GEOESTADISTICA

Grupo de Ros y Embaleses, Universidad de Granada
Crdoba, ETSIAM, 22/05/2003

1
Introduccin a la
Geoestadstica
Karl Vanderlinden
Grupo de Ros y Embalses
Universidad de Granada
2
Contenido
Qu es la geoestadstica?
Por qu geoestadstica?
mbitos de aplicacin
Un poco de historia ...
Dnde encontrar ms informacin?
Pasos de un estudio geoestadstico
Introduccin a la geoestadstica
3
Qu es la geoestadstica ?
Definicin:Estudio estadstico de fenmenos naturales que se
distribuyen de forma continua en el espacio y/o el tiempo
Tradicionalmente: GEO = geologa (minera)
Ahora: GEO = geogrfico (SIG)
Definiciones alternativas:
Estadstica aplicada a datos geogrficos
Estadstica espacial
Gestin, tratamiento e interpretacin de datos espaciales
Descripcin cuantitativa de variables naturales que se
distribuyen en el espacio o en el espacio y el tiempo
(Chils y Delfiner, 1999)
4
Por qu geoestadstica? (1)
Ejemplo (Webster y Oliver, 2001).
Un agricultor quiere que se le determine el contenido en fsforo del
suelo de su finca.
No quiere el valor medio de cada parcela, sino informacin ms
detallada, de modo que pueda fertilizar solamente donde el suelo
resulta deficiente en fsforo.
toma de muestras de suelo, secar, tamizar, extraer fsforo y medirlo
en los extractos.
costoso, consume mucho tiempo
Contenido en fsforo en todos los puntos de muestreo
El agricultor quiere informacin continua, en todos los
puntos de su finca.
5
Cmo obtener informacin en puntos no
muestreados?
Cmo se relacionan los pequeos volmenes de suelo
de las muestras con los bloques de de tierra que trata el
agricultor con su maquinaria (p. ej. 24 m de ancho).
Cuntas muestras de suelo hay que tomar, y dnde,
para que esta informacin sea fiable.
Gasto para obtener esta
informacin (muestreo de
suelo + anlisis)
Argumentos agronmicos
Argumentos ambientales
Beneficio econmico de la
aplicacin localizada de fsforo
(Agricultura de Precisin)
Usar datos dispersos y asequibles para estimar, o
predecir, el contenido medio en fsforo en bloques
de suelo de 24 x 24 m.
6
Un agricultor (tecnolgicamente avanzado) puede
hoy da:
Posicionar su maquinaria en el campo con una
precisin de < 2 m
Puede medir y registrar la produccin de los
cultivos continuamente durante la cosecha
Puede regular la cantidad de fertilizante
suministrada segn la cantidad requerida
Pero cmo puede obtener la informacin
sobre el estado nutricional del suelo a un precio
razonable?
GEOESTADSTICA
7
Igualmente aplicable a:
Salinidad del suelo
Contaminacin por metales pesados
Precipitacin
Presin atmosfrica
Partculas en el aire
...
Todas estas variables ambientales son continuas, pero slo
podemos observarlas en algunos puntos concretos.
Geoestadstica: Estimar, o predecir espacialmente, sin sesgo y con
un error mnimo.
8
mbitos de aplicacin
Minera
Industria Petrolfera
Geologa
Meteorologa, Climatologa
Cartografa de suelos, Edafologa
Hidrologa y Geohidrologa
Silvicultura
Ecologa
Patologa vegetal
Epidemiologa
Entomologa
Ciencias Ambientales
Remediacin de suelos contaminados
Salud Pblica
...
9
Un poco de historia ... (1)
Mercer y Hall (1911): varianza entre parcelas (produccin) disminuye
cuando el tamao de las parcelas aumenta, hasta un cierto lmite.
Student: parcelas ms cercanas dan resultados ms similares
(dependencia espacial, alcance de correlacin, efecto pepita).
Fisher (1925): anlisis de varianza, reducir los efectos de la variabilidad
espacial.
Youden y Mehlich (1937): escala de variacin espacial, variacin para
diferentes distancias de separacin y diseo de muestreos adicionales.
Kolmogorov (aos 30): correlacin espacial (y funcin estructural para
describirla, el variograma), interpolacin ptima (kriging).
Matrn (1960): covariograma espacial, silvicultura
Gandin (1965): climatologa, evaluacin de redes de observatorios.
Aos 40-50: Ingenieros de minas de oro de Sudfrica (H. Sichel y D.G.
Krige) desarrollan un procedimiento emprico basado en la estimacin
ponderada.
10
Un poco de historia ... (2)
Aos 60: G. Matheron: La teora de las variables regionalizadas
(Escuela de Minas de Paris, Fontainebleau, Francia)
poca difusin, muy complicado, base de la geoestadstica de hoy da
Aos 70: Aparicin de textos en Ingls ( A. Journel, Stanford, y M. David,
Montreal). Aplicado principalmente a la minera.
Aos 80: Aplicacin a las ciencias del suelo por R. Webster y estudiantes
(P. Burrough, A. McBratney, ...)
1989: An Introduction to applied geostatistics (Isaaks y Srivastava):
Texto muy didctico.
Amplia difusin y aplicacin de la geoestadstica
11
Dnde encontrar ms
informacin ?
Armstrong, M., 1998. Basic Linear Geostatistics. Springer Verlag,
Berlin.
Chils, 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 Users Guide (segunda edicin). Oxford University Press,
Nueva York.
LIBROS (1)
12
Dnde encontrar ms
informacin ?
*Goovaerts, P., 1997. Geostatistics for Natural Resources Evaluation.
Oxford University Press, Nueva York.
*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.
*Oliver, M.A. y R. Webster, 1990. Statistical Methods in Soil and Land
Resource Survey. Oxford University Press, Oxford.
Pannatier, Y., 1996. VARIOWIN: Software for Spatial Data Analysis in
2D. Springer Verlag, Nueva York.
LIBROS (2)
13
Dnde encontrar ms
informacin ?
*Webster R. y M.A. Oliver, 2001. Geostatistics for Environmental
Scientists. John Wiley & Sons, Chichester.
Christakos, G., P. Bogaert y M.Serre, 2002. Temporal GIS. Advanced
Functions for Field-Based Applications. Springer. Heidelberg.
LIBROS (3)
REVISTAS
Mathematical Geology, Geoderma, European Journal of Soil Sciences,
Computers and Geosciences, Water Resources Research, Soil
Science Society of America Journal, ...
14
Dnde encontrar ms
informacin ?
Enlaces www
Ai-geostats: http://www.ai-geostats.org
Geostatistical Analysis Tutor: http://uncert.mines.edu/tutor/
Pierre Goovaerts: http://www-personal.engin.umich.edu/~goovaert/
Workgroup on Pedometrics:
http://www-personal.engin.umich.edu/~goovaert/pedometrics.html.
The Australian Centre for Precision Agriculture:
http://www.usyd.edu.au/su/agric/acpa/
Programas informticos
Geo-EAS, GSLIB, GSTAT, VARIOWIN, VESPER, R+, SADA, WINGSLIB,
GS+, S+, MATLAB, IDRISI, SURFER, ARCGIS GEOSTATISTICAL
ANALIST, ...
15
Pasos de un estudio
geoestadstico.
1. Anlisis exploratorio de los datos
2. Anlisis estructural o variografa
3. Interpolacin o estimacin espacial - krigeado
4. Validacin del modelo geoestadstico
16
Anlisis exploratorio
Introduccin a la geoestadstica Anlisis exploratorio
Primer paso de cualquier anlisis -(geo)estadstico o no- de
datos.
Go beyond the data o familiarizarse con el conjunto de
datos.
Representar los datos en figuras y diagramas en vez de
analizar directamente listados en formato tabular
Identificar observaciones sospechosas
Calcular los estadsticos descriptivos: resumir los datos
Datos geogrficos: controlar la posicin
Identificar las poblaciones
Caracterizar la funcin de distribucin y proponer alguna
transformacin de los datos si no es normal.
17
0 25 50 75 100km
0 300 600 900 1200 1500 1800 2100 2400 2700 3000 3300 Altitud (m)
estaciones de interior
estaciones costeras
Representacin espacial
Localizacin de 160 observatorios meteorolgicos de interior (a ms de 10 km de
la costa) y 31 costeros en Andaluca. El mapa de fondo es el MDE junto con los
limites de las 8 provincia.
18
Estadstica descriptiva
Representar la variacin ...
El histograma
ETo (mm/ao)
1445.0 1375.0 1305.0 1235.0 1165.0 1095.0 1025.0 955.0
N
m
e
r
o
40
35
30
25
20
15
10
5
0
ETo interior (mm/ao)
1445.0 1375.0 1305.0 1235.0 1165.0 1095.0 1025.0 955.0
N
m
e
r
o
40
35
30
25
20
15
10
5
0
ETo costa (mm/ao)
1445.0 1375.0 1305.0 1235.0 1165.0 1095.0 1025.0 955.0
N
m
e
r
o
40
35
30
25
20
15
10
5
0
19
Qu aprendemos
del histograma?
Estimacin de la funcin de densidad
Tipo de distribucin (Normal, log-normal, ...)
Distribucin uni-modal, multi-modal
Aparicin de valores extremos y outliers
Variabilidad del fenmeno
Histograma
bi-modal
Histograma
acumulativo
20
Diagramas de cajas y bigotes (Box & Whisker plots)
0
4
8
12
16
z
-4
-2
0
2
4
l
n
(
z
)
cuartil superior (CS)
cuartil inferior (CI)
mediana (M)
Intervalo intercuartilico (IIC)
< CI 1.5 IIC
> CS + 1.5 IIC
21
Diagramas de cajas y bigotes (Box & Whisker plots)
Estaciones de interior Estaciones costeras
DC NV OC SP AG JL JN MY AB MZ FB EN
E
T
o

