Академический Документы
Профессиональный Документы
Культура Документы
Instituto Geolgico y Minero de Espaa, Urbanizacin Alczar del Genil, 4, 18006 Granada.
En cualquier caso, los datos (muestras) deben cumplir los criterios de homogeneidad y
representatividad del fenmeno estudiado, para que puedan ser utilizados en la elaboracin de mapas
temticos mediante tcnicas de interpolacin espacial. En la mayora de los casos, los datos
experimentales son analizados mediante modelo operativos para obtener informacin continua; esta
operacin compleja se relaciona con la inferencia espacial del valor de una o varias variables a partir del
conjunto de datos, frecuentemente escasos y que representan una fraccin pequea de la realidad
desconocida. As, se deber elegir un modelo objetivo que conduzca a los mejores resultados posibles,
eleccin que no es simple habida cuenta de la diversidad de metodologas existentes. Con el trmino
objetivo se quiere resaltar la coherencia que debe existir entre las caractersticas del problema planteado,
la naturaleza del modelo elegido y la calidad del resultado obtenido.
Es evidente que estamos frente a un problema de eleccin entre mtodos deterministas o de
probabilidad. Todo ello a sabiendas de que en s no hay modelos buenos o malos sino que stos lo sern, a
posteriori, cuando sean sancionados por la praxis. En este trabajo no se pretende hacer una defensa de una
metodologa en particular, ms bien se trata de mostrar aspectos de inters basados en la experiencia de
los autores. Estos aspectos de inters aplicados estn ligados al concepto de variabilidad espacial que
cualquier variable regionalizada ligada al estudio de los recursos naturales presenta. El anlisis de la
variabilidad espacial desde el punto de vista de la Geoestadstica y los pasos necesarios para crear
cubiertas temticas mediante Krigeaje son el objetivo de este artculo, que muestra la forma ms acertada
y completa para crear dichas cubiertas de informacin.
1. LA APROXIMACIN GEOESTADSTICA
Desde que se formul la Teora de Variables Regionalizadas (Matheron, 1970), los mtodos
geoestadstico han tenido una progresiva y amplia aceptacin en el mbito cientfico, como metodologa
capaz de dar una respuesta adecuada a problemas prcticos relacionados con la estimacin o simulacin
de variables espaciales. Esta teora se fundamenta en la interpretacin de las variables experimentales
como variables regionalizadas, es decir como variables que presentan una distribucin espacial y una
estructura de correlacin o variabilidad espacial. Como se deca anteriormente, este aspecto referente a la
correlacin o variabilidad espacial es un factor de gran importancia a tener en cuenta no slo en el
reconocimiento experimental, sino tambin a la hora de elegir el modelo de estimacin espacial. Ningn
otro mtodo considera explcitamente la variabilidad espacial del fenmeno fsico estudiado, impuesta por
las causas genticas que lo han originado. Precisamente este aspecto sirve de fundamento de los mtodos
geoestadsticos, cuya interpretacin se hace en un marco conceptual topo-probabilstico.
Bsicamente, los mtodos geoestadsticos tienen dos grandes campos de aplicacin. Por un
lado, los mtodos de estimacin, aplicables en estudios donde se requiere el conocimiento del valor ms
probable de la variable o atributo en un punto no experimental (estimacin lineal), o bien de la estimacin
de una funcin de la variable en dicho punto, p.e. probabilidad que supere un valor lmite (estimacin no
lineal). De otro lado, estn los mtodos de simulacin condicional, cuyo inters prctico radica en el
hecho que proporcionan un modelo numrico que reproduce la variabilidad espacial del fenmeno
(h)
DATOS
ANLISIS
ESTRUCTURAL
ESTIMACIN
SIMULACIN
INTERPRETACIN
DE
RESULTADOS
-Cartografa temtica
-Estimacin y simulacin
de variables
- Diseo de muestreos
1 NP(h)
2
(h) =
{z( xi ) - z( xi+h ) }
2NP(h) i=1
donde z(xi) et z(xi+h) son los valores de la variable observados en los puntos xi y xi+h; NP(h) es el
nmero de parejas de datos distantes h.
Carcter estructural (h)
Carcter aleatorio
COTA PIEZOMTRICA
566
564
562
560
10/1/82
10/1/81
10/1/80
10/1/79
10/1/78
10/1/77
10/1/76
10/1/75
10/1/74
10/1/73
10/1/72
10/1/71
10/1/70
10/1/69
10/1/68
10/1/67
10/1/66
558
FECHA
calidad de los resultados finales depender del grado de acierto alcanzado en esta etapa de anlisis
variogrfico.
En el ejemplo representado en la figura 3
informacin que aporta el variograma acerca de la variacin de la piezometra. En este caso, se aprecia un
comportamiento en el origen muy continuo, propio de variaciones piezomtricas muy regulares en el
tiempo/espacio. Otro aspecto que se puede analizar es el alcance piezomtrico o zona influencia, es decir
distancia para la que desaparece la autocorrelacin de la piezometra, que se sita en torno a seis meses lo
que marca correctamente el ciclo verano/invierno. Adems, es patente el comportamiento peridico del
variograma, muy corriente en el estudio de la piezometra en el tiempo.
0.9
0.8
0.7
(h)
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
12
14
TIEMPO (MESES)
16
18
20
22
24
establece que Z(x) es una funcin aleatoria estacionaria de segundo orden; es decir, con esperanza
constante E{Z(x)}=m y dotada de covarianza C(h), o lo que es igual de variograma (h).
El estimador de Krigeaje Ordinario (ZKO) (Matheron, 1970; Journel y Huijbregts, 1978) del
valor buscado es simplemente una ponderacin lineal de los valores experimentales Z(xi) por coeficientes
i (ponderadores de krigeaje) desconocidos:
Z KO ( x) =
Z ( xi )
i=1
( , ) + = ( , v)
= 1
, = 1,..., n
= parmetro de Lagrange
En un contexto operacional SIG, las ventajas ms importantes del mtodo, pueden sintetizarse
de la siguiente forma: el estimador Zvko es ptimo en el sentido de minimizacin del error de estimacin;
tiene en cuenta el soporte de informacin v, puntual o valor medio; considera la geometra del conjunto
estimador y la geometra del conjunto estimador y estimado; y proporciona una valoracin probabilstica
del error de estimacin 2KO, lo que sin duda es de gran valor para la interpretacin de los resultados
sobre todo, de cara a la integracin de datos en el SIG (Sistema Soporte de Decisin):
5 km
5 km
= i ( z c ) I ( xi , zc ) + 1
i =1
*
c SK
I ( x 0, z )
( z ) F ( z )
i =1
(z ) ( x , x ) =
j =1
I ( x0 xi ),
i , j = 1, ..., n
IK2 =
(z ) ( x , x ) - ( x
i =1
x0 ),
i = 1, ..., n