FACULTAD DE INGENIERIA CIVIL Y AGRICOLA, UNIVERSIDAD NACIONAL DE COLOMBIA, TALLER NO.

4 1

Taller 4: Analisis de Geoestadstica y Kriging (R.

Gebbers)
Juan Felipe Franco, Estudiante, Universidad Nacional de Colombia,

AbstractEn este informe se presentara un analisis de l

metodologa expuesta por R. Gebbers, el cual busca explicar la
geoestadstica por medio de la ayuda de Matlab, a partir de los
valores propuestos, suministrados en clase.
Keywordsvariogramas, MatLab, Kriging.
I. I NTRODUCCI ON
A partir de los valores obtenidos del archivo Datos.m, donde
se tienen unos valores de X, Y y Z, se busca construir un
semivariograma muestral, el cual sera ajustado a tres tipos
de semivariogramas teoricos, lineal, esferico y exponencial.
Al final se realizara una discusion sobre la interpolacion de
Kriging, todo esto siguiendo la metodologa propuesta por R.
Gebbers en el libro de Recipes for Earth Sciences.
N (h)
1 X
E (h) = (zxi zx1+h )2 (3)
2 N (h) i=1
En este caso, como propone Webster y Oliver, la distancia
mnima media de pares es un buen punto para definir el
intervalo de Lag para casos en que las muestras esten separadas
aleatoriamente. Para esto, se reemplazan los valores de la
diagonal de la matriz D con NaNs, para que el valor de la
disctancia mnima no sea cero.
Es necesario poner un valor maximo de la distancia, para
evitar que los valores se vuelvan cada vez mas erraticos, que
en este caso sera la mitad del valor de la maxima distancia.
Se obtendra el variograma clasico de la Fig. 2.

II. VARIOGRAFIA CON EL MODELO CLASICO DE

VARIOGRAMA
A partir de los datos suministrados, se halla la matriz de
distancias D, segun el codigo anexo, donde las coordenadas
estaran dadas por X y Y, y el variograma experimental se
guarda en la matriz G a partir de los valores de Z.

D = sqrt((X1 X2).2 + (Y 1 Y 2).2 ) (1)

G = 0.5 (Z1 Z2).2
Se obtiene por lo tanto una nube de puntos del semivari-
ograma, el cual representa los valores de los diferentes Lags,
aunque no es claro el modelo de semivariograma teorico que
podria asemejar, y la correlacion entre las distancias no es muy
clara.
(2)
Fig. 2. Variograma clasico
Las lineas morada, verde y azul seran las aproximaciones
a variogramas teoricos. El variograma muestra un compor-
tamiento comun sobre como a medidad que va aumentando
la distancia entre los valores, mayor sera la variacion de los
mismos, hasta llegar al punto de la varianza de los datos, en el
cual se presenta la meseta en la grafica. Este comportamiento
nos ayuda a definir cual sera el mejor ajuste a un variograma
teorico, los cuales estan dados por las siguientes ecuaciones.

A. Modelo exponencial

Fig. 1. Nube de variograma h

(h) = Ao (h) + w[1 exp ], para 0 h a (4)
a
El estimador de variograma esta dado por:
Estudiante del curso de Analisis de la incertidumbre para Ingeniera Civil,
1
(h) = Ao (h) + w[1 ], para h > a (5)
Universidad Nacional de Colombia - Sede Bogota. e
FACULTAD DE INGENIERIA CIVIL Y AGRICOLA, UNIVERSIDAD NACIONAL DE COLOMBIA, TALLER NO. 4 2

B. Modelo esferico

h h
sph (h) = Ao (h) + c(1.5 0.5 ( )3 ), para 0 h a
a a
(6)

sph (h) = Ao (h) + c, para h > a (7)

C. Modelo lineal

lin (h) = b h (8)