(
m
m
/
m
e
s
)
250
200
150
100
50
0
DC NV OC SP AG JL JN MY AB MZ FB EN
E
T
o

(
m
m
/
m
e
s
)
250
200
150
100
50
0
22
Tratar datos con una distribucin sesgada:
transformacin logartmica
-4 -3 -2 -1 0 1 2 3 4
ln (z)
0
0.04
0.08
0.12
0.16
0.2
F
r
e
c
u
e
n
c
i
a
-1 0 1 2 3 4 5 6 7 8 9
z
0
0.04
0.08
0.12
0.16
0.2
F
r
e
c
u
e
n
c
i
a
23
Medidas de centralizacin ...
La media aritmtica:
sensible para valores
extremos
La moda:
insensible para
valores extremos
La mediana:
sensible para valores
extremos
sensible para la ausencia
de datos en la parte central
de la distribucin
( ) ( =

E Z u
El valor que aparece con mayor
frecuencia
El valor central cuando los datos se
ordenan de menor a mayor. El 50 %
de los valores son inferiores y el 50 %
superiores
( )
=
=

1
1
n
m z
n
u
24
Distribucin simtrica: media = moda = mediana
z
f
(
z
)
0
0.25
0.5
0.75
1
F
(
z
)
funcin de densidad
funcin de distribucin
M CI CS
25
Distribucin asimtrica: (moda mediana) 2 (mediana media)
z
f
(
z
)
0
0.25
0.5
0.75
1
F
(
z
)
funci n de densidad
funci n de distribucin
M CS CI
M
o
d
a
M
e
d
i
a
26
Medidas de dispersin ...
La varianza:

( )
( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( )
2
2
2
2 2
2 2
1 1
1 1
n n
var Z u
E Z u E Z u
E Z u
s z u m z u m
n n

= =
( =

(
( =

(

(
=

= =

cuantifica la dispersin entorno a la media
en unidades de medicin al cuadrado
aditivo
muy sensible para valores extremos
raz cuadrada: la desviacin tpica, s
27
La varianza:
Hay que corregir la frmula anterior porque no podemos muestrear
la poblacin entera, solamente disponemos de una muestra que
consiste de un limitado numero de observaciones

