CONSIDERACIONES GEOESTADSTICAS PARA LA CREACIN DE

CUBIERTAS TEMTICAS EN SIG

M. Chica-Olmo1 y J. A. Luque-Espinar2
1

Departamento de Geodinmica/IACT, Facultad de Ciencias, Universidad de Granada, Avenida Fuente

Nueva s/n, 18071 Granada.

Tfno./Fax: 958-243363. E-mail: mchica@goliat.ugr.es
2

Instituto Geolgico y Minero de Espaa, Urbanizacin Alczar del Genil, 4, 18006 Granada.

Tfno: 958-183143. Fax: 958-122990. E-mail: juan_luque@inicia.es

RESUMEN
La creacin de cubiertas temticas a partir de datos experimentales de distinta naturaleza
(cualitativos y cuantitativos) es uno de los aspectos ms importantes en el desarrollo de un SIG. Existen
un conjunto variado de mtodos convencionales basados en hiptesis diferentes con el fin de dar la mejor
respuesta al problema suscitado; entre otros, cabe mencionar el anlisis de tendencia, los polgonos de
Thissen, el inverso de la distancia, splines, etc. En este trabajo se presentan las etapas para la creacin de
cubiertas temticas mediante mtodos geoestadsticos, an poco utilizados, pero que ofrecen excelentes
posibilidades de aplicacin para la creacin de las cubiertas SIG. Con la descripcin del mtodo
geoestadstico se pretende facilitar la comprensin de los aspectos tericos fundamentales y las reglas
prcticas necesarias para crear de forma correcta la cubiertas de informacin. Con este anlisis se secar
el mximo partido de los datos experimentales disponibles mediante las herramientas que proporciona la
Geoestadstica. La explicacin se apoya en distintos ejemplos que ilustran adecuadamente el proceso de
creacin de las cubiertas. Finalmente se discuten de forma crtica los resultados obtenidos.
1. INTRODUCCIN
El anlisis de la informacin temtica en los SIG conlleva, habitualmente, la necesidad de crear
cubiertas temticas o superficies continuas de atributos espaciales. Este problema se presenta
habitualmente en estudios de recursos naturales y del medio ambiente, en los que se dispone de
observaciones experimentales (muestreos) a partir de las cuales se desea predecir (cartografiar) la
distribucin espacial de las variables o atributos estudiados. En consecuencia, la toma de datos
experimentales es una parte bsica en el estudio de estas variables espaciales referidas al territorio,
aspecto que tiene connotaciones tantos prcticas como econmicas. Frecuentemente, la localizacin de
los puntos de observacin es irregular, atendiendo a criterios preferenciales del experto; en otros casos, la
ubicacin de los de estos puntos se hace teniendo en cuenta modelos estadsticos derivados de la teora de
muestreo (Gy,1981).

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

observado. En trminos aplicados, especficamente en el anlisis y modelizacin cartogrfica en entorno

SIG, es especialmente interesante y aconsejable la utilizacin conjunta de ambas metodologas para la
elaboracin de modelos probabilsticos de previsin de distribucin de los atributos espaciales. En
particular, las tareas de toma de decisiones sobre informacin experimental encuentran en estas
metodologas un aliado de gran inters a efectos de minimizar los errores. En este contexto, el esquema
bsico para la realizacin de cualquier estudio geoestadstico se esquematiza en la figura 1.

(h)

DATOS

ANLISIS
ESTRUCTURAL

ESTIMACIN

SIMULACIN

INTERPRETACIN
DE
RESULTADOS

-Cartografa temtica
-Estimacin y simulacin
de variables
- Diseo de muestreos

Figura 1. Esquema de un estudio geoestadstico bsico.

2. EL VARIOGRAMA COMO HERRAMIENTA PARA EL ANLISIS DE LA VARIABILIDAD
ESPACIAL
A diferencia de otros mtodos de interpolacin espacial, los mtodos geoestadsticos tienen
naturaleza topo-probabilstica, especialmente adaptada al estudio de variables regionalizadas. Una
variable regionalizada se interpreta como una funcin aleatoria Z(x), que da el valor del atributo Z en un
punto del espacio x R1, R2 o R3. Es evidente que este concepto es aplicable a la gran mayora de los
atributos espaciales que pueden estudiarse en una aplicacin SIG, independientemente que provengan del
estudio de recursos naturales, medioambientales o socioeconmicos. En esencia, estas variables presentan
dos caractersticas fundamentales: el carcter aleatorio que induce a la nocin de variables aleatoria y el
carcter estructural propio de cada fenmeno estudiado o regionalizacin, caracterizado por la funcin
variograma. La funcin variograma se define como una funcin aleatoria intrnseca que representa la
mitad de los incrementos cuadrticos medios del atributo espacial para puntos distantes el vector h:

 (h) = 1 / 2 E {Z(x) - Z(x + h) }2

El variograma es, pues, una funcin vectorial que cuantifica la varianza de los incrementos
cuadrticos de primer orden de la funcin (Matheron, 1970; Chica Olmo, 1987). Su inters prctico es
muy importante puesto que de su anlisis se llega al conocimiento de la variabilidad espacial del atributo
estudiado; es, pues, una herramienta reveladora de la estructura de variacin del fenmeno. El estimador
insesgado de la funcin variograma a partir de los datos experimentales viene dado por la frmula clsica:

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

Figura 2. Caractersticas de la piezometra como variable regionalizada: evolucin piezomtrica en un

punto de un acufero detrtico (Luque-Espinar, 2001).
El anlisis variogrfico o estructural comprende tres etapas: estimacin e interpretacin del
variograma experimental, ajuste a un modelo terico y validacin del modelo. En este anlisis
variogrfico se produce una interaccin entre el usuario y el modelo geoestadstico; aqul, interpreta y
modela el variograma atendiendo a sus conocimientos experimentales del proceso fsico estudiado,
llegando a cuantificar aspectos esenciales de la variacin espacial como, zona de influencia, anisotropas,
comportamientos a pequea y gran escalas o comportamientos particulares (p.e. periodicidades). Esta
informacin ser incorporada al proceso geoestadstico de estimacin espacial de krigeaje, por lo que la

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

podemos observar algunos aspectos de la

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

Figura 3. Variograma experimental y terico de una evolucin piezomtrica.

3. EL KRIGEAJE COMO INTERPOLADOR PTIMO
El krigeaje es el mtodo de estimacin geoestadstica que proporciona el valor ms probable
de un atributo en un punto no experimental. Es un estimador ELIO (Estimador Lineal, Insesgado y
ptimo), de los que existe una gran variedad de mtodos geoestadsticos cada uno de ellos adaptado a las
diversas situaciones que se dan en los problemas de estimacin (krigeaje ordinario, krigeaje simple,
krigeaje universal, krigeaje disyuntivo, krigeaje de indicatrices, etc). Estos mtodos se clasifican en dos
grandes grupos en funcin de la estructura del estimador, lineales y no lineales. Seguidamente, se
exponen de forma resumida los fundamentos de algunos de estos mtodos, atendiendo a la sencillez de su
aplicacin y a los buenos resultados que se pueden obtener para crear cubiertas de informacin.
3.1. Krigeaje Ordinario (KO)
Se ha mostrado que el objetivo de aplicar mtodos de interpolacin es predecir el valor de la
caracterstica estudiada en localizaciones no experimentales. El mtodo de krigeaje aborda este problema
proporcionando un estimador ptimo del valor de la variable Z(x) en el soporte de informacin v (puntual
o valor medio), Zv(x). Para ello utiliza el conjunto de datos experimentales {z(xi), i=1...n} y la funcin
variograma (h) que caracteriza la estructura de variabilidad espacial de la variable. Como hiptesis se

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

La estructura lineal del estimador es equivalente a la de otros mtodos no geoestadsticos,

basados en aspectos geomtricos o funciones deterministas. La diferencia radica en el procedimiento de
bsqueda de los ponderadores i. Se quiere que el estimador ZKO sea ptimo cumpliendo las condiciones
de no sesgo y de error de estimacin mnimo. La primera condicin, expresada de la forma
E{Zv}=E{ZKO}, se obtiene imponiendo que i=1, que es la condicin de universalidad que asegura que
la estimacin sea insesgada. Adems, se impone otra condicin an ms fuerte sobre el error de
estimacin, que sea mnimo 2KO=E{Zv-Zvko}2 0, expresin que admite un desarrollo cuadrtico en
trminos de la funcin variograma, (h) (Journel y Huijbregts, 1978). La minimizacin de la expresin de
este error por medio de la tcnica de Lagrange, bajo la condicin de universalidad, conduce al sistema de
krigeaje, cuya solucin es el conjunto de ponderadores de krigeaje i y el parmetro de Lagrange .

( , ) + = ( , 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):

2KO = ( ,v) + - (v,v)

Un ejemplo de aplicacin del mtodo se observa en la figura 4, que representa el mapa de

isopiezas obtenido a partir de la estimacin de bloques (500x500 m2) y el mapa de errores relativos,
respectivamente.

