Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Representación de variables
continuas en Raster
p.e. ALTITUD (Elevación)
Método de Media Aritmética
• Método más sencillo para determinar el promedio por área.
P1 = 10 mm
P1
P2 = 20 mm
P3 = 30 mm
N
P2
1
P
N
P
i 1
i
P3
10 20 30
P 20 mm
3
P3
1 N
P M Ai Pi 30 A4=12 , p3 = 35
P A
Ai pi i 1
i 1
5 5 18 15 12 25 12 35
P 21.6 mm
47
Método de Distancia Inversa Ponderada
• Predicción en un punto está más influenciado
por las mediciones cercanos que lejanos que
por medidas.
P1=10
• La predicción en un punto medido es
inversamente proporcional a la distancia a los
puntos de medición P2= 20 d1=25
N Pi
d
2
10 20 30
2 2
d12 x1 x2 2
y1 y2
2
Pˆ
i 1 i
Pˆ 25 2
15 10 25.24 mm
N
1 1 1 1
2
i 1 d i
25 2 152 10 2
Relación entre la triangulación de Delaunay, el diagrama de Voronoi y la
interpolación por vecino más cercano para una muestra de nueve puntos.
Métodos de interpolación:
n
Z ( x0 ) i Z ( xi ), i dependen de la autocorrel ación
i 1
Generalidades
La variable espacial que se desea interpolar es aleatoria
espacialmente.
Anisotropía
Anisotropía
Esta función permite medir la relación que existe entre los datos de
acuerdo con la cercanía (h) entre los sitios
E Z x Z ( x h)
2
Correlograma
Semivariograma
Meseta
Pepita Rango h
Variograma
Ilustración
44 40 42 40 39 37 36
42 43 42 39 39 41 40 38
37 37 37 35 38 37 37 33 34
35 38 35 37 36 36 35 200
36 35 36 35 34 33 32 29 28
38 37 35 30 29 30 32
100
Calculo de Semivariograma
Distancia Semivariograma
Semivariograma
100 3.403 25
20
200 6.258
15
500 19.750 10
5
775 23.259
0
0 100200300400500600700800900
Semivariograma experimental – Ajuste de un método teórico
30
25
Semivarianza
20
Semivariograma
15
Gaussiano
10
0
0 200 400 600 800 1000
Distancia (h)
h2
Modelo de Variograma
( h) C1 1 exp
Gaussiano 2
a
Variograma “cloud” (Nube)
T h is is a n e x a m p le o f
a v a r io g r a m p r o d u c e d
u s in g A r c G I S 's
G e o s t a t is t ic a l A n a ly s t .
[ Z ( si ) Z ( s j )]2
ij
2
Modelos teóricos de variogramas
3 h 1 h 3
C1 ha
Esférico ( h) 2 a 2 a
C1 ha
3h
Exponencial ( h) C1 1 exp
a
h2
( h) C1 1 exp
Gaussiano
2
a
0 if h 0
Efecto Nugget ( h)
1 otro caso
Modelos
Semivariogramas
Comparación de modelos teóricos
(Variogramas)
30
25
20
Semivariograma
Esférico
15 Exponencial
Gaussiano
10
0
0 50 100 150 200 250 300
Distancia(h)
Etapas de un análisis Geoestadístico:
Semivariograma-correlograma
Caso estacionario
Etapas de un análisis Geoestadístico:
Caso no estacionario
Análisis Geoestadístico:
Estacionario
No estacionario
Propósito de un análisis Geoestadístico:
S o u th w e s t C o rn e r o f th e
M o r r is o n Q u a d r a n g le
Kriging
Predicción Espacial Kriging
Propiedades
TIPO DE
KRIGING
Son mejores
Indicador
Log-Normal predictores así no
No Lineal haya normalidad
Gaussiano
multivariada,
La técnica de krigeado modeliza la distribución espacial como una
función de datos observacionales a través de una región sin
conocimientos previos de la distribución de sus causas físicas
subyacentes.
Se asume que los datos más cercanos a un punto conocido tienen mayor peso
o influencia sobre la interpolación, influencia que va disminuyendo conforme
se aleja del punto de interés.
Kriging residual (procedimiento):
s in eal
ore ia L
e err d e nc
n d Te n
ic ció
d
Pre