( ) ( )
2
2
1
1
1
n
s z u m
n

=
=

Error estndar:
( )
2
s m s n =
Varianza de estimacin:
( )
2 2
s m s n = ( )
2
E m
(

La desviacin tpica de medias de muestras
de n observaciones
Cuanto ms grande la muestra, ms
confianza podemos tener en m
28
Expresa la dispersin en trminos relativos
P.ej.: cuando una propiedad ha sido medida en dos zonas
diferentes con valores similares de s, pero diferentes de m.
Medida de la asimetra de distribuciones positivamente sesgadas
Indicador preliminar de posibles problemas para la estimacin
local:
El coeficiente de variacin:
100
s
CV %
m
=
<100 % sin problemas
100-200 % dificultades con valores extremos
>200 % grandes dificultades con valores extremos
El Intervalo intercuartilico (IIC):
En unidades de medicin
Insensible para valores extremos
29
Mide la asimetra de la distribucin
CS = 0 distribucin simtrica
CS > 0 sesgo positivo (la funcin de densidad muestra una
cola larga por la derecha)
CS < 0 sesgo negativo (la funcin de densidad muestra una
cola larga por la izquierda)
El coeficiente de sesgo (CS):
Tercer momento entorno a la media:
El CS se define como:
( ) ( )
3
3
1
1
1
n
m z u m
n

=
=

3 3 3
3
3
2 2
2
m m m
CS
s
m m
m
= = =
30
CS < 0 CS = 0 CS > 0
El coeficiente de sesgo (CS):
0 < CS 0.5 no es necesario transformar los datos
0.5 < CS 1
CS > 1 ln o log
Transformar los datos (Webster, 2001)
31
Mide la forma del pico de la distribucin de densidad
CS = 0 distribucin normal
CS > 0 distribucin ms puntiaguda que la normal
CS < 0 distribucin menos puntiaguda que la normal
El coeficiente de curtosis (CC):
Cuarto momento entorno a la media:
El CC se define como:
( ) ( )
4
4
1
1
1
n
m z u m
n

=
=

( )
3 3
2 2 4
2
2
3 3 3
m m m
CC
m s
s
= = =
32
Descripcin bi-variada
cuando se dispone de observaciones de dos variables en
los mismos puntos, u
Grficos de dispersin
Para distribuciones muy sesgadas
se puede necesitar dos grficos
para representar con ms detalle
los puntos cerca del origen.
Otra solucin: usar una escala
logartmica
0 200 400 600 800 1000 1200 1400
Elevation (m)
900
1000
1100
1200
1300
1400
1500
E
T
o

(
m
m

y
e
a
r
-
1
)
All stations
Y = 1342.3 + 0.00697 X - 0.000234 X
2
R
2
= 0.628
33
Coeficiente de correlacin:
2
2 2
, y 1 1
ij
ij ij
i j
s
s s
=
34
Coeficiente de correlacin: deficiencias
Mide la dependencia lineal
Sensible para
valores
extremos
Requiere un control visual del grfico de dispersin
35
Coeficiente de correlacin de Spearman
(Rank correlation coefficient)
1. Ordenar todas las
observaciones de menor
a mayor
2. Calcular la correlacin
entre valores de orden de
cada variable
36
Coeficiente de correlacin de Spearman
(Rank correlation coefficient)
rank
>
Relacin montona pero no lineal
Algunos valores extremos
estropean una buena correlacin
rank
<
Algunos valores extremos mejoran
artificialmente una mala correlacin
estropean una buena correlacin
37
Anlisis estructural o
variografa
Cuantificacin de la correlacin espacial y su
estructura
Clculo del semivariograma muestral o experimental
Analizarlo e interpretarlo
Ajustar un modelo terico
Introduccin a la geoestadstica Variografa
38
La teora de las variables
regionalizadas (1)
Las variables espaciales no suelen ser totalmente aleatorias, pero
muestran una forma de estructura en su variabilidad espacial:
Los puntos cercanos en el espacio/tiempo suelen adoptar
valores similares
Variable Regionalizada, VR (G. Matheron)
Geoestadstica: Aplicacin de mtodos probabilsticos a variables
regionalizadas.
= Variable Aleatoria (VA) que se distribuye espacialmente
39
regionalizadas (2)
La teora de las variables regionalizadas supone que se puede
expresar la variacin de cualquier variable como la suma de tres
componentes bsicos:
Componente estructural, (u): media constante o deriva, funcin
determinstica
Componente aleatorio, espacialmente correlacionado, (u):
estocstico, localmente variable y espacialmente dependiente,
residuos de (u): la variable regionalizada
Ruido blanco, espacialmente independiente, (u): error aleatorio
residual con N(0,1)
( ) ( ) ( ) ( )
Z = + + u u u u
40
regionalizadas (3)
(i) (ii) (iii)
( ) ( ) ( ) ( )
Z m = + + u u u u
41
regionalizadas (4)
El concepto de la Funcin Aleatoria (FA):
42
regionalizadas (5)
Hiptesis de Estacionariedad:
Suponer estacionariedad para poder tratar los datos en
diferentes puntos como si fueran diferentes realizaciones
de la propiedad.
Estacionariedad significa que la funcin de distribucin del
proceso aleatorio tiene caractersticos que son iguales en
todos los puntos (primer y segundo momento).
43
La funcin de autocorrelacin
( ) ( ) ( ) ( )
2
C C , con C = = h h 0 0
la covarianza para el paso h =0, C(0), es
igual a la varianza,
2
sin dimensiones
bajo condiciones de estacionariedad de
segundo orden:
( ) ( ) ( ) ( ) ( ) { }
C C C 1- = = h 0 h 0 h
( ) ( ) ( ) { }
2 2
C 1- = = h h h
0 h
0
covarianza, C(h)
semivarianza, (h)
varianza, C(0) =
2
( ) ( ) ( ) { } ( ) { }

