DISPENSE DI GEOSTATISTICA APPLICATA

G. Raspa





Capitolo 3 Geostatistica di base
1

































1
Il presente capitolo costituisce le dispense del modulo di Geostatistica del corso integrato Calcolo
delle Probabilit e Geostatistica impartito nel corso di laurea in Ingegneria per lAmbiente e il Territorio
(Laurea di 1 livello) della Facolt di Ingegneria dellUniversit di Roma La Sapienza.
2





3. GEOSTATISTICA DI BASE .................................................................................3
3.1 Introduzione alla Geostatistica ............................................................................3
3.2 Lapproccio probabilistico ..................................................................................9
3.3 Modelli di Base.................................................................................................11
3.3.1 Modelli Stazionari......................................................................................12
3.3.2 Modelli non Stazionari ...............................................................................16
3.3.3 Considerazioni sulla Scelta dei Modelli......................................................24
3.4 Analisi ed interpretazione dei variogrammi sperimentali ..................................25
3.4.1 Calcolo dei variogrammi sperimentali .........................................................25
3.4.2 Identificazione del modello di FA..............................................................28
3.4.3 Comportamento nellorigine del variogramma ...........................................37
3.4.4 Andamento e modelli del variogramma elementare ....................................41
3.4.5 Variogrammi a strutture annidate ...............................................................49
3.4.6 Anisotropie nei variogrammi......................................................................54
3.5 Aggiustamento di un variogramma modello......................................................57
3.6 Regolarizzazione di una FA..............................................................................61
3.6.1 Calcolo delle funzioni

............................................................................66
3.6.2 Regolarizzazione di un effetto pepita..........................................................67
3.7 Varianza di dispersione.....................................................................................69
3.8 Il kriging ordinario............................................................................................75
3.8.1 Gli stimatori lineari .....................................................................................76
3.8.2 Correttezza della stima................................................................................79
3.8.3 Precisione della stima..................................................................................79
3.8.4 Stimatori tradizionali...................................................................................80
3.8.5 Il Kriging Ordinario ....................................................................................82
3.9 Il kriging semplice ............................................................................................94



















3


3. GEOSTATISTICA DI BASE


3.1 Introduzione alla Geostatistica

La Geostatistica studia i fenomeni naturali che si sviluppano su base spaziale a partire
dalle informazioni derivanti da un loro campionamento.

In particolare studia la variabilit spaziale dei parametri che descrivono i suddetti
fenomeni estraendone le regole in un quadro modellistico di riferimento e usandole per
effettuare le operazioni volte a dare soluzione a specifiche problematiche riguardanti la
caratterizzazione e la stima dei fenomeni stessi.

I metodi della Geostatistica sono applicabili in tutti quei settori delle scienze applicate
in cui i fenomeni di studio hanno carattere spaziale. In relazione alle applicazioni
registrate negli ultimi tre decenni, tra i settori applicativi si possono citare: le scienze
geologiche e minerarie, lidrologia, lidrogeologia, la scienza dei suoli, lagronomia, la
geotecnica, la geofisica, il telerilevamento, la climatologia, la meteorologia,
l'oceanografia, le scienze forestali, la zoologia, lepidemiologia, ligiene ambientale.

Si consideri un fenomeno spaziale, per es. linquinamento di un sito da metalli pesanti.
Indicando con z la concentrazione di uno di essi e con x il generico punto di coordinate
(x
u
, x
v)
1

del campo di indagine, z(x) una funzione numerica che rappresenta la
concentrazione dell'inquinante nei punti del sito. In questo quadro si possono dare le
seguenti definizioni:

Variabile regionalizzata (VR)
Si intende la funzione matematica z(x) sopra introdotta. Il termine regionalizzata
specifica che si tratta di una funzione numerica il cui valore dipende dalla
localizzazione, espressa normalmente dalle coordinate spaziali, e che si presenta
strutturata spazialmente.

Campo:
E' il dominio nel quale la variabile z suscettibile di assumere determinati valori e,
all'interno del quale, se ne studia la variabilit. Coincide con lo spazio di osservazione
(o di indagine) del fenomeno in esame.

Supporto:
E' l'entit geometrica sulla quale la variabile z definita od anche misurata; essa
caratterizzata dalle sue dimensioni e dalla sua forma. Quando le dimensioni sono molto
piccole (rispetto alla scala del lavoro) il supporto pu considerarsi puntuale (per es. un

1
Nel seguito del testo la posizione di un punto nello spazio di lavoro sar sinteticamente indicata con x,
sottointendendo che si tratta di un punto di coordinate x
u ,
x
v,
essendo u e v i due assi coordinati del
riferimento.

4
campione areale di suolo di qualche decina di dm
2
pu essere considerato puntuale
rispetto ad una distanza tra campioni successivi di alcune decine di m). Non cos
invece per un pixel di una scena Landsat TM, che ha dimensioni 30 x 30 m, in unarea
di indagine di alcuni Km
2
.
Il concetto di supporto e le sue implicazioni giuocano un ruolo importante nella teoria e
nelle applicazioni geostatistiche. Data una variabile regionalizzata riferita ad un
determinato supporto, si ha che, cambiando la forma e le dimensioni di esso, si ottiene
una variabile regionalizzata diversa dalla prima, ma non senza analogia con essa.

Si osservi, a titolo di esempio, la figura 3.1. In essa riportato landamento della
conducibilit idraulica misurata su campioni successivi di terreno di dimensioni 10 cm;
in tratto pi grosso riportato landamento dei valori mediati su un metro (su 10
campioni). Nel primo caso la VR ha un supporto 10 cm e nel secondo ha come supporto
1m. Si tratta di due variabili che presentano un andamento molto diverso tra di loro.


Fig. 3.1 - Andamento della conducibilit idraulica riferita a due diversi supporti (da Stochastic models of
fluid flow in heterogeneous media di Leslie Smith,Proceedings of the workshop on soil spatial variability
of the ISSS and the SSSA, Las Vegas, 1984).


In base alla definizione data, una VR una variabile puramente deterministica; da un
punto di vista matematico una funzione z(x) che assume in ogni punto dello spazio un
determinato valore numerico. Si osservi per es. la figura 3.2 che rappresenta
landamento, lungo una determinata direzione, della tensione acqua-suolo (tas) di un
terreno ad un giorno dallirrigazione. Si pu osservare, da una parte, un andamento
irregolare alla piccola scala che non incoraggia uno studio matematico diretto, e
dallaltra, una variabilit strutturata, cio una variabilit che sembra ubbidire a delle
regole. Vi si notano infatti tratti con elevati valori della tas e tratti con medi e bassi
valori. Pertanto, campioni prelevati in vicinanza dei tratti ad alto valore avranno una
elevata probabilit di avere un tas elevata, mentre vi avranno una media e bassa
probabilit i campioni prelevati negli altri tratti.







5



Fig. 3.2 - Andamento di una variabile spaziale rappresentante la tensione acqua-suolo, lungo una
direzione, di un terreno ad un giorno dallirrigazione (da Spatial variability of soil-water properties in
irrigated soils, di P.J.Wierenga, Proceedings of the workshop on soil spatial variability of the ISSS and
the SSSA - Las Vegas, USA 1984) .


Un approccio corretto allo studio dei fenomeni spaziali deve considerare entrambi gli
aspetti della variabilit e fornire degli strumenti operativi alla risoluzione dei problemi.
Un tale approccio quello probabilistico, cio basato sulle Funzioni Aleatorie.

Prima di passare ad illustrare lapproccio probabilistico vediamo come possibile,
facendo uso dei concetti di varianza, covarianza e coefficiente di correlazione empirici,
caratterizzare intuitivamente la variabilit spaziale di una VR.

Sia z(x) una VR, di supporto puntuale, definita in unarea S avente unestensione di
alcune centinaia di metri (fig. 3.3) e nota in tutti i punti. Si consideri una coppia di punti
distanti h(vettore) di posizione x e x+ h, con |h| = h
1
piccolo rispetto alle dimensioni di
S, per es. un metro (fig. 3.3 A1). In corrispondenza dei due punti la VR assume i valori
z(x) e z(x+h).

Se, in maniera analoga, si fanno assumere al primo punto della coppia n posizioni x
i
( i
=1,n ) allinterno di S in maniera che anche il secondo punto stia allinterno del
campo, si ottengono altrettante coppie di valori: z(x
i
), z(x
i
+h) che graficamente
possono essere rappresentati da una nuvola di correlazione in cui gli assi esprimono i
valori del primo e del secondo punto (fig. 3.3 A2).







6



Fig. 3.3 - Descrizione empirica della variabilit spaziale: covarianza delle coppie


Essendo |h| piccolo saranno verosimilmente anche piccole le differenze tra le coppie
di valori, per cui la nuvola sar poco dispersa attorno alla retta a 45, tanto pi o tanto
meno a seconda della differenza tra i valori di ciascuna coppia. Per una distanza tra le
coppie pari a zero, le differenze sono tutte nulle ed i punti della nuvola si collocano
esattamente sulla retta a 45. Quantitativamente lentit del legame tra le coppie di
valori z(x
i
) e z(x
i
+h) misurata dalla covarianza empirica:

S Z x Z x n Z x Z x n n x x h i
i
n
i h i i h
i
n
i
n
, ( ) ( ) / ( ) ( ) / / + =
=
+ +
= =

1
1 1



7
od, ancora meglio, dal coefficiente di correlazione empirico:


x x h
x x h
x x h
S
S S
,
,
+
+
+
=




dove

S
x
e S
x+h
sono le deviazioni standard empiriche dei valori rispettivamente del
primo e del secondo punto:


S Z x n Z x Z x n n x i i i
i
n
i
n
i
n
2 2
1 1 1
=
= = =

( ) / ( ) ( ) / /

e

S Z x n Z x Z x n n x h i h i h i h
i
n
i
n
i
n
2 2
1 1 1
+ + + +
= = =
=

( ) / ( ) ( ) / /


Se ora si considera un valore di |h| = h
2
pi grande di un metro, per es. 5 m (fig. 3.3 B1)
verosimile pensare di ottenere una nuvola di punti (fig. 3.3 B2) pi dispersa di
quella ottenuta per la distanza di 1 m. La covarianza ed il coefficiente di correlazione
saranno pi piccoli dei corrispondenti valori .

Se ora consideriamo valori di |h| sempre crescenti si ha che la covarianza ed il
coefficiente di correlazione decresceranno, potendosi anche annullare se le coppie di
valori risultano indipendenti. In tal caso la nuvola di correlazione ha una dispersione
uniforme nel piano z(x
i
) e z(x
i
+h) (fig. 3.3 C2). Appare pertanto immediato graficare il
coefficiente di correlazione (o la covarianza) in funzione della distanza |h| e considerare
questa curva come una forma quantitativa che esprime, limitatamente alla direzione in
esame, la variabilit spaziale di z(x) (fig. 3.4). Per |h| = 0 le due variabili z(x
i
) e z(x
i
+h)
coincidono e di conseguenza il coefficiente di correlazione uguale a uno.

Esaminiamo ancora unaltra forma intuitiva di caratterizzare la variabilit spaziale.
Sempre con riferimento alle situazioni descritte nella fig. 3.3, consideriamo per ogni
coppia di punti x
i
e x
i
+h

le differenze:



( ) ( ) ( ) , x x Z x Z x i i i i + + = h h ( i = 1, n )






8




Fig. 3.4 - Correlazione della coppia
in funzione della distanza.








Queste, per ogni situazione, presentano istogrammi caratterizzati da dispersioni che
aumentano allaumentare di |h|. La fig. 3.5 mostra in termini di varianza degli
incrementi ci che nelle fig. 3.4 era mostrato in termini di coefficiente di correlazione.





























Fig. 3.5 - Descrizione empirica della variabilit spaziale: dispersione degli incrementi.



h
r (h)
h
1
h
2
h
3
0.5
1
0


9
Come noto, la dispersione dei valori attorno alla media misurata dalla varianza.
Pertanto la curva che esprime la varianza degli incrementi in funzione della distanza
unaltra forma per caratterizzare la variabilit spaziale di un parametro regionalizzato.
Quando |h| = 0 la varianza zero e generalmente aumenta allaumentare di |h| (fig.
3.6).




Fig. 3.6 - Dispersione degli
incrementi in funzione della
distanza.









Il trasferimento di questi concetti di carattere empirico nel quadro di un formalismo
teorico esigente costituisce lapproccio probabilistico della Geostatistica allo studio dei
fenomeni naturali a carattere spaziale.


3.2 Lapproccio probabilistico

Prendiamo in esame un fenomeno spaziale, per es. landamento ad un certo istante ed
allinterno di unarea S, della tavola dacqua di un acquifero sedimentario ed
indichiamo con z la sua profondit (rispetto al piano di campagna). La funzione
matematica, che esprime landamento di z in funzione della posizione geografica x
(caratterizzata dalle coordinate x
u
e x
v
) allinterno dellarea S, , secondo la definizione
data in precedenza, la Variabile Regionalizzata (VR) che descrive il fenomeno in esame.
Essa chiaramente una funzione deterministica.

Consideriamo ora un particolare punto di S di posizione x
0
. In esso si pu definire una
variabile aleatoria (VA) continua Z(x
0
), cio una variabile che assume dei valori
numerici appartenenti ad un certo intervallo secondo una legge di densit di probabilit
f
0
(Z) (vedi fig. 3.7).









h
g (h)
S
2
1
S
2
2
S
2
3
h
1
h
2
h
3

10



Fig. 3.7 - Descrizione di una
Funzione Aleatoria nel
dominio S.










In queste condizioni il valore z(x
0
) della profondit della falda nel punto x
0
pu essere
considerato come una realizzazione della VA Z(x
0
).
Cos come in x
0
, in ogni altro punto x di S pu essere definita una VA Z(x). Allora
linsieme di tutte le VA definite in S costituisce una Funzione Aleatoria (FA).

La FA Z(x) sar caratterizzata dallinsieme di tutte le funzioni di distribuzione
multivariabili:



che si possono definire in S per qualsiasi intero k e per qualsiasi configurazione dei k
punti: x
1
, x
2
, ... x
k
,.

Questo insieme di funzioni, data la natura spaziale del fenomeno che si vuole
modellizzare, costituisce la legge spaziale della FA Z(x).

Nel caso di indipendenza, a due a due, delle variabili Z(x
1
), Z(x
2
),,Z(x
k
), la legge
spaziale di Z(x) costituita dallinsieme di tutte le funzioni di distribuzione
monovariabili:



Con riferimento allesempio della falda, considerando i valori delle profondit z(x)
come particolari realizzazioni delle VA definite in tutti i punti x di S, possiamo
affermare che linterpretazione probabilistica del fenomeno di studio (e cio lapproccio
probabilistico) consiste nel considerare la VR z(x) come una particolare realizzazione
della FA Z(x).

Linterpretazione probabilistica dei fenomeni spaziali, od il ricorso, come si usa dire, ad
un modello topo-probabilista, non corrisponde ad una particolare concezione della
realt: questo modello non limmagine di nessuna realt fisica, un intermediario di
calcolo, una forma di collocarsi allinterno di un quadro imperativo, in cui possibile
usare gli strumenti del calcolo delle probabilit, senza i quali, dotati semplicemente di
modelli empirici o deterministici, sarebbe difficile fare molta strada verso la soluzione
dei problemi.

{ } , ) ( ,..., ) ( , ) ( ) ( 2 2 1 1 ,..., 2 , 1
,..., 2 , 1
k k k
Zk Z Z
z x Z z x Z z x Z prob z z z F < < < =
{ } S x z x Z prob z F
x Z
< = ) ( ) (
) (
11
E innegabile quindi il vantaggio dellapproccio probabilistico, ma le condizioni sono
che necessario disporre di modelli. Si pone subito quindi un problema metodologico:
il problema dellinferenza statistica, cio della stima dei parametri del modello
mediante i dati di una campionatura del fenomeno.

Il modello pi completo sarebbe costituito dalla legge spaziale sopra definita. Ma tale
legge impossibile da stimare a partire da una realizzazione unica, per di pi conosciuta
solo in un limitato numero di punti: sarebbe come pretendere di stimare con un solo
risultato la legge di probabilit associata al lancio di un dado, e quindi capire, per es., se
un dado truccato o no. E necessario quindi fare delle ipotesi per rendere pi semplice
il modello. Ma evidente che la formulazione delle ipotesi deve essere tale che il
modello risultante abbia dei requisiti minimali, quali per esempio:

il modello deve poter essere stimabile nei suoi parametri, considerando il tipo e la
quantit di informazioni generalmente disponibili per tale operazione;

il modello deve, come strumento, essere sufficiente per effettuare le operazioni pi
frequentemente richieste nello studio dei fenomeni di interesse (stime di variabili,
stime di probabilit, simulazioni);

a prescindere dalle operazioni che devono essere effettuate, il modello deve poter
esprimere, in forma qualitativa e quantitativa, la variabilit spaziale del fenomeno di
studio, ai fini della sua comprensione.

In relazione al tipo di operazioni, tra quelle sopra ricordate, che con lausilio del
modello devono essere condotte, accenniamo fin da ora ai requisiti che esso deve
possedere. Per ci che concerne le stime (predizioni in termini di statistica classica) le
pi diffuse sono quelle lineari. Per la loro implementazione, sar mostrato, sufficiente,
dellintera legge spaziale, la conoscenza dei primi due momenti della FA; ad essi
quindi che le propriet del modello saranno riferite.

Per ci che riguarda le simulazioni e le stime non lineari, questultime comprendenti le
stime di probabilit, le propriet del modello riguarderanno non solo i primi due
momenti ma anche la legge bivariabile delle coppie, cio la legge spaziale appena
introdotta limitata a k = 2.


3.3 Modelli di Base

Come stato accennato nel paragrafo precedente il ricorso ad un modello probabilistico
solleva un problema metodologico: la scelta del modello e la stima dei suoi parametri. Il
problema tuttaltro che banale, considerando che, da un lato, si di fronte ad una vastit
di modelli di Funzioni Aleatorie e, dallaltro, si dispone solo di una realizzazione unica, per
di pi nota solo in pochi punti del campo.

Per superare le difficolt poste da questo problema sembra opportuno porre dei vincoli ai
modelli, s da ridurre la famiglia di quelli praticamente utilizzabili.. A questo punto utile
fare la considerazione seguente:

12
la maggior parte dei problemi con cui normalmente si ha a che fare, e che sono quelli a cui
si fa riferimento in queste dispense, sono problemi locali, cio problemi, generalmente di
stima, che interessano una piccola porzione del campo che comprende il supporto della
stima, cio lentit geometrica da stimare, e linsieme dei dati con cui effettuare la stima
stessa. Questa porzione di campo, cos configurata, la chiameremo dora in poi, con una
parola presa a prestito dal francese, vicinaggio. La nozione di vicinaggio giuoca un ruolo
metodologico molto importante nella Geostatistica. Poich in generale non ci si limita ad un
solo problema locale, ma si tende a fare delle stime su tutto il campo, questo vicinaggio,
quasi identico per dimensioni e configurazione, destinato a percorrere tutto il campo:
diventa un vicinaggio mobile.

La considerazione precedente fa sorgere una esigenza legittima: lavorando in vicinaggio
mobile si vorrebbe vedere nella ripetizione spaziale legata alla traslazione del vicinaggio, un
sostituto di una molteplicit di realizzazioni della FA. E ci tanto pi leggittimo quanto
pi lecito pensare ad un modello che non coinvolga tutto il campo, ma che sia definito al
livello di vicinaggio. Ecco configurarsi la necessit di sollecitare per la FA condizioni di
stazionariet. Una ulteriore spinta a questo tipo di sollecitazione viene dal fatto che si
dispone di una realizzazione unica del modello.


3.3.1 Modelli Stazionari

Stazionariet Strictu Sensu

La stazionariet strictu sensu di una FA una propriet che si definisce molto
chiaramente: linvarianza per traslazione della legge spaziale del processo aleatorio.
Pi esplicitamente: comunque siano fissati un numero intero k > 0 ed un insieme di
k punti in S aventi posizione: { } k x x x ,..., , 2 1 , i due vettori aleatori:
{ } ) ( ),..., ( ), ( 2 1 k x Z x Z x Z e { } ) ( ),..., ( ), ( 2 1 h h h + + + k x Z x Z x Z con h vettore qualsiasi ,
hanno la stessa legge o, pi specificamente, hanno la stessa funzione di distribuzione
k-variabile.

