lageaietia

31 8 88 88 % % % % %
Gooostad|st|ca ap||cada a ostud|os
do contam|nac|on amb|onta|
lkoa dilliam
fely lalido
1
dilliagtoa libatdo
Siabato ata
2
klbet hametssoa
Satkez lpia
3
kdtiaaa lattitia
8aagel Sottet
4
1
Director Grupo de Investigacin
NIDE. Universidad Distrital Fran-
cisco Jos de Caldas.
2
Investigador Grupo NIDE.
3
Investigador Grupo NIDE.
4
Investigadora Grupo NIDE.
|c3UMcN
Ln este artculo se presenta una primera aproxi-
macin a partir de la geoestadstica al modelamiento
de polutantes en espacios urbanos, dentro del desa-
rrollo de la segunda ase del proyecto de inestiga-
cin titulado Moaeo ara e avai.i. ae covortavievto
, ai.tribvciv ae ga.e. covtavivavte. , vateria articvaao
ev a ova vrbava ae atiavo ae ogota.
Complementa la primera fase del proyecto en la
cual se desarroll una aproximacin al problema
desde la perspectiva del modelo de pluma de gauss
J
.
La geoestadstica como tcnica de prediccin hace
parte de la interpolacin espacial, por eso es impor-
tante el entendimiento de esta para poder compren-
der la esencia del modelo geoestadstico, que en su
desarrollo ha planteado una undamentacin teri-
ca, una primera aproximacin al esquema metodo-
lgico para la implementacin de cualquier modelo
geoestadstico a geociencias y la incorporacin del
modelo geoestadstico al proyecto de inestigacin.
Palabras clave: Interpolacin, Geoestadstica,
Distancia Inersa, Autocorrelacin Lspacial, Lsta-
cin, Material Particulado, Prediccin.
^B31|^L1
Some people say that Geostatistics is "the art o
modeling spatial data". A more speciic deinition is:
Ceo.tati.tic. i. a .tati.tica vetboaoog, v.ea to e.tivate,
foreca.t, ava .ivvate correatea .atia aata, rbicb v.e. iv
it. ava,.i. eorator, ava ivteroatire vetboa.
2

Geostatistics is a useul tool or improing

estimations o a ariable or non-measured locations
i it is compared with other estimation techniques,
or example, ID\ ,Inerse Distance \eighted
interpolation,.
Using Geostatistics or modeling air pollutants
behaior in Bogota has two immediate adantages:
It is not necessary to collect as much inormation as
it is with the Gaussian Plume Model. 1he exploratory
analysis used the Bogota's air quality network data
1
SNCHEZ, Alber; SIABATO, Willington. Et al. Revista INGENIERIA, Modelo
de calidad de aire para Bogot. Colombia, Bogot DC, Grupo Editorial GAIA,
2002, p 65.
2
JOHNSTON Kevin. Et al. Using ArcGIS Geostatistical Analyst, GIS by
ESRI, Interpolador exacto, es aquel que da un valor de prediccin igual a
la muestra en el mismo punto de toma de la medicin.
,14 stations taking 24 air pollutant measures a day,
or a irst approach. It is not mandatory to collect
inormation about each air pollutant source. lor this
reason, it is possible to draw some conclusions aster
than with other approaches.
A preliminary analysis conclusion was obtained
through the use o cross alidation to compare ID\
against Geostatistics ,Ordinary Kriging, RMSL ,Root
Mean Square Lrror,. 1his conclusion applies or
Bogota case and says that it is better to use ID\
instead o Geostatistics or estimating air pollution
based on the aailable sample points ,air quality
stations,. 1he research team thinks that this
conclusion is the direct result o the lack o sample
points. Based on this Geostatistical analysis, the
research team realized that DAMA must to extend
and crowd the station network or better uture
estimations.
Key Words: Interpolation, Geostatistics, Inerse
Distance \eight, Spatial Autocorrelation, Station,
Pollutant Distribution, Prediction.
|. |N1|0|ULL|0N
La CAAIJ=@IJE?= es una tcnica estadstica usada
para la estimacin, prediccin y simulacin de datos
correlacionados espacialmente, que se ha conocido
como el arte ae voaear aato. e.aciae..
Su importancia radica en que permite describir la
covtivviaaa e.acia de las ariables y estimar alores muy
cercanos a los reales en puntos desconocidos.
Ll objetio principal para esta etapa de la inesti-
gacin es crear un modelo Geoestadstico sustenta-
do en tcnicas de interpolacin espacial y comparar-
lo con los resultados obtenidos en el Modelo de Plu-
ma de Gauss.
La Geoestadstica tuo su origen en procesos de
bsqueda y exploracin de minerales, es por esto la
asignacin del preijo "GLO" para reerirse a cien-
cias de la tierra. A lo largo de su eolucin se han
identiicado cuatro generaciones:
Geoestadstica Lineal: Dedicada a la teora de las
unciones aleatorias.