(
= =

,
i j i j
C C E Z Z u u h u u
=
i j
h u u
( ) ( ) ( ) ( ) { } ( )
2
2 var Z Z E Z Z
(
( + = + =

u u h u u h h
44
C(h) y (h) son continuas en h =0
C(h): C(0) =
2
C() = 0
(h): (0) = 0 () =
2
En la prctica: efecto pepita = error de
medicin + variacin a distancias
inferiores al intervalo de muestreo
(nugget variance o nugget effect)
Autocorrelacin: -1 (h) 1 y (0) = 1
Simetra en el espacio: C(h) = C(-h), (h) = (-h) y (h) = (-h)
representar solamente la parte derecha de las funciones ( h0)
Continuidad espacial:
en teora
efecto
pepita
0 h
0
(
h
)
en la prctica
Caractersticas de las funciones
de correlacin espacial (1)
45
Montonamente creciente: la disimilitud aumenta cuando h aumenta
Meseta y alcance (sill y range): bajo condiciones de
estacionariedad de segundo orden el variograma alcanza un lmite
superior, la meseta, para un cierto h, el alcance.
alcance
efecto
pepita
0 h
0
(
h
)
meseta
2
dependencia
espacial
independencia
espacial
46
47
Cmo calcular el variograma? (1)
(semi)variograma experimental = (semi)variograma muestral
se calcula mediante un algoritmo que depende de la configuracin
espacial de los datos (1D, regular e irregular o 2D, regular e
irregular).
( )
( )
( ) ( ) { }
( )
2
1
1
2
N
z z
N

=
= +
h
h u u h
h
N(h): nmero de pares de observaciones separadas
por el vector h
h: vector de separacin, determina la distancia entre
dos observaciones en una cierta direccin
48
h = 1: (10-7)
2
+(11-10)
2
+(13 - 11)
2
+(12-13)
2
+(14-12)
2
+(12-14)
2
+(13-12)
2
+(10-13)
2
+(11-10)
2
+(9-11)
2
+(8-9)
2
= 39
N(1) = 11
Muestreo regular en una dimensin:
1 2 3 4 5 6 7 8 9 10 11 12
u
0
2
4
6
8
10
12
14
Z
7
10
11
13
12
14
12
13
10
11
9
8
( )
( )
( ) ( ) { }
( )
2
1
1
2
N
z z
N

=
= +
h
h u u h
h
( )
39 22 1.78 = = 1
h = 2: (11-7)
2
+(13 - 10)
2
+(12-11)
2
+(14-13)
2
+(12-12)
2
+(13-14)
2
+(10-12)
2
+(11-13)
2
+(9-10)
2
+(8-11)
2
= 46
N(2) = 10
( )
46 20 2.30 = = 2
49
Muestreo regular en una dimensin:
1
2
3
4
5
6
11
10
9
8
7
6
39
46
88
89
108
73
1.78
2.30
4.89
5.56
7.71
6.08
( ) ( ) { }
( )
2
1
N
z z

=
+
h
u u h ( ) h
h N(h)
0 1 2 3 4 5 6
h
0
2
4
6
8
(
h
)
50
Muestreo irregular en una dimensin:
u
agrupar en clases todas las distancias de separacin
clase h
i
= [h
i
- tol, h
i
+ tol]
como h
i
se emplea la h media de [h
i
- tol, h
i
+ tol]
elegir h con cuidado: demasiado grande (variograma demasiado
suavizado) demasiado pequeo (variograma errtico porque no
hay bastante pares de puntos en cada clase de h)
punto de partida: h = distancia media hasta el punto ms cercano
y tol = h/2
51
Muestreo irregular en dos dimensiones:
agrupar en clases de h segn la direccin
y la distancia
x
yy
52
Mapas de semivarianza:
Semivarianza normalizada
0 0.5 1 1.5 2 2.5
-150 -100 -50 0 50 100 150
Distancia direccin E-O (km)
-100
-50
0
50
100
D
i
s
t
a
n
c
i
a

d
i
r
e
c
c
i
n

N
-
S

(
k
m
)
AO
semivarianza
de la variable
transformada
0 100 200 300
Distancia direccin X (m)
-200
-100
0
100
200
D
i
s
t
a
n
c
i
a

d
i
r
e
c
c
i
n

Y

(
m
)
0
0.5
1
1.5
2
2.5
3
ET
o
en Andaluca
pH parcela Guadiamar
53
Variabilidad anisotrpica:
1. Isotropa: La variacin espacial de la variable bajo estudio es
igual en todas la direcciones
2. Anisotropa: la semivarianza no depende solamente de h, pero
tambin de la direccin
Anisotropa geomtrica Anisotropa zonal
en la prctica una combinacin de ambos
0 h
0
(
h
)
2
dir N-S
dir E-O
0 h
0
(
h
)
2
dir N-S
dir E-O
54
Algunas reglas generales:
N >100 en el caso de isotropa y N > 250 en el caso de anisotropa
Cuanto ms puntos mejor (el nmero de observaciones es en muchas
ocasiones restrictivo para la aplicacin de geoestadstica)
El nmero total de pares de observaciones = N(N-1)/2
El nmero de pares en el que se basa el clculo de cada punto del
variograma debera ser por lo menos 30 50.
El paso h mximo del variograma experimental deberia ser inferior a la
mitad de la dimensin mxima de la zona de estudio: h
max
L/2
efecto pepita = variabilidad inexplicada. Se debera de incorporar en
cada diseo de muestreo algunas observaciones a pequeas
distancias de otros para obtener informacin sobre el comportamiento
del variograma en la cercana el origen. Esto permitir una descripcin
completa de la variabilidad espacial e incrementar la precisin de
la interpolacin espacial.
55
Modelar el variograma (1)
Ajustar un variograma terico al variograma experimental que se ha
calculado a partir de los datos
Variograma terico = funcin que representa el variograma real del
fenmeno.
0 25 50 75 100 125 150 175 200 225 250
Distancia (km)
0
2000
4000
6000
8000
10000
12000
S
e
m
i
v
a
r
i
o
g
r
a
m
a

