UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

Facultad de Oceanografa, Pesqueras, Acuicultura y Ciencias Alimentarias

ESCUELA PROFESIONAL DE INGENIERA PESQUERA

ACSTICA SUBMARINA, TECNOLOGA Y APLICACIONES

(Electrnica, Acstica y Equipos de Cubierta)

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).

Primer uso en pesqueras : Laurec 1977 (poder de pesca).

Precursores : Conan (cangrejos), Lalo (diseo de prospecciones), Gohin (diseo de
prospecciones) en 1985.
1990 : Petitgas/Foote/Simmonds Taller ICES
1990-2000 : uso regular de estos mtodos
2
 Principales referencias
En geoestadstica pesquera
Rivoirard J., J. Simmonds, K. Foote, P. Fernandes and N. Bez, 2000. Geostatistics for
estimating fish abundance. Ed. Blackwell Science.

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.

Possible complement to the previous book. No application. But reference to applications

Bez N., 2002. Global fish abundance estimation from regular sampling: the geostatistical
transitive method. Can. J. Fish. Aquat. Sci., 59: 1921-1931.

Presentation of the transitive theory with 2 case studies.

3
Dispersin
Conceptos bsicos

Variable regionalizada: vector de valores medidos en un rea o regin

Fenmenos de la regionalizacin
Distribucin de peces
Fondo marino
Variable regionalizada (georeferenciada) z(x),
x es un punto en 2D o 3D :
altura (m, 2D)
Densidad de peces, NASC (mnm-2, 1D, 2D, 3D)
etc

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

promedio general = promedios locales

Valores z1 , z2 ,..., zi ,..., zn

1 n
Promedio m zi
n 1
1 n 1 n 2
Varianza (zi m ) zi m 2
2 2

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

Variable aditiva z sobre el campo V compuesto de 6 celdas idnticas:

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 ?

b) Dividamos el mismo campo en 3 bloques de 2 celdas

Promedio de z en cada bloque z(v1), z(v2), z(v3) ?

c) Varianza de cada uno de los bloques ?

Promedio de estas varianzas ?
Varianza del bloque ?
6
Solucin:
Promedio de z a lo largo de V :
(1+3+2+4+2+6)/6= 3

Varianza (segn valores de cada celda) de V :

((1-3)+(3-3)+(2-3)+(4-3)+(2-3)+(6-3))/6
(4+0+1+1+1+9)/6 = 8/3

7
 Ahora, 3 bloques de 2 celdas consecutivas denotadas vi, i = 1, 2, 3 :

1 3 2 4 2 6

2 3 4

Promedio de z(vi) para el campo V:

(2+3+4)/3=3

Varianza de los bloques en el campo:

((2-3)+(3-3)+(4-3))/3=
(1+0+1)/3 = 2/3

Entonces: cambiar el UBM no cambi el promedio, pero s la varianza

8
 1 3 2 4 2 6

2 3 4

Varianzas en cada bloque:

primero : ((1-2)+(3-2))/2=1
segundo : ((2-3)+(4-3))/2=1
tercero : ((2-4)+(6-4))/2=4

Promedio de esas varianzas se llama varianzade las celdas: (1+1+4)/3 = 2

Entonces, esa es la varianza que perdemos cuando incrementamos el tamao

del UBM.

9
La dispersin de varianzas es aditiva:

8/3 = 2 + 2/3

Varianza total = varianza de las celdas en los bloques

+
varianza de los bloques en el campo

s2(O|V) = s2(O|v) + s2(v|V)

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)

Comparar los resultados

11
 1 3 2 4 2 6

2 4

Varianza de las celdas en cada uno de los 2 bloques:

promedio: (2+4)/2 = 3
primero :((1-2)+(3-2)+(2-2))/3=2/3
segundo : ((4-4)+(2-4)+(6-4))/3=8/3
Entonces la varianza de los bloques en el campo es : (2/3+8/3)/2=5/3

Varianza del bloque grande: ((2-3)+(4-3))/2=1

12
 Entonces, para los bloques de 3 celdas:
8/3 = 5/3 + 1

Para los bloques de dos celdas era:

8/3 = 2 + 2/3

La varianza se reduce cuando el soporte (unidad de muestreo o UBM

por ejemplo) se amplia.