Geoestadstica no Lineal: Dedicada a la aplicacin
minera y a la gran diusin de esta ciencia. kttitalo tetibido ea Septiembte 10 de 2002
kteptado el 13 de dociembte 2002
C
| e n
c
|
a


|
n
v
e
s
t
|
g
a
c
|
o
n


A
cad
e
m
|
a


D
e
s
a
r
r
o
|
|
o
lageaietia
32 8 88 88 % % % % %
Geoestadstica de tercera generacin: Dedicada al
desarrollo de los dierentes tipos de Kriging.
Geoestadstica de cuarta generacin: La cual utili-
za algoritmos Geoestadsticos a tras de herra-
mientas computacionales.
||. |N1c||0|^L|0N c3|^L|^|
La interpolacin es un proceso que permite mo-
delar ariables espaciales, predecir su comportamien-
to, determinar radios de inluencia y tiempos de du-
racin de un enmeno. 1ambin resuele proble-
mas de decisin rente a procesos que se en aecta-
dos por el comportamiento de ciertas ariables, y en
general, para proeer inormacin ya sea sobre el pre-
sente o un uturo probable.
La estimacin de alores desconocidos a partir de
una muestra mediante tcnicas de interpolacin se
practica constantemente en muchas areas de la cien-
cia, y de hecho con recuencia son inseparables de los
procesos realizados en el arte de la inestigacin, en
especial los relacionados con las ciencias de la tierra.
Ll proceso normal es obtener a partir de una muestra
el comportamiento general de un enmeno.
La interpolacin espacial es el procedimiento que
se utiliza para estimar alores de una o mas ariables
en lugares donde no existe o no se conoce inorma-
cin a partir de mediciones en puntos ubicados en la
misma area o regin. Cuando la estimacin de los
alores de las ariables se hace en lugares por uera
del area que cubren las mediciones tomadas, e roce
.o .e ava etraoaciv.
La interpolacin espacial proporciona dierentes
metodologas para realizar el analisis de datos espacia-
les: la Interpolacin Geoestadstica y la Interpolacin
Simple. Ambas metodologas pueden hacer estimacio-
nes globales o locales, y tienen tanto interpoladores
exactos
3
como aproximados. La dierencia entre estas
radica en los supuestos que se hacen en cada una, en el
nmero de parametros de decisin que interienen y
en la prediccin del error de estimacin.
La interpolacin simple se basa en un principio de
las ciencias naturales del cual se deria la continui-
dad de los datos, donde en un proceso dado, a rav
ae cavbio e. cov.tavte y como mnimo se deben cono-
cer dos alores, de lo contrario se hace imposible
conocer el error de la estimacin.
La Geoestadstica por su parte, en su analisis utili-
za mtodos exploratorios y de interpolacin, estos
mtodos requieren un conocimiento basico estads-
tico, pues cuando hay ariacin irregular en los da-
tos, la muestra es representatia y,o la interpolacin
simple arroja resultados incoherentes con la reali-
dad, los mtodos geoestadsticos proporcionan esti-
maciones probabilsticas de la calidad de la
interpolacin. Paralelamente, proporcionan una he-
rramienta ,semiariogramas, que permiten explorar
y obtener una mejor comprensin de los datos, ade-
mas se tiene el control para crear las mejores estima-
ciones basadas en la inormacin disponible, permi-
tiendo la toma de decisiones ptimas.
Ll mtodo Geoestadstico se basa en los supues-
tos de estacionariedad en la ariable, hiptesis in-
trnseca y distribucin de probabilidad en los datos.
Ln caso que la ariable modelada se comporte como
una distribucin normal, el mtodo sera mas exacto.
La eicacia de este mtodo depende de la uniormi-
dad del area de estudio.
Ln general, se puede decir que los mtodos
geoestadsticos son superiores a la interpolacin sim-
ple cuando hay una muestra representatia y depen-
de tambin de la calidad de estimacin que se re-
quiera. Debido a que en algunas ocasiones se necesi-
ta hacer prediccin por uera de los lugares donde
se posee inormacin o del tiempo de toma de da-
tos, se hace necesario completar el analisis espacial
con la extrapolacin, donde se supone que el en-
meno se comporta de la misma manera que los da-
tos mas cercanos al punto a estimar.
|||. |||S|NS Y c| 3cM|v^||0S|^M^
Ll estimador por excelencia de la Geoestadstica
es Kriging, conocido como BLUL ,Best Linnear
Unbiased Lstimator,. Con la aplicacin de Kriging
se consigue minimizar la arianza del error de pre-
diccin, puesto que este utiliza en su estimacin las
caractersticas de ariabilidad y correlacin espacial
del enmeno estudiado. Ante esto es necesario ha-
cer una depuracin inicial de los datos utilizados en
las estimaciones.
Ln Geoestadstica es indispensable mencionar la
correlacin espacial, la cual consiste en la estima-
cin de la dependencia espacial entre los datos me-
didos de una ariable, este proceso se hace a tras
de un analisis estructural utilizando ariogramas.