(
m
m
2
)

ET
o
anual en Andaluca
56
Modelos (o funciones) autorizados
1. Efecto pepita puro:
0 h
0
(
h
)
c
o
=
2
( )
2
o
c = = h
retcula de 256 256 celdas
57
2. Modelo lineal con meseta :
( )
c
a
c
para 0< a
para >a

| |

|
=
\ .
h
h
h
h
a
0 h
0
(
h
)
c
Solamente CNSD en 1D !!!
58
3. Modelo esfrico :
( )
3
3 1
2 2
c
a a
c
para 0< a
Esf
para >a

| |

` | |
|
= =
\ .
|
)
\ .

h h
h
h
h
a
h
De los ms comunes en
la edafologa
CNSD en 1, 2 y 3-D
a
0 h
0
(
h
)
c
59
3. Modelo esfrico :
( )
3
3 1
2 2
c
a a
c
para 0< a
para >a

| |

`
|
=
\ .

)
h h
h
h
h
c = 1.0
a = 15
c = 1.0
a = 25
c = 1.0
a = 50
60
4. Modelo exponencial :
( )
1 0 c
r r
Exp exp para

| | | |
= = <
`
| |
\ . \ .
)
h h
h h
a 3r
0 h
0
(
h
)
c
r
(h) = 0.95 c
r = parmetro de distancia
se aproxima asintticamente a
la meseta
a ( 3r) es el alcance efectivo
a = h a la cual (h) = 0.95 c
variograma de modelos
autoregresivos (Markov)
61
4. Modelo exponencial :
c
o
= 0
c = 1.0
r = 5
c
o
= 0
c = 1.0
r = 16
c
o
= 1/3
c = 2/3
r = 5
c
o
= 1/3
c = 2/3
r = 16
62
5. Modelo gaussiano :
( )
2
2
1 0 c
r r
Gaus exp para
| |
| |
= = <
`
| |
\ .
\ . )
h h
h h
r = parmetro de distancia
se aproxima asintticamente a la
meseta
a ( 1.73 r) es el alcance efectivo
a = h a la cual (h) = 0.95 c
fenmenos muy continuos
se aproxima al origen con gradiente
= 0 inestabilidad numrica
cuando se resuelve el sistema de
ecuaciones del krigeado
a 1.73 r
0 h
0
(
h
)
c
r
(h) = 0.95 c
63
Combinaciones de modelos
( ) ( ) ( ) ( )
1 2 3
= + + h h h h
Cuando el semivariograma tiene diferentes escalas de variacin
intentar buscar una explicacin fsica
0 25 50 75 100 125 150 175 200 225 250
Distancia (km)
0
2000
4000
6000
8000
10000
12000
S
e
m
i
v
a
r
i
o
g
r
a
m
a

(
m
m
2
)

ET
o
anual en Andaluca
Una combinacin lineal de
modelos CNSD es tambin un
modelo CNSD
64
Combinaciones
de modelos
a
2
0 h
0
(
h
)
c
o
+c
1
+c
2
c
o
c
2
c
1
a
1
( )
3 3
1 2
1 1 2 2
3
1 2
2 2
1 2
3 1 3 1
2 2 2 2
3 1
2 2
o
o
o
c c c
a a a a
c c c
a a
c c c
1
1 2
2
para 0< a
para a < a
para >a

| | | |

+ +
` `
| |
\ . \ .

) )

| |

= + +
`
|
\ .

)
+ +
h h h h
h
h h
h h
h
Modelo esfrico
doble
65
Cmo ajustar un modelo al variograma experimental?
Uno de los temas ms controvertidos de la geoestadstica
Por qu?
1. La mayora de los modelos son no-lineales en uno o ms
parmetros.
2. La fiabilidad de los valores de semivarianza no es igual
para todos los h
3. La dispersin en el variograma experimental puede
hacer el ajuste automatizado numricamente inestable
ajuste a ojo ajuste por mnimos cuadrados
programa VARIOWIN : combinacin de ambos
Ponderar los valores experimentales del variograma segn el
nmero de pares de observaciones que se han empleado para
su clculo
66
Interpolacin o estimacin
espacial - Krigeado
Estimacin en puntos donde no se dispone de
observaciones (nodos de una retcula regular)
Tener en cuenta la correlacin espacial (el semivariograma)
Estimacin puntual o en bloques (2, 3 D)
Krigeado simple, krigeado ordinario, krigeado universal, ...
Incorporar toda la informacin disponible: variables
secundarias, imgenes de satlite, MDEs:
geoestadstica multivariada
Co-krigeado, Krigeado simple con media local variable,
Krigeado con una deriva externa, ...
Introduccin a la geoestadstica Krigeado
67
Introduccin (1)
Once a map is drawn people tend to accept it as reality
Bert Friesen
Mapa de suelos de Andaluca (1:400000)
64 unidades cartogrficas
,
68
Introduccin (2)
0 2 4 6 8 10
0
2
4
6
8
10
1
2
3
4
5
3
4
2
4
6
?
Cmo calcular el valor en el punto
rojo?
Interpolacin espacial
69
Introduccin (3)
0 2 4 6 8 10
0
2
4
6
8
10
1
2
3
4
5
3
4
2
4
6
?
2
( ) ( )
n
o i i
i
z z
1
=
=
u u
Estimacin o Interpolacin espacial
Media ponderada de
los datos

i
= ?
70
Otros mtodos de interpolacin (1)
1. Polgonos de Thiessen (Voronoi, Dirichlet)
cada prediccin se basa en solamente una observacin
mapa resultante es una superficie que varia de forma discontinua
i i
i
V 1 si
0 de otra forma
u
71
1. Polgonos de Thiessen (Voronoi, Dirichlet)
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
2
2.5
3
3.5
4
4.5
5
5.5
6
72
2. Triangulacin
cada prediccin se basa en solamente tres observacionen
( )( ) ( ) ( )
( )( ) ( )( )
x x x x x x x x
x x x x x x x x
01 31 22 32 02 32 21 31
1
11 31 22 32 12 32 12 31

