MTODOS DE INTERPOLACIN

Mtodos probabilsticos
Los mtodos de interpolacin probabilsticos, en contraste con los mtodos
determinsticos, infieren una gran cantidad de informacin utilizando las
muestras disponibles (Maune et al., 2001). Los mtodos de interpolacin
probabilsticos ms comunes son los mtodos geoestadsticos derivados de
la forma genrica de Kriging (Goovaerts, 1997:126):

Dnde:
-

Z*(u) es el valor estimado para cada ubicacin utilizando n(u)

muestras;
es el peso, o ponderacin, que cada muestra Z(u) toma;
m(u) y m(u) son los valores esperados o medias aritmticas de las
muestras disponibles y de la elevacin en el rea cubierta por el
mtodo de interpolacin.

Las diferentes variables de Kriging tienen como objetivo minimizar la

varianza del error de estimacin.

Kriging
Es una manera diferente de pensar sobre la prediccin respecto de los
interpoladores determinsticos, es un interpolador moderadamente rpido
este puede ser exacto o aproximado ya que depende del modelo de error
de medida.
En Kriging, un valor predicho depende de dos factores: una tendencia y un
elemento adicional de variabilidad.
Por ejemplo, si se va desde el ocano a la cima de una montaa, se tiene
una tendencia ascendente en la elevacin.
Pero, probablemente habr variaciones en el camino, se sube y se baja al
cruzar los valles, las corrientes, etc. La parte de la variacin se llama error
aleatorio espacialmente autocorrelacionado; donde el "error" no significa
una equivocacin sino una variacin de la tendencia; "aleatorio" significa
que la variacin no se conoce a priori, y podra ser hacia arriba o hacia
debajo de la media.
Mientras que las variaciones no se conocen exactamente por adelantado,
las tendencias estn sobre el promedio o debajo del promedio, siempre y
cuando estn en la proximidad cercana. Esta es autocorrelacin espacial
positiva. (UDEP, n.d)

Tambin es posible tener correlacin espacial negativa, donde si un sitio

est sobre el promedio, un sitio prximo tiende a estar debajo del promedio.
Se pueden poner los conceptos de tendencia y error aleatorio en una
ecuacin de la forma:
Dnde:
-

s indica la ubicacin de la prediccin (coordenadas x, y.)

(s) es la variable que se est prediciendo.
(s) es la tendencia determinstica, es un patrn constante en los
datos que es explicado por una cierta caracterstica fsica de la
superficie.
(s) es el error aleatorio autocorrelacionado espacialmente, con dos
supuestos:
1. El primero es 0 en promedio, cuando algunas variaciones estn
en un lado de la tendencia y algunas estarn en el otro lado,
pero las diferencias, en promedio, se compensan.
2. El segundo supuesto es cuando el error de autocorrelacin es
netamente espacial; depende solamente de la distancia y no
de cualquier otra caracterstica, tal como posicin.

Kriging usa modelos estadsticos que permiten una variedad de salidas de

mapas que incluyen:
-

Mapa de predicciones, producido a partir de los valores interpolados,

que es el que muestra la superficie interpolada.
Mapa de cuantiles, presenta los valores que exceden o no exceden
una probabilidad especificada.
Mapa de probabilidades, de exceder o no exceder un umbral
especificado.
Mapa de error estndar de prediccin, producido a partir de los
valores interpolados.

Este conjunto de tcnicas est formado por los siguientes mtodos:

a) Kriging ordinario: En muchos casos no hay una tendencia en los
datos, o si la hay, es tan dbil que las predicciones son tan buenas
como cuando se la ignora. Si asumimos que no existe tendencia en
los datos, equivale a decir que la media es una constante simple y
desconocida, (s) = .
Este mtodo produce valores de interpolacin asumiendo un valor
medio constante pero desconocido, permitiendo influencias locales de
los valores cercanos. Debido a que la media es desconocida, se
asumen pocas cosas. Esto hace de Kriging ordinario particularmente
flexible, pero quizs menos poderoso que los otros modelos.
b) Kriging simple: Produce valores de interpolacin suponiendo un
valor medio constante conocido, permitiendo influencias locales de
los valores cercanos. Debido a que la media es conocida, es

ligeramente ms poderoso que el Kriging ordinario, pero en muchas

situaciones la eleccin del valor medio no es muy obvia.
c) Kriging universal: Produce valores de interpolacin asumiendo
heterogeneidad espacial. Algunas veces, aun cuando los valores de
los datos cambian con las coordenadas espaciales, existe una
tendencia variable, es decir no se tiene una media constante.
Se representa como una ecuacin de regresin lineal con las
coordenadas espaciales x-y, para la cual los coeficientes de regresin
son desconocidos. Cuando se usa apropiadamente este mtodo es
ms poderoso que Kriging ordinario porque explica gran parte de la
variacin en los datos a travs de la superficie de tendencia no
aleatoria.
d) Kriging indicador: Usa umbrales para crear datos binarios (valores
0 1, tambin llamados valores indicadores, segn se est debajo o
sobre el umbral), y luego usa Kriging ordinario para trabajar estos
datos indicadores. Las predicciones que hace este mtodo son
interpretadas como la probabilidad de excedencia de un umbral (o,
dependiendo de cmo las variables binarias se definen, de no
excedencia). Este mtodo no se recomienda para datos que tienen
una tendencia.
e) Kriging probabilstico: Es un Kriging indicador mejorado, que usa
ms informacin, por lo que es ms poderoso, pero requiere ajuste de
covarianza cruzada, que involucra ms decisiones de modelacin y
estimacin de parmetros. No se recomienda para datos que tienen
una tendencia.
A

Figura: 1. Interpolacin Tipos de Kriging: A) Ordinario B) Simple C)

Universal

Fuente: UDEP, n.d

f) Kriging disyuntivo: Es un mtodo no lineal que es ms general que

Kriging ordinario y Kriging indicador, y trata de hacer ms al
considerar funciones de los datos en vez de usar slo los datos. Como
es usual para lograrlo requiere hacer fuertes premisas. Este mtodo
asume que todos los pares de datos vienen de una distribucin
normal bivariada. (UDEP, n.d)

Interpolacin Kriging Simple Diferentes modelos de

variograma: a) Gaussiano, b) Circular, c) Esfrico, d)
Exponencial, e) Estable y f Racional cuadrtico.

Fuente: Fuente: UDEP, n.d

La flexibilidad de Kriging necesita una gran cantidad de parmetros. Kriging
supone que los datos vienen de un proceso estocstico estacionario y
algunos mtodos asumen datos normalmente distribuidos. Estos mtodos,
como otros estadsticos, permiten la interpolacin de variables aleatorias e
incorporan al proceso una estimacin del error cometido al efectuar la

interpolacin. Fernndez (1985) recomienda utilizar el mtodo de Kriging

simple para la precipitacin ya que se ajusta mejor que los otros mtodos.
(UDEP, n.d)

Bibliografa:

Investigaciones geogrficas - Evaluacin y comparacin de mtodos de interpolacin

determinsticos y probabilsticos para la generacin de modelos digitales de
elevacin. (s. f.). Recuperado 9 de febrero de 2015, a partir de
http://www.scielo.org.mx/scielo.php?pid=S018846112013000300009&script=sci_arttext
Capitulo 5 ok.doc - 1_136_147_89_1260.pdf. (s. f.). Recuperado a partir de
http://www.biblioteca.udep.edu.pe/BibVirUDEP/tesis/pdf/1_136_147_89_1260.
pdf