Los ariogramas son estimadores de la arianza
poblacional relacionados con la direccin y la dis-
tancia, e indican como aran las dependencias espa-
ciales que existen entre un punto de origen y otro
punto a una determinada distancia, independiente-
mente de su posicin.
Para acilidad de aplicacin del sistema de ecua-
ciones de Kriging, se utiliza la uncin de
semiarianza que da como resultado el
semiariograma. Ln un conjunto de datos, para que
el semiariograma pueda estimar la arianza
poblacional es undamental que los datos tengan cier-
ta regularidad en su distribucin, es decir que tengan
algn grado de estacionariedad.
|o geoestoo|st|oo
oomo teon|oo oe
preo|oo|on hooe
porte oe |os
prooesos oe
|nterpo|oo|on
espoo|o|.
c| ob,et|vo
pr|no|po| poro
esto etopo oe |o
|nvest|goo|on es
oreor un mooe|o
Seoestoo|st|oo
sustentooo en
teon|oos oe
|nterpo|oo|on
espoo|o|.
3
Interpolador exacto, es aquel que da un valor de prediccin igual a la muestra
en el mismo punto de toma de la medicin.
lageaietia
33 8 88 88 % % % % %
Ln el modelamiento de un semiariograma exis-
ten dos etapas, una es la construccin del
semiariograma experimental y la segunda es reali-
zar el modelo del semiariograma.
Ll semiariograma experimental se construye gra-
icamente con la nube de puntos de las distancias
entre los dierentes pares de puntos muestreados,
mientras que el modelo del semiariograma se reali-
za a tras del ajuste de las unciones tericas que
soportan la construccin de este modelo. Lntre las
mas conocidas estan el Modelo Lxponencial, Mode-
lo Lsrico, Modelo Gaussiano y el Modelo Poten-
cial, cuyas dierencias radican en la orma de creci-
miento de la uncin a lo largo del rango.
Ll semiariograma esta descrito por tres
parametros, "Nugget", "Sill" y "Range".
Ll Nugget, conocido tambin como pepita, es el
alor en que el modelo del semiariograma intercepta
al eje coordenado "y", es decir al eje de la
semiarianza. Lste alor puede ser atribuido a erro-
res de medida o uentes espaciales de ariacin en la
distancia de las muestras.
Ll Sill meseta, es el limite superior de cualquier
modelo de semiariograma, alor donde se alcanza
el rango.
Ll Range rango, es la distancia en la cual la un-
cin de semiarianza deja de crecer y a partir de don-
de los pares de puntos muestreados no se conside-
ran autocorrelacionados. Lstos tres parametros se
describen graicamente en la igura 1.
pesos de la ariable por el alor mismo de dicha a-
riable, de tal manera que la ecuacin basica que re-
presenta Kriging es:
c| sem|vor|o
gromo esto
oesor|to por tres
porometros,
Nugget o |ep|to,
3||| o Meseto y
|onge o |ongo.
Los parmetros de modelamiento del semivariograma son
Nugget, Sill y Range.
Una ez construido el Modelo del semiariograma
se aplica un mtodo de interpolacin Geoestadstica,
el utilizado para este proyecto ue Kriging debido a
que utiliza los pesos de los alores estimados proe-
nientes de las combinaciones lineales, porque la es-
peranza del estimador coincide con la de la ariable
y porque minimiza la arianza de los errores.
Ll objetio de Kriging es estimar el alor de la
ariable "Z" en un punto Xo no medido con anterio-
ridad, para ello se realiza una suma ponderada de los
) ( * ) (

) ( ... ) ( ) ( ) (

1
1
1 0
2 2 1 1 0
x Z w x Z
x Z w x Z w x Z w x Z
n
i
n n

=
=
+ + + =
Figura No. 1. Parametros de semivariograma.
La estimacin por Kriging puede ser puntual o
zonal dependiendo del espacio que se aya a tomar
para estimar el alor de la ariable.
Aunque Kriging rene un conjunto de mtodos de
prediccin espacial que se basan en la minimizacin
del error medio cuadratico, en realidad todos tienen
la misma undamentacin y se dierencian en el tipo
de estimador ,Lineal , No lineal,, media utilizada, ten-
dencia y orma de eitar el sesgo.
Despus de haber aplicado el tipo de Kriging selec-
cionado de acuerdo al enmeno que se este tratando
se eala la bondad del ajuste de la estimacin a tra-
s de un mtodo llamado Validacin Cruzada que se
undamenta en excluir la obseracin de uno de los
"n" puntos muestreados y con los alores restantes y
el modelo de semiariograma escogido, predecir a tra-
s de Kriging el alor de la ariable en estudio en la
ubicacin del punto que se excluy. Si el modelo es-
cogido describe una buena estructura de auto-corre-
lacin espacial, la dierencia entre el alor estimado y
el alor obserado debe ser mnima, de lo contrario
se rechaza el modelo y se replantea el proceso.
|v. c3UUcM^ Mc10|0|0S|L0 |^|^
c| ^N^||3|3 Sc0c31^||31|L0
Ln general, para realizar un buen analisis
Geoestadstico .e aebe reaiar vv roce.o iteratiro ara
oaer obtever re.vtaao. tivo., en la ligura No. 2 se
muestra el ciclo metodolgico para realizar este tipo
de analisis, el cual esta basado en modelos estads-
ticos que incluyen auto-correlacin y permiten rea-
lizar estimaciones de enmenos. Se asume que
antes de hacer el Analisis Geoestadstico o cual-
quier otro tipo de analisis se ha deinido el proble-
ma o el enmeno que se espera inestigar, se debe
tener claro cuales son los puntos muestreados con
los que se cuenta, puesto que son la base para rea-
lizar la estimacin.