=

{ }
x x
11 12
,
{ }
x x
01 02
,
{ }
x x
31 32
,
{ }
x x
21 22
,
1

73
2. Triangulacin
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
2
2.5
3
3.5
4
4.5
5
5.5
6
74
3. Inverso de la distancia
i
i i i
n
i
i
d
d
d
0
1
con 0 y
=
= > =
u u
muy popular, sobre todo para =2
si z(u
o
) coincide con z(u
i
) z(u
o
) =z(u
i
): interpolacin exacta

i
disminuye rpidamente cuando d
i
aumenta: localmente sensible
la eleccin de es arbitraria
no tiene en cuenta la configuracin de los datos
muy rpido
ocurrencia de manchas alrededor de los puntos de observacin
(Bulls-eyes)
75
3. Inverso de la distancia
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
2
2.5
3
3.5
4
4.5
5
5.5
6
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
2
2.5
3
3.5
4
4.5
5
5.5
= 2 = 0.5
76
plano:
superficie cuadrtica:
ajuste por mnimos cuadrados
4. Regresin polinmica
regresin mltiple donde las variables independientes son las
coordenadas espaciales. Por ej.:
( ) ( )
= + , , z x y f x y
z(x,y) : el valor estimado en el punto {x,y}
f : una funcin de las coordenadas espaciales
: trmino de error, independiente e idnticamente distribuido (iid)
con media = 0
= + +
1 2 o
z b b x b y
= + + + + +
2 2
1 2 3 4 5 o
z b b x b y b x b y b xy
77
4. Regresin polinmica
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
2
2.5
3
3.5
4
4.5
5
5.5
6
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
1
2
3
4
5
6
7
8
9
10
11
= + +
1 2 o
z b b x b y
= + + +
1 2 3 o
z b b x b y b xy
78
Teora
Krigeado Ordinario (KO) (1)
( )
( )
( )
n
i
KO o KO i
i
Z Z
1

=
=

u
u u
Cmo calcular la media ponderada para estimar el valor en
el punto u
o
usando la informacin disponible en los puntos u
i
?
0 2 4 6 8 10
0
2
4
6
8
10
1
2
3
4
5
3
4
2
4
6
?
2
Estimacin basada en el conocimiento
de las covarianzas (semivariograma)
entre los VA en los puntos de
observacin.
Regresin mltiple puesto en un
contexto espacial: krigeado (segn D.G.
Krige)
79
Teora
( )
( )
( )
=
=
1
n
KO
KO i i
i
Z Z
u
u u
Hay que calcular los factores de ponderacin de tal modo que se
satisfagan dos condiciones:
1. Estimacin insesgada:
2. Estimacin con varianza del error de estimacin mnima:
( ) ( )
KO
Z Z E 0
( =

u u
( ) ( )
var minima
KO
Z Z
( =

u u
Interpolacin ptima
80
Teora
Se supone que la VR, Z(u) es estacionaria, con media constante
dentro de un rea limitado, centrado en u.
1. Estimacin insesgada:
( ) ( ) ( )
( ( = =

E E Z Z
i
u u u
La media del error de
estimacin es igual a:
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
( )
=
=
=
( | |
( =
( |

(
\ .
| |
=
|
\ .
(
=
(

1
1
1
E E
1
n
KO
KO i i
i
n
KO
i
i
n
KO
i
i
Z Z Z Z
u
u
u
u u u u
u u
u
( )
=
=
1
1
n
KO
i
i
u La estimacin insesgada
requiere que la suma de
los factores de
ponderacin sea igual a 1
81
Teora
2. La varianza del error de estimacin es mnima:
varianza de estimacin expresada mediante la covarianza:
( ) ( ) ( ) ( )
( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( )
KO KO
KO KO
KO KO
n n
n
i j i j i i
i j i
Z Z Z Z
Z Z Z Z
Z Z Z Z
2
2
E
2 2
( )
1 1 1
var E
E 2
var var 2var
C C 2 C

= = =
(
( = =

(

(
= +
(

( ( ( = +

= +

u u
u
u u u u
u u u u
u u u u
u u u u u u
varianza de estimacin expresada mediante la semivarianza:
( )
( )
( ) ( )
( )

= = =
=

( )
2
E
1 1 1
2
n n
n
KO KO KO
i i i j i j
i i j
u u
u
u u u u u u
82
Teora
Minimizar la varianza de estimacin teniendo en cuenta la
condicin de estimacin insesgada: derivada =0
( )
( )

=

=
`

)
2
E
1
, 2 1
n
KO KO
i i
i
f
u
( )
( )
( )
1
,
0
,
0
,
0
KO
i
KO
i
n
KO
i
f
f
f


83
Teora
Sistema de ecuaciones de krigeado ordinario en trminos de
la semivarianza
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( )

=
=
=
+ =

+ =
1 1
1
1
1
1
n
KO
j j
j
n
KO
j n j n
j
n
KO
j
j
u
u
u
u u u u u
u u u u u
Cuando se resuelve este sistema
de ecuaciones se obtienen los n
factores de ponderacin,
i
.
84
Teora
El valor mnimo de la varianza = varianza de krigeado
( ) ( ) ( )
( )

=
= +
2
1
n
KO
KO i i
i
u
u u u u
85
Teora
Formulacin matricial:
( ) ( )
( ) ( )
( )
( )
( )
( )
( )
1 1 1 1 1
1
1
1
1 1 0 1
KO
n
KO
n
n n n n
(
(

(
( (
(
( (
(
( (
=
(
( (

(
( (
(

A b
u
u u u u u u
u
u u u u u u
u
La solucin es ...
1

(
=
(

A b
86
Teora
Resumen:
1

(
=
(

A b
( )
( )
( )
=
=
1
n
KO
KO o i i
i
Z Z
u
u u
( ) ( ) ( )
( )
n
KO
KO o j i o o
i
2
1