C sera el valor de la meseta, dado por la varianza de los
datos, y a y b seran parametros que deberan ser modificados
para ajustarse a los datos.
El valor de Ao se define como el efecto pepita, que deter-
mina si el variograma cruza o no por el origen de coordenadas.
Este se presenta por errores de medidas o por fluctuaciones de
a pequea escala.
El ajuste a variogramas teoricos se ve afectado relativamente
por el observador, pues es un ajuste visual y depende del nivel
de experiencia del que lo calcula, aunque existen diferentes
metodos para buscar un ajuste mas preciso.
Tambien, el ajuste mas apropiado dependera del uso que se
tendra del variogrma, pues algunos modelos teoricos se ajustan
mejor para los primeros valores de Lag, mientras que los otros
se ajustan mejor a los valores mas altos.
Esto hace dificil encontrar al ajuste apropiado para todos los
valores, pues como menciona R. Gebers, para la interpolacion
de Kriging, son mas importantes los primeros valores de Lag,
lo que hace que el modelo lineal en este caso se ajuste
apropiadamente, aunque aparentemente es el menos util.
Fig. 3. Interpolacion de Kriging
IV. D ISCUSI ON
Para poder obtener una interpolacion geografica aproximada,
se tiene en cuenta la influenca de la distancia entre un punto
a estimar y otro con valor ya conocido, proceso que se lleva a
cabo mediante la interpolacion de Kriging, que termina siendo
una forma sofisticada de interpolacion. Este proceso basado
en los variogramas, tiene mayor certeza que una sencilla
lineal, pero el ajuste que se le realiza al variograma sigue
siendo relativo segun el autor que lo realice, arrastrando mayor
incertidumbre a lor resultados finales.
R EFERENCES
[1] M. H. Trauth MATLAB Recipes for Earth Sciences, Postdam, Germany:
Springer, 2007.

III. K RIGING
El modelo de Kriging busca darle un peso a cada valor
en su afectacion sobre otro dato, dependiendo de el valor de
la distancia entre ambos datos, el cual define como el valor de
como se ve en las siguientes ecuaciones:
N
X
Zx0 = Zxi (9)
i

Por lo que la suma de todos los valores de debera ser

igual a 1:
N
X
i = 1 (10)
i

Finalmente se obtendra un sistema de ecuaciones para hallar

el valor de los correspondientes, y asi poder estimar valores
desconocidos dentro del espacio analizado.
Con la ayuda de Matlab, y siguiendo la metodolga prop-
uesta, obtenemos el siguiente grafico:
La primera figura muestra la variacion de los datos en el
espacio, obtenidos mediante la interpolacion, y la segunda
muestra la variacion en el espacio de la varianza de Kriging,
con los puntos medidos superpuestos.
FACULTAD DE INGENIERIA CIVIL Y AGRICOLA, UNIVERSIDAD NACIONAL DE COLOMBIA, TALLER NO. 4 3

V. A NEXOS
A. Codigo taller 4
plot (x , y , . )
hist (z)
skewness ( z )
kurtosis (z)
[ X1 , X2] = meshgrid ( x ) ;
[ Y1 , Y2] = meshgrid ( y ) ;
[ Z1 , Z2 ] = meshgrid ( z ) ;
D= s q r t ( ( X1X2 ) . 2 + ( Y1Y2 ) . 2 ) ;
G= 0 . 5 ( Z1Z2 ) . 2 ;
indx =1: length ( z ) ;
[ C , R] = meshgrid ( i n d x ) ;
I =R>C ;
p l o t (D( I ) ,G( I ) , . )
xlabel ( lag distance )
ylabel ( variogram )
D2=D . ( d i a g ( x NaN ) + 1 ) ;
l a g =mean ( min ( D2 ) )
hmd=max (D ( : ) ) / 2 ;
m a x l a g s = f l o o r ( hmd / l a g )
LAGS= c e i l (D / l a g ) ;
for i =1: max lags
SEL = (LAGS== i ) ;
DE( i ) = mean ( mean (D( SEL ) ) ) ;
PN ( i ) = sum ( sum ( SEL = = 1 ) ) / 2 ;
GE( i ) = mean ( mean (G( SEL ) ) ) ;
end
p l o t ( DE , GE , . )
var z=var ( z ) ;
b =[ 0 max (DE ) ] ;
c =[ var z var z ] ;
h o l d on
p l o t ( b , c , r )
y l = 1 . 1 max (GE ) ;
ylim ( [ 0 yl ] )
x l a b e l ( Averaged d i s t a n c e between o b s e r v a t i o n s )
y l a b e l ( Averaged s e m i v a r i a n c e )
hold o f f
p l o t ( DE , GE , o , M a r k e r F a c e C o l o r , [ . 6 . 6 . 6 ] )
var z=var ( z ) ;
b =[ 0 max (DE ) ] ;
c =[ var z var z ] ;
h o l d on
p l o t ( b , c , r )
xlim ( b )
y l = 1 . 1 max (GE ) ;
ylim ( [ 0 yl ] )
%S p h e r i c a l model w i t h n u g g e t
nugget =0;
s i l l =0.803;
range =45.9;
l a g s = 0 : max (DE ) ;
Gsph= n u g g e t + ( s i l l ( 1 . 5 l a g s / r a n g e 0 . 5 ( l a g s / r a n g e ) . 3 ) . ( l a g s <=r a n g e ) + s i l l ( l a g s >r a n g e ) ) ;
p l o t ( l a g s , Gsph , g )
%E x p o n e n t i a l model w i t h n u g g e t
nugget =0.0239;
FACULTAD DE INGENIERIA CIVIL Y AGRICOLA, UNIVERSIDAD NACIONAL DE COLOMBIA, TALLER NO. 4 4