Ln general el esquema metodolgico para un ana-
lisis geoestadstico se describe en siete pasos:
1. Inormacin basica. Para realizar un buen anali-
sis Geoestadstico, se necesita utilizar una mues-
tra representatia de la ariable que se desea in-
estigar y adicionalmente para obserar el resul-
tado obteni do, se recomi enda tener una
espacializacin de la zona o lugar donde ocurre
el enmeno a examinar.
|o geoestoo|st|oo
ut|||zo metooos
exp|orotor|os y
oe |nterpo|oo|on.
lageaietia
34 8 88 88 % % % % %
2. Seleccin de las ariables a utilizar. Al seleccionar
las ariables, se debe escoger aquellas que tengan
mayor inluencia sobre el enmeno, con un ta-
mano de muestra representatio.
3. Analisis Lxploratorio de los datos. Antes de apli-
car Geoestadstica como tal, se debe hacer una de-
puracin inicial de los datos para eitar errores en
el analisis. Por ejemplo, se debe obserar que tipo
de distribucin tienen los datos, buscar si la mues-
tra tiene alguna tendencia, si existen alores atpicos
y decidir si deben incluirse o retirarse de la mues-
tra, analizar la distribucin espacial y los
estadgraos de los alores de la ariable.
4. Seleccin del mtodo. Se escoge el mtodo que se
a a utilizar para hacer la interpolacin, bien sea
determinstico ,Interpolacin por Distancia Iner-
sa, Interpolacin por Distancia Inersa Cuadrada,
Interpolacin por Shepard, Interpolacin
Polinomial, etc., o estocastico ,Kriging Ordinario,
Simple, Uniersal, Residual, Indicador,
Probabilstico, Lognormal, Disyuntio, Bloques,
y la ariable a utilizar, es de resaltar que se puede
hacer el analisis indiidual o en conjunto para las
ariables dependiendo del mtodo de analisis que
se utilice, Kriging o Co-Kriging.
5. Analisis estructural y calculo. Se calcula el
ariograma experimental utilizando una uncin
de correlacin espacial, bien sea la semiarianza o
coarianza, de acuerdo a la nube de puntos gene-
rada en el semiariograma experimental se busca
el modelo terico ,Lsrico, Lxponencial,
Gaussiano y Potencial, que mejor se ajuste y se
obtiene el modelamiento del semiariograma, se
deine el nmero y tamano de los Lag que se an a
utilizar en el modelo ,Se recomienda que el tama-
no del Lag sea similar a la distancia promedio que
existe entre la ubicacin espacial de los datos,. Se
deine si hay isotropa o anisotropa mediante el
analisis del Semiariograma desde dierentes an-
gulos de reerencia, con base en la existencia o no
de la autocorrelacin direccional se debe deinir la
ecindad de analisis para cada uno de los datos y
posteriormente se hace la eriicacin del error de
prediccin, lo cual se puede realizar mediante Va-
lidacin Cruzada que usa todos los datos para pre-
decir la autocorrelacin del modelo, cuyo proce-
dimiento es omitir un alor de la ariable y prede-
cir dicho alor con los demas datos, luego se com-
para la prediccin y el alor medido de la ariable,
este proceso se repite para cada uno de los alores
muestreados.
6. Prueba, Comprobacin y Seleccin. Se hacen di-
erentes ensayos para escoger el mejor mtodo, ya
sea determinstico o estocastico, y el mejor mode-
lo dentro de ellos, en la practica es realizar los pa-
sos 4 y 5 tantas eces como sea necesario para
encontrar el mejor modelo Geoestadstico. Lsco-
ger el mtodo mas apropiado depende del tamano
de la muestra y la precisin que se desee obtener
en la prediccin. Similarmente escoger el mejor
modelo se undamenta en seleccionar aquel cuyos
errores de prediccin sean mnimos. Si los resulta-
dos obtenidos en esta etapa no estan dentro de
parametros especiicados en el planteamiento del
problema, se debe regresar al paso 1, es decir,
mejorar la muestra y oler a realizar el ciclo de
analisis.
. Salida linal. Los resultados se pueden obserar
en tablas como las de la Validacin Cruzada,
listogramas, QQPLO1 ,muestra los quantiles de
las dierencias entre los errores estandarizados y
los quantiles correspondientes de una distribucin
normal,, Analisis de 1endencia, Nubes de puntos
del Semiariograma o del coariograma, etc. y,o
en mapas como los de Prediccin, Probabilidad,
Prediccin del error estandar y de quantiles para
cada uno de los anteriores pasos.