=
= +
u
u u u u
0 2 4 6 8 10
0
2
4
6
8
10
1
2
3
4
5
3
4
2
4
6
?
2
87
Ejemplo
0 2 4 6 8 10
0
2
4
6
8
10
1
2
3
4
5
3
4
2
4
6
?
2
0 2 4 6 8 10 12 14 16 18 h
0
2
4
6
8
10
12
(
h
)
( )
2.5 7.5 Esf
10
| |
= +
|
\ .
h
h
i x y z
1
2
3
4
5
2 2 3
3 7 4
9 9 2
6 5 4
5 3 6
matriz de los datos:
Resolver:
1
(
=
(

A b
88
Ejemplo
0 2 4 6 8 10
0
2
4
6
8
10
1
2
3
4
5
3
4
2
4
6
?
2
i 1 2 3 4 5
1
2
3
4
5
0.0 5.099 9.899 5.000 3.162
5.099 0.0 6.325 3.606 4.472
9.899 6.325 0.0 5.0 7.211
5.0 3.606 5.0 0.0 2.236
3.162 4.472 7.211 2.236 0.0
matriz de
distancias a
partir de la cual
se calcula A
i o
1
2
3
4
5
4.243
2.828
5.657
1.0
2.0
vector de
distancias a
partir del cual
se calcula b
Sustituir estas distancias en el
semivariograma para obtener A y b
( )
2.5 7.5 Esf
10
| |
= +
|
\ .
h
h
89
Ejemplo
i 1 2 3 4 5 6
1
2
3
4
5
6
2.5 7.739 9.999 7.656 5.939 1.0
7.739 2.5 8.667 6.381 7.196 1.0
9.999 8.667 2.5 7.656 9.206 1.0
7.656 6.381 7.656 2.5 4.936 1.0
5.939 7.196 9.206 4.936 2.5 1.0
1.0 1.0 1.0 1.0 1.0 0.0
= A
i o
1
2
3
4
5
6
7.151
5.597
8.815
3.621
4.720
1.0
= b
0 2 4 6 8 10 12 14 16 18 h
0
2
4
6
8
10
12
(
h
)
1
(
=
(

A b
Invertir A
90
Ejemplo
i 1 2 3 4 5 6
1
2
3
4
5
6
-1
.172 .050 .022 .026 .126 .273
.050 .167 .032 .077 .007 .207
.022 .032 .111 .066 .010 .357
.026 .077 .066 .307 .190 .030
.126 .007 .010 .190 .313 .134
.273 .207 .357 .003 .134 6.873

A
( ) { }
T
Adj
1
1
= A A
A
91
Ejemplo
i o
1
2
3
4
5
6
1
.0175
.2281
.0891
.6437
.1998
.1182
(
= =
(

A b
distancias
4.243
2.828
5.657
1.000
2.000
1 =

0 2 4 6 8 10
0
2
4
6
8
10
1
2
3
4
5
3
4
2
4
6
?
2
92
Ejemplo
i o
1
2
3
4
5
6
.0175
.2281
.0891
.6437
.1998
.1182
(
=
(

1 =

i x y z
1
2
3
4
5
2 2 3
3 7 4
9 9 2
6 5 4
5 3 6
( ) ( )
=
=
= + + +
=
5
1
,
.0175 3 .2281 4 .0891 2 .6437 4 .1998 6
KO
KO i i
i
z z 5 5 u
4.560
93
Ejemplo
i o
1
2
3
4
5
6
.0175
.2281
.0891
.6437
.1998
.1182
(
=
(

1 =

( ) ( ) ( )
( )

=
= +
= +
+ + +
=
2
1
, ,
0175 7.151 .2281 5.597 .0891 8.815
.6437 3.621 .1998 4.720 .1182
n
KO
KO i i o
i
u
5 5 u u 5 5
4.008
i o
1
2
3
4
5
6
7.151
5.597
8.815
3.621
4.720
1.0
= b
94
Ejemplo
0 1 2 3 4 5 6 7 8 9
X
0
1
2
3
4
5
6
7
8
9
Y
0
0.5
1
1.5
2
2.5
3
3.5
0 1 2 3 4 5 6 7 8 9
X
0
1
2
3
4
5
6
7
8
9
Y
2
2.5
3
3.5
4
4.5
5
5.5
6
Interpolacin mediante KO
puntual
Mapa del error del krigeado = la
desviacin tpica del krigeado
95
Krigeado por bloques
0 2 4 6 8 10
X
0
2
4
6
8
10
Y
1
2
3
4
5
3
4
2
4
6
?
2
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( )
1 1
1
1
1
1
n
KO
j j
j
n
KO
j n j n
j
n
KO
j
j

=
=
=
+ =

+ =
u
u
u
u u B u B
u u B u B
B
( ) ( )
1
d
i i
=
B
u B u u u
B
96
Krigeado por bloques
1

(
=
(

A b
( )
( )
( )
=
=

1
n
KO
KO i i
i
Z Z
u
B u
( ) ( ) ( )
( )
( )

=
= +
2
1
n
KO
KO i i
i
u
B u B B B B
( )
( )
1
1
n
(
(
(
=
(
(

u B
b
u B

97
Ejemplo
Interpolacin mediante KO
por bloques
Mapa del error de krigeado = la
desviacin tpica del krigeado
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
2
2.5
3
3.5
4
4.5
5
5.5
6
0 1 2 3 4 5 6 7 8 9 10
X
0
1
2
3
4
5
6
7
8
9
10
Y
0
0.5
1
1.5
2
2.5
3
3.5
98
Informacin secundaria
Geoestadstica multivariada: tratamiento geoestadstico simultneo de
dos o ms variables correlacionadas
Tradicionalmente: co-krigeado, requiere un modelo de co-
regionalizacin
En el caso de informacin secundaria exhaustiva (se conoce el valor
de la variable secundaria en cada nodo de la retcula) se pueden
aplicar varios metodologas o tcnicas:
Krigeado dentro de clases o estratos (KDC)
Krigeado simple con media local variable (KSml)
Krigeado con una deriva externa (KDE)
Co-krigeado co-localizado (CKc)
99
Ejemplo: ET
o
anual en Andaluca
0 200 400 600 800 1000 1200 1400
Altitud (m)
900
1000
1100
1200
1300
1400
1500
E
T
o