5 km

5 km

Figura 4. Estimacin piezomtrica por Krigeaje Ordinario en la Vega de Granada y localizacin de

piezmetros (izquierda); errores relativos de estimacin (derecha) (tomado de Luque-Espinar, 2001).
3.2. Estimacin de funciones de la variable: El Krigeaje de Indicatrices
El anlisis de datos espaciales requiere, en muchas ocasiones, estimar funciones de Z(x0), lo
que implica estimar la funcin de distribucin condicional local {Z(x0)/z(xi),i=1,,n}. Esta situacin es
frecuente en ciencias ambientales cuando el especialista busca localizaciones en las que un determinado
contaminante supera un valor lmite problema de alerta. Con excesiva frecuencia, se observa que la
solucin prctica adoptada se reduce a la simple estimacin de Z en el rea de estudio, por cualquier
mtodo, y aplicar un corte al valor estimado (Z*(x0) zc). Es importante recordar que la distribucin de Z
y Z* no coinciden y, por tanto, los resultados de aplicar el corte sobre el estimador no son ptimos y, en
consecuencia, los errores en la toma de decisiones pueden ser graves. El problema se reduce a determinar
la funcin de distribucin acumulada F(z)=Pr{Z(x0) < zc} cuando el lmite zc vara en un rango de valores
(Chils y Delfiner, 1999; Chica-Olmo y Luque, 2002). Ahora, sin embargo, se necesita estimar una
funcin de Z(x0) y no solamente la esperanza matemtica de Z en el punto x0, como ocurra en el caso
anterior. Adems, otro aspecto a considerar es la escala local para estimar la funcin de distribucin. A la
resolucin de este problema de estimacin local de la funcin de distribucin condicional de una variable,
se han propuestos diversos mtodos geoestadsticos paramtricos y no paramtricos. Entre los primeros
destaca el mtodo de estimacin no lineal de Krigeaje Disyuntivo, y entre los segundos el mtodo de
Krigeaje de Indicatrices. Por su sencillez de aplicacin se expondr un breve resumen de este segundo
mtodo propuesto por Journel (1983, 1984); no obstante en Chica-Olmo y Luque-Espinar, 2002 puede
verse una aplicacin de ambos mtodos en ciencias ambientales.
El mtodo de krigeaje de indicatrices consiste en una transformacin binomial de la variable
Z(x) en la variable indicatriz, I(x0, zc) = {1 si Z(x0) zc; 0 si Z(x0) > zc}. Un simple krigeaje de I(x0, zc)
da la probabilidad estimada que Z(x) sea inferior al valor de corte zc. La idea del mtodo es repetir el
proceso de estimacin de las indicatrices obtenida para diferentes valores de zc, de esta forma se obtiene
una aproximacin discreta de la funcin de distribucin condicional.

La principal ventaja del mtodo es su gran simplicidad prctica, debido a la simple

transformacin que necesita que puede ser aplicada a variables categricas, de frecuente uso en
aplicaciones SIG, lo que representa una ventaja importante. Como inconveniente sealamos el clculo de
la funcin mediante un proceso de discretizacin que necesita un nmero suficiente de valores de corte zc.
Para cada uno de estos valores se debe realizar un anlisis variogrfico y resolver un sistema de krigeaje.
Para evitar este proceso, que puede ser largo y tedioso, puede aplicarse una simplificacin en la que se
usa un nico variograma indicatriz que corresponde a la mediana de la variable. Esta estructura se deduce
del valor de corte coincidente con la mediana de los datos y se aplica a todas las indicatrices. De esta
forma se asume que todos los variogramas de las indicatrices son proporcionales y consecuentemente los
pesos obtenidos de los sistemas de krigeaje son iguales (Deutsch y Journel, 1993). Esta hiptesis
simplifica notablemente el proceso de clculo, resultando la siguiente expresin para la estimacin de la

= i ( z c ) I ( xi , zc ) + 1
i =1

*
c SK

I ( x 0, z )

( z ) F ( z )
i =1

probabilidad Pr{Z(x0) < zc}:

donde los i son los pesos de krigeaje simple, iguales para todos los valores de corte zc. El sistema de
ecuaciones se expresa en trminos del variograma de la indicatriz mediana I (h,zc) = E{I(x+h,zc) I(x,zc)}:
n

(z ) ( x , x ) =
j =1

I ( x0 xi ),

i , j = 1, ..., n

El error de krigeaje viene dado por:

IK2 =

(z ) ( x , x ) - ( x
i =1

x0 ),

i = 1, ..., n

La figura 5 representa un ejemplo de mapa de un estudio medioambiental, en escala de grises,

de la probabilidad condicional de superar un valor de corte zc (50 mg/L) de nitratos en el acufero
detrtico de la Vega de Granada. Para cada bloque, 500 x 500 m2, se estim la probabilidad Pr{Z(x0) > zc}
por KI con la misma vecindad de estimacin local para cada uno de los valores zc. De esta forma,
podemos representar en trminos probabilidad situaciones medioambientales diversas de cualquier
variable dentro de un contexto general de integracin de datos en un SIG; p.e. la contaminacin por
nitratos en un acufero, tal y como es presenta en la figura 5, donde un simple anlisis visual de los
resultados obtenidos para el corte zc = 50 mg/L, valor lmite de potabilidad para consumo humano,
permite localizar las reas ms afectadas.

Figura 5. Mapa de probabilidad condicional de contenido nitratos superiores a 50 mg/L en el acufero de

la Vega de Granada.
4. DISCUSIN
Los mtodos geoestadsticos contemplan un aspecto esencial de la informacin experimental
representado por el variograma que es la variabilidad espacial, muy importante de cara al anlisis e
interpretacin de la variable estudiada. Frecuentemente, se constata en la prctica de los SIG que los
mtodos de interpolacin son escogidos de forma un tanto arbitraria, sin un juicio previo sobre las
caractersticas y naturaleza de estos mtodos, que aparecen en el men de anlisis espacial del software
utilizado. Muchos de estos mtodos conducen a estimaciones globales insesgadas, pero no ocurre lo
mismo a nivel local, lo cual plantea un problema serio que con demasiada frecuencia pasa inadvertido
para el usuario. Slo las estimaciones realizadas mediante mtodos geoestadsticos proporcionan
estimaciones locales fiables, fundamentadas en el uso de la estructura de variabilidad espacial, es decir el
variograma. Por esta razn los mtodos geoestadsticos de estimacin poco a poco van ocupando un lugar
relevante en el anlisis espacial en el entorno de los SIG.
El mtodo de krigeaje, en sus diferentes modalidades, produce estimaciones ptimas de la
variable espacial, al minimizar el error de estimacin y por la condicin de no sesgo del estimador, tanto a
escala global como local. La cubierta de estimacin elaborada por este mtodo debe interpretarse en la
prctica como la imagen ms probable de la distribucin espacial de la variable estudiada. Su estructura
raster hace que sea fcilmente integrable en la base de datos como cubierta de informacin SIG. Adems,
el mtodo proporciona el mapa de errores de estimacin, aspecto de mximo inters en actividades de
planificacin medioambiental, a travs de la interpretacin de los errores relativos de estimacin.

Otra ventaja, nada despreciable, es que el mtodo considera el efecto de soporte en la

estimacin y su adaptacin a cualquier problema particular relacionado con la estimacin de la variable
(valor medio, estimacin de funciones de distribucin local, simulacin, etc.).
5. BIBLIOGRAFA
Chica, M. (1987). Anlisis Geoestadstico en la Explotacin de los Recursos Minerales. Ed. Mario
Chica-Olmo, Granada.
Chica, M. and Luque, J.A. (2002). Applications of the local estimation of the probability distribution
function in environmental sciences by kriging methods. Inverse Problems. 18:25-36. London.
Chiles, J. P. and Delfiner, P. (1999). Geostatistics. Modelling Spatial Uncertainty. Ed. John Wiley &
Sons. New York.
Deutsch, C.V. and Journel, A.G. (1993). GSLIB : Geostatistical Software Library and Users Guide.
Ed. Oxford University Press. New York.
Gy, P. (1981). Theorie de la prehomognisation derive de la theorie de lchantillonnage. Industrie
Minerale, pp. 107-125.
Journel, A.G. (1983). Non parametric estimation of spatial distributions. Mathematical Geology.
15:445-468.
Journel, A.G. (1984). The place of non-parametric geostatistics. Proc. NATO ASI, Lake Tahoe, pp. 307335.
Journel, A.G. and Huijbregts, C.J. (1978). Mining Geostatistics. Academic Press, London. 600 pp.
Luque, J.A. (2001). Anlisis geoestadstico espacio-temporal de la variabilidad piezomtrica:
Aplicacin a la Vega de Granada. Universidad de Granada. Granada. Tesis Doctoral. 357 pp
Matheron, G. (1970). La Thorie del Variables Rgionalises et ses applications. Centre De
Gostatistique Et De Morphologie Mathmatique, Ecole Nationale Suprieure des Mines de Pars. 212
pp.