Professional Documents
Culture Documents
Captulo 14
Introduccin a la Geoestadstica
Ing. CIP Mariano Gutirrez Torero
1
Geostadstica : Cundo ? Dnde ? Porqu ? Cmo ?
Cortesa Dr. Nicolas Bez, IRD En los 60s.
En las minas de Sudafrica
Porque se produca una sistemtica subestimacin en la extraccin de oro.
Los mtodos estadsticos tradicionales no son apropiados para estudiar estos procesos.
Dr. Krige (South Africa) fue el primero en estudiar el problema.
Dr. Matheron (France) desarroll la teora.
En los 80s.
En Europa.
Porque las prospecciones acsticas y pesqueras proveen muestras autocorelacionadas que no
pueden ser manipuladas apropiadamente con mtodos estadsticos tradicionales (no
espaciales).
Theory & practice of geostatistics applied to fish stock assessement from survey data.
Petitgas P., 2001.Geostatistics in fisheries survey design and stock assessment: models,
variances and applications. FISH and FISHERIES, 2, 231-249.
Bez N., 2002. Global fish abundance estimation from regular sampling: the geostatistical
transitive method. Can. J. Fish. Aquat. Sci., 59: 1921-1931.
3
Dispersin
Conceptos bsicos
Soporte y campo:
Soporte :
Area sobre la cual se realizan mediciones.
un punto, z(x),
un pequeo volumen, surface, UBM z(v),
o un gran volumen, superficie, UBM z(V)
Campo :
Una rea geogrfica donde el valor de la variable es positiva
4
Variable aditiva (V y sus componentes Vi):
vi es una parte de V
1
z(V) =
N
z (v )
i
i
o
1
z(V) =
V V
z ( x) dx
n 1 n 1
Desviacin estndar 2
5
Varianza de la dispersin de valores
Dispersion de v en V:
1
s2(v|V)=
N i
i
[ z ( v ) z (V )]2
1
con z (V ) z (vi )
N i
Ejercicio: dispersin de las varianzas
1 3 2 4 2 6
a) Promedio de z a lo largo de V ?
Varianza (de los valores en las celdas) a lo largo de V ?
7
Ahora, 3 bloques de 2 celdas consecutivas denotadas vi, i = 1, 2, 3 :
1 3 2 4 2 6
2 3 4
8
1 3 2 4 2 6
2 3 4
9
La dispersin de varianzas es aditiva:
8/3 = 2 + 2/3
10
Ejercicio: dispersin de las varianzas (2)
Rehacer el ejercicio anterior :
con 2 bloques de 3 celdas.
con valores ordenados (de menor a mayor o
viceversa, es decir, con una estructura espacial ms
fuerte)
11
1 3 2 4 2 6
2 4
12
Entonces, para los bloques de 3 celdas:
8/3 = 5/3 + 1
Aditividad:
13
Ahora, poniendo los valores de menor a mayor
1 2 2 3 4 6
3/2 5/2 5
14
Para bloques de dos celdas:
8/3 = 2 + 2/3
15
Prestar atencin a la estructura espacial a la hora de realizar
interpolaciones
Estimacin puntual
Muestras reales
16
Estimar el promedio de
la densidad en un bloque
Muestras reales
17
Calcular la densidad media para un
polgono irregular
Muestras reales
18
Calcular la densidad total
de una poblacin
Muestras reales
19
Pros y contras de los diversos mtodos para interpolar
Promedio mvil
Polgonos de influencia (ejemplo: de
Vorono )
Distancia inversa
Polinmica
otros muestras reales
21
Sacamos muestras del campo y trazamos un transecto
22
Promedio mvil
Misma ponderacin para cada dato en
1 la vecindad
2
20% Z *
Z i
20% 3 5
20%
i 20%
20%
5
No interesa la distancia entre el nodo y
20% las muestras, ni la distancia entre las
muestras.