Lste proceso se debe repetir para cada una de las
ariables que se deseen estimar dentro del analisis a
realizar. Lste esquema metodolgico es uno de los
aportes generados por este proyecto, el cual permite
realizar el analisis Geoestadstico en orma general
para cualquier solucin planteada ante un enmeno
de ubicacin espacial.
M0|c|0 Sc0c31^||31|L0
|^|^ B0S01^
Aplicando el modelo geoestadstico para el caso
particular de Bogota y teniendo en cuenta las consi-
deraciones locales se realizaron los siguientes proce-
sos y obtuieron los siguientes resultados.
La figura muestra las etapas tpicas de un estudio
geoestadstico. El proceso se debe repetir en varias ocasiones
cambiando los parmetros, obteniendo resultados diferentes
para finalmente compararlos y seleccionar la mejor estimacin.
Figura No. 2. Diagrama resumen para implementacin
del proceso geoestadstico.
|oro reo||zor un
buen ono||s|s
Seoestoo|st|oo se
oebe reo||zor un
prooeso |terot|vo
poro pooer
obtener
resu|tooos
opt|mos, este
prooeso oonsto
oe 7 posos que
oontormon uno
metooo|og|o
proouoto oe esto
etopo oe |o
|nvest|goo|on.
Seleccin de
variables.
!nformacin
basica.
Analisis
exploratorio de
Datos.
Seleccin del
mtodo.
Analisis
estructural y
calculo.
Prueba
comprobacin y
seleccin.
Resultado de la
estimacin.
lageaietia
35 8 88 88 % % % % %
|N|OMAC|N U1|L|ZADA
La inormacin utilizada para esta etapa de la in-
estigacin es coincidente con la base de datos
implementada en la ase inicial que contiene las me-
diciones del DAMA en el periodo 199-2000, esta
base de datos incluye tal y como ya se mencion
anteriormente inormacin de las ariables hume-
dad, presin, radiacin, temperatura, lluia, eloci-
dad del iento, direccin del iento, azimut, elea-
cin, metano, monxido de carbono, xidos de ni-
trgeno, dixidos de nitrgeno, ozono, material
particulado y dixido de azure. Ls de destacar que
en general las mediciones de las ariables estan en
registros horarios diarios para cada mes, sin embar-
go, por diersas razones no hay mediciones para al-
gunos periodos de tiempo.
DL||N|C|N Y MLD|C|N DL vA|ABLL5
Aunque se tomen alores de mltiples ariables,
se utiliz nicamente PM10, que son materiales sli-
dos que se producen por la accin del iento sobre
las areas desproistas de egetacin, en los procesos
de combustin de las abricas, en la racturacin de
rocas y materiales de construccin, en los humos de
los gases de los ehculos y tambin por eecto de la
resuspensin del material de las as no paimenta-
das cuando sobre ellas circulan ehculos, la unidad
en que se expresa el niel de concentracin de esta
ariable en la atmsera es Microgramo,m3.
Se selecciona esta ariable porque es uno de los ti-
pos de sustancias conocidas como contaminantes pri-
marios que inluye en la calidad del aire de la ciudad,
ademas desde el punto de ista de la salud humana
son de mayor inters las partculas cuyo tamano no
excede las 10 micras ,PM10, debido a que pueden
ingresar al tracto respiratorio y producir danos en los
tejidos y rganos que lo conorman, y adicionalmente
existen alores de esta ariable en la mayora de las
estaciones metereolgicas medidas a diario.
MACO Y ANAL|5|5
Ll analisis se realiza para los das 24 de Abril de
2000, 13 de lebrero y 26 de Abril de 2001 a las 14
horas, ademas se incluye el da del 15 de lebrero de
2002, este periodo se tiene en cuenta por ser la echa
actualizada que mas mediciones tiene sobre la aria-
ble a analizar.
Ll analisis consiste en escoger entre los mtodos
de interpolacin existentes dos o mas para hacer es-
timaciones y comparar los resultados que arrojan
cada uno de los mtodos seleccionados. Se utiliz
entonces para hacer el analisis un mtodo
determinstico y uno estocastico, el mtodo
determinstico seleccionado ue Interpolacin por
Distancia Inersa mientras el estocastico ue Kriging
Ordinario, se selecciona Distancia Inersa porque es
el mtodo de interpolacin mas sencillo, utiliza po-
cos parametros de decisin, las estadsticas simples
son aceptables y es un buen parametro de compara-
cin, paralelamente se escoge Kriging Ordinario den-
tro de los otros tipos de Kriging porque en principio
ste utiliza la media de la muestra, la ariable medida
se asume que es estacionaria porque al hacer las prue-
bas de prediccin con tendencia y sin esta, los erro-
res de prediccin son menores cuando se hacen los
calculos sin tendencia, ademas aunque graicamente
se podra notar alguna tendencia esta no se podra
comprobar con la muestra con que se cuenta, el m-
todo permite usar modelos de los errores de medi-
cin y por experiencia es el mas usado para enme-
nos ambientales. Se hace un analisis indiidual de la
ariable PM10 y no en conjunto con otras ariables
orqve e vvvero ae aato. ei.tevte. vo .ov .vficievte. ara
ve;orar a e.tivaciv ograaa cov vva .oa rariabe.