A esto se le llama REGULARIZACION. Es decir que las cosas son

menos variables (o ms regulares) cuando el soporte es grande.

Aditividad:

s2(O|V) = s2(O|v) + s2(o|V)

13
 Ahora, poniendo los valores de menor a mayor

1 2 2 3 4 6

3/2 5/2 5

Promedio total : 3 Varianza total : 8/3

Varianza de las celdas en cada uno de los 3 bloques :
primero : ((1-3/2)+(2-3/2))/2=(1/4+1/4)/2=1/4
segundo : ((2-5/2)+(3-5/2))/2=(1/4+1/4)/2=1/4
tercero : ((4-5)+(6-5))/2=1

Varianza de las celdas en los bloques:

(1/4+1/4+1)/3 = 1/2

Varianza de los bloques : ((3/2-3)+(5/2-3)+(5-3))/3=(9/4+1/4+4)/3=(26/4)/3=13/6

14
 Para bloques de dos celdas:
8/3 = 2 + 2/3

Para bloques de dos celdas con valores ordenados:

8/3 = 1/2 + 13/6

Entonces, promedio y varianza no son afectados por la

localizacin de los valores. Es que no son estadsticas
espaciales. En cambio, la dispersin que es el resultado de
la ubicacin de cada valor ( dispersin de la varianza ) s
lo es.

El monto de varianza que perdemos por la regularizacin

(s2(O|v) ) depende de la estructura espacial.

15
Prestar atencin a la estructura espacial a la hora de realizar
interpolaciones

Estimacin puntual

Muestras reales

Valores calculados en los

nodos de una superficie
o grilla requerida para
hacer representaciones
grficas

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

Nodo cuyo valor hay que

calcular (w es factor de
ponderacin)
Z * i Zi
20
un Campo

21
Sacamos muestras del campo y trazamos un transecto

Transecto arbitrario trazado para hacer comparaciones

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

Lnea roja representa la estructura espacial

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

0% Influencia es concedida a un solo

dato. Los lmites de las muestras
4 pueden ser cuestionables.

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

Sin estructura espacial Con estructura espacial

Interpolacion es ciega Interpolacin es ayudada

basada en N datos basada en N datos

Y en una estructura espacial

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

Expresa el rea de superficie sobre la

cual estn dispersos los vaores Zi. Por
La inercia tiene tambin una
tanto se expresa en unidades de
magnitud y direccin de la
superficie, tpicamente en millas
dispersin de valores. El ngulo se
nuticas cuadradas. obtiene con las diferencias
secuenciales desde el centro de
gravedad. Se le pondera segn la
dimensin de cada valor Zi
35
 Centro de gravedad e iniercia en diferentes situaciones

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 :

son estadsticas espaciales, es decir que cambian cuando vara

la ubicacin de los datos.

no son sensitivos a los ceros (se les incluye)

resumen la distribucin de las especies

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

d: distancia media entre los centros de gravedad D: distancia resultante entre

de dos especies
dos poblaciones
I : inercia de cada poblacin
d2
GIC = 1 - 2
D
41
 Indice Global de Collocation

Sardine / Horse Mackerel Sardine / Anchovy

GIC GIC
1.20 1.20

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

(Mean: 0.9 ; CV: 11 %) (Mean: 0.66 ; CV: 38 %)

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.)

Variogramas en direccin este-oeste

44
 Procesos para un anlisis geoestadstico

Representacin Delineacin Variograma Construccin

de los datos del campo experimental del modelo

Interpolacin con krigeo (local & global)

Uso del modelo Estimacin de la Varianza
Escala, soporte
Simulaciones
etc

45
 Caractersticas del variograma

Meseta (Sill) y rango

Anisotropia
Comportamiento cerca al orgen (descripcin de estructuras)
Varianzas
Estructuras bsicas
Estructuras anidadas

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

Variograma con efecto pepita (Nugget )

C

0 if h 0
(h) C1h 0
C if h 0

53