La legge spaziale, anche nel quadro di unipotesi molto forte come la stazionariet, continua
a rimanere, per gli stessi motivi specificati nel paragrafo predente, un riferimento teorico
con scarso o nullo significato pratico (se non nel caso di multigaussianit). Poich, come
stato detto nel paragrafo precedente, la maggior parte delle operazioni geostatistiche
richiedono solo la conoscenza dei primi due momenti della FA, a questi ultimi che la
propriet della stazionariet deve essere riferita. Prima di esaminare questa questione
introduciamo i momenti del primo e del secondo ordine di una FA.


Momento Primo

Sia S il campo di indagine. In accordo con linterpretazione probabilistica in ogni punto
x S definita una VA Z(x). Il suo momento primo:

E Z x ( ) = m ( x )

13
se esiste generalmente funzione di x.


Momento secondo

Si considerino due punti x
1
e x
2
entrambi appartenenti ad S , rispettivamente di coordinate
x
1u
, x
1v
e x
2u
, x
2v
. La covarianza tra le variabili aleatorie Z(x
1
) e Z(x
2
):


[ ] [ ] { } ) ( ) ( ) ( ) ( ) , ( ) , ( 2 2 1 1 2 1 2 1 x m x Z x m x Z E x x C x x Cov = =

= [ ] ) ( ) ( ) ( ) ( 2 1 2 1 x m x m x Z x Z E

generalmente funzione delle posizioni x
1
e x
2
.


Variogramma

E la funzione pi comune della Geostatistica, usata nelle applicazioni principalmente per
caratterizzare la variabilit spaziale di un fenomeno regionalizzato. Introdotto
empiricamente nel paragrafo 3.2 sar ora presentato nel quadro probabilistico.
Sia S il dominio in cui definita la FA Z(x) e siano x
0
e x
0
+h una coppia di punti
appartenenti ad S e distanti h
1
(fig.3.4) La differenza tra Z(x
0
) e Z(x
0
+h) definisce una
nuova VA detta accrescimento o incremento:

[Z(x
0
+h) - Z(x
0
)].

La sua semi-varianza, per definizione il variogramma:

) , ( 0 h x = [ ] { } ) ( ) (
2
1
0 0 x Z x Z Var + h .

Esso in generale funzione di h e del punto di appoggio x
0
.


Modelli Stazionari di Ordine 2

Un modello di FA si dice essere stazionario di ordine 2
2
quando sono verificate le due
seguenti condizioni:

il momento primo esiste ed invariante rispetto alla posizione x:


1
Il simbolo di vettore indica che la distanza considerata tenendo conto anche della direzione individuata
dalla coppia di punti.
2
Nella letteratura geostatistica frequente luso del termine stazionario senza lulteriore specificazione
di ordine 2 o strictu sensu. In questi casi la stazionariet, o eventualmente la non stazionariet, sono
generalmente da intendendersi di ordine 2, rimanendo comunque inteso che il corretto significato lo si
deduce sempre dal contesto.

14
E Z x ( ) = m; (3.0)


la covarianza C x x ( , ) 1 2 esiste e non dipende dalla particolare posizione di
x
1
e x
2
ma dipende solo dalla loro distanza h:

C x x C x x C ( , ) ( , ) ( ) 1 2 1 1 = + = h h . (3.1)

Lesistenza della funzione covarianza implica che per 1 2 x x , cio per h 0 il
valore della covarianza C(0) esiste ed ha valore finito. Esso corrisponde alla varianza
di Z(x), detta anche varianza a priori, che quindi anchessa invariante per
traslazione:

C x x Var x C ( , ) ( ) ( ) 1 1 1 0 = = .

Quando sono verificate le due condizioni precedenti la funzione C(h) chiamata
funzione covarianza. Essa esprime la correlazione tra le variabili Z(x) e Z(x+h) in
funzione della distanza h dei loro punti di appoggio:
C E Z x Z x m ( ) ( ). ( ) h h = +
2


Propriet della covarianza:

una funzione pari:

C C ( ) ( ) h h = ;


la covarianza nel punto h = 0 assume sempre valori positivi:

C Z x ( ) var ( ) 0 0 = ;


vale la disuguaglianza di Schwartz:

C C ( ) ( ) h 0 ( 3.2 )

Poich, come ragionevole pensare, la correlazione tra le variabili Z(x) e Z(x+h)
tende ad indebolirsi con laumento della distanza tra i due punti di appoggio, si ha che
la funzione C(h) tende a decrescere con |h| = h, fino anche a potersi annullare se le
due variabili diventano indipendenti.








15














Fig. 3.8. Andamento generale della funzione covarianza.

Se ci ha luogo la distanza alla quale le due variabili diventano indipendenti si chiama
portata (range nella terminologia inglese e porte in quella francese) (fig.3.8)

Esaminiamo ora il comportamento della funzione variogramma nel quadro di un
modello stazionario di ordine 2. Partiamo dalla definizione:

( , ) ( ) ( ) x Var Z x Z x h h = +
1
2
( 3.3)

[ ] { } [ ] { }
2 2
) ( ) ( ) ( ) (
2
1
x Z x Z E x Z x Z E + + = h h

Poich, per ipotesi, il momento primo della FA Z(x) invariante per traslazione, si
ha che:

E Z x Z x ( ) ( ) + = h 0.

Quindi la ( 3.3 ) diventa:

[ ] { }
( , ) ( ) ( ) x E Z x Z x h h = +
1
2
2
. (3.4)
Il variogramma alla distanza h coincide, a meno del fattore con la media degli
accrescimenti quadrati di Z(x) di entit h.

Ancora la ( 3.4 ) sviluppata secondo la relazione ( 1.20) diventa:

[ ] [ ] [ ] { } ) ( ), ( 2 ) ( ) (
2
1
) , ( x Z x Z Cov x Z Var x Z Var x h h h + + + = (3.5)

Ora, sempre in virt delle ipotesi di stazionariet di ordine 2, la varianza e la funzione
covarianza sono invarianti per traslazione e quindi la ( 3.5 ) diventa:

h
C(h)
C(0)
a
a: range

16
{ } ( ) [ ( )] ( ) h h =
1
2
2 2 Var Z x C ,

da cui, riscrivendo pi chiaramente, si ottiene limportante relazione:


( ) ( ) ( ) h C C h = 0 ( 3.6 )



Questa relazione mostra che la funzione variogramma strettamente legata alla
funzione covarianza e pertanto si pu affermare che:

anche (h) invariante per traslazione;

indifferente utilizzare, come strumento di lavoro, la covarianza o il variogramma.












Fig. 3.9- Funzione covarianza e funzione variogramma.


Dalla ( 3.6 ), tenendo conto della relazione di Schwartz ( 3.2 ), si deduce che la
funzione (h) necessariamente limitata; il limite superiore rappresentato dalla
varianza a priori (fig. 3.9).


3.3.2 Modelli non Stazionari

Le FA non stazionarie sono quelle che non rispettano le condizioni (3.0) e (3.1). Pi
esplicitamente sono quelle che soddisfano anche ad una delle due condizioni:

la media E Z x m x ( ) ( ) = non costante nel campo;

la funzione covarianza o non esiste (perch non esiste la varianza) o non invariante per
traslazione.

Prima di esaminare le forme con cui le FA non stazionarie vengono affrontate e
caratterizzate al fine di rendere possibile la loro manipolazione, ci soffermiamo su due tipi

h
C( 0)
g ( h)
C( h)
Ra nge

17
di modelli, non stazionari secondo la definizione data, che in maniera molto immediata si
riconducono allo stesso formalismo delle FA stazionarie.


Modelli quasi Stazionari

Una FA detta essere quasi-stazionaria quando la sua media E[Z(x)] = m(x),
pur non essendo costante su tutto il campo, vi varia molto debolmente, s da poter
essere considerata costante allinterno di domini di dimensioni non inferiori a quelle
del vicinaggio di lavoro.
Vediamo come si esprime un modello quasi-stazionario.

Consideriamo, per svincolarci dalla notazione vettoriale, di operare su uno spazio a
una dimensione, o su un allineamento (uno qualsiasi) di un campo bidimensionale.
Siano x
0
e x
0
+h due punti sullallineamento. Il variogramma di Z(x) per la coppia
Z(x
0
) e Z(x
0
+h), in base alla ( 3.3) dato da:

[ ]
{ }
[ ] 2 0 0 0
2
0 0
2
( , ) ( ) ( ) ( ) ( ) x h E Z x h Z x m x h m x = + +

E facile verificare che il variogramma sopra definito anche il variogramma di: Y(x)
= Z(x) - m(x), che una variabile, detta residuo, di media nulla. Supponiamo che tale
residuo sia stazionario di ordine 2, il che equivale a supporre, essendo il residuo di
media costante, che ( , ) x h 0 dipenda solo da h e sia limitato superiormente.
Supponiamo ancora che m(x) sia una funzione, per semplicit, di tipo lineare:

m x a a x ( ) = + 0 1 .

lespressione :

[ ] { }
2
0 0 ) ( ) (
2
1
x Z h x Z E + ,

che coinciderebbe con il variogramma di Z(x) se E Z x ( ) fosse costante, risulta
essere:
[ ] { }
1
2
0 0
2
1
2 2
E Z x h Z x h a h ( ) ( ) ( ) + = + ( 3.7 )

Ora, se il coefficiente a
1
molto piccolo, i termini di destra della espressione
precedente, dove il primo rappresenta un variogramma limitato (fig. 3.10 a), il
secondo una funzione parabolica (fig. 3.10 b), sommati danno luogo allandamento di
fig. 3.10 c, che pu essere considerato come landamento di un variogramma di una
FA Z(x) stazionaria entro i limiti fissati dalla distanza b alla quale la curva comincia
ad impennarsi. Tale distanza definisce il dominio di stazionariet della FA Z(x). In
altri termini Z(x) pu essere considerata stazionaria di ordine 2 per vicinaggi di
dimensioni b ed il suo variogramma espresso da:

[ ] { }
2
0 0 ) ( ) (
2
1
) ( x Z h x Z E h +
18

In pratica si considerato, sempre per h b, a h 1
2 2
0 .
E importante notare che la illustrazione del concetto di quasi-stazionariet stata
effettuata servendosi della funzione variogramma; non sarebbe stato possibile usando
la covarianza. E questa una delle ragioni per cui nella geostatistica applicata si opera
in principio con la funzione variogramma.





































Fig. 3.10 - Andamento del variogramma sperimentale per modelli quasi-stazionari.



Modelli intrinseci

h
m
2
(h)
h
g*(h)
g(h)
h

a)
b)
c)
19
Pu succedere che una FA Z(x) non stazionaria sia tale che i suoi incrementi lo siano.
Una situazione del genere classica e corrisponde al moto browniano, vale a dire al
moto disordinato di una particella provocato dagli urti con una grande quantit di altre
particelle in movimento costituenti un liquido. Il risultato di una simulazione del moto
browniano a una dimensione, su 6000 unit temporali, riportata in figura 3.11 e
consiste nellandamento, in funzione del tempo, della progressiva che identifica la
posizione della particella.




Fig. 3.11 Andamento delle progressive (simulate) relative al moto (browniano monodimensionale)
casuale di una particella a seguito degli innumerevoli urti subiti ad opera di altre particelle.


Come si evince dal grafico la variabile presenta un andamento senza regole che non
consente di fare alcuna considerazione su media e varianza. Gli incrementi invece
sono stazionari, nel senso che essi fluttuano attorno un valore costante (zero in
particolare) e con fluttuazioni di ampiezza paragonabile.
Nella figura 3.12 si riporta landamento di 500 incrementi a passo temporale 3 e 6
calcolati nella parte iniziale, nella parte di mezzo e nella parte finale della
simulazione. Landamento di fig. 3.11 modellizzabile con una FA intrinseca.















-80
-60
-40
-20
0
20
40
60
80
0 1000 2000 3000 4000 5000 6000
Tempo
P
r
o
g
r
e
s
s
i
v
a
20




























Fig. 3.12 Andamento delle progressive (simulate) a passo temporale 3 (parte sinistra) e 6 (parte
destra) calcolati rispettivamente sui valori 1-500 (1), 2500-3000 (2) e 5500-6000 (3) della simulazione.


Una FA si dice intrinseca in S (e si indica FAI) se per ogni vettore h i corrispondenti
accrescimenti sono stazionari di ordine 2, vale a dire: dati due punti di posizione x
0
e
x
0
+ h laccrescimento: Z(x
0
) - Z(x
0
+ h) ammette momenti ordine uno e due di
valore finito ed invarianti per traslazione, cio non dipendenti dal punto di appoggio x
0

ma solo dalla posizione h. Le due condizioni si esprimono come segue:
segue:

= m(h) = m(h) ( 3.8 )

D Z x Z x
2
0 0 2 ( ) ( ) ( ) + = h h ( 3.9 )

m(h) rappresenta la deriva di Z(x) che necessariamente lineare.

Infatti la (3.8) si pu anche scrivere:

= m( h + h

) (3.10)

e anche

-4
-3
-2
-1
0
1
2
3
4
0 100 200 300 400 500
Tempo
I
n
c
r
e
m
e
n
t
i

d
i

p
r
o
g
r
e
s
s
i
v
a

(
D
t
=
3
)
-4
-3
-2
-1
0
1
2
3
4
0 100 200 300 400 500
Tempo
I
n
c
r
e
m
e
n
t
i

d
i

p
r
o
g
r
e
s
s
i
v
a

(
D
t
=
3
)
-4
-3
-2
-1
0
1
2
3
4
0 100 200 300 400 500
Tempo
I
n
c
r
e
m
e
n
t
i

d
i

p
r
o
g
r
e
s
s
i
v
a

(
D
t
=
3
)
-8
-6
-4
-2
0
2
4
6
8
0 100 200 300 400 500
Tempo
I
n
c
r
e
m
e
n
t
i

d
i

p
r
o
g
r
e
s
s
i
v
a

(
D
t
=
6
)
-8
-6
-4
-2
0
2
4
6
8
0 100 200 300 400 500
Tempo
I
n
c
r
e
m
e
n
t
i

d
i

p
r
o
g
r
e
s
s
i
v
a

(
D
t
=
6
)
-8
-6
-4
-2
0
2
4
6
8
0 100 200 300 400 500
Tempo
I
n
c
r
e
m
e
n
t
i

d
i

p
r
o
g
r
e
s
s
i
v
a

(
D
t
=
6
)
(1)
(2)
(3)
[ ] ) ( ) ( 0 0 x Z x Z E + h
[ ] ) ( ) ( 0
'
0 x Z x Z E + + h h
21

= m(h

) (3.11)

Sottraendo la (3.8) dalla (3.10) e tenendo conto della (3.11) si deduce la linearit di
m(h):

m(h+h) - m(h) = m(h).

Le FAI cui si far riferimento nel seguito saranno quelle senza deriva e cio con m(h)
= 0. Questa restrizione, che nellambito della Geostatistica di base utile per la
esemplificazione delle procedure, deve essere verificata. In un ambito pi generale,
quello in cui si studiano i fenomeni non stazionari, tale restrizione invece fondata.

Si precisa che una FAI senza deriva non significa una FA di media costante, perch,
per definizione, una FAI non fa nessun riferimento alle VA Z(x) ma solo agli
incrementi. Landamento di fig. 3.11 non evidenzia una fluttazione attorno ad un
valore costante, eppure gli incrementi sono di media nulla.

Nella (3.9) (h) rappresenta la funzione variogramma gi introdotta allinizio del
paragrafo. Il variogramma, appunto perch espressione di una FA intrinseca, anche
chiamata nella terminologia geostatistica funzione intrinseca.

Un modello intrinseco chiaramente meno esigente di un modello stazionario: le
condizioni che lo definiscono sono meno restrittive. Si osserva che un modello
stazionario necessariamente intrinseco: infatti nel paragrafo 3.3.1 stato dimostrato
che se un modello stazionario esso ammette variogramma, che risulta essere legato
alla funzione covarianza dalla relazione (3.6). Si ribadisce che un modello intrinseco
non ammette obbligatoriamente funzione covarianza: si ricorda anzi che il modello
intrinseco stato proprio introdotto per trattare FA prive di covarianza. Un modello
(o una FA) intrinseco ma non stazionario chiamato strettamente intrinseco.

Senza entrare nel merito di cose che saranno esaminate pi avanti, importante tener
presente in questa fase che nella stima lineare il formalismo di calcolo per le FA
intrinseche identico a quello delle FA stazionarie, a patto di sostituire la funzione
covarianza con la funzione variogramma cambiata di segno.



I due modelli sopra presentati, molto ricorrenti nella pratica geostatistica, soprattutto il
primo, sono modelli non stazionari molto particolari, che, come si visto, sono stati
facilmente ricondotti a situazioni di stazionariet: il primo restringendo la stazionariet su
aree ristrette, il secondo cercando la stazionariet dellincremento. Anche per le altre
situazioni di non stazionariet, quelle pi proprie, ma anchesse molto frequentemente
ricorrenti nella modellizzazione geostatistica, si seguir un cammino analogo: attraverso il
ricorso a particolari forme ci si ricondurr sempre a un qualcosa di stazionario. Due sono i
tipi di modelli proposti nella geostatistica non stazionaria: modello con deriva e modello
intrinseco di ordine k: sono due facce della stessa medaglia (non stazionaria); entrambi
filtrano dal trattamento probabilistico tutto ci che non caratteristica intrinseca del
fenomeno; il secondo modello una generalizzazione del modello intrinseco.
[ ] ) ( ) ( 0
'
0 h h h + + + x Z x Z E
22
Senza entrare nei particolari, diamo qui di seguito un breve cenno sugli approcci per
completare il quadro sui modelli delle Funzioni Aleatorie.


Modello con Deriva

Questo tipo di modello trae spunto dallosservazione di alcuni fenomeni naturali:
quelli che mostrano una componente di variabilit a scala regionale o una variabilit
che ingloba un trend, vale a dire una variazione sistematica della variabile pi o meno
accentuata, in un senso o nellaltro. Empiricamente questa tendenza potrebbe essere
descritta dallandamento della media (della variabile di interesse) su vicinaggi mobili
allinterno dellarea di indagine. Il punto di vista del vicinaggio determina la scala alla
quale bisogna osservare il fenomeno ai fini dello studio geostatistico, perch,
evidente, certe frequenze appaiono o non appaiono a seconda della scala di
osservazione.
Se un fenomeno quindi manifesta con evidenza, alla corretta scala di osservazione, un
progressivo aumento o diminuzione, vuol dire che bisogna scegliere una FA modello
con media variabile: E Z x m x ( ) ( ) = ; questultima nel linguaggio geostatistico
chiamata deriva (drive nella terminologia francese e trend in quella inglese), termine
gi introdotto per caratterizzare una FAI.

Pertanto nel modello con deriva supposto che la FA oggetto di studio Z(x) possa
essere considerata, in ogni punto x, come la sovrapposizione di due componenti:

la deriva m(x), che costituisce la componente deterministica;

il residuo Y x Z x m x ( ) ( ) ( ) = , che costituisce la parte aleatoria.

Si ha ovviamente che:

Z x Y x m x ( ) ( ) ( ) = + .

Questa dicotomia, decomponendo la variabilit totale in due componenti, una
deterministica e laltra stocastica, con un criterio che, come stato detto sopra,
influenzato dalla scala di osservazione del fenomeno, sembra introdurre un forte
elemento di soggettivit. In verit, spesso questa dicotomia risponde ad una esigenza
naturale, e ci accade quando la deriva espressione di una componente regionale,
regolare, di una tendenza che ha un significato fisico rispetto al fenomeno studiato.

Generalmente la deriva viene modellizzata con una funzione polinomiale:

m x a f x
l
l
l
( ) ( ) =

,

dove a
l
sono i coefficienti del polinomio e f
l
(x) monomi di grado l.
Il residuo Y(x), essendo esso a media costante (perch nulla), viene modellizzato con
una FA o stazionaria o intrinseca a seconda che ammetta covarianza o solo
variogramma. In un caso avremo un modello con deriva e residuo stazionario,
nellaltro un modello con deriva e residuo intrinseco. Al variogramma e la
covarianza del residuo, espressi nella forma consueta:
23

C h E Y x Y x ( ) ( ) ( ) = + h ; [ ] { }
2
2
( ) ( ) ( ) h E Y x Y x = + h

attribuito lappellativo di sottogiacenti, perch la loro inferenza, quando possibile,
non diretta.