La graica de Caja y Bigote esta ormada por cua-
tro elementos: Bigote, Caja, Puntos y Lnea. Ll bi-
gote indica el rango de distribucin de los datos, es
decir el alor maximo y mnimo de la muestra, la
arianza esta representada por la caja, la amplitud de
esta es directamente proporcional al alor de la
arianza, la Lnea ndica la mediana de la muestra, la
ubicacin relatia de la lnea y la caja con respecto al
bigote representan el sesgo de la muestra, si la lnea
se encuentra en la mitad de la caja indica que la me-
dia y la mediana son muy cercanas, siendo esto tpi-
co en las distribuciones normales, los puntos en la
graica son alores atpicos y pueden o no estar pre-
sentes en ella.
La figura 3 compara la distribucin de PM10 para el
24 y 26 de Abril de 2000 y 2001 respectivamente a la
misma hora de toma de muestra.
Figura No. 3. Comparacin entre 24 de Abril de 2000 y 26 de
Abril de 2001 segn sus estadsticas bsicas.
Ls eidente, que la distribucin para el 26 de Abril
era mas homognea y menos sesgada, ademas se ob-
sera como la mediana se encuentra en la mitad del
interalo de arianza, signiicando esto que la distri-
bucin tiende a ser normal. Ln trminos ambienta-
les, esto signiica que la distribucin del Material
Particulado para el 26 de Abril de 2001 en Bogota
D.C. era uniorme en el area urbana.
lageaietia
36 8 88 88 % % % % %
De acuerdo a los resultados obtenidos aplicando
Kriging Ordinario para la muestra del 15 de ebrero
de 2002 a las 14:00, la mayor concentracin de PM10
se encuentra en la parte noroccidental de la ciudad
,en la igura se representa por el tono oscuro, y la
menor se encuentra en la parte oriental ,en la igura
se representa por el tono claro,. Ll rango hasta don-
de se consider auto-correlacin es 2 km.
Realizando el mismo analisis por el mtodo de
Distancia Inersa se obsera que la mayor concen-
tracin de PM10 es coincidente con el anterior re-
sultado en la parte noroccidental de la ciudad, de
igual orma para la menor concentracin. Se mues-
tra entonces un comportamiento uniorme.
Para las 14:00 del 13 de lebrero de 2001, la mayor
contaminacin segn Kriging Ordinario se concen-
tra en la parte sur y occidental de la ciudad y la me-
nor concentracin de contaminacin se encuentra
en la parte nororiental. Se muestra un comportamien-
to decreciente en sentido Oeste - Lste en la conta-
minacin en orma de bandas, lo que representa un
comportamiento estable de los nieles de concen-
tracin de PM10.
Ln este caso, resalta una mancha de gran concen-
tracin en la parte central de la ciudad que no se
hizo eidente en los anteriores resultados, en espe-
cial si se compara con la igura nmero .
La figura 4 compara la distribucin de PM10 para el 13 de
Febrero de 2001 y 15 de Febrero de 2002 respectivamente a la
misma hora de toma de muestra (14:00).
Figura No. 4. Comparacin entre 13 de Febrero de 2001 y 15 de
Febrero de 2002 segn sus estadsticas bsicas.
La figura 5 muestra el comportamiento y distribucin de PM10
del 15 de Febrero de 2002 para Bogota DC.
Figura No. 5. Mapa de estimacin segn kriging para el da 15
de Febrero de 2002 para las 14:00.
Siguiendo el mismo analisis se iniere de la ligura
No. 4 que las distribuciones son mucho menos ho-
mogneas que las obseradas anteriormente.
La figura 6 muestra el comportamiento y distribucin de
PM10 del 15 de Febrero de 2002 para Bogota DC.
Figura No. 6. Mapa de estimacin segn Distancia Inversa
para el da 15 de Febrero de 2002 para las 14:00.
L5UL1ADO5 DL LA L51|MAC|N
Dentro de los resultados que se obtuieron en el
analisis Geoestadstico, uno de los mas importan-
tes es el mapa de estimaciones. Se ilustran distribu-
ciones espaciales estimadas por los dos mtodos
nombrados.
lageaietia
37 8 88 88 % % % % %
La figura 7 muestra el comportamiento y distribucin
de PM10 del 15 de Febrero de 2001 para Bogota DC.
Figura No. 7. Mapa de estimacin segn kriging para
el da 13 de Febrero de 2001 para las 14:00.
La figura 8 muestra el comportamiento y distribucin de PM10
del 15 de Febrero de 2001 para Bogota DC.
Figura No. 8. Mapa de estimacin segn Distancia Inversa
para el da 13 de Febrero de 2001 para las 14:00.
