cálculo del semivariograma experimental es la herramienta

geoestadística más importante en la determinación de las características
de variabilidad y correlación espacial del fenómeno estudiado, esto es,
tener conocimiento de cómo la variable cambia de una localización a
otra.

Np ( h )

 Z ( x )  Z ( xi  h)
1
 (h)  i
2

2 Np(h) i 1
 Los parámetros del semivariograma caracterizan tres
elementos
El efecto pepita (nugget): fluctuaciones aleatorias de la variable o a errores en el
muestreo (sí inicia en el origen varianza 0).

La meseta (still): valor de  (h) para el cual el aumento de h su valor permanece

constante.

El alcance (range): Es la distancia h para la cual los valores de la variable dejan

de estar correlacionadas.
 ¿ Pero cómo se construye un semivariograma experimental ?

Imaginemos una malla cuadrada donde se han tomado una serie de

muestras con determinados valores y las distancias entre muestras es de
100 m.
 ¿ de dónde salen los puntos en un gráfico de esta naturaleza ?

El primer punto de nuestra función  (h) vendrá dado por  (100).

Y así continuaríamos con γ(300), γ(400), γ(500).

En este caso estamos realizando un

semivariograma experimental O - E.
 Variabilidad anisotrópica
1. Isotropía: La variación espacial de la variable bajo estudio es igual en todas
la direcciones.

2. Anisotropía: La variación espacial de la variable no depende solamente

de h también de la dirección.
Muestreo irregular en una dimensión:
Elegir h con cuidado:
• demasiado grande (semivariograma demasiado suavizado).

• demasiado pequeño (semivariograma errático porque no hay

bastantes pares de puntos en cada clase de h).
 Modelar el semivariograma
El semivariograma experimental se ajusta a un modelo teórico. El ajuste a una
función permite extraer una serie de parámetros que son los que van a ser
usados para la interpolación geoestadística (kriging) y que definen el grado y
escala de variación espacial.
Modelos teóricos de semivariogramas más utilizados en la práctica.

Efecto de Pepita Esférico Exponencial

Gaussiano Función potencia Lineal

 3. Estimación espacial

Predicciones

Estimaciones de la variable en los puntos no muestreados, considerando la

estructura de correlación espacial seleccionada e integrando la información
obtenida de forma directa, en los puntos muestreados, así como la conseguida
indirectamente en forma de tendencias conocidas u observadas. También se
pueden realizar simulaciones, teniendo en cuenta los patrones de continuidad
espacial elegidos.
 Estimación espacial

Kriging método de predicción espacial que se fundamenta en la minimización del error

cuadrático medio.

• Este nombre apareció alrededor de 1960 para nombrar una técnica creada en Francia
por Matheron a partir de los trabajos de D. G. Krige quién fue el primero que hizo uso de
la correlación espacial.

Tipos de Kriging lineales más usados

• Kriging Simple
• Kriging Ordinario
• Kriging Universal
 Kriging
1. El estimador Kriging se considera óptimo ya que es:

2. El interpolador de la geoestadística, que sí utiliza los resultados discutidos del análisis

estructural.

3. Insesgado, es decir, el valor esperado del error es cero.

4. Minimiza la varianza de la estimación, reduce al mínimo la varianza del error.

5. Estimador en puntos donde no se dispone de observaciones (nodos de una retícula regular)

6. Considera la correlación espacial (el semivariograma).

7. Estimación puntual o en bloques (2, 3 D).

8. Estimación basada en el conocimiento de las covarianzas (semivariograma), dirección y

distancia entre las variables aleatorias en los puntos de observación.
 ¿Qué se obtiene como producto?
El resultado final es un mapa de interpolación donde nuestros valores Z, se
ajustan a los parámetros obtenidos en los pasos anteriores, y podemos estimar
el valor de Z en cualquiera de los nodos generados.

Datos del conjunto 2 y en cada punto Mapa obtenido para el conjunto de

el valor real Z. datos 2, con los siguientes parámetros:
modelo de semivariograma: esférico;
anisotropía; dirección N 32.51º.
 Ejemplo
Mapas
Mapas que muestran la distribución en espacio (municipio) y tiempo (semana de muestreo)
del chapulín de la milpa en el estado de Guanajuato. Causa daños en: sorgo, maíz,
calabaza y alfalfa, esto en algunos estados porque en Oaxaca no solo los comen también
los crían.
El análisis se realizó utilizando método kriging para la interpolación.
La utilidad de esto es para definir dónde comenzar el control de la plaga de acuerdo a su
aparición y densidad.
 Ejemplo
Mapas
Mapas que muestran las Chinches café, plagas del sorgo, se alimenta de los granos del
sorgo que aún no están maduros por lo que cuando hay mucha plaga puede disminuir el
rendimiento en más del 60%.
 Conclusiones

Hasta aquí hemos expuesto los elementos fundamentales de la

geoestadística y que toma auge en otros campos de las Ciencias de la
Tierra. Es importante destacar que la estimación a través del kriging, se
hace buscando y utilizando las características de continuidad espacial
del fenómeno estudiado, características que constituyen la contribución
fundamental de la geoestadística.
 Cito las contribuciones de algunos autores.

• Cressie, N. 1993 Statistics for spatial data.

• Isaaks, E.H., Srivastava, R.M., 1989. An introduction to applied geostatistics. Oxford
University Press, Nueva York.
• Journel, A.G. y C.J. Huijbregts, 1978. Mining Geostatistics. Academic Press, Londres.
• Armstrong, M., 1998. Basic Linear Geostatistics. Springer Verlag, Berlin.
• Chilés, J.P. y P. Delfiner, 1999. Geostatistics. Modeling Spatial Uncertainty. John Wiley
& Sons, Nueva York.
• David, M., 1977. Geostatistical Ore Reserve Estimation. Elsevier Scientific Publishing
Company, Amsterdam.
• Davis, J.C., 1973. Statistics and Data Analysis in Geology. John Wiley & Sons, Nueva
York.
• Deutsch, C.V. y A.G. Journel, 1998. GSLIB: Geostatistical Software Library and User’s
Guide (segunda edición). Oxford University Press, Nueva York.
• Goovaerts, P., 1997. Geostatistics for Natural Resources Evaluation. Oxford University
Press, Nueva York.
 Por su atención

¡Gracias!
rbenavente@continetal.edu.pe