Modello Intrinseco di ordine k

La definizione di questo modello il risultato della generalizzazione del procedimento
seguito per la definizione del modello strettamente intrinseco: allora si operato
considerando in ogni punto x invece della variabile diretta Z(x) laccrescimento in x
relativo ad una distanza orientata h: Z(x+h) - Z(x). In questo modello la nozione di
accrescimento generalizzata ad una combinazione lineare di ordine k, cio ad una
combinazione lineare:

Z x Z x k i i
i
n
( ) ( ) =
=

1
(3.12)

che, affinch possa essere stazionaria, deve filtrare dei polinomi di grado k, cio deve
soddisfare alle seguenti condizioni:

i
l
i
i
n
f x ( )
=

=
1
0 (l = 0, 1,...,k) (3.13)


Nella (3.12) { } n x x x ,..., , 2 1 sono le posizioni di n punti S; { } ) ( ),..., ( ), ( 2 1 n x Z x Z x Z
sono le VA ad essi associate;
k
un insieme di numeri reali { } n ,..., , 2 1 , che
costituiscono i coefficienti della combinazione lineare.

Nella (3.13) f x
l
i ( ) sono i monomi di grado l delle coordinate degli n punti. Nel caso
che il campo S sia bidimensionale, indicando con { } un u u x x x ,..., , 2 1 e { } vn v v x x x ,..., , 2 1 le
coordinate degli n punti, per un ordine per es uguale a 2, la (3.13) equivale ai seguenti
tre gruppi di condizioni:


I gruppo: {

=
i
i 0


IIgruppo:

=
=

i
vi i
i
ui i
x
x
0
0

IIIgruppo:

=
=
=
i
vi ui i
i
vi i
i
ui i
x x
x
x
0
0
0
2
2

24


Per un ordine k = 1 le condizioni sono quelle del primo e del secondo gruppo, mentre
per un ordine k = 0 le condizioni sono solo quelle del primo gruppo.

Possiamo ora enunciare le propriet del modello. Una FA Z(x) si dice essere
intrinseca di ordine k se la FA : Z x Z x k i i
i
n
( ) ( ) =
=

1
stazionaria di ordine 2. In tal
caso la combinazione Z x k ( ) detta combinazione lineare autorizzata di ordine k.

A questo punto non difficile riconoscere nellaccrescimento stazionario Z(x+h) -
Z(x) una combinazione lineare autorizzata di ordine 0. Infatti in questo caso i
coefficienti dei termini della combinazione lineare sono 1. e -1. e rispettano la
condizione del primo gruppo.


3.3.3 Considerazioni sulla Scelta dei Modelli

Dopo questa disamina sui modelli di FA che ricorrono nelle applicazioni della Geostatistica
inevitabilmente si pone il problema della scelta del modello con interrogativi del tipo: con
quale criterio, con quali dati, con quali tecniche, con che conseguenze. A tutte queste
domande verr risposto specificamente nel successivo paragrafo 3.4 per ci che concerne
una parte dei modelli, e nel Cap. 4 per la restante parte, atteso che tutto lo sviluppo di
queste dispense contribuisce in maniera generale a chiarire questo problema. In questo
punto ci limitiamo a qualche considerazione di principio.
Innanzi tutto va chiarito il rapporto fenomeno/modello. Le propriet che definiscono un
modello sono delle propriet matematiche e sono da attribuire unicamente alla FA. Non si
possono attribuire delle propriet matematiche ai fenomeni. Con riferimento a una delle
scelte pi ricorrenti nella pratica geostatistica, se adottare un modello stazionario o un
modello non stazionario per lo studio di un fenomeno, possiamo efficacemente citare P.
Chauvet (Aide mmoire de Gostatistique linaire, pag.89) ... una variabile
regionalizzata (quindi un fenomeno) non , in s, n stazionaria, n non stazionaria. Per
essere precisi bisognerebbe dire tale variabile regionalizzata, per un dominio dato e per
una data scala di lavoro, pu ragionevolmente essere (o non essere) modellizzata da una
Funzione Aleatoria stazionaria. E si sottolinea ancora una volta che lavverbio
ragionevolmente, che pu scandalizzare gli statistici, potrebbe essere presa come la pietra
angolare del procedimento del geostatistico. Cos nel caso preciso che ci interessa, non c
vera risposta alla questione stazionario o non stazionario, ma piuttosto una assunzione di
responsabilit da parte del geostatistico, fatta con cognizione di causa, nel migliore accordo
possibile coi dati, seguendo sempre il principio delleconomia, e cosciente che comunque
alla fine ci sar sempre un rischio.

Bisogna precisare che in geostatistica non si ha alcuna avversione pregiudiziale per i test,
ma si deve tener presente che questi test necessitano di disporre gi di un modello
interamente specificato. Anzi, proporre dei test di stazionariet esigerebbe, a livello teorico,
una specificazione del modello probabilista molto pi completa di quanto non sia richiesto
ulteriormente dalla Geostatistica Lineare e di quanto realisticamente si possa sperare di
raggiungere.

25
Dal punto di vista pratico la scelta del modello non presenta poi particolari difficolt se si
ha un pizzico di esperienza e si dispone di software geostatistici adeguati. Il pi delle volte il
modello da adottare viene suggerito in maniera inequivocabile dal comportamento dei dati
rispetto a certe operazioni. E ci non casuale dato che i modelli proposti traggono spunto
dalla realt.

Quando poi sorgono delle difficolt ricordiamo che esiste sempre un criterio empirico che
aiuta a fare scelte efficaci: quello di scegliere il modello sulla base dei risultati di una
validazione incrociata.


3.4 Analisi ed interpretazione dei variogrammi sperimentali

Con riferimento ai modelli di FA esaminati nel paragrafo precedente, si ha che il
modello stazionario, il modello quasi-stazionario ed il modello intrinseco possono
essere tutti e tre descritti nella stessa forma: tramite la funzione variogramma. In tutti e
tre i casi infatti, per le propriet del modello, la funzione variogramma esiste ed
invariante per traslazione, con una restrizione per il modello quasi-stazionario che limita
queste propriet al dominio di stazionariet. Per questi modelli si ricorda che il
variogramma ha la seguente forma:

[ ] { }
2
) ( ) (
2
1
) ( x Z x Z E + = h h (3. 14)

Questa espressione si presta ad una stima diretta a partire dai valori misurati e ci rende
piuttosto semplice l inferenza della funzione variogramma.
Questo paragrafo sar dedicato alla stima del variogramma e della sua interpretazione
nellambito dei modelli citati. Per gli altri modelli, che sono quelli tipicamente non
stazionari, la definizione ed il riconoscimento del modello richiedono procedure diverse
che saranno descritte nel cap. 4, dedicato totalmente ai fenomeni non stazionari.

Quando si affronta uno studio geostatistico, la prima fase di esso, dopo una necessaria
analisi preliminare consistente nella elaborazione delle statistiche elementari e
finalizzata a prendere conoscenza dei dati ed alla loro verifica, dedicata al calcolo ed
alla interpretazione dei variogrammi sperimentali. Uno dei risultati dellinterpretazione
la identificazione del modello di FA: se stazionario, quasi-stazionario, intrinseco, o
qualcosa altro di non stazionario. Spesso l identificazione del modello, come sar
mostrato pi avanti, avviene in maniera molto chiara e inequivocabile.

Con riferimento ai modelli di FA introdotti ed ai metodi che saranno descritti in queste
dispense si ricorda che, ad eccezione del cap. 6 dedicato al trattamento dei fenomeni
non stazionari, il resto dei capitoli tratter le metodologie per modelli stazionari e
quasi-stazionari. Tutto quanto svolto nellattuale cap. 3 vale anche per i modelli
intrinseci.


3.4.1 Calcolo dei variogrammi sperimentali

26
La stima della funzione variogramma viene effettuata sulla base dei dati provenienti dal
campionamento del fenomeno oggetto di studio. Si consideri per esempio la fig. 3.13 in
cui schematizzato un campo di lavoro ed i punti di prelievo, disposti a maglia
regolare, di campioni di suolo su cui stato misurato il contenuto in metalli pesanti, tra
essi il Cadmio (Cd). Si vuole effettuare il calcolo del variogramma sperimentale.
Si tratta di stimare lespressione (3.14), che per FA stazionarie, quasi-stazionarie e
intrinseche, rappresenta appunto il variogramma. Il suo stimatore, come ogni altro
stimatore considerato in queste dispense, viene convenzionalmente notato
contrassegnando con un asterisco lentit da stimare:

[ ] { }
2
) ( ) (
2
1
) ( x Z h x Z E Stima h + =

. (3. 15)


Fig. 3.13 - Disposizione di un piano di campionatura a maglia regolare.

Per le FA sopra menzionate, data la stazionariet dell incremento Z x h Z x ( ) ( ) + , in
assenza di deriva

( ) h dato dalla media aritmetica degli incrementi quadrati misurati

a distanza h.
Siano infatti r il lato della maglia e x x
i i r
,
+
la posizione di due punti distanti r e allineati
secondo la direzione X, il variogramma sperimentale alla distanza r nella direzione X
dato da:

+
=
=

( ) ( ) ( ) r z x z x
i r i
i
N
r
2
1


dove N
r
il numero di coppie di punti aventi tra di loro distanza r e allineati secondo la
direzione X. Alla stessa maniera si pu calcolare, secondo la stessa direzione X il
variogramma sperimentale per h=2r, 3r; analogamente il tutto ripetibile per la
direzione Y. Per la direzione a 45 possibile calcolare

( ) h per i valori di h:
. 2 3 , 2 2 , 2 r r r .

Non cos immediato il calcolo dei variogrammi sperimentali quando la maglia
irregolare, come per esempio lo schema di campionature riportato in fig. 3.14 a.
Supponiamo di voler calcolare il valore del variogramma ad una distanza r lungo la
direzione (fig. 3.14 b). Il contributo al calcolo del variogramma suddetto deriva da
tutte le coppie di campioni che si possono individuare distanti r e allineate secondo la


27
direzione . Pu accadere che non vi sia alcuna coppia cos disposta. E allora
necessario introdurre una tolleranza angolare sulla direzione ed una tolleranza r
sulla distanza; cos facendo tutte le coppie di campioni aventi distanza compresa tra r-
r e r+r e allineate secondo una direzione conpresa tra - e + contribuiscono
al calcolo del variogramma r ,.

Dal punto di vista operativo immediato verificare, con semplici considerazioni
geometriche, se la coppia di campioni individuata dai punti p
1
e p
2
di coordinate
rispettivamente (u
1
, v
1
) e (u
2
, v
2
) contribuisce al calcolo del variogramma per la
direzione e la distanza r r.

Fig. 3.14 - Disposizione di un piano di campionatura a maglia irregolare.


Infatti , indicando con d la distanza tra i due punti: d = sqrt ((u
2
-u
1
)2+(v
2
-v
1
)2 ),
con con C
1
= d / (u
2
-u
1
) e C
2
= d /(v
2
-v
1
) i coseni direttori della direzione p
1
- p
2
e
con D
1
= cos() e D
2
= sin() i coseni direttori della direzione , il coseno dellangolo
, formato dalla congiungente i punti p
1
, p
2
e dalla direzione , dato da:
cos( ) = C
1
D
1
+ C
2
D
2 .
Quindi la coppia contribuir al calcolo del variogramma se:
cos( ) cos( ) e r-r d r+r.

I valori delle tolleranze e r da adottare dipendono ovviamente dalla quantit di
campioni di cui si dispone: pi essi sono di numero elevato e pi piccole possono essere
le tolleranze, consentendo con ci maggiore precisione nel calcolo dei variogrammi. E
comunque di uso abbastanza frequente calcolare i variogrammi sperimentali per
distanze multiple di una distanza di base, chiamata passo, con un valore di r pari
proprio a met del passo e secondo quattro direzioni, a novanta gradi tra di loro, con
un valore di di 22.50 . Questo consente di utilizzare tutte le coppie individuate
dallinsieme dei campioni disponibili.

In conclusione, sia partendo da una maglia regolare che da una maglia non regolare,
utilizzando le tecniche di calcolo sopra illustrate, possibile stimare per diverse
distanze h il variogramma sperimentale

(h), i cui valori possono essere graficati come

in fig. 3.15. Landamento di

(h) in funzione di h esprime quasi sempre situazioni

facilmente riconoscibili, che riguardano sia il modello di FA sia lo stile della
variabilit spaziale del fenomeno considerato. Esamineremo di seguito questi aspetti












28
facendo riferimento a casi di studio e fornendo di volta in volta i presupposti teorici
dellinterpretazione.



Fig. 3.15 - Rappresentazione di un variogramma sperimentale.


3.4.2 Identificazione del modello di FA

Quando il variogramma sperimentale, sia pur con delle fluttuazioni, si attesta su di un
valore che poi rimane costante, e tale valore pressappoco coincidente con la varianza
empirica, allora questo un segno che il fenomeno in esame pu essere descritto da un
modello stazionario (di ordine 2). Si ricorda che per tale modello il momento primo ed
il momento secondo sono invarianti per traslazione e che la funzione variogramma
legata alla funzione covarianza dalla relazione seguente:


( ) ( ) ( ) h C C h = 0


C(0) il valore di soglia che corrisponde alla varianza della FA Z(x).

Nelle tre figure seguenti riportiamo altrettanti variogrammi sperimentali, presi dalla
letteratura, in cui appare molto evidente lesistenza di un valore di soglia che rimane poi
costante. In ogni figura accanto al variogramma sperimentale tracciato il variogramma
modello, cio la funzione analitica aggiustata sui punti sperimentali; laggiustamento
del variogramma sar trattato nel paragrafo 3.5.

La fig. 3.16 mostra il variogramma secondo la direzione verticale, costruito sui dati di
40 perforazioni, della variabile saturazione in olio della formazione sabbiosa canadese
Athabasca. Il variogramma presenta delle oscillazioni attorno ad un valore stimato
essere attorno a 19, raggiunto ad una distanza di 36 m. Nella figura per alcuni punti
sperimentali indicato il numero di coppie con cui il variogramma stato calcolato.













29


















Fig. 3.16 - Variogramma sperimentale della saturazione in olio di un giacimento
petrolifero. (figura tratta da Mining Geostatistics di Journel & Huijsbregts, pag 237).


La fig. 3.17 si riferisce al variogramma sperimentale del contenuto in Cu del
giacimento cileno di Los Bronces costruito sulla base di circa 4000 campioni. Il valore
di soglia di 0.73 stato considerato essere raggiunto asintoticamente; stando alla
definizione, si direbbe che il variogramma ha un range infinito.

La fig. 3.18 rappresenta il variogramma della variabile conducibilit elettrica, costruito
sui dati trasformati (trasformazione gaussiana), misurata per il controllo della salinit
su

Fig. 3.17 - Variogramma sperimentale Fig. 3.18 - Variogramma della conducibilit elettrica
della variabile Cu in un giacimento del ca in un suolo della valle del Giordano in Israele.
Cile (da Mining Geostatistics di Jour- (da Disjunctive Kriging in Agriculture, di R. Web-
nel & Huijsbregts, pag.240) ster and Oliver, M.Armstrong(ed.), Geostatistics, vol. I)


campioni di suolo della regione di Bet Shean nella valle del Giordano in Israele. Come
nel caso precedente il valore di soglia 1 raggiunto asintoticamente.

30
Le situazioni sopra riportate sono inequivocabili, esse ricorrono abbastanza
frequentemente nel trattamento dei dati spaziali: ladozione di un modello stazionario
appare quanto mai appropriata.
Unaltra situazione, anch essa frequente nella pratica delle applicazioni, quella in cui
il variogramma sperimentale raggiunge un valore di soglia che si mantiene costante per
un breve tratto e poi si impenna crescendo indefinitamente. Questo comportamento lo
si pu osservare nella fig. 3.19, che rappresenta il variogramma verticale di una
mineralizzazione di Cu, in cui il contenuto di Cu diminuisce debolmente e
sistematicamente con la profondit. Landamento di un siffatto variogramma
sperimentale indica inequivocabilmente, sulla base di quanto detto nel punto 3.3.2, un
comportamento della VR modellizzabile con una FA quasi-stazionaria. Il valore di h al
quale il variogramma sperimentale comincia ad impennarsi di 100 ft, e corrisponde
alla distanza al di sotto della quale il trend di variazione del contenuto in Cu
trascurabile. Operando al di sotto dei 100 ft si ha il diritto di modellizzare la variabile di
studio con una FA stazionaria, il cui variogramma rappresentato appunto dal tratto di
curva al di sotto dei 100 ft. E importante notare che in questi casi il valore di soglia del
variogramma non corrisponde, al contrario di quanto accade nel caso stazionario, alla
varianza empirica dei campioni, in quanto questa, essendo calcolata su tutti i campioni,
ingloba anche la variabilit dovuta alla variazione sistematica.

























Fig. 3.19 - Variogramma sperimentale indicante una situazione di quasi-
stazionariet (fig. tratta da tratta da Mining Geostatistics di Journel & Huijsbregts,
pag 44).


Facendo ancora riferimento alle considerazioni sulla quasi-stazionariet del gi citato
paragrafo 3.3.2, si ha che, se la variazione sistematica della media non pi debole ma
accentuata, la somma delle due componenti, il variogramma e la parabola, produce una
curva che si impenna rapidamente non evidenziando alcun dominio di stazionariet,
come risulta dalla fig. 3.20: ci si trova di fronte ad una situazione non stazionaria.

31
Essendo i fenomeni naturali strutturati e spesso regolati da fattori che agiscono su
direzioni preferenziali, pu accadere che un fenomeno sia stazionario in una direzione e
non stazionario in unaltra direzione. Si osservi, ad esempio, la fig. 3.21. In essa sono


Fig. 3.20 - andamento del variogramma sperimentale in presenza di un trend accentuato


riportati i variogrammi sperimentali del geopotenziale
1
a 500 mbar, uno in direzione
EW (longitudine), laltro in direzione NS (latitudine). Il variogramma EW presenta un
valore di soglia raggiunto ad una distanza di circa 3000 Km, denunciando una
situazione di stazionariet o meglio di quasi-stazionariet. Il variogramma NS mostra
invece un marcato andamento parabolico, che, per quanto detto sopra, il segnale della
presenza di una deriva, cio di una sensibile variazione sistematica del geopotenziale.




















Fig. 3.21 - variogrammi del geopotenziale (da Mining Geostatistics di Journel & Huijsbregts,
pag. 242).

1
Il geopotenziale una grandezza usata in meteorologia e corrisponde allaltezza H(x) in un punto x di
una determinata isobara superficiale.

h h
g*(h)
m
2
(h)
g(h)
32
A conferma di questa interpretazione si osservino nella figura seguente gli andamenti
misurati del geopotenziale lungo le due direzioni precedenti. Mentre landamento nella
direzione EW (fig. 3.22b) mostra delle fluttuazioni attorno ad una
















Fig. 3.22 - Andamento del geopotenziale nelle direzioni N-S, E-W (da Mining Geostatistics di pag. 242-
243).

media pressocch costante, landamento nella direzione NS (fig. 3.21a) mostra un
progressivo aumento del geopotenziale dal polo allequatore.

Diamo ancora un altro esempio di come passando da una direzione allaltra si passa da
una situazione stazionaria ad una non stazionaria. Nella fig. 3.23 raffigurata unarea
di 100 mila ettari lungo il fiume Batanghary (ovest di Sumatra). Larea stata
campionata mediante il prelievo di circa 150 campioni, su cui sono state misurate le
caratteristiche del suolo, tra cui la tessitura, che, in termine di scienza dei suoli, consiste
nelle percentuali di sabbia, limo, argilla. La tessitura come noto legata alla
morfologia dellarea.

Sui dati di campionatura stato condotto uno studio geostatistico finalizzato allo studio
della variabilit del suolo. Nella fig. 3.24 si riportano i variogrammi del contenuto in
sabbia calcolati su quattro direzioni. Come si pu osservare il variogramma lungo la
direzione SE-NW (che pressappoco corrisponde a quella dellasse del fiume) raggiunge
un valore di soglia di circa 150 ad una distanza di 15-20 Km. Nella direzione ortogonale
alla precedente NE-SW il variogramma mostra invece un comportamento parabolico,
che il segno della presenza di un trend nella variabile. Nelle direzioni intermedie i
variogrammi hanno un comportamento intermedio, anche se non simmetrico. In
particolare si nota che la direzione E-W presenta una situazione di quasi-stazionariet
con dominio di stazionariet di circa 5 Km, somigliando un po' alla dirzione SE-NW,
mentre il variogramma nella direzione N-S somiglia pi a quello della direzione NE-
SW. Ci si spiega molto semplicemente: lasse del fiume non coincide esattamente con
la direzione NW-SE e quindi le direzioni N-S, E-W non sono simmetriche rispetto
allasse del fiume. Accade che lasse del fiume forma con la direzione E-W un angolo
minore di quello formato con la direzione N-S.