(
m
m
/
a
o
)
Todas las estaci ones
Y= 1342.3 + 0.00697 X- 0.000234 X
2
R
2
= 0.628
0 200 400 600 800 1000 1200 1400
Altitud (m)
900
1000
1100
1200
1300
1400
1500
E
T
o

(
m
m
/
a
o
)
Estaciones de i nterior
Y= 1394.9 - 0. 161 X - 0.000118 X
2
R
2
= 0.759
Zonas de interior (>20 kmde la costa): ET
o
segn ajuste
Zonas costeras (< 5 km de la costa): ET
o
media aritmtica
Zonas intermedias: combinacin lineal progresiva
Media local
(ml):
100
Ejemplo: ET
o
anual en Andaluca
Variografa
0 25 50 75 100 125 150 175 200 225 250
Distancia (km)
0
2000
4000
6000
8000
10000
12000
S
e
m
i
v
a
r
i
o
g
r
a
m
a

(
m
m
2
)

isotrpico
direccional 35
residual
ET
o
anual
101
Ejemplo: ET
o
mensual en Andaluca
Evolucin de la
ET
o
a lo largo del
ao (KSml)
0 25 50 75 100 km
20 40 60 80 100 120 140 160 180 200 220
ETo (mm/mes)
Krigeado simple con media local
variable
102
Validacin del modelo
geoestadstico
Validacin cruzada y Jack-knifing
Validar el modelo terico del semivariograma
Validar los parmetros del algoritmo de interpolacin
Comparar y evaluar diferentes procedimientos de
interpolacin
Introduccin a la geoestadstica - Validacin
103
Validacin cruzada (1)
Existen varios parmetros en el Krigeado que se pueden
optimizar antes de interpolar y elaborar el mapa:
1. Los parmetros del semivariograma terico: efecto pepita,
alcance y meseta.
2. Importancia de considerar anisotropa o no
3. El mnimo nmero de puntos vecinos que van a participar
en el krigeado
4. El mximo nmero de puntos vecinos que van a participar
en el krigeado
5. El radio del rea de bsqueda alrededor del punto u
6. El grado del polinomio en KD (K)
Comparar diferentes tipos de krigeado o compararlos con otros
mtodos de interpolacin.
Validacin cruzada
104
Existen dos maneras:
1. Retirar cada dato a su vez del conjunto y estimar su valor
con los datos que quedan comparar los valores
estimados con los observados
Evala el modelo solamente en los puntos donde disponemos de
datos
No disponemos de informacin sobre la exactitud de la
interpolacin en otros puntos
2. Eliminar 25 % de los datos y calcular el semivariograma
y interpolar con el 75 % restante compara los valores
estimados con los observados
Despilfarro de informacin
Solamente apto para trabajos de investigacin
105
Comparar los valores estimados con los calculados a travs de
diferentes parmetros estadsticos (N = nmero de datos):
1. El Error Medio (EM):
0
krigeado es un interpolador exacto
( ) ( ) { }
1
1
EM
N
i i
i
z z
N

=
=
u u
2. El Error Medio Cuadrtico(EMC):
varianza de krigeado
mide la exactitud media de las estimaciones
muy sensible para grandes errores
( ) ( ) { }
2
1
1
EMC
N
i i
i
z z
N

=
=
u u
106
3. Razn de Desviacin Medio Cuadrtico (RDMC)
1
( ) ( )
1
1
EM
N
i i
i
z z
N

=
=
u u
4. El Error Medio Absoluto(EMA):
mide la exactitud media de las estimaciones
mismas unidades que la variable
menos sensible para grandes errores
( ) ( ) { }
( )
2
2
1
1
EMC
N
i i
i
K i
z z
N
=

u u
u
107
5. Error Medio Relativo (EMR):
0<EMR<1
no apto si hay observaciones con valores negativos,
iguales a 0 o muy pequeos
Ideal para comparar la precisin de la interpolacin para
diferentes variables
6. Coeficiente de correlacin
( ) ( )
( )
1
1
EMR
N
i i
i
i
z z
N z
=

u u
u
108
Krigeado- Validacin
Ejemplo: ET
o
anual en Andaluca
EM (mm)
EMA (mm)
REMC (mm)
R (%)
2.4
51.2
66.2
74.4
KO
1.9
41.9
53.5
84.2
KDE
1.4
41.4
52.9
84.9
KSml
0 25 50 75100km
KO
700 800 900 1000 1100 1200 1300 1400
ETo anual (mm)
< <
0 25 50 75100km
KDE
700 800 900 1000 1100 1200 1300 1400
ETo anual (mm)
< <
0 25 50 75100km
KSml
700 800 900 1000 1100 1200 1300 1400 < <
ETo anual (mm)
Introduccin a la geoestadstica Validacin
109
Quieres ms informacin ?
Karl Vanderlinden
Grupo de Ros y Embalses
Universidad de Granada
Parque de las Ciencias-C.E.A.M.A.
Avda. del Mediterrneo s/n
18006 Granada
958133691
ag2vandk@uco.es
Gracias por vuestra atencin !
Estudio piloto para la gestin integrada
de la cuenca hidrogrfica del ro
Guadalfeo.

GEOESTADISTICA

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

GEOESTADISTICA

Uploaded by

Copyright:

Available Formats

Grupo de Ros y Embaleses, Universidad de Granada

Crdoba, ETSIAM, 22/05/2003

Otros mtodos de interpolacin (3)

Introduccin a la geoestadstica Krigeado

Introduccin a la geoestadstica Krigeado

You might also like