COMAAC|N
DL LO5 MODLLO5
Ll modelo Geoestadstico toma en
cuenta las mediciones que represen-
tan el comportamiento de la ariable
medida en cada una de las zonas en
donde se encuentran ubicadas las es-
taciones de muestreo, por otro lado,
el modelo de Pluma de Gauss ino-
lucra las uentes de emisin iv .itv una
por una, siempre y cuando se
inolucren en el analisis, esto impli-
ca que el modelo de Pluma de Gauss
sea mas preciso a la hora de clasii-
car los contaminantes segn su ori-
gen, permita inolucrar una muestra
mas representatia a la hora de un
analisis debido a que es mas sencillo
y econmico tomar los datos de una
uente directa como las chimeneas,
que construir una estacin de
monitoreo, pero tiene restricciones,
pues no tiene en cuenta la correla-
cin espacial entre las diersas aria-
bles que interienen en el enmeno
de contaminacin atmosrica que si
es tenido en cuenta en el modelo
Geoestadstico.
De lo anterior se deduce que el
modelo Gaussiano puede llegar a
dierenciar el comportamiento y,o
distribucin de gases contaminan-
tes y material particulado por die-
rentes tipos de origen como el
antropognico y el natural, mien-
tras que el Geoestadstico no.
A tras del modelo Geoestadstico
se tiene un mejor manejo de los datos
que se desean analizar, pues permite
el control del error de las prediccio-
nes desde la misma ormulacin del
algoritmo de interpolacin, permite
conocer el grado de auto-correlacin
entre los puntos muestreados para po-
der modelarla y dar como resultado la
estimacin. Ll algoritmo de estima-
cin usado dentro de la Geoestadstica
tiene la caracterstica de ser BLUL
,Best Linear Unbiased Lstimator, en
la medida en que se cumplan los su-
puestos del modelo.
Dentro del modelo Geoestadstico
se manejan los conceptos de remo-
cin de tendencias y anisotropa, lo
que conllea a un mayor y mas deta-
llado analisis, permite obtener resul-
tados del mismo conjunto de datos
que conorman la muestra, brinda la
posibilidad de utilizar dierentes
algoritmos, hacer analisis multitemporal
y extrapolacin de datos.
Ll modelo Geoestadstico inicial-
mente solo inolucra el contaminante
en analisis sin eriicar su comporta-
miento inluenciado por ariables si-
cas a las cuales siempre estara sujeto,
se debe tener presente que aunque un
analisis con el modelo Geoestadstico
utilizando Co-Kriging se puede tener
mas de una ariable dentro del anali-
sis, estas ariables deben estar altamen-
te correlacionadas y se utilizan exclu-
siamente para mejorar la prediccin
de la ariable en estudio
L0NL|U3|0Nc3
De acuerdo a la muestra tomada
para hacer el analisis de Material
Particulado ,PM10, en la zona urba-
na de Bogota para los das analizados
se concluye que el mejor mtodo de
interpolacin entre los utilizados es
Distancia Inersa, para ello la herra-
mienta de decisin utilizada ue la Va-
lidacin Cruzada. Aunque Kriging es
considerado BLUL sus estimaciones
obtienen un interalo de error mayor
al de Distancia Inersa posiblemente
debido al tamano de muestra con el
que se cuenta.
Para los das que se tomaron como
muestra, la contaminacin producida
por Material Particulado en la zona
Urbana de Bogota no es uniorme,
presenta una mayor concentracin en
el costado occidental y sur de la ciu-
dad, esta situacin es el relejo de la
ubicacin de uentes ijas de conta-
minantes tales como zona industrial,
canteras, relleno sanitario y plantas
asalticas. La menor concentracin de
Material Particulado se encuentra en
el costado oriental de la ciudad lo cual
con seguridad es producido por el
gran pulmn ambiental que generan
los cerros orientales y la alta precipi-
tacin en este lugar que hace un laa-
do de los contaminantes, lleando la
contaminacin a la supericie urbana
y a los suelos.
Al comparar el modelo
Geoestadstico para los das analiza-
dos con el Modelo de Pluma de Gauss
se corrobora el comportamiento de
la contaminacin decreciente en sen-
lageaietia
38 8 88 88 % % % % %
tido Oeste-Lste, pero no se puede precisar si existe
anisotropa en el contaminante PM10 por el tamano
de la muestra.
Los productos desarrollados ,correlacin espacial y
el modelado del Semiariograma, en este proyecto son
una base para el analisis de la concentracin y compor-
tamiento de contaminantes en la ciudad de Bogota Dis-
trito Capital y en otras zonas urbanas del pas.