33


Fig. 3.23 - Area di Sitiung (Est Sumatra). Principali unit geomorfiche e localizzazione dei campioni (da
soil variability of soil properties, di G. Uehara et al., Proceedings of the workshop on soil spatial
variability of the ISSS and the SSSA, Las Vegas 1984).


I due esempi precedenti non sono dei casi isolati; sono molto frequenti i fenomeni in
cui una variabile di studio manifesta una tendenza sistematica ad aumentare o a
diminuire, e ci quasi sempre avviene secondo una determinata direzione. Il modello di
FA da adottare ovviamente un modello complessivo non stazionario; come e con
quale approccio sar illustrato nel par. 4.


Fig. 3.24 - Variogrammi della percentuale di sabbia calcolati su quattro direzioni del piano (elaborati da
soil variability of soil properties, di G. Uehara et al., Proceedings of the workshop on soil spatial
variability of the ISSS and the SSSA, Las Vegas 1984).



















34
Non necessariamente quando il variogramma sperimentale non raggiunge un valore di
soglia, esso deve avere un comportamento parabolico. E frequente il caso in cui
landamento lineare, come il variogramma mostrato nella fig. 3.25b. Esso si riferisce
al variogramma dei mm dacqua misurati dopo un evento nel bacino di Kadjemeur nel
Tchad (Africa Centrale). La sottostante figura 3.25a mostra la localizzazione dei
pluviometri. Un variogramma come quello di figura, non avendo un limite superiore,
indica chiaramente la non esistenza della funzione covarianza, ma, mancando
landamento parabolico, indica anche che la media della variabile non ha un trend,
senza per essere necessariamente costante nel campo. Il modello che in maniera
specifica interpreta questa situazione quello strettamente intrinseco, che, si ricorda,
un modello di FA in cui gli incrementi a distanza h sono stazionari.



Fig. 3.25 - Bacino di Kadjemeur: localizzazione dei pluviomatri e variogramma sperimentale dei mm di
pioggia dopo un evento (da Mining Geostatistics di Journel & Huijsbregts, pag. 19).


Per rendersi conto di ci riprendiamo landamento della FAI mostrata nella figura 3.11.
Il suo variogramma (fig 3.26), calcolato per 50 passi sui sei mila dati, lineare e non
raggiunge un valore di soglia, neanche se calcolato per 5000 passi. In questa situazione,
come ricordato sopra, non esiste la funzione covarianza in quanto questa, per una FAI
strettamente intrinseca, non invariante per traslazione ma dipende dalla posizione
rispetto al campo.
Nella figura 3.27 riportata la covarianza (centrata) sperimentale calcolata per 50 passi
sullinera area. Ma se la stessa funzione viene calcolata in zone diverse si ottengono
risultati diversi, come mostra la fig 3.28 dove sono riportate le covarianze sperimentali
calcolate, per 50 passi, sui primi 2000 valori del campo, sui valori da 2001 a 4000 e
sugli ultimi 2000 valori. Le covarianze sono tutte e tre diverse tra di loro e da quella
calcolata su tutto il campo, riportata anche nello stesso grafico. Non cos per i
variogrammi sperimentali che, calcolati sugli stessi tratti, hanno andamento molto
simile tra loro e rispetto al variogramma globale (fig 3.29).
















35


Fig. 3.26 - Variogramma sperimentale delle progressive calcolato su tutti i valori della simulazione




















Fig. 3.27 - Covarianza sperimentale delle progressive calcolata su tutti i valori della simulazione.



0
10
20
30
40
50
0 10 20 30 40 50
Tempo
V
a
r
i
o
g
r
a
m
m
a
660
665
670
675
680
685
690
0 10 20 30 40 50
Tempo
C
o
v
a
r
i
a
n
z
a

36





















Fig. 3.28 - Covarianze sperimentali calcolate su tutto il campo e sui tratti 1-2000, 2001-4000 e 4001-6000
della simulazione





















Fig. 3.29 - Variogrammi sperimentali calcolati su tutto il campo e sui tratti 1-2000, 2001-4000 e 4001-
6000 della simulazione





150
350
550
750
0 5 10 15 20 25 30 35 40 45 50
Tempo
C
o
v
a
r
i
a
n
z
a
Zona 1-2000
Zona 2001-4000
Zona 4001-6000
Totale
0
10
20
30
40
50
0 10 20 30 40 50
Tempo
V
a
r
i
o
g
r
a
m
m
a
Zona 1-2000
Zona 2001-4000
Zona 4001-6000
Totale

37
Un altro tipo di variogramma espressione dello stesso modello il variogramma ad
andamento logaritmico; anchesso non limitato superiormente ed lontano da un
andamento parabolico.

3.4.3 Comportamento nellorigine del variogramma

La continuit e la regolarit spaziale della VR sono responsabili del comportamento del
variogramma nellorigine (cio quando h 0) . Nellesaminare questa propriet
facciamo riferimento a variogrammi sperimentali riconducibili a FA stazionarie, quasi-
stazionarie e strettamente intrinseche. Si possono individuare tre forme di
comportamento: parabolico
1
, lineare, discontinuo. Nella fig. 3.30 sono riportati tre
coppie di grafici: a, b, c; ogni coppia rappresenta nel grafico di sinistra landamento di
una variabile v(x) lungo una progressiva x e nel grafico di destra il relativo
variogramma.

Fig. 3.30 -Comportamento del variogramma nellorigine: discontinuo (a); lineare (b); parabolico (c) (da
An introduction to Applied Geostatistics di E.H. Isaaks & R.M.Srivasatava).

1
Da non confondere il comportamento parabolico (o lineare) nellorigine del variogramma con il
comportamento parabolico (o lineare) del variogramma nel suo complesso. Un variogramma pu avere un
comportamento lineare o parabolico nellorigine e nello stesso tempo ammettere un valore di soglia finito
.


38
Tutti e tre i variogrammi raggiungono un valore di soglia che si mantiene poi costante,
ma il comportamento allorigine diverso. In particolare esaminando i grafici dal basso
verso lalto:
il variogramma (c) ha un comportamento parabolico nellorigine che interpreta
lelevata regolarit e continuit spaziale della variabile v di sinistra. La funzione
variogramma due volte derivabile nellorigine ed anche v(x) derivabile;

il variogramma (b) ha nellorigine un comportamento lineare, ma non pi
derivabile. La variabile v(x) continua, ma anchessa non derivabile;

il variogramma (a) presenta una discontinuit nellorigine: ( ) h non tende a zero
quando h tende a zero, pur dovendo sempre essere per definizione ( ) 0 0 = . Anche
landamento di v(x) non continuo, come mostra il corrispondente grafico di sinistra:
la variabilit tra due valori v(x) e v(x+h) presi in due punti molto vicini pu essere
piuttosto elevata e questo tanto pi quanto pi elevata la discontinuit nellorigine.
Questa variabilit locale pu essere paragonata al concetto fisico di rumore di fondo.
Man mano che la distanza h aumenta, la variabilit spesso diventa pi continua e ci
si riflette nella continuit di ( ) h per h maggiore di zero. Questa discontinuit del
variogramma nellorigine viene chiamata effetto pepita (nugget effect nella
terminologia inglese e effet de ppite nella terminologia francese). Nel punto
successivo verr data una spiegazione a questo comportamento.

Sempre con riferimento alla fig. 3.30 si osservi che i tre grafici v(x), campionati in
maniera regolare ad un certo intervallo (sette punti campionati lungo il tratto dellasse x
mostrato), danno luogo a valori uguali (punti pi marcati del grafico), pur mostrando i
tre andamenti una variabilit sostanzialmente diversa. Questo fatto mette in luce un
fatto molto importante: per evidenziare il comportamento allorigine del variogramma
necessario campionare il fenomeno a piccola scala. Ci nella pratica si realizza
intensificando localmente la campionatura in alcune zone, per es. secondo lo schema di
fig. 3.31, dove su una campionatura a maglia regolare quadrata sono inpostate due croci
di campionatura pi fitta.


Fig. 3.31 - Schema di una campionatura per il riconoscimento della piccola scala.















39
La variabilit esaminata nei grafici della fig. 3.30 si riferisce ad una ricostruzione
numerica (simulazione) realizzata per una rappresentazione didattica del comportamento
allorigine del variogramma. Esaminiamo ora lo stesso problema su variabili realmente
misurate: si tratta di uno studio realizzato da J. P. Delhomme (1976) su dati
piezometrici della zona di Korhogo (Costa dAvorio) riportato su Mining Geostatics di
A. Jornail e Ch. Huijbegts. I dati si riferiscono alla profondit della falda misurata
giornalmente su un certo numero di piezometri distanti tra di loro circa 500 m (vedi fig.
3.32).
Per ogni piezometro era disponibile il profilo delle altezze piezometriche giornaliere per
la durata della stagione delle piogge (da Agosto a Novembre).






















Fig. 3.32 - Schema dellindagine sulle piezometriche a Korhogo (da Mining Geostatics di A. Journel e
Ch. Huijbegts).


La fig. 3.33 mostra quattro di questi profili relativi ai piezometri N 3, 4, 33, 18,
localizzati a profondit crescente della falda. La stessa figura nella parte bassa mostra i
quattro variogrammi corrispondenti. Premesso che la quantit dacqua trattenuta dal
sottosuolo proporzionale allo spessore di terreno attraverso cui lacqua filtra prima di
raggiungere la falda, sui profili si possono fare le seguenti osservazioni.

Piezometro N 3: la falda molto prossima alla superficie ed il livello reagisce ad ogni
precipitazione. Il profilo molto erratico ed direttamente legato alla precipitazione
giornaliera. Il variogramma lineare con la presenza di un effetto pepita.

Piezometro N 4: La falda un po pi profonda e leffetto dellassorbimento del
sottosuolo comincia a farsi sentire. Il variogramma mostra un effetto pepita pi piccolo
e si intravede un valore di soglia.

Piezometro N 33: La falda ancora pi profonda e leffetto di regionalizzazione del
terreno totale. Rimangono ancora alcune discontinuit del profilo dovute a bruschi
riempimenti della falda. Il variogramma presenta ancora un piccolo effetto pepita, che
40
rappresenta i riempimenti discontinui e seguita con un andamento parabolico
caratteristico di unelevata continuit della variabile.

Piezometro N. 18: La falda ancora pi profonda e gli effetti dei riempimenti
discontinui sono scomparsi. E quindi scomparso leffetto pepita ed il variogramma
presenta un comportamento parabolico perfetto.

Si fa notare che nella fig. 3.33 mostrato solo il comportamento allorigine del
variogramma e non il suo andamento globale. Ci si deduce dal fatto che i variogrammi
sono tracciati per distanze fino a 15 giorni, quando il profilo si sviluppa per 180 giorni.


Fig. 3.33 - Profili dellaltezza piezometrica e variogrammi corrispondenti (da Mining Geostatics di A.
Journel e Ch. Huijbegts).

41
Un altro esempio di corrispondenza tra andamento del profilo e comportamento del
variogramma mostrato nella fig. 3.34. Essa si riferisce a due profili di tensione acqua-
suolo misurati uno ad una profondit di 30 cm e due giorni dellevento irriguo, laltro a
profondit di 120 cm e dopo 14 giorni dellevento irriguo. I due profili differiscono per
la presenza in quello (B) di alcune marcate discontinuit, che sono responsabili del forte
effetto pepita che compare nel variogramma (B). Il resto del variogramma ha un
andamento analogo, come analoghi sono i profili, non considerando le discontinuit.

























Fig. 3.34 - Profili di tensione acqua-suolo e variogrammi corrispondenti (da spatiall variability of soil-
water properties in irrigated soils, di G. Uehara et al., Proceedings of the workshop on soil spatial
variability of the ISSS and the SSSA, Las Vegas 1984).


3.4.4 Andamento e modelli del variogramma elementare

Il comportamento nellorigine di un variogramma, cos come stato descritto nel punto
precedente, pu essere: parabolico, lineare, discontinuo e con laumentare di h il
variogramma aumenta di valore ed evolve sostanzialmente secondo due forme:
raggiunge un valore di soglia;
aumenta indefinitamente.
Nel primo caso la FA rappresentata dal variogramma stazionaria, o quasi- stazionaria,
mentre nel secondo caso la FA intrinseca.

Il valore di soglia e la distanza alla quale esso raggiunto vengono chiamati nella
letteratura geostatistica rispettivamente: palir e porte secondo la terminologia

42
francese e sill e range secondo la terminologia inglese (v. fig. 3.35); il relativo
variogramma perci detto con palir o con sill. Senza palir o senza sill detto invece
il variogramma di una FA intrinseca. Nel seguito di queste dispense noi faremo
riferimento alla terminologia inglese.






Fig. 3.35 - Variogramma con valore di soglia
e significato dei parametri sill/palir e
range/porte.






Sia che si tratti di un variogramma con sill che senza sill il suo andamento in funzione
della distanza pu seguire diversi stili in dipendenza del tipo di variabilit spaziale del
fenomeno di studio. Piuttosto che descrivere direttamente il comportamento dei
variogrammi sperimentali, cosa che sarebbe oltre che difficile poco praticabile, lo
faremo attraverso lesame delle funzioni analitiche , che, comunemente vengono assunte
per descrivere il comportamento dei variogrammi sperimentali. E per prima
necessario richiamare ed integrare le propriet matematiche della funzione
variogramma:

una funzione che assume sempre valori positivi:

( ) h 0

per h=0 si ha sempre:

( ) 0 0 =

il variogramma una funzione pari:

( ) ( ) h h =

quando la FA stazionaria e quindi esiste la funzione di covarianza C(h):

( ) ( ) ( ) h C C h = 0 (3.16)

dimostrato che il variogramma cresce allinfinito meno rapidamente che h
2
, cio:
lim
( ) h
h
2
0 = per h 0












h

g
(h)
Range

Sill

43
la funzione variogramma deve essere tale da dar luogo a combinazioni lineari
autorizzate. Rendiamo esplicita questa condizione:

Le combinazioni lineari giocano un ruolo molto importante in Geostatistica: esse possono
rappresentare uno stimatore, una varianza o altre entit, e pertanto necessario che esse siano
autorizzate, cio ammettano una varianza finita. Sia Z(x) una FA stazionaria, di media m,
covarianza C(h) e variogramma ( ) h e sia Y una combinazione lineare finita del tipo:

Y iZ xi
i
n
=
=
( )
1
(3.17)


con i reali qualsiasi. La varianza di Y non pu essere negativa: Var Y ( ) 0. Esplicitamente essa
data da:


{ } =
i j
xj xi jC i Y Var 0 ) ( . (3.18)

Infatti, essendo:

{ } { } { } = = =
i i
i m Zi iE
i
iZi E Y E ;

{ } { } =
i j
xj Z xi Z jE i Y E ) ( ) (
2
;

{ } { } { } { } Y E Y E Y E Y Var =
2
,

e tenendo conto di:

{ }
2
) ( ) ( ) ( m xj Z xi Z E xj xi C = ,

si ottiene la (3.18). La funzione C(h) deve essere tale da assicurare che lespressione (3.18) sia
non negativa. Quindi, per definizione C(h), deve essere semi-definita positiva. Tenendo conto
della relazione (3.16) che lega covarianza e variogramma, la precedente pu scriversi in funzione
del variogramma:


{ } =

j
i j
xj xi j i j
i
i C Y Var ) ( ) 0 ( (3.19)

Se Z(x) non ammette covarianza ma solo variogramma, cio nel caso che la FA sia intrinseca, la
varianza di Y, in base alla espressione precedente esiste solo se

i
i
= 0 (3.20)

ed data da:


{ }

=
i j
Y Var j i j i x x ) (

44
Essa assume valori positivi o nulli solo se la funzione - ( ) h semidefinita positiva con la
condizione (3.20). Con riferimento a questultima si dice anche che - ( ) h deve essere una
funzione semidefinita positiva condizionale.

Tra le funzioni matematiche che hanno le propriet sopra enunciate la letteratura
geostatistica ne propone alcune che sin qui si sono rivelate adatte a descrivere
landamento dei variogrammi sperimentali. Diamo di seguito le loro espressioni
analitiche, classificandoli tra quelle con sill e quelle senza sill. Queste funzioni di
variogramma sono anche chiamate modelli di variogramma o schemi di variogramma.

3.4.4.1 Variogrammi con sill

1. Modello pepitico


( ) ( ) h c r r h = = 1 0

(r) una funzione che vale 1. quando r = 0 e 0. per ogni altro valore di r. Il
parametro c il sill del variogramma, che caratterizzato dallavere un range nullo.
Questo modello esprime una discontinuit nellorigine.

2. Modello sferico


[ ]

=
=
=
a h r c
a h r a r a r c
h
3 3
5 . 0 5 . 1
) (


a e c sono i parametri del modello e rappresentano rispettivamente il range ed il sill.
Il comportamento nellorigine lineare con una pendenza pari a 1.5 c/a.


3. Modello esponenziale

( ) . exp( ) h c r a r h = = 1 0

Il parametro c rappresenta il sill, che per questo modello raggiunto
asintoticamente. Il modello pertanto a range infinito. Comunque, per avere una
misura della distanza entro cui si manifesta la correlazione ed anche per confronto
con altri modelli stato introdotto un range pratico a, definito come la distanza alla
quale viene raggiunto il 95% del sill. Esso risulta essere: a= 3a. Il comportamento
nellorigine lineare con una pendenza pari a c/a.




45
4. Modello gaussiano

( ) . exp( ) h c r a r h = = 1 0
2 2


Il parametro c rappresenta il sill, che anche per questo modello raggiunto
asintoticamente con range infinito. Anche per il modello gaussiano stato introdotto
un range pratico a avente lo stesso significato di quello esponenziale, cio la
distanza alla quale viene raggiunto il 95% del sill. Esso risulta essere: a a ' = 3. Il
comportamento nellorigine parabolico, quindi con tangente orizzontale.




5. Modello a effetto buco

[ ] 0 ) 2 cos( ) exp( 1 ) ( = = h r fr a r c h

Questo modello ha landamento di un esponenziale, ma con una forma oscillatoria di
periodo 1/f. I parametri a e c hanno lo stesso significato del modello esponenziale.
Affinch questa funzione abbia le caratteristiche matematiche sopra enunciate
necessario che in R
2
f e a soddisfino il seguente vincolo: 1 2 f a . Questa
restrizione non richiesta in R
1
.


3.4.4.2 Variogrammi senza sill

Questi modelli, si ricorda, corrispondono a FA che hanno una illimitata capacit di
dispersione e quindi non ammettono funzione covarianza. I modelli pi noti sono quelli
appartenenti alla classe seguente:

1. Modelli potenza

( ) ; h r r h e = = > < < 0 0 2

Quello pi correntemente usato nella pratica il modello lineare:

( ) h r r h = = > 0,

dove la pendenza nellorigine.

Man mano che nel modello potenza aumenta da 1 a 2, il comportamento di ( ) h
diventa sempre pi regolare nellorigine, rappresentando una FA sempre pi
regolare. In questa situazione per spesso non si riesce a distinguere se si tratta di
una FA stazionaria che ammette un variogramma potenza con valore di
prossimo a 2, o se si tratta di una FA con deriva. La scelta lasciata alla sensibilit
dellutente.

46

3.4.4.3 Altri tipi di variogramma

Vi un modello di variogramma che gioca un importante ruolo nello studio
geostatistico dei fenomeni periodici. Questo modello si chiama appunto periodico, non
rientra nelle due categorie precedenti e viene presentato a parte.


1. Modello Periodico

( ) cos( ) ; ; ; h T r r h = = 1 2 0 0

E un variogramma che non si stabilizza su un valore di soglia, nemmeno
allinfinito, quindi non ammette sill e la correlazione spaziale non si estingue mai.
Nello stesso tempo non cresce indefinitamente, ma limitato ed il limite superiore
vale . Tuttavia possibile associare al variogramma una varianza pari a . Il
parametro T il periodo del variogramma.

Per ognuno dei modelli di variogramma presentati, nei grafici seguenti viene mostrato
landamento della funzione analitica e landamento di una variabile spaziale che pu
essere descritta da una FA avente come funzione strutturale quel variogramma. Nelle
figure, le funzioni variogramma sono riportate a destra e le variabili spaziali a sinistra.



