s i l l =0.78;
r a n g e =45 ,
Gexp= n u g g e t + s i l l (1 exp (3 l a g s / r a n g e ) ) ;
p l o t ( l a g s , Gexp , b )
%L i n e a r model w i t h n u g g e t
nugget =0.153;
slope =0.0203;
Glin=nugget+ slope lags ;
p l o t ( l a g s , G l i n , m ) ;
x l a b e l ( D i s t a n c e between o b s e r v a t i o n s )
ylabel ( Semivariance )
l e g e n d ( V a r i o g r a m e s t i m a t o r , P o p u l a t i o n , S p e r i c a l model , E x p o n e n t i a l model , L i n e a l model )
hold o f f

G mod = ( n u g g e t + s i l l ( 1 exp (3D / r a n g e ) ) ) . ( D> 0 ) ;

n = length ( x ) ;
G mod ( : , n + 1 ) = 1 ;
G mod ( n + 1 , : ) = 1 ;
G mod ( n +1 , n + 1 ) = 0 ;
G inv = i n v ( G mod ) ;
R = 0 : 5 : 200;
[ Xg1 , Xg2 ] = meshgrid ( R , R ) ;
Xg = r e s h a p e ( Xg1 , [ ] , 1 ) ;
Yg = r e s h a p e ( Xg2 , [ ] , 1 ) ;
Zg = Xg NaN ;
s 2 k = Xg NaN ;
f o r k = 1 : l e n g t h ( Xg )
DOR = ( ( x Xg ( k ) ) . 2 + ( y Yg ( k ) ) . 2 ) . 0 . 5 ;
G R = ( n u g g e t + s i l l ( 1 exp (3DOR/ r a n g e ) ) ) . ( DOR> 0 ) ;
G R( n +1) = 1 ;
E = G inv G R ;
Zg ( k ) = sum ( E ( 1 : n , 1 ) . z ) ;
s 2 k ( k ) = sum ( E ( 1 : n , 1 ) . G R ( 1 : n , 1 ) ) + E ( n + 1 , 1 ) ;
end
r = l e n g t h (R ) ;
Z = r e s h a p e ( Zg , r , r ) ;
SK = r e s h a p e ( s2 k , r , r ) ;
subplot (1 ,2 ,1)
h = p c o l o r ( Xg1 , Xg2 , Z ) ;
s e t ( h , L i n e S t y l e , none )
axis equal
ylim ( [ 0 200])
t i t l e ( Kriging Estimate )
x l a b e l ( xC o o r d i n a t e s )
y l a b e l ( yC o o r d i n a t e s )
colorbar
subplot (1 ,2 ,2)
h = p c o l o r ( Xg1 , Xg2 , SK ) ;
s e t ( h , L i n e S t y l e , none )
axis equal
ylim ( [ 0 200])
t i t l e ( Kriging Variance )
x l a b e l ( xC o o r d i n a t e s )
y l a b e l ( yC o o r d i n a t e s )
colorbar
h o l d on
p l o t ( x , y , ok )
hold o f f