4
Forma y tamao de la vecindad es
desconocido
23
Resultado del promedio mvil
24
Polgonos de influencia
(Voronoi)
Se da toda la ponderacin al
punto ms cercano
1
2
100% Z * Z1
0% 3
0% 1 100%
0%
i 1 0%
5
25
Resultado de los polgonos de influencia
(Voronoi)
26
Distancia inversa
Ponderacin es funcin
de la distancias entre las
muestras reales y el
1 nodo-objetivo
2 Zi
37%
d
21% 3 Z* i
1
20%
d
15% i
d d 2
5
7%
Datos redundantes tienen la misma
4 ponderacin. Se puede elegir el
grado.
27
Resultado de la distancia inversa
Inverse d
Inverse d2
28
En realidad buscamos un mtodo que :
pondere las muestras de datos segun la distancia al nodo y
tambin las mutuas distancias entre las muestras originales.
deduzca la ponderacin objetivamente a partir de las
caractersticas de los datos.
permita cuantificar la calidad de la interpolacin
Geoestadstica - KRIGING
29
Krigeo o Krigging
30
Posible beneficio de las estructuras espaciales
Nuestros datos de peces (datos acsticos por ejemplo) casi siempre contienen una
estructura, pero si interpolamos sin considerarla el resultado seguramente carecer
de ella a menos que se cuente con una alta densidad de puntos de muestreo (ver
ms adelante la teora sobre el Variograma.
31
Centro de Gravedad
ui .zi
i
zi
i zi valor observado en la
x ubicacin x
xi (ui , vi )
v .z
i i
i
zi longitud latitud
i
32
Acoustic survey
Anchovy IMARPE Peru - 1994-2000
33
Evolucin del componente
de la longitud del centro de
gravedad de algunas Distance (in Nm) from the coast
especies comerciales
years
Anchovy
Sardine
Mackerel
Horse Mack.
Sample
34
Inercia
i .zi
( x x ) 2
Inertia i
z
i
i
Inertia=2 Inertia=6
Inertia=17 Inertia=24
36
37
Nov.
Feb.
Mar.
May.
Aug.
Jun.
Feb.
Sept.
Jan.
Nov.1995
1992
1993
2000
1994
1998
1991
1990
1998
1996
1996
1997
Anchovy
Sardine
Horse Mack.
38
Srie chronologique de la rpartition de Anchois, Sardine, Chinchard
IMARPE-Prou
39
Centro de gravedad e inercia :
40
ndice Global de Colocacin: IGC
Es el cambio que ocurre en la inercia y centro de gravedad entre dos
momentos distntos (valores entre 0 y 1).
d CG D 2 CG 2 I1 I 2
2 2 2 2
1.00 1.00
0.80 0.80
0.60 0.60
0.40 0.40
0.20 0.20
0.00 0.00
Jan-83 Jan-87 Jan-91 Jan-95 Jan-99 Jan-84 Jan-88 Jan-92 Jan-96 Jan-00 Jan-04
Time Time
42
Variograma 1 2 0 0 1 0 0 1 2 3
10 m
1 2 0 0 1 0 0 1 2 3
1 2 0 0 1 0 0 1 2 3
1 2 0 0 1 0 0 1 2 3
1 2 0 0 1 0 0 1 2 3
1 2 0 0 1 0 0 1 2 3
Serie de mediciones de la varianza de un conjunto de datos sobre una lnea o
superficie alterando sus intervalos de medicin. El resultado es una grfica que
muestras las estructuras espaciales que pudieran existir. 43
Distances (n. mi.)
44
Procesos para un anlisis geoestadstico
45
Caractersticas del variograma
46
Meseta (Sill) & rango
Meseta
(Sill)
Rango
(de la autocorrelacin)
Distancia ms all de la
cual ya no hay correlacin
47
Modelo
48
Anisotropia geomtrica
Es la tendencia observada en los datos colectados a estar distribuidos en una
determinada direccin. Para reflejar es atendencia se calcula un Variograma en
2 direcciones
Elipsoide de
Range 1 la anisotropia
Range 2
Rango 1 Rango 2
49
Variograma esfrico
C
3 h 1 h3
(h) C 1
2 a 2 a3 h a
a
50
Variograma exponencial C
h
( h) C 1 e a
51
Variograma Gausaino C
h
2
2
(h) C 1 e
a
52
Variograma lineal
|h|
( h) a
a
0 if h 0
(h) C1h 0
C if h 0
53