47



Fig. 3.36 Variogrammi modello



48



Fig. 3.37 Variogrammi modello




49
3.4.5 Variogrammi a strutture annidate

E frequente nella pratica delle applicazioni riscontrare nellandamento di un
variogramma sperimentale variazioni di pendenza. Per rendersi conto si possono
osservare i variogrammi di fig. 3.38. Essi rappresentano, dallalto verso il basso, i
variogrammi del contenuto in Ca, Cl e NO
3
disciolti in acqua misurati in 68 sorgenti del
bacino di Dyle (Belgio), in tre anni diversi:1975, 1981, 1983. Senza ora entrare nel
merito dellinterpretazione (lo faremo un po pi avanti) ci limitiamo ad osservare che
tutti i variogrammi presentano un cambiamento di pendenza, per alcuni pi accentuato
per altri meno, che si verifica sistematicamente attorno al chilometro. Un altro
cambiamento di pendenza ha luogo, per alcuni variogrammi pi visibile per altri meno
visibile, attorno agli otto chilometri, quando viene raggiunto il valore di soglia. Inoltre
alcuni dei variogrammi mostrano un debolissimo effetto pepita. Questo comportamento,
che riconducibile alla particolare fenomenologia, ha una spiegazione molto semplice.


Fig. 3.38 - Variogrammi sperimentali dei contenuti in Ca, Cl e NO
3
misurati in tre diversi periodi (da
study of spatial and temporal variations of hydrogeochemical variables using factorial kriging analysis
di P. Goovaerts & Ph. Sonnet, Proc. 4
th

Int. Geostat. Congress, Troia, 1992).



50
Il cambiamento di pendenza un segno che il variogramma sperimentale costituito
dalla sovrapposizione di pi variogrammi elementari, aventi diversi valori di range. In
particolare i cambiamenti di pendenza si verificano in corrispondenza dei ranges dei
variogrammi elementari. Ci appare evidente osservando gli schemi di fig. 3.39. L
dove i variogrammi di fig. 3.38 non presentano effetto pepita essi possono quindi essere
considerati come la somma di due variogrammi, uno con range 1 Km e laltro con range
8 Km. Per i variogrammi che presentano effetto pepita ai due variogrammi elementari
precedenti bisogna aggiungere un altro variogramma elementare: un effetto di pepita
puro.

E evidente che i variogrammi elementari perch possano essere riconosciuti dai
cambiamenti di pendenza devono essere dei variogrammi che ammettono sill, perch
solo essi ammettono range.

I variogrammi elementari che compongono variogrammi di questo tipo vengono anche
chiamati strutture spaziali, ognuna rappresentante di una scala spaziale paragonabile al
proprio range. Poich le scale spaziali sono progressive, queste strutture sono chiamate
annidate (nested nella terminologia inglese e gigognes in quella francese) ad indicare
che esse sono inscatolate luna dentro laltra. Anche i variogrammi risultanti da strutture
annidate vengono chiamati annidati. E chiaro che nel corso di una indagine le strutture
che possono essere evidenziate sono quelle che si esprimono alle scale del lavoro, che
vanno da distanze pari al lato della maglia di campionatura a distanze pari alle
dimensioni e forse anche pi del dominio di lavoro: le strutture a distanze pi elevate
non si colgono, mentre le strutture a distanze pi piccole si confondono.

Fig. 3.39- Sovrapposizione di variogrammi elementari.

Ora, poich un variogramma elementare lespressione di un fenomeno particolare a
cui da attribuirsi lesistenza e la strutturazione spaziale di una variabile, un
variogramma annidato pu essere considerato come lespressione di pi fenomeni
h
h
h h
g
1(h)
g
2(h)
g
1(h)+g
2(h)
g
1(h)+g
2(h)+g
3(h)
g
1(h)
g
2(h)
g
3(h)

51
sovrapposti, anzi, dimostreremo qu di seguito, che una variabile che presenta un
variogramma annidato pu essere considerata come la somma di pi variabili
indipendenti.

Sia Z(x) una FA stazionaria che ammette variogramma ( ) h . Supponiamo che essa
sia composta dalla somma di S variabili indipendenti, ognuna Z x u( ) stazionaria di
variogramma u h ( ) . Si ha:

Z x Z x u
u
S
( ) ( ) =
=

0
1
(3.21)

e anche:

Z x h Z x h u
u
S
( ) ( ) + = +
=

0
1
.

Il variogramma di Z(x) data pertanto dalla seguente espressione:


[ ] { } ( ) [ ] [ ] { }


=

=
+ + =

+ = + =
1
0
1
0 '
' '
2
1
0
2
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
S
u
S
u
u u u u
S
u
u u x Z h x Z x Z h x Z E x Z h x Z E x Z h x Z E h


Separando nella precedente i termini rettangolari si ha che:

[ ] { } [ ] [ ] { }


+ + + + =
u u
u u u u u u x Z h x Z x Z h x Z E x Z h x Z E h
'
' '
2
) ( ) ( ) ( ) ( ) ( ) ( ) (

Ora essendo le variabili Zu(x) spazialmente indipendenti i termini rettangoli sono nulli
e quindi si ottiene:

[ ] { }


=

=
= + =
1
0
1
0
2
) ( ) ( ) ( ) (
S
u
u
S
u
u u h x Z h x Z E h ,

cio il variogramma di Z(x) costituito dalla somma dei variogrammi delle variabili
Z
u
(x). Queste ultime variabili vengono anche chiamate componenti spaziali di Z(x),
perch ognuna si esprime ad una determinata scala spaziale. Il sill di ogni componente
spaziale rappresenta la quota parte della dispersione della variabile che compete a
quella scala.

Alla luce di questo fatto possiamo dare uninterpretazione di ci che stato chiamato
effetto pepita. Supponiamo che una variabile, il cui variogramma mostra un effetto
pepita, abbia un certo numero di strutture spaziali a scale inferiori del lato della maglia,
o inferiori alla pi piccola distanza tra i campioni, e che ognuna di queste strutture
spaziali sia rappresentata da un variogramma con sill. Sommando tutti questi
variogrammi e rappresentando la somma alla scala dei variogrammi sperimentali, si ha
che essa visibile come una discontinuit nellorigine di entit pari alla somma dei sills.
Quindi quando si riscontra in un variogramma sperimentale con una discontinuit
nellorigine, questa pu essere dovuta alla variabilit espressa da un numero imprecisato
52
di strutture spaziali presenti a scale pi piccoli di quelle di lavoro. Queste strutture sono
confuse in un unico rumore di fondo.

Unaltra causa che concorre alla formazione di un effetto pepita sono gli errori di
misura. Lerrore di misura pu infatti, anche se non ha carattere spaziale, essere
considerato come una componente della variabile bruta: una delle componenti Z x u' ( ) di
Z(x) secondo lespressione (3.21). Poich Z x u' ( ) indipendente da ogni altra variabile,
il variogramma di Z(x) comprende il variogramma degli errori di misura, che, essendo
indipendenti spazialmente, presentano come variogramma un effetto di pepita puro a
tutte le scale.

Siamo ora in grado di dare una interpretazione fenomenologica alla variabilit espressa
dai variogrammi sperimentali di fig. 3.38. Tale interpretazione quella contenuta nel
lavoro citato. La struttura a piccola scala pu essere dovuta alla presenza di sorgenti
locali di inquinamento come aziende agricole, discariche di rifiuti solidi o aree
urbanizzate, mentre la struttura a grande scala principalmente da attribuirsi alla
variabilit delle caratteristiche geologiche dellacquifero che ha luogo su vasta area. I
contributi delle due strutture ai variogrammi riflettono il ruolo giocato dai fattori
geologici e antropici nel comportamento spaziale di ogni ione. Infatti mentre la
provenienza di NO
3
e Cl pu essere attribuita ad attivit umane, il contenuto di Ca nelle
sorgenti dacqua controllato su vasta scala dalla presenza nellacquifero di carbonati.
Il comportamento dei variogrammi mostra inoltre che la componente a grande scala del
Ca si mantiene inalterata nel tempo, mentre quella a piccola scala si indebolisce.
Quanto al Cl e NO
3
il contributo della granda scala varia sensibilmente con gli anni,
mentre quello a piccola scala si mantiene sostanzialmente invariato.

Diamo ancora altri esempi di variogrammi annidati: quello di fig. 3.40 si riferisce al
variogramma del Co, costruito sui dati trasformati (trasformazione gaussiana)
provenienti da una campionatura dei suoli del sud-est della Scozia. La campionatura,
che ha interessato anche il Cu, stata condotta per lo studio della deficienza dei due
metalli della regione scozzese. Come si pu osservare il variogramma presenta un forte
effetto pepita, una struttura locale a 3 km e mezzo ed unaltra a 16 km. Della
dispersione totale il 60% si consuma a piccola scala, un altro 25% alla scala dei 3 km e
mezzo ed il resto alla scala dei 16 km.


















53
Fig. 3.40 - Variogramma del Co nei suoli del sud-est della Scozia (da Disjunctive kriging in agricolture
di R. Webster and M.A. Oliver in M. Armstrong (ed), Geostatistisc, vol.I, pag.427).

I variogrammi di fig. 3.41 si riferiscono ai contenuti in Cu, Pb e Zn di campioni di
suolo provenienti da una campagna di prospezione geochimica nella regione di Munster
(Francia). I variogrammi mostrano la presenza di tre strutture spaziali per tutte e tre le
variabili. Per il Pb: una pepitica, una a 1.5 km e laltra a 10 km. Per lo Zn: una pepitica,
una a 2.0 km e laltra a 7.5 km. Per il Cu: una pepitica, una a 2.0 km e laltra a 9.0.



















































54
Fig. 3.41 - Variogrammi di Cu, Pb e Zn di una campagna geochimica nella regione di Munster (Francia)
(da Analyse krigeante de donnes geoquimiques di L. Sandjivy in Sciences de la Terre, n.24).

3.4.6 Anisotropie nei variogrammi

Le VR sono quasi sempre riferibili a fenomeni naturali od a fenomeni in cui presente
una componente naturale. Tali fenomeni spesso si sviluppano in maniera differente in
funzione della direzione: un fenomeno quasi sempre presenta delle direzioni principali.
Lo si gi visto nel paragr. 3.4.2 dove in alcuni esempi mostrati il fenomeno si
presentava non stazionario in una direzione e stazionario in quella ortogonale. Si tratta
di una anisotropia che riguarda la presenza di deriva, che quasi sempre per sua natura si
svolge secondo una determinata direzione.

Le anisotropie per di cui ci occupiamo in questo paragrafo riguardano il
comportamento del variogramma in situazioni di stazionariet. Esso infatti pu avere lo
stesso andamento in tutte le direzioni, ed allora la funzione variogramma isotropa. Si
osservi per esempio la fig. 3.42 in cui sono mostrati i variogrammi sperimentali della
riflettanza di una scena Landsat TM7 (Path 182,row 066 del 14.06.2000). I variogrammi si
riferiscono alle quattro direzioni geografiche principali. In questo caso il variogramma
medio, vale a dire quello calcolato lungo una (qualsiasi) direzione con una tolleranza
angolare di 90, rappresenta la funzione variogramma in tutto il piano.


























Fig. 3.42 Variogrammi secondo le quattro direzioni principali (N-S, NE-SW, NE-SW) della riflettanza
di una porzione di scena Landsat TM7 (Path 182,row 066 del 14.06.2000).



Si osservi invece la fig. 3.43. Essa mostra i variogrammi sperimentali relativi alle
variabili Cr, Cu e Ni misurate su campioni di sedimenti di lago dellarea di Schefferville
55
(Quebec Nord). Come si pu notare il sill uguale a 3.2 per entrambe le direzioni,
mentre il range 7 km per la direzione N58E (B) e 13 km per la direzione N32W (A).
Questa differenza di comportamento che riguarda il range lasciando il sill invariato
noto in geostatistica come anisotropia geometrica.














Fig. 3.43 - Anisotropia geometrica del variogramma multivariabile calcolato sui dati di Schefferville (fig.
tratta da Spatial filtering under the linear coregionalization model di G. Bourgault e D. Marcotte,
Troia 92).


Un altro esempio di anisotropia geometrica si pu osservare nella fig. 3.44, che riporta i
variogrammi orizzontale e verticale della conducibilit idraulica derivati dallanalisi
granulometrica di campioni raccolti in un sito della Germania del Nord ad una distanza
orizzontale di 2.5 m e verticale di 0.5 m. I valori dei ranges che si osservano sono 1.5 e
14 m.

Si osservi ora la fig. 3.45. Essa si riferisce ai variogrammi relativi al contenuto in
metallo Pb+Zn di una miniera italiana nelle Alpi Orientali. Lo schema di sinistra riporta
le direzioni indagate. Le direzioni 3 e 4 avendo dato dei variogrammi con andamento
simile sono stati mediate ed il variogramma medio ottenuto assieme a quello della
direzione 1 sono mostrati nella figura. Vi si nota una marcata differenza di
comportamento tra i due variogrammi mostrati. Quello relativo alla direzione 1 presenta
un sill molto pi elevato




Fig. 3.44 - Variogrammi orizzontale e
verticale della conducibilit idraulica
manifestanti una anisotropia geometrica
(da Spatial structure of hidraulic
conductivity in various porous media-
problems and experien-ces di M.Th.
Schafmeister & A. Pekdeger, Troia, 92)





56

dellaltro variogramma, che corrisponde ad una direzione suborizzontale. Una tale
differenza nei variogrammi, che riguarda il grado di variabilit con la direzione, prende
in geostatistica il nome di anisotropia zonale. Essa caratterizzata dallavere una
direzione in cui la variabilit massima e tale direzione chiamata appunto direzione di
zonalit. Nel caso di figura la direzione di zonalit la direzione 1, che corrisponde alla
direzione ortogonale alla giacitura di stratificazione dei calcari in cui la
mineralizzazione insediata.

Fig. 3.45 - Esempio di anisotropia zonale in una miniera di Pb e Zn delle Alpi Orientali (fig. tratta da
evaluation and optimization of a metal mine di M. Guarascio e G. Raspa, Proceedings Apcom 74,
Denver).


Un altro esempio di anisotropia zonale riportato nella fig. 3.46. Esso si riferisce ad
uno studio dei suoli in un bacino della Costa dAvorio. La variabile studiata
limpoverimento di sostanze umiche nel terreno, misurata dal rapporto tra la quantit di
argille e limi presenti negli orizzonti daccumulazione e quella presente negli orizzonti
umici. La parte superiore della figura mostra lo schema di campionatura; esso
costituito da una serie di allineamenti subparalleli ortogonali allasse del bacino, che
orientato NE-SW. I grafici B e C sottostanti si riferiscono ai variogrammi lungo la
direzione NE-SW e lungo la direzione ortogonale.
Il variogramma NE-SW mostra una struttura elementare caratterizzata da un range di
300-400 m ed un sill di 0.5, mentre Il variogramma della direzione NW-SE mostra
chiaramente la sovrapposizione di due strutture una di range attorno ai 300 e sill 0.5 (la
stessa che compare nel variogramma precedente), laltra di range 1240 e sill 0.35.Si pu
pertanto affermare che il fenomeno presenta due strutture spaziali: una isotropa di range
300 m e laltra anisotropa zonale di range 1240 m e direzione di zonalit NW-SE.

57
Questultima direzione, essendo ortogonale allasse del bacino, si conferma essere
appunto quella di maggiore variabilit.
Nel paragrafo 3.4.6 sar mostrato come procedere alla modellizzare delle anisotropie
della funzione variogramma.























Fig. 3.46 - Schema di campionatura e variogrammi della carenza in sostanze umiche in un bacino della
Costa dAvorio (da Analyse de la variabilit dun parametre pedologique di J.M.Iris, in Sciences de la
Terre, Vol 24, 1984).



3.5 Aggiustamento di un variogramma modello

Affinch quanto espresso dai variogrammi sperimentali possa essere usato, quale
modello di variabilit spaziale, per svolgere le operazioni geostatistiche che sono
richieste nellambito di un progetto, necessario che sia trasformato in una funzione
analitica ( ) h capace di fornire un valore del variogramma in funzione della distanza e
dellorientazione di una qualsiasi coppia di punti dello spazio. In pratica se x
1
e x
2
sono
le posizioni di due punti in R
2

(definite dalle coordinate x
1u
, x
1v
; x
2u
, x
2v
), la funzione
variogramma deve potersi esprimere come funzione delle componenti: h
u
= x
2u
-x
1u
e
h
v
= x
2v
-x
1v
.

Inoltre la funzione - ( ) h deve essere semidefinita positiva, cio tale che, per qualunque
n finito e maggiore di zero e per qualunque set di numeri reali { } i i n ( , ) = 1 associati
ad altrettanti punti dello spazio { } xi , comunque posizionati, si abbia:


58
- i j i j
j i
x x ( )

0,

con la condizione i
i
=

0 se il modello solo intrinseco.

Sulla base di quanto stato detto nel paragrafo 3.4.5 a proposito delle strutture annidate,
la funzione ( ) h in generale pu considerarsi come costituita dalla somma di s
variogrammi elementari, ognuno espresso da una delle funzioni presentate nel paragrafo
3.4.4. Utilizzeremo dora in poi la notazione seguente:

( ) h = u
u
s
( ) h
=

0
1


dove u lindice della struttura elementare e u il suo variogramma. Nella precedente si
inteso indicare con lindice 0 la struttura pepitica, quasi sempre presente. Se non vi
effetto pepita la struttura pu essere formalmente mantenuta attribuendo ad essa un sill
nullo.

In queste condizioni aggiustare un modello vuol dire:
definire il numero s di strutture;
per ogni struttura specificare:
^ se essa isotropa o anisotropa
^ se anisotropa quale il tipo di anisotropia (geometrica, zonale)
^ i parametri dellanisotropia
^ il tipo di funzione modello (sferica, exp, gauss, etc)
^ i valori dei parametri della funzione (sill, range)

Laggiustamento viene effettuato operando un fitting tra la funzione analitica ( ) h cos
composta ed il variogramma sperimentale.

Le funzioni variogramma elementare ed il significato dei loro parametri sono stati gi
descritti nel paragrafo 3.4.4. Introduciamo ora i parametri che caratterizzano le
anisotropie e diamo lalgoritmo per il calcolo di ( ) h in funzione di detti parametri.

Anisotropia geometrica

Questo tipo di anisotropia ricorre per di pi nei fenomeni bidimensionali. In esso il
range del variogramma varia con la direzione, presentandone una dove il range
massimo e laltra, perpendicolare alla prima, dove il range minimo. In funzione
della direzione il range varia come il raggio vettore di una ellisse, i cui assi maggiore
e minore, sono appunto i ranges massimo e minimo. I parametri dellanisotropia,
sono facilmente identificabili:
angolo
g
che la direzione di massimo range forma con lasse u del riferimento di
lavoro;
rapporto tra range maggiore e range minore;

Dato un vettore h, di componenti h
u
e h
v
, la maniera pi usuale di calcolare il valore
di (h) in funzione dei parametri precedenti di operare come segue:
59


a) effettuare una rotazione di ampiezza
g
degli assi coordinati fino a far coincidere
lasse u con lasse maggiore dellellisse. La matrice di trasformazione in questo
caso:


(
(

=
) cos( ) sin(
) sin( ) cos(
g g
g g
g R

Pertanto:

[ ]
h
h
R
h
h
u
v
u
v
g
'''
'''
;

(
=

(




b) trasformare lellisse in un cerchio avente raggio uguale allasse maggiore
dellellisse. Ci si ottiene moltiplicandoh
'''
per il rapporto di anisotropia. La
matrice di trasformazione corrispondente sar:

[ ]

(
1 0
0
.

Pertanto:

[ ]
h
h
h
h
u
v
u
v
''
''
'''
'''
;

(
=

(



c) riportare gli assi coordinati nella posizione originaria effettuando una rotazione di
ampiezza -
g
, opposta alla precedente. La matrice di trasformazione sar:

R g
g g
g g
sin
sin
=

(
(

cos( ) ( )
( ) cos( )


e pertanto:


[ ]
h
h
R
h
h
u
v
u
v
g
'
'
''
''
.

(
=

(



La trasformazione complessiva sar:

[ ] [ ] [ ] [ ]
h
h
R R
h
h
A
h
h
u
v
u
v
u
v
g g
'
'

(
=

(
=

(

60
con

A
a c
c b
=

(


e

a sin g g = + cos
2 2

b sin g g = +
2 2
cos
c sin g g = ( ) ( ) cos 1

Ottenuti h
u
'
e h
v
'
, il valore di ( ) ( , ) h = h h
u v
si calcola utilizzando una funzione
isotropa con range pari a quello massimo e con valore di h trasformato:

( , ) .
' ' '
h h h h
u v u v
= +
|
\

|
.
|
2
2



Anisotropia zonale

Qualsiasi anisotropia non riconducibile ad una trasformazione lineare delle
coordinate pu essere ricondotta a questo modello di anisotropia. Esso prevede che la
variabilit si manifesti secondo una particolare direzione, che detta direzione di
zonalit. Questa direzione, individuata dal versore z, , a due dimensioni,
caratterizzata dallangolo
z
che essa forma con lasse u.

Nella anisotropia zonale la funzione variogramma si esprime analiticamente nel
modo seguente:

( ) ( ) h = hz ,

dove h
z
la componente del vettore h nella direzione di zonalit: h
z
= h z =
|h| cos(
z
).


Si ora in possesso di tutti gli elementi per calcolare il valore analitico di (h) per
qualsiasi tipo di variogramma. Laggiustamento del modello complessivo pu essere
fatto in due modi:


Interattivamente
Attraverso un opportuno programma di calcolo, vengono forniti dallutente i
parametri del modello, cio tutte le grandezze sopra specificate. Il programma
calcola i valori di (h) nelle direzioni indicate e lutente, sempre attraverso lo stesso
programma, li confronta con i valori sperimentali. Procedendo per tentativi lutente
modifica interattivamente i parametri del modello fino a quando non soddisfatto del
fitting, valutato visivamente (al video).

61

Automaticamente
Laggiustamento pu essere automatizzato nella definizione dei sills. Lutente
fornisce interattivamente il numero di strutture e, per ogni struttura: la funzione
modello ed il relativo range; il tipo di anisotropia (se presente) ed i suoi parametri. I
sills delle strutture possono essere calcolate minimizzando con il criterio dei minimi
quadrati gli scarti tra i valori calcolati e quelli analitici del modello. La quantit da
minimizzare pu essere definita come segue:

siano

nd il numero di direzioni (id=1,nd) su cui sono stati calcolati i variogrammi
sperimentali o che si vogliono far intervenire nellaggiustamento;
pas(id) il passo di calcolo del variogramma per la direzione id;
np(id) il numero di passi per la direzione id su cui stato calcolato il variogramma
o che si vogliono considerare ai fini dellaggiustamento.
( )
id
k pas id
*
( ) il variogramma sperimentale a passo k della direzione id;
( )
id
k pas id ( ) il variogramma analitico (calcolato con il modello) a passo k della
direzione id. Esso funzione dei sills.

La quantit da minimizzare :

( ) ( )
[ ]
W k id k pas id k pas id
id id
k
np id
id
nd
( , ) ( ) ( )
*
( )

= =

1 1
2


dove W(k,id) un opportuno coefficiente per tener conto del numero delle coppie del
variogramma sperimentale e dei primi passi rispetto agli ultimi. Data la complessit
della espressione precedente, la procedura di minimizzazione conviene che sia
iterativa, piuttosto che regressiva.

Un esempio di aggiustamento lo si pu avere considerando i variogrammi delle figure
3.46b e 3.46c. In questo esempio i variogrammi sperimentali interessano due sole
direzioni: NE-SW e NW-SE. Sulla base di quanto espresso come commento ai
variogrammi sperimentali, si pu aggiustare un modello a due strutture:
la prima isotropa, di modello sferico di range 300 m e sill 0.5;
la seconda anisotropa zonale con direzione di zonalit NW-SE modellizzata con un
variogramma sferico di range 1250 m e sill 0.5.




3.6 Regolarizzazione di una FA

Nel paragrafo 3.1 stato introdotto il concetto di supporto. Esso, ripetiamo, lentit
geometrica, caratterizzata da forma e dimensioni, su cui definita una variabile. Con
riferimento a questo problema quanto stato esposto nei paragrafi precedenti del tutto
generale e vale per qualsiasi supporto anche se, per semplicit di esposizione, si fatto
62
sempre riferimento a variabili puntuali, cio a supporto puntuale. E stato anche detto
nel paragrafo citato e fatto osservare nella fig. 3.1 che se si passa da una VR puntuale
ad unaltra di supporto pi grande si ottiene una VR pi regolare, ma in qualche forma
legata alla prima. Questo passaggio da un supporto puntuale ad un altro di dimesioni pi
grandi noto nella terminologia geostatistica con il nome di regolarizzazione e la
variabile corrispondente chiamata variabile regolarizzata.

Questo paragrafo sar dedicato alla ricerca del formalismo di passaggio riguardante i
primi due momenti delle FA coinvolte. Il passaggio invece che interessa la legge
monovariabile e la legge bivariabile viene trattato nella Geostatistica non lineare. Per
tutte queste operazioni concernenti la regolarizzazione opereremo nel quadro dei
modelli stazionari e quasi-stazionari.

Sia Z(x) una FA puntuale stazionaria di media m, covarianza C(h), variogramma (h) e
dominio di definizione S. In ogni punto x di S si pu definire una nuova FA Z
v
(x),
derivata dalla quella puntuale:

Z x v( ) =
1
v
Z d
vx
( )
}


dove v
x
un elemento di volume centrato in x e v il suo volume.

Chiamando con m
v
, C
v
(h) e
v
(h) rispettivamente la media, la covarianza ed il
variogramma di Z
v
(x), vediamo di seguito come esse possono essere espresse in
funzione delle equivalenti grandezze di Z(x).


Media

{ } { } m E Z x
v
E Z d v v
vx
= =
}
( ) ( )
1

Poich Z(x) stazionaria, { } E Z x m ( ) = , e quindi si ha:

m
v
= m


Covarianza


[ ] C h E Z x h Z x m v v v ( ) ( ) ( ) = +
2
(3.22)



Nel termine di destra Z
v
(x) e Z
v
(x+h) sono due variabili aleatorie definite su
supporti di volume v centrati nei punti x e x+h (vedi fig. 3.47).



63









Fig. 3.47 - Supporti delle variabili
Z
v
(x) e Z
v
(x+h).





Indicando con:

Z x
v
Z d
e
Z x h
v
Z d
v
v
v
v
x
x h
( ) ( )
( ) ( ' ) '
=
+ =
}
}
+
1
1


(3.23)

e sviluppando la (3.22) si ottiene:

[ ] C h
v
E Z Z d d m
v
C d d v
v v v v x h x x h x
( ) ( ) ( ' ) ' ( ' ) ' . = =
+ +
} } } }
1 1
2
2
2
(3.24)

Lultimo termine a destra indica il valor medio che la funzione covarianza puntuale
C(h) assume quando gli estremi del segmento ' variano, in maniera
indipendente, luno in vx e laltro in vx h + (fig. 3.47). Essendo la funzione C(h)
dipendente solo dalla distanza della coppia di punti ' e non dalla particolare
posizione, si ha, per la (3.24), che anche C
v
(h) non dipende dal punto di appoggio, e
quindi Z
v
(x) anchessa stazionaria.

Per h=0, C
v
(0) rappresenta la varianza della variabile regolarizzata Z
v
(x). Essa, in
base alla (3.24), risulta essere:

C
v
C d d
v
C d d v
v v v v x x
( ) ( ' ) ' . ( ' ) ' 0
1 1
2 2
= =
} } } }
(3.25)

Sostituendo nella precedente C( ' ) con la sua espressione in funzione del
variogramma si ottiene:

C C
v
d d v
v v
( ) ( ) ( ' ) ' 0 0
1
2
=
} }
(3.26)

Essa mostra che la varianza della variabile regolarizzata pi bassa di quella della
variabile puntuale e la differenza data dal termine:

64

1
2
v
d d
v v
( ' ) '
} }
, (3.27)


che dipende dalla funzione variogramma e dal volume v, nella sua forma e
dimensioni. Esso, entro dimensioni pi piccole del range del variogramma, aumenta
con le dimensioni di v e conseguentemente la varianza di Z
v
(x) diminuisce, cos
come deve essere.

E molto ricorrente nella letteratura geostatistica usare per i termini integrali che
compaiono nelle espressioni (3.24), (3.25), (3.26) una espressione pi sintetica,
tramite la quale la (3.24) si scriverebbe per esempio:

C h C v v v x x h ( ) ( , ) = + (3.28)

dove la barra sulla C indica che si tratta di un valor medio della funzione C(h) e gli
argomenti indicano i supporti su cui gli estremi del segmento sono di volta in volta
fatti variare in maniera indipendente.

Data la stazionariet di Z
v
(x) la (3.28) si scrive in forma pi generale:

C h C v v v h ( ) ( , ) =


Variogramma


[ ]
{ }
v v v h E Z x h Z x ( ) ( ) ( ) = +
1
2
2
(3.29)


Sostituendo nella precedente le Z
v
con le espressioni (3.23) si ottiene:


v
v v
h E
v
Z d
v
Z d
x x h
( ) ( ) ( ' ) ' ; =

} }
+
1
2
1 1
2


[ ] [ ]
x x x h x h
v
2 2
v v v v
1 1 1
(h) E Z( ) Z( ') d d ' E Z( ) Z( ') d d '
2 v v
+ +

= + +
`
)
} } } }


[ ]
x x h
2
v v
1 2
E Z( ) Z( ') d d '
2 v
+


`
)
} }
;



65
x x x h x h
v
2 2
v v v v
1 1 1
(h) C( ')d d ' C( ')d d '
2 v v
+ +

= +
`
)
} } } }
+
x x h
2
v v
1 2
C( ')d d '
2 v
+


`
)
} }
; (3.30)


Data la stazionariet di Z(x) i primi due termini della espressione precedente sono
uguali e quindi, adottando la notazione sintetica, lespressione (3.30) si pu scrivere:

v x x x x h h C v v C v v ( ) ( , ) ( , ) = + (3.31)

Sostituendo nella (3.30) C( ' ) con C(0) - ( ' ) ed usando anche per il
variogramma la notazione sintetica, la (3.31) diventa:


v x x h x x h v v v v ( ) ( , ) ( , ) = +


e, data la stazionariet di Z
v
(x):


v h h v v v v ( ) ( , ) ( , ) = (3.32)


Poich la FA Z(x) dotata di sill, per h= la precedente diventa:

v v v ( ) ( ) ( , ) = (3.33)

La precedente analoga alla (3.26) e mostra come il sill del variogramma
regolarizzato pi basso di quello del puntuale della quantit ( , ) v v . E la stessa
quantit (cfr. la 3.25) di cui si abbassava la varianza per effetto della
regolarizzazione. Non pu essere altrimenti dato che, in condizioni di stazionariet,
la varianza di una FA, regolarizzata o no, rappresenta sempre il sill del variogramma.

Nella operazione di regolarizzazione anche il range del variogramma subisce delle
variazioni e queste dipendono esclusivamente dalla forma e dalle dimensioni del
supporto di regolarizzazione. In particolare passando da una FA puntuale ad una
regolarizzata di supporto v convesso, il range del variogramma in una certa direzione
aumenta esattamente del diametro di v nella direzione considerata. La spiegazione
immediata se si pensa alla definizione di range (esso dato dalla distanza pi piccola
alla quale due variabili spaziali sono indipendenti) e al fatto che due variabili
regolarizzate (cio due variabili definite su due volumi posti ad una certa distanza)
sono indipendenti quando tutte le coppie di variabili associate a tutte le coppie di
punti, appartenenti un punto ad un volume, laltro punto allaltro volume, sono
indipendenti. Questo concetto espresso nella fig. 3.48.




66












Fig. 3.48 - Ranges e regolarizzazione.


3.6.1 Calcolo delle funzioni

Il calcolo delle espressioni intergrali che compaiono nel punto precedente viene nella
pratica effettuato non analiticamente (perch sarebbe molto complicato trattandosi, in
R
2
, di integrali quadrupli di funzioni del tipo esaminate 3.4.4) ma numericamente. Ci
si realizza discretizzando i volumi in insiemi di punti e trasformando gli integrali in
sommatorie.

Supponiamo per es. di dover calcolare lespressione:

( , ) ( ' ) v v
v v
d d
v v
1 2
1 2
1
2 1
=
} }


dove v
1
v
2
sono due volumi di forma quasiasi, diversi tra loro e comunque posizionati
nello spazio. E questo un caso generale che comprende tutte le configurazioni sopra
esaminate, dove i due volumi sono sempre uguali, posizionati alcune volte in maniera
coincidente, altre volte ad una certa distanza tra di loro. Si discretizzano dapprima, con
la stessa modalit, i due volumi in due insiemi di punti di numero rispettivamente n
1
e
n
2
e se ne calcolano le coordinate. Si considerano poi tutte le coppie di punti, il primo
nel volume v
1
, il secondo nel volume v
2
e per ogni coppia si calcola la distanza ed il
valore corrispondente del variogramma. In fine si mediano su tutte le coppie i valori del
variogramma. Questo tipo di operazione illustrata nella figura 3.49.

La precisione nel calcolo dipende dalla densit di discretizzazione rispetto alla forma
dei volumi. Per figure regolari quali blocchi rettangolari una discretizzazione in 16 punti
d, per i problemi pi comuni, risultati accettabili.



67

Fig. 3.49 - Calcolo numerico dellespressione .




3.6.2 Regolarizzazione di un effetto pepita
.
Supponiamo che il variogramma da regolarizzare si componga di S strutture elementari:

( ) ( ) h h u
u
ns
=
=

0
1


e tra queste una microstruttura (componente pepitica) 0( ) h . Il valore di v h ( ) si ottiene
normalmente dalla (3.32) sommando il contributo di tutte le strutture, calcolato come
indicato nel paragrafo 3.6.1. E per possibile ricavare il contributo della componente
pepitica ov h ( ) direttamente dalla 3.32 in maniera molto immediata. Riportiamo di
seguito il metodo a solo scopo didattico, essendo dal punto di vista pratico pi
conveniente eseguire il calcolo secondo la procedura gi citata, se non altro per
conformit con le altre strutture.

Consideriamo nella 3.32 una distanza h pi grande delle dimensioni di v, cio tale che i
volumi v e v
h
siano disgiunti. Applichiamo la 3.32 alla sola componente pepitica:

0 0 0 v h h v v v v ( ) ( , ) ( , ) = . (3.34)

Per comodit operiamo con la covariaza, anzicch con il variogramma:

0 0 0 0 ( ) ( ) ( ) h C C h = . (3.35)

C h 0( ) chiaramente una funzione di covarianza con un range a
0
molto piccolo
rispetto alla scala del lavoro, quindi anche rispetto alla taglia di v (v.fig. 3.50).


) (
1
) , (
1 2
1 1
2 1
2 1

= =
=
n
i
j
n
j
i x x
n n
v v

68





Fig. 3.50 - Funzione Covarianza della
microstruttura.







I due termini di destra della 3.34 nella loro forma esplicita e con la sostituzione data
dalla 3.35 precedente, diventano:

0
2
0
2
0
1
0
1
( , ) ( ) ' ( ' ) ' v v
v
C d d
v
C d d h
v h v v h v
=
+ +
} } } }
(3.36)

0
2
0
2
0
1
0
1
( , ) ( ) ' ( ' ) ' v v
v
C d d
v
C d d
v v v v
=
} } } }
(3.37)

Nella 3.36 il primo termine di sinistra una costante ( C
0
(0) ), mentre il secondo
termine nullo poich, essendo i due volumi v e v
h
disgiunti ed essendo a
0
molto
piccolo rispetto alla scala del lavoro, si ha che sempre ' >> a
0
e quindi C( ' ) =
0.

Nella 3.37 il primo termine di sinistra ancora la costante precedente, mentre il
secondo termine, essendo i due volumi coincidenti, un integrale non pi nullo e pu
essere calcolato sulla base del ragionamento seguente.

Poich le dimensioni di v sono molto grandi rispetto ad a
0
( v>> a
0
) nellintegrale in
questione quando varia in v per una fissata posizione di (fig. 3.51) si hanno
contributi positivi soltanto in un intorno D( ) molto piccolo di centro e raggio a
0.




Fig. 3.51 - Integrazione di un effetto pepita.











per D C ' ( ) ( ' ) 0 0

per D C ' ( ) ( ' ) = 0 0






h


C(h)

a
0
<< v
C(0)

a

69
La somma di questi contributi, trascurando gli effetti di bordo, data da:


A C d d C h dh
v v
= =
} } }
0 0 ( ' ) ' ( )

Lultimo integrale esteso a tutto lo spazio e il valore di A invariante rispetto a .
Quindi:

0
2
1
v
v
h
v
Ad
A
v
( ) = =
}
.

A/v dunque il contributo della struttura pepitica nella regolarizzazione.

Sulla base di quanto stato detto possiamo dare il contributo delleffetto pepita nel
calcolo della seguente espressione generale :

( , ) ( ' ) v v
v v
d d
v v
1 2
1 2
1
2 1
=
} }


che comprende, come caso parrticolare, i due termini di sinistra della 3.32.
Lespressione precedente ricorre in molte operazioni geostatistiche. In essa i volumi v
1

e v
2
sono di dimensioni qualsiasi e localizzati in posizione qualsiasi. Il contributo della
struttura pepitica :

0 1 2 0
1 2
1 2
0 ( , ) ( )
( )
v v C A
Mis v v
v v
=

. (3.38)

SE v
1
e v
2
sono disgiunti la precedente vale: 0 1 2 0 0 ( , ) ( ) v v C = .

Se v
1
= v
2
= v si ha: 0 0 0
1
( , ) ( ) v v C A
v
= .

Se v
1
v
2
si ha:

0 1 2 0
2
0
1
( , ) ( ) v v C A
v
= .



3.7 Varianza di dispersione

In molte applicazioni, relative soprattutto a problemi di polluzione e di variabilit dei
suoli, si interessati al calcolo della dispersione spaziale di una variabile. Il suo valore
generalmente dipende sia dalle dimensioni del supporto su cui essa definita, sia dalle
dimensioni del dominio entro cui si vuole studiare tale variabilit. In questo paragrafo
vengono dati gli strumenti analitici per il calcolo della dispersione quando si conosce la
funzione variogramma. Un classico problema quando si conosce la dispersione di una
variabile misurata su un supporto puntuale e si vuole calcolare il corrispondente valore
per un supporto pi grande.
70
Sia Z(x) una FA stazionaria di covarianza C(h) e variogramma ( ) h . Consideriamo un
dominio di volume V allinterno del campo in cui la FA definita (fig. 3.52). Per ogni
punto x di V indichiamo con z(x) una realizzazione
1
di Z(x) e con z
v
il valor medio di
z(x) allinterno di V:

z
V
z x dx V
V
=
}
1
( ) .




Fig. 3.52 - Definizione di un
dominio V nel campo di
definizione di Z(x).










La dispersione dei valori z(x) allinterno di V data dalla varianza statistica:

( ) s
V
z x z dx V
V
2
2 1
=
}
( ) .

Il valore di s
2
dipende dalla posizione di V nel campo di definizione di Z(x) e dai
particolari valori di z(x).

Se ora consideriamo in ogni punto x di V la variabile aleatoria Z(x) possiamo definire
la variabile aleatoria:

Z
V
Z x dx V
V
=
}
1
( ) . (3.39)

Anche la dispersione S
2
di Z(x) rispetto a Z
V
una variabile aleatoria. Il suo valore
atteso chiamato varianza di dispersione di Z(x) rispetto in Z
V
ed indicata con la
notazione
2
( / ) O V , dove il simbolo O indiva che la dispersione si riferisce ad un
elemento puntuale:

2
( / ) O V = E S
2
= ( ) E
V
Z x Z dx V
V
1 2
( ) .

`
)
}
(3.40)


1
Si ricorda che per realizzazione nel punto x della VA Z(x) si intende il particolare valore misurato o
misurabile della variabile nel punto x.



) (x Z
}
=
V
V
dx x Z
V
Z ) (
1



71
In un modello stazionario
2
( / ) O V non dipende dalla posizione di V ma soltanto dalla
forma e dimensioni di V ed una caratteristica della FA Z(x).

Sostituendo nella 3.40 lespressione di Z
v
e sviluppando si ottiene:

[ ] [ ] [ ]
2 2
2
1 1 2
( / ) ( ) ( ' ) ( ' ' ) ' ' ' ( ) ( ' ) ' O V
V
E Z
V
E Z Z d d
V
E Z Z d d
V V V V
= +

`
)
} } } }


=
1
0
1 2
2
V
C
V
C d d
V
C d d
V V V V
( ) ( ' ' ' ) ' ' ' ( ' ) ' +

`
)
} } } }


= C C V V C V V C C V V ( ) ( , ) ( , ) ( ) ( , ) 0 2 0 + =

= ( , ) V V (3.41)

Lespressione precedente, molto semplice da calcolare, da la varianza di dispersione di
una variabile puntuale allinterno di un volume V. Essa dipende dalla funzione
variogramma e dalla forma e dimensioni di V.
Si noti (confronta lespressione 3.24) che essa corrisponde alla quantit di cui si abbassa
il sill passando da un variogramma puntuale ad uno regolarizzato di supporto V.

Per V si ha che:


D O D O V V V C
V V
2 2
0 ( / ) lim ( / ) lim ( , ) ( ) = = =

.

Quando C(0) esiste, cio quando le ipotesi di stazionariet sono verificate, il sill del
variogramma, chiamato anche varianza a priori, coincide con la varianza di dispersione
di un punto in un campo illimitato.

Passiamo ora ad esaminare la dispersione allinterno di un volume V di una variabile
non pi puntuale ma definita su certo supporto. Suddividiamo il volume V in elementi di
volume v. Se v<<V , questultimo pu essere schematizzato come lunione degli
elementi v il cui baricentro cade allinterno di V. In tale caso, chiamando con Z
V
la
variabile aleatoria riferita al volume V e Z
vi
la variabile aleatoria riferita allelemento
vi si ha che (fig. 3.53):

} }

= =
= = =
n
i
V vi
n
i
vi V dx x Z
V
dx x Z
v n
Z
n
Z
1 1
. ) (
1
) (
1 1 1


Con procedura analoga a quella fatta in precedenza si pu calcolare la varianza di
dispersione di Z
v
allinterno di V:

2
1
2
1
( / ) ( ) . v V E
n
Z Z vi V
i
n
=

`
) =

72





Fig. 3.53 - Discretiz-zazione di
V in una unione di elementi v
i







Nella precedente sostituendo Z
vi
e

Z
v
rispettivamente con:

Z
v
Z x dx vi
vi
=
}
1
( ) .

Z
V
Z x dx V
V
=
}
1
( ) .

e sviluppando si ottiene:

Nella precedente sostituendo Z
vi
e

Z
v
rispettivamente con:


[ ] [ ]
n
2
2 2
v v V V
i 1
1 1 1
(v / V) E Z( ') Z( '') d ' d '' E Z( ') Z( '') d ' d ''
n v V
=

= + +
`
)

} } } }


[ ]
n
V V
i 1
1 2
E Z( ') Z( '') d ' d ''
n vV
=


`
)

} }
=
= { }
1
2
1
n
C vi vi C V V C vi V
i
n
( , ) ( , ) ( , ) +
=

Essendo nella ultima espressione i primi due termini tra parentesi indipendenti dalla
particolare posizione di vi, ed essendo:



1
1
n
C vi V C V V
i
n
( , ) ( , )
=

=

si ottiene:

2
( / ) ( , ) ( , ) v V C v v C V V =

ed in funzione del variogramma:

2
( / ) ( , ) ( , ) v V V V v v = (3.42)










73

Se v si riduce ad un punto, il termine ( , ) v v della espressione precedente si riduce a
zero e quindi ritroviamo, come caso particolare, la 3.41.

Se la funzione variogramma contiene una componente pepitica caratterizzata da :

A C h dh =
}
( )

il suo contributo alla varianza di dispersione dato, ricordando la 3.39 da:


C
A
V
C
A
v
A
v V
0 0 0 0
1 1
( ) ( )
|
\

|
.
|
|
\

|
.
| =
|
\

|
.
|


La linearit dellespressione 3.42 conduce alla propriet delladditivit della varianza di
dispersione. Infatti siano v, V, G tre volumi tali che v V G , si ha:



2
( / ) ( , ) ( , ) v V V V v v = (3.43)


2
( / ) ( , ) ( , ) v G G G v v = (3.44)


2
( / ) ( , ) ( , ) V G G G V V = (3.45)


Sostituendo nella 3.44 ( , ) G G con la sua espressione ricavata dalla 3.45, si ottiene:


2 2
( / ) ( / ) ( , ) ( , ) v G V G V V v v = + ,

cio:


2 2 2
( / ) ( / ) ( / ) v G V G v V = + .

Quindi la varianza di dispersione di una unit v nel dominio G uguale alla somma
della varianza di dispersione dellunit v nellunit inermedia V e della varianza di
dispersione dellunit V nel dominio G.


Illustrazione di un esempio

Lesempio che sar illustrato una elaborazione condotta su dati contenuti nella
memoria: Spatial Variability of soil Properties di Goro Uehara et al. in Soil Spatial
Variability, Proceedings of a Workshop of the ISSS and the SSSA, Las Vegas 1994.

La mappa di fig. 3.54 rappresenta lo schema di campionatura di un sito dellarea di
Kenana (Sudan). In essa sono stati prelevati 254 campioni si suolo su cui sono stati
misurate diverse variabili tra cui lESP (Exchangeable Sodium Percentage), il cui
74
variogramma medio riportato nella fig. 3.55a. Laggiustamento pi immediato
quello fatto con uno schema sferico di range di 3 Km ed un sill di 22. Si disponeva
inoltre anche di 18 campioni di verifica ubicati in prossimit di punti campionati.


Fig. 3.54- Localiz-zazione della campionatura. a Kenana (da Spatial Variability of soil Properties di
Goro Uehara et al. in Soil Spatial Variability, Proceedings of a Workshop of the ISSS and the SSSA, Las
Vegas 1994).


Ci ha consentito una stima del variogramma anche a piccola scala. Il risultato stato
un variogramma con un sensibile effetto pepita (v. fig. 3.55b), per nulla ipotizzabile sul
precedente grafico.

Ci dimostra quanto sia importante, quando si studia un fenomeno spaziale, campionare
anche la piccola scala. Come si evince dalla figura, il nuovo variogramma stato
riaggiustato con uno schema sferico di range 4 e sill 16 ed un effetto pepita di 6.


Fig. 3.55 - Variogrammi sperimentali del ESP (da Spatial Variability of soil Properties di Goro Uehara
et al. in Soil Spatial Variability, Proceedings of a Workshop of the ISSS and the SSSA, Las Vegas 1994).














75


Fig.3.56 - Andamento delle varianze di dispersione in funzione del supporto.


Utilizzando ognuno dei due variogrammi stata calcolata la varianza di dispersione
dellESP regolarizzato in funzione delle dimensioni del supporto, considerato come un
quadrato di lato L. Nella fig. 3.56 sono riportati gli andamenti ottenuti con i due
variogrammi. Come si nota la varianza diminuisce con laumentare di L. In particolare
si pu notare come il variogramma con effetto pepita (b) produce un forte calo della
varianza di disper sione anche per piccoli supporti. Ci intuitivo: pi forte la
variabilit a piccola scala, maggiore leffetto regolarizzante del supporto.




3.8 Il kriging ordinario

Una delle operazioni pi comuni che vengono effettuate nellambito del trattamento dei
dati spaziali, la costruzione di carte tematiche, cio carte georeferenziate relative a
porzioni di aree geografiche, in cui riportato, mediante un adeguato metodo di
rappresentazione, landamento di una variabile di studio.

La carta normalmente costruita a partire dai valori della variabile misurati allinterno
dellarea. Per esempio da una situazione di partenza espressa dalla fig. 3.57a, che
rappresenta la posizione dei campioni ed i valori misurati di una variabile, si vuole
costruire una carta ad isovalori come quella riportata nella fig. 3.57b. Si noti
nellesempio una distribuzione non uniforme della campionatura.

76


Fig. 3.57. Costruzione di una carta a partire dai punti di misura.


La carta ad isovalori, che nel gergo cartografico anche chiamata carta vettoriale, una
delle tante forme di rappresentazione di una variabile geografica. Essa si ottiene non
direttamente, ma successivamente ad una ricostruzione a maglia regolare della variabile
tramite una operazione di stima (fig. 3.58a). Le linee di contorno si ottengono
interpolando sui lati della maglia i valori da rappresentare (v. fig. 3.58b). Se ne deduce
che la qualit di una carta riconducibile alla qualit della stima che ha prodotto il
grigliato di valori.


3.8.1 Gli stimatori lineari

Poich i campioni sono raramente disposti a maglia regolare e, quandanche lo fossero
la densit della campionatura non sarebbe comunque sufficiente per operare un
dettagliato tracciamento delle linee isovalori, la costruzione di un fitto grigliato di punti
passa attraverso una operazione di stima, cio una operazione mediante la quale viene
attribuito in qualche maniera un valore ad una variabile in un punto in cui essa non
nota. La maniera con cui il valore viene calcolato definisce il tipo di stimatore.














a) b)

4925000
4930000
4935000
4940000
4945000
4950000
4955000
1640000 1650000 1660000 1670000
77


Fig. 3.58 - Costruzione di una carta vettoriale: a) ricostruzione della variabile a maglia regolare; b)
tracciamento per interpolazione delle linee di isovalori.


Questo tipo di operazione ha carattere locale in quanto la stima che si vuole effettuare
non riguarda le caratteristiche generali (o caratteristiche globali) della variabile nel
campo, ma riguarda appunto delle caratteristiche locali. Per tale ragione questo tipo di
stima chiamato nel gergo geostatistico stima locale. Gli stimatori pi adatti e pi usati
per questo tipo di operazione sono quelli lineari. In essi il valore da attribuire ad un
punto x
0
del campo calcolato mediante una combinazione lineare dei valori noti
situati nelle vicinanze del punto da stimare, per es. entro un dominio circolare (vedi fig.
3.59). Tale dominio, che in realt pu avere qualsiasi forma e contenere alcune decine
di punti (da 20 a 60) sar chiamato dora in poi vicinaggio di stima.
































78
Sia n il numero di punti noti che concorrono alla stima del valore in x
0
e siano x

e
z(x

) ( =1, n)
1
rispettivamente le loro posizioni ed i corrispondenti valori della


Fig. 3.59 - Carattere locale
delloperazione di stima.



variabile. Siano ancora z(x
0
) il
valore sconosciuto in x
0
e z x
*
( ) 0
lo stimatore lineare considerato.
Esso ha la seguente forma:

z x z xa
n
*
( ) ( ) 0
1
=
=

(3.46)

Nella precedente

sono i
coefficienti della combinazione
lineare, chiamati anche ponderatori dato che la combinazione lineare non nientaltro
che una media ponderata.

Proviamo ora ad usare gli strumenti geostatistici che abbiamo in possesso per
caratterizzare questo stimatore e per definirne le condizioni ottimali in relazione anche
agli stimatori lineari tradizionali.

Poniamoci per semplicit nel quadro del modello stazionario, rimanendo inteso che le
conclusioni alle quali arriveremo sono valide anche per i modelli quasi-stazionario e
intrinseco.

Sia pertanto Z(x) la FA stazionaria assunta per interpretare in senso probabilistico il
fenomeno di studio e siano C(h) e (h) le funzioni covarianza e variogramma.
Indicando con Z(x
0
) e Z(x

) le VA nei punti x
0
e x

si ha per lo stimatore lineare:

Z x Z xa
n
*
( ) ( ) 0
1
=
=

(3.47)


A questa stima, come in genere ad ogni stima, associato un errore, detto appunto
errore di stima. Esso dato dalla differenza tra il valore vero ed il valore stimato:


Z(x
0
) -

Z xa
n
( )
=

1
. (3.48)

Esso continua ovviamente ad essere una VA.

1
La notazione x

ora introdotta sar mantenuta anche nel seguito di queste dispense e star sempre ad
indicare la pozione dei punti di misura.
4925000
4930000
4935000
4940000
4945000
4950000
4955000
1640000 1650000 1660000 1670000
79
3.8.2 Correttezza della stima

Lo stimatore introdotto deve avere la fondamentale propriet di essere corretto, cio di
essere di media nulla:
E Z x Z xa
n
( ) ( ) 0
1
0

(
=
=

(3.49)


La precedente equazione diventa:

E Z x E Z xa
n
( ) ( ) 0
1
0 =
=

(3.50)


In condizioni di stazionariet E Z x m ( ) = e la (3.50) si riduce a:


m
n
1 0
1

(
=
=

,

che equivale alla seguente condizione sui ponderatori:

=
1
1
n



3.8.3 Accuratezza della stima

La qualit della stima dipende dalla
ampiezza degli errori (di stima). Essi
sono caratterizzati da una legge di
densit di probabilit che ha media nulla,
se lo stimatore corretto, e una
dispersione che responsabile
dellaccuratezza della stima.(fig. 3.60).

Pi la funzione di densit dispersa e
pi frequenti sono gli errori elevati.
Come si pu intuire, dal momento che si
opera in un quadro probabilistico
descritto da momenti del secondo ordine,
non possibile accedere a tale funzione,
ma si in grado, come si vedr, di
calcolarne la sua varianza, che viene
chiamata varianza di stima ed assunta quale grandezza per quantificare, in termini
inversi, laccuratezza della stima.













Fig. 3.60 - Distribuzione dellerrore di stima

80

Useremo per tale varianza la notazione
s
2
, dove il pedice s sta per stima.

s
2
= D Z x Z x E Z x Z x
2
0 0
2
( ) ( ) ( ) ( )

(
=

= E Z x Z x Z x Z x Z x
2
0 0 2 ( ) ( ) ( ) ( ) ( )

= C C x x C x x a ( ) ( ) ( ) 0 2 0 +

. (3.51)



Sostituendo nella precedente C(h) con C h ( ) ( ) 0 , poich la somma dei ponderatori
uguale a uno, si ottiene la varianza di stima in funzione del variogramma:




(3.52)

Si noti dallespressione precedente che la varianza di stima non necessit dellesistenza
di C(0) e quindi della stazionariet dordine 2.

3.8.4 Stimatori tradizionali

Esaminiamo dal punto di vista delle caratteristiche sopra specificate due degli stimatori
tradizionali pi usati: linverso delle distanze e linverso dei quadrati delle distanze.

Inverso delle distanze:

I ponderatori da attribuire ai campioni compresi entro il vicinaggio di stima hanno un
peso proporzionale allinverso delle distanze:

=
k
d
, con k
d
i i
=

1
1


Nella precedente d
i
la distanza di x
i
da x
0

s
2
= 2 0

( ) ( ) x x x x a
81



Inverso dei quadrati delle distanze

I ponderatori da attribuire ai campioni hanno in questo caso un peso proporzionale
allinverso del quadrato delle distanze:


=
k
d
i
2
, con k
d
i i
=

1
1
2


Come si pu notare entrambi gli stimatori sono corretti, ed i valori dei ponderatori da
attribuire ai campioni x

dipendono solo dalla loro distanza dal punto da stimare e non
dalla loro reciproca posizione. Essi inoltre prescindono dalla variabilit spaziale del
fenomeno di studio espressa dai variogrammi.

Comunque, avendo in qualsiasi maniera calcolato dei ponderatori, se si dispone della
funzione variogramma, possibile calcolare mediante lespressione (3.52) la precisione
dello stimatore corrispondente.

Diamo un esempio: si consideri lo schema di figura 3.61. Esso rappresenta la
localizzazione di cinque punti di misura (1,2,3,4,5) e di un sesto, identificato da una
crocetta, che il punto in cui bisogna effettuare la stima.

Considerate le distanze dei 5 punti da quello da stimare, i ponderatori derivanti dai due
stimatori tradizionali sono riportati nella tabella 3.1. Nella ultima colonna della tabella
riportata la precisione della stima calcolata con la
seguente funzione variogramma:


exp sph (h) 4.2 (h, 5) 13.5 (h,18) = +

Si tratta del variogramma aggiustato per la variabile
Cs137 campionata nellarea di Briansk, cittadina russa.
Con questo variogramma la stima con linverso del
quadrato delle distanze risulta essere leggermente pi
precisa. Fig. 3.61 - Configurazione di stima.




Tab. 3.1

Stimatore
1

2

3

4

5

s

inverso distanze 0.1903 0.1715 0.1887 0.2755 0.1739 2.813
inverso quadrati distanze 0.1747 0.1418 0.1718 0.366 0.1457 2.829



82
3.8.5 Il Kriging Ordinario

Come si visto, dato un set di ponderatori, si in grado di calcolare, con lausilio del
variogramma, la precisione della stima corrispondente. E immediato quindi porsi come
problema quello di determinare quei ponderatori che danno luogo alla stima migliore,
nel senso di una maggiore precisione. E un problema che si risolve minimizzando la
varianza di stima, data dalla espressione (3.52), con il rispetto della condizione di
correttezza. Il metodo di ottimizzazione quello di Lagrange, che consiste
nelleguagliare a zero le n derivate parziali della (3.52) rispetto ai ponderatoti
.
:

s
2
0 = = 1, n con la condizione:
=

=
1
1
n
.

Si ottiene:

s
a
x x x x
2
0 2 2 1 0 = +

(
=

( ) ( ) ( ) , = 1, n


e svolgendo le derivate:

s
x x x x
2
0 2 2 2 0 = =

( ) ( ) , = 1, n (3.53)


Nel seguito, quando ragioni di praticit lo richiederanno, adotteremo la notazione pi
compatta in luogo di ( ) x x . Lespressione, ricordiamo, indica il valore della
funzione variogramma per una distanza orientata che va, in questo caso, dalla posizione
x

alla posizione x

.

Integrando la (3.53) con la condizione di correttezza si ottiene il seguente sistema:




(3.54)





Il sistema precedente un sistema lineare di n+1 equazioni in n+1 incognite. Le
incognite sono costituite dagli n ponderatori

ed dal parametro , detto parametro di

Lagrange. Lo stimatore associato detto kriging ed il sistema (3.54) chiamato sistema
di kriging. Si dimostra che se le posizioni x

sono distinte, il sistema sempre

regolare, e quindi ammette sempre soluzione che unica.

+ =

o, = 1, n

1
83
Lespressione (3.52) delle varianza di stima, che ormai possiamo chiamare varianza di
kriging ed indicare con la notazione
k
2
, tenendo conto delle (3.54), pu essere scritta
nella forma pi semplificata:

k
o
2
= +

. (3.55)

Scriviamo il sistema (3.54) in forma pi esplicita:

11
+
2

12
+ +

1
+ +
n

1n
+ =
10

21
+
2

22
+

+

2
+ +
n

2n
+ =
20

31
+
2

32
+

+

3
+ +
n

3n
+ =
30

1
+
2

+

+

+ +
n

n
+ =
0


(3.56)

n1
+
2

n2
+ +

n
+ +
n

nn
+ =
n0

1
+
2
+ +

+ +
n
= 1

Il sistema precedente, scritto in termini matriciali, diventa:

11 12 1 1
21 22 2 2
1 2
1 2
1
1
1
1
1 1 1 1 0

(
(
(
(
(
(
(
(
(
n
n
n
n n n nn
x

1
2

(
(
(
(
(
(
(
(
(
n
=

10
20
0
0
1

(
(
(
(
(
(
(
(
(
n
(3.57)


La matrice dei coefficienti non dipende dallentit da stimare ma dipende
esclusivamente dalla posizione reciproca dei punti di misura, cio delle informazioni
che si utilizzano per effettuare la stima, e dalla funzione variogramma. In particolare
essa rappresenta la struttura spaziale dellinformazione. Il vettore dei termini noti
legato allentit da stimare e descrive i rapporti spaziali tra questa ed i punti di misura.

Il Kriging Raster

Il sistema di kriging descritto sopra si riferisce alla stima di una variabile puntuale e
perci esso viene normalmente chiamato kriging puntuale. In molte applicazioni,
soprattutto di carattere territoriale, si ha necessit di stimare le variabili su supporti
areali, normalmente celle di forma quadrata o rettangolare. Tale necessit pu sorgere
per esempio nella integrazione delle stime in ambienti GIS, dove le elaborazioni delle
carte avvengono su formati raster.

Procedendo come per il caso puntuale possiamo dedurre le equazioni di kriging per la
stima ottimale di una variabile su supporto raster.
84

Supponiamo che si debba stimare il valore della variabile Z estesa ad un volume v
centrato in x
0
a partire dal valore misurato della stessa su n punti di posizione x
.
(fig.
3.62). Lentit da stimare

Z
v
(x
0
) = Z
v0
=
1
0
v
Z x dx
v
( )
}
.

e lo stimatore lineare adottato Z x
v
*
( ) 0 una
combinazione lineare dei valori noti:


Z x
v
*
( ) 0 =

Z xa
n
( )
=

1
.




Fig. 3.62 Configurazione di una stima raster.


Si vuole una stima corretta e di varianza minima. Essendo E Z x m v( ) 0 = , la condizione
di correttezza si traduce, come per il caso della stima puntuale, alla condizione sui

1.

Per quando concerne laltra condizione, si tratter di minimizzare lespressione della
varianza di stima rispetto ai ponderatori tenendo conto della condizione di correttezza.

La varianza di stima in questo caso data da:

s
2
= D
v
Z x dx Z x E
v
Z x dx Z x
v v
2
2
1 1
0 0
( ) ( ) ( ) ( )
}

}

`
)
=

=
[ ] [ ] [ ]
1
2
1
2
0 0 0
v
E Z x Z x dxdx E Z x Z x
v
E Z x Z x dx
v v v
( ) ( ' ) ' ( ) ( ) ( ) ( ) +
} }

}

=
1
2
1
2
0 0 0
v
C x x dxdx C x x
v
C x x dx
v v v
( ' ) ' ( ) ( ) +
} }

}

.




85

In funzione del variogramma essa si esprime:




Le equazioni di kriging si ottengono eguagliando a zero le derivate parziali della
precedente tenendo conto della condizione di correttezza:

s
2
2 1 0 +
|
\

|
.
|

(
=

= 1, n



Si ottiene il seguente sistema:

( ) ( ) x x
v
x x dx a
v
+ =
}

1
0
= 1, n
(3.58)

= 1


con varianza di stima:

k
v v v
v
x x dx
v
x x dxdx
2
2
1 1
0 0 0
= +
}

} }
( ) ( ' ) '


Con scrittura pi compatta si ha:

+ =

, vo = 1, n
(3.59)

= 1

s
2
= 2
1 1
0 0 0
2

v
x x dx
v
x x dxdx x x
v v v
( ) ( ' ) ' ( )
}

} }

.

86

k
v v v
2
0 = +

( , ) (3.60)


In termini matriciali il sistema si pu scrivere:

11 12 1 1
21 22 2 2
1 2
1 2
1
1
1
1
1 1 1 1 0

(
(
(
(
(
(
(
(
(
n
n
n
n n n nn
X

1
2
1

(
(
(
(
(
(
(
(
(
n
=

1
2
1
v
v
v
nv
o
o
o
o

(
(
(
(
(
(
(
(
(
(3.61)


Come si pu notare la matrice dei coefficienti identica a quella della stima puntuale.
Essa infatti dipende solo dalla configurazione dei punti di misura usati per la stima, che
identica nei due casi. E solo il termine noto che tiene conto della entit da stimare.

Esso, per la generica linea , esprime il valor medio che la funzione variogramma
assume quando un estremo fisso in nel punto di misura e laltro varia allinterno del
volume da stimare v
0
.

Il suo calcolo normalmente viene
effettuato numericamente
discretizzando il volume in un
insieme di punti e trasformando
quindi lintegrale in sommatora:


1 1
0
1
v
x x dx
N
x x
v
j
j
N
( ) ( ) =
}

=



Di solito una discretizzazione del
volume in sedici punti a maglia
regolare (v. fig. 3.63) sufficiente a
garantire una approssimazione
accettabile.


Fig. 3.63 Discretizzazione del volume da stimare




87
Prima di enunciare alcune importanti propriet del sistema di kriging, esaminiamo
come si comportano i ponderatori in un caso limite, quando il variogramma un effetto
di pepita puro, vale a dire un variogramma con range zero (o molto piccolo rispetto alla
scala del lavoro):

( ) h
se h
C se h
=
=

0 0
0 0



Consideriamo il caso di una stima puntuale e quindi facciamo riferimento al sistema
3.60. Consideriamo la generica riga del sistema. Tutti i valori dei coefficienti valgono
C
0
eccetto che vale 0. Pertanto, tenendo conto della

= 1, la riga si riduce a:


C C 0 0 1 ( ) + = ,


ovvero:

=
C0
= C
te


Quindi tutti i ponderati sono uguali e pari a 1/n. Il kriging si riduce ad essere una
media aritmetica dei campioni selezionati per la stima. Si noti come lassenza di
correlazione spaziale rende i campioni tutti equivalenti ai fini della stima, qualunque sia
la loro posizione nello spazio.
Propriet del Kriging.

a) Il kriging un interpolatore esatto

Applichiamo le equazioni del kriging puntuale per la stima di un punto noto,
supponendo che sia quello di posizione x
.
.

Se si risolve il sistema di 3.57 con la regola di kramer si ha che:

quando lincognita da determinare si ha che il determinante a
numeratore dellespressione risolutiva di Kramer vale zero, poich la matrice
corrispondente ha due colonne uguali (costituite dai termini: ( , ) = 1 n ):
una gi contenuta nella matrice dei coefficienti, laltra costituita dalla colonna
dei termini noti, che sostituisce la colonna corrispondente allincognita. I
ponderatori saranno sistematicamente nulli.

quando la incognita da determinare , i due termini che compaiono a
numeratore e denominatore sono uguali e quindi il ponderatore vale 1.

Il valore stimato perci coincider con il valore vero: in questo senso il kriging un
interpolatore esatto.

88
b) Il kriging di una combinazione lineare coincide con la combinazione lineare del
kriging dei suoi elementi.

Analiticamente questa propriet si esprime nella seguente forma:
[ ]
p x Z x dx p x Z x dx ( ) ( ) ( ) ( )
*
*
} }
= (3.62)

Nella precedente si utilizzata per maggiore generalit una misura di ponderazione
p(x). Lasterisco indica la stima tramite kriging.

Questa propriet deriva dalla linearit delle equazioni di kriging. Diamo la
dimostrazione facendo riferimento alla stima del valore medio di una variabile su una
entit geometrica di volume v. Per la stima diretta del volume vale il sistema (3.61)
dalla cui soluzione si ricavano i coefficienti, che per evitare ogni confusione,
noteremo con

v
:

Z
v
Z x dx Z x
v
v
v *
*
( ) ( ) =

(
=
}

1

. (3.63)

Se ora vogliamo stimare il valore di Z
v

come media delle stime effettuate sui
punti interni di v dobbiamo considerare il
sistema (3.57) applicato ad ognuno di
essi.
Sia x il generico punto allinterno di v
(fig. 3.64). Notiamo con ( ) x i pondera-
tori corrispondenti. Fig. 3.64 - Stima dei punti interni al volume


Integrando in v il sistema (3.57) si ottiene:

11 12 1 1
21 22 2 2
1 2
1 2
1
1
1
1
1 1 1 1 0

(
(
(
(
(
(
(
(
(
n
n
n
n n n nn
X

1
2
,
,
,
,
v
v
v
n v
v

(
(
(
(
(
(
(
(
(
=

1
2
1
,
,
,
,
v
v
v
n v

(
(
(
(
(
(
(
(
(



dove si posto:


, ( ) v
v
v
x dx =
}
1
e a v a
v
v
x x dx , ( ) =
}
1
.



89
Questo sistema coincide con il sistema (3.61): essi hanno la stessa matrice dei
coefficienti e lo stesso termine noto. Avranno pertanto le stesse soluzioni:

v
v = , .


Questo implica luguaglianza tra le due entit:


Z Z x
v
v *
( ) =

e

1 1
v
Z x dx
v
x dx Z x Z x
v v
v a
*
, ( ) ( ) ( ) ( )
} }

=

(
=

.


La propriet descritta in questo punto una importante propriet di congruenza del
kriging, che gli stimatori tradizionali non posseggono.


c) Confronto con gli stimatori tradizionali

Con riferimento alla configurazione (fig. 3.63) si possono calcolare e confrontare i
ponderatori di kriging e la relativa varianza di stima con quelli degli stimatori
tradizionali. La tabella che segue riprende la tab.1 mostrata in precedenza e la integra
con i dati del kriging.


Tab. 3.2

Stimatore
1

2

3

4

5

s

inverso distanze 0.1903 0.1715 0.1887 0.2755 0.1739 2.813
inverso quadrati distanze 0.1747 0.1418 0.1718 0.366 0.1457 2.829
Kriging 0.1981 0.2069 0.2212 0.3297 0.441 2.781


Si osservi lavvenuta riduzione della varianza di stima.

Unaltra forma di elaborazione stata condotta per evidenziare la differenza tra gli
stimatori tradizionali ed il kriging. Il caso sempre quello del Cesio 137, da cui stato
tratto il variogramma utilizzato per il precedente confronto. Per ognuno dei tre stimatori
sono stati stimati i valori del Cs137 nei 1978 punti dove il valore della variabile era
noto, rimuovendolo di volta in volta. Un tale modo di procedere, che va sotto il nome di
test kriging, frequentemente usato in Geostatistica per il controllo del modello e dei
parametri del modello. Relativamente ad ogni stima stata elaborata la nuvola dei
90
correlazione valori veri/ valori stimati ed stato costruito listogramma degli errori,
calcolando la media e la varianza. Nella fig. 2.65 sono riportati questi risultati.


Fig. 3.65 - Nuvola di correlazione veri/stimati ed istogramma degli errori: a) inverso distanze; b) inverso
quadrati distanze; c) kriging.


I risultati ovviamente sono favorevoli al kriging: la varianza di stima pi piccola,
listogramma degli errori meno disperso e la retta di regressione, anche se non
tracciata, si avvicina di pi alla retta a 45.

Ancora un altro confronto con gli stimatori tradizionali: si osservi la fig. 3.66. In essa
sono riportati cinque configurazioni di stima. La configurazione a) presenta quattro
campioni localizzati sui vertici di un quadrato ed il punto da stimare occupa il centro del
quadrato. La configurazione b) deriva dalla precedente rimuovendo il campione 4. Si
passa poi dalla configurazione b) alla configurazione e) lasciando invariato il punto da
stimare e avvicinado,via via fino a farli coincidere, il campione 1 al campione 2. Le
stime sono state fatte impiegando un variogramma isotropo.


Per la configurazione a) il kriging fornisce per i quattro pondaratori lo stesso valore,
come giusto che sia per simmetria. Anche i ponderatori tradizionali danno questo
risultato. Per le restanti quattro configurazioni i metodi tradizionali attribuirebbero ai
campioni uguali ponderatori. E ci non sarebbe proprio. Nella configurazione b) il
ponderatore 1 ed il ponderatore 3 devono essere uguali per simmetria, ma il ponderatore
2 pi piccolo degli altri due. Passando poi dalla configurazione a) alla configurazione
d) il contributo dei ponderatori 1 e 2 , come si pu intuire, deve diminuire, mentre
quello del campione 3 deve aumentare. Come caso limite, quando il campione 1 ed il














m[Z-Z*]=0.0489 m[Z-Z*]=0.060 m[Z-Z*]=0.017
s
2
[Z-Z*]=13.105 s
2
[Z-Z*]

=9.374 s
2
[Z-Z*]

=7.659
n=1978 n=1978 n=1978

a) b) c)


0
20
40
60
80
100
0 20 40 60 80 100
Z
Z*
0
20
40
60
80
100
0 20 40 60 80 100
Z
Z*
0
20
40
60
80
100
0 20 40 60 80 100
Z
Z*
0
100
200
300
400
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z-Z*
f. rel.
0
100
200
300
400
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z-Z*
f. rel.
0
100
200
300
400
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z-Z*
f. rel
91
campione 2 risultano coincidenti (configurazione d) il loro peso equivale a quello di un
solo campione.






Fig. 3.66 - Configurazioni
di stima con valore dei
ponderatori di kriging.











Sensibilit ai parametri strutturali

I risultati di un kriging consistono normalmente, per una data configurazione di stima,
nel valore dei ponderatori e nella precisione della stima. Essi dipendono essenzialmente
dal numero di punti di misura, dalla loro posizione geometrica, reciproca e rispetto
alla entit da stimare, e dalla funzione variogramma. Per dare una idea della dipendenza
dei risultati della stima dai parametri del variogramma abbiamo scelto una
configurazione di stima a maglia regolare, che riportata nella fig. 3.67. Essa si riferisce
ad una stima puntuale in cui lentit da stimare posta al centro della configurazione e
linformazione costituita da 12 punti di misura disposti e numerati come nella citata
figura.





Fig. 3.67 - Configurazione
scelta per la sensitivit dei
risultati del kriging ai parametri
del variogramma.






















92
Operando con un variogramma isotropo, le simmetrie sui campioni danno luogo a
simmetrie sui ponderatori, per cui comodo raccogliere i campioni in tre gruppi: (1, 2,
3, 4); (5, 6, 7, 8); (9, 10, 11, 12). Ai quattro campioni di ogni gruppo compete per
simmetria un eguale valore del ponderatore, per cui sommando il loro contributo, e
notandolo rispettivamente
1
,
2
,
3
, riduciamo a tre il numero dei ponderatori da
considerare nellanalisi di sensitivit.


Andamento dei ponderatori con il range

Lanalisi consiste nellesprimere landamento dei pondaratori
1
,
2
,
3
in funzione del
range del variogramma. E stato considerato un variogramma di tipo sferico avente sill
1. e range a. Per svincolarsi dal particolare valore del range i ponderatori sono stati
espressi in funzione del rapporto a/d, dove d il lato della maglia elementare (v. la gi
citata fig. 3.67). Nella fig. 3.68 sono riportato i risultati dellanalisi. Si nota come per
valori del range molto piccolo rispetto a d i tre ponderatori sono pressocch uguali e
valgono 1/3. Man mano che il valore di a aumenta (sempre rispetto a d) aumenta
1










Fig. 3.68 - Andamento dei ponderatori
con il range del variogramma








mentre
2
e
3
diminuiscono: aumenta in pratica il peso dei campioni pi vicini al
punto da stimare a scapito di quelli pi lontani.


Andamento dei ponderatori con la frazione nugget del variogramma

Con riferimento alla configurazione di fig. 3.68, si riporta nella fig. 3.69 landamento di
l
1
, l
2
e l
3
in funzione del rapporto C
0
/(C
0
+C), dove C
0
la componente nugget del
variogramma e C
0
+C il sill complessivo.
Il calcolo stato effettuato con un variogramma sferico di range pari a 5 volte il lato
della maglia.



93







Fig. 3.69 - Andamento dei
ponderatori con l'effetto pepita.












Relazione varianza di stima/densit di campionatura

Sempre con riferimento allo schema di fig. 3.67 stato calcolato il valore della varianza
di stima in funzione del rapporto a/d. Il grafico corrispondente riportato nella fig.
3.70. Si osservi come, partendo da bassi valori di a/d , allaumentare di tale rapporto
(cio, per un fissato range, allaumentare della densit di campionatura) si sconta subito
un forte guadagno di precisione fino a valori di a/d di 3-4, divenendo poi il guadagno
pi modesto anche per forti aumenti della densit di campionatura. Anche in questo
caso stato considerato un sill unitario, per cui per ottenere il valore della varianza di
stima quando il variogramma uno schema sferico di sill c, basta moltiplicare per c il
valore risultante dal grafico.









Fig. 3.70 - Andamento della
varianza di stima in funzione
della densit di campionatura.











94
3.9 Il kriging semplice

Si consideri il caso una Funzione Aleatoria stazionaria Z(x) , in cui la media E[Z(x)] =
m, costante in tutto il campo, anche nota. Il kriging in queste condizioni chiamato
kriging semplice (KS) o kriging a media nota. Normalmente la media di una FA non si
conosce, a meno di non disporre di innumerevole quantit di dati. Comunque il KS
costituisce un importante riferimento teorico e metodologico e gode di importanti
propriet.

Lavorare con una FA di media nota lo stesso che lavorare con una FA di media nulla:
infatti si pu definire Y(x) = Z(x) m che ha media nulla:

E[Y(x)] = E[Z(x)] - m = 0 (3.63)

Il kriging pertanto di Z(x
0
) a partire dalle informazioni Z(x

)

( =1,n) si ottiene
attraverso la stima di Y(x
0
):


(3.64)

La condizione di correttezza per la stima di Y(x
0
) diventa:





ovvero




che per la (3.62), data la stazionariet, sempre verificata, qualsiasi sia linsieme dei
ponderatori {}.

Per la varianza della stima vale la (3.51):






che non pi equivalente alla (3.52) ottenuta dalla 3.51 sostituendo C(h) con C(0)-(h)
e sfruttando la relazione




non pi necessaria.


) ( ) ( ) (
0
*
0
*

+ = + =

x Y m x Y m x Z
0 )] ( ) ( [
0
=

x Y x Y E
0 )] ( [ )] ( [
0
=

x Y E x Y E

+ =

) ( 2 ) ( ) 0 ( 0
2
x x C x x C C a
ks

1
95
Derivando la (3.51) rispetto ai ponderatori ed eguagliando a zero si ottiene


(3.65)

Esprimendo Y in funzione di Z la 3.64 diventa:





Come si pu osservare il complemento a 1 di

costituisce il peso da attribuire alla

media.

La varianza di stima espressa dalla 3.51 si pu scrivere, tenendo conto delle equazioni
3.65, nella forma pi esemplificata:





Propriet del kriging semplice:

Lerrore di stima Y(x
0
)-Y
*
(x
0
) ortogonale sia con la generica variabile Y(x

)
coinvolta nella stima che con la stima stessa Y
*
(x
0
). Infatti la covarianza:





nulla in virt delle equazioni 3.65. Analogamente la covarianza:








anchessa nulla. Infatti, per ottenere leguaglianza dei due termini di destra, basta
moltiplicare entrambi i termini della 3.65 per

e sommare in .

Nelle precedenti per brevit sono state utilizzate delle notazioni pi semplificate: Y

per Y(x

) e C

per C(x

-x

).

Se la F.A ammette legge spaziale multigaussiana stazionaria
(v.paragrafo 3.3) il kriging semplice della variabile Y(x
0
)

calcolato a partire dalle
variabili Y(x

) (=1.n) e la corrispondente varianza di stima costituiscono la media e

la varianza della legge gaussiana di Y(x
0
) noti Y(x

) (=1.n)

) ( ) ( 0 x x C x x C a n , 1 =
) ( ) 1 ( ] ) ( [ ) ( ) (
0
*
0
*

x Z m m x Z m x Y m x Z

+ = + = + =
) ( ) ( ] ) [(
0 0

Y Y E Y Y E Y Y Y E

=
0 0
0
[( )( )] ( ) ( ) E Y Y Y E Y Y E Y Y
C C






= =
=


) ,..., , (
2 1 ,..., ,
2 1
k Y Y Y
y y y F
k
) ( ) 0 ( 0
2
x x C C
ks

96

E(Y
0
/y1,y2,,yn) = Y
*

Var (Y
0
/y1,y2,,yn) =

La retta di regressione tra valori veri e valori stimati ha pendenza unitaria. Infatti,
considerando la stima di Y nel punto x, la retta di regressione, che fornisce la migliore
approssimazione lineare di E[Y(x)/Y
*
(x)], data da:




Il coefficiente lineare uguale a uno poich




e

in virt della 3.65


Stima con una sola variabile

Si supponga di voler effettuare la stima nel punto x
0
a partire da una misura nel punto
x
0
+h , il sistema 3.65, ridotto ad una sola equazione, diventa:

h
x C(0) = C(h)

da cui
h
= C(h)/C(0) = (h) coefficiente di correlazione tra Z(x
0
) e Z(x
0
+h) .

La varianza di stima
KS
data da C(0) C(h)/C(0) x C(h) = C(0) [1-
2
(h)]. Quando h
raggiunge il range, la varianza assume il valore massimo che vale C(0).

Se nelle stesse condizioni la stima fosse stata effettuata con il kriging ordinario, il
ponderatore sarebbe stato 1 e la varianza di stima
KO
sarebbe stata 2(h) = 2[C(0)-
C(h)], sistematicamente, eccetto che per h=0, pi alta di
KS
. Il rapporto
KS
/
KO
risulta
essere infatti:





Il rapporto assume valore uno per h=0 e diminuisce progressivamente fino a 0.5 quando
h raggiunge il range.

Il KO, che operato a media non nota, implica la stima della media e pertanto la
varianza di stima pi alta di quella del KS dovendo tener conto dellincertezza sulla
media.

2
ks

) (
)) ( (
)] ( ), ( [
) (

*
*
*
x Y
x Y Var
x Y x Y Cov
x Y =

x x x
C Y Y Cov ) , (
*

= =

x x
C C Y Var ) (
*
(

+ =
) 0 (
) (
1
2
1
C
h C
KO
KS