Si no es aumentado el nmero de estaciones que
midan los contaminantes de la ciudad de Bogota, se
sugiere utilizar Interpolacin por Distancia Inersa
en lugar de usar Geoestadstica para hacer la predic-
cin de la contaminacin proocada por material
particulado en el Distrito Capital.
|cL0McN|^L|0Nc3
Se espera continuar con el proyecto de inestiga-
cin desarrollando un tercer modelo ,Matematico,
Lstadstico o lsico, para hacer un prototipo de la
prediccin de la contaminacin proocada por ma-
terial particulado en el Distrito Capital y extender
los analisis a otros contaminantes.
linalmente, no hay que perder de ista que la at-
msera y los enmenos que en ella se producen,
en muchos aspectos, permanecen inexplorados o aun
uera del alcance de nuestro conocimiento y por tanto
no son modelables ,al menos por ahora,, por lo cual
se decidi cerrar este articulo con esta rase de lenri
Poincar, matematico y sico rancs de inales del
siglo XIX y comienzos del siglo XX, que ha acom-
panado al grupo de inestigadores en el recorrido
de este proyecto:
Pveae a.ar qve eqveva. aiferevcia. ev a. covaiciove. ivi
ciae. roavcav vva. vv, gravae. ev e fevvevo fiva. |v
eqvevo error ev o avterior roavcira vv evorve error ev o
o.terior. a reaicciv .e torva ivo.ibe...
lenri Poincar. ,1854-1912,
B|B||0S|^||^
BURROUGH, Peter and MCDONNELL Rachael. Principles of
Geographical Information Systems: spatial information systems
and geostatistics. Great Britain: Oxford University Press, 1998.
333 p. ISBN 0-19-823366-3.
COLLINS JR, Fred. A Comparison of Spatial Interpolation Techniques
in Temperature Estimation. Colorado, U.S.A. Universidad de
Minesota. Citado en Mayo 4 de 2002. http://www.sbg.ac.at/geo/
idrisi/gis_environmental_modeling/sf_papers/collins_fred/
collins.htm
CUADOR GIL, Jos Quintn. La Geoestadstica, su surgimiento y
evolucin.. 2da versin. Cuba. Universidad de Pinar del Ro,
Departamento de Computacin. Junio de 2000. Disponible en
Internet. ISSN 1562-3297
DUBRULE, Olivier. Geostatistics in Petroleum Geology. Tulsa,
Okl ahoma, U.S.A: AAPG (The Ameri can Associ ati on of
Petroleum Geologists), 1998. 52 p. (Serie; no.38). ISBN: 0-89181-
197-7.
GIRALDO HENAO, Ramn. INTRODUCCION A LA
GEOESTADISTICA. Teora y aplicacin. Bogot: Departamento
de estadstica. Universidad Nacional de Colombia, 2002. 94 p.
GORDON S. Thomas. Interactive Analysis and Modelling of Semi-
Variograms. Snowden Associates Pty. Disponible en Internet:
http://www.ai-geostats.org/online_papers/_papers/0000001e.htm
GUPTILL, Stephen and MORRISON Joel. Elements of spatial data
quality. s.l. The International Cartographic Association, 1997. 202
p. ISBN 0-08-042432-5.
ISAAKS, Edward H. and SRIVASTAVA, R. Mohan. Appl i ed
Geostatistics. Oxford University Press. 561 pginas. Disponible
en Internet: http://www.oup-usa.org/isbn/0195050134.html
JOHNSTON, Kevin. et al. Using ArcGIS Geostatistical Analyst, GIS
by ESRI, Disponible en Internet:
h t t p : / / www. z o . n t u . e d u . t w/ Co u r s e s / GI S/ 2 0 0 1 - 1 2 - 0 5 /
Using_ArcGIS_Geostatistical_Analyst.pdf
MAJURE, James J. et al. GIS, spatial statistical graphics, and forest
health Iowa State University. Disponible en Internet: http://
www.public.iastate.edu
MYERS, Donald E. Elements of Geostatistics.. Arizona. Disponible
en Internet: http://www.ento.vt.edu/~sharov/PopEcol/lec2/
geostat.html
SANCHEZ IPIA, Albert Hamersson y SIABATO VACA, Willington
Libardo. Anlisis de gases contaminantes en zonas urbanas,
Bogot. Universidad Distrital Francisco Jos de Caldas. 2002,
83 p. (Serie; Ciencia y Medio Ambiente -Jvenes Talentos-).
ISBN: 958-8175-06-2.
SANCHEZ IPIA, Albert Hamersson y SIABATO VACA, Willington
Libardo. Modelo para el anlisis del comportamiento de gases
contaminantes y material particulado en la zona urbana del alti-
plano de Bogot Fase I. Bogot, 2001, 246 p. Proyecto de in-
vestigacin (Ingeniero Catastral y Geodesta). Universidad Dis-
trital Francisco Jos de Caldas. Facultad de Ingeniera.
SANCHEZ IPIA, Albert Hamersson y SIABATO VACA, Willington
Libardo. Modelo de calidad del aire para Bogot, Bogot D.C.
Universidad Distrital Francisco Jos de Caldas. 2002, p.65-71
ISSN: 0121-750X.
SHARMA, Tara. Spatial Interpolation Techniques in GIS Disponible
en Internet: http://www.geog.ubc.ca/courses/klink/gis.notes/
ncgia/u40.html
TODA LA TEORIA SOBRE KRIGING. Disponible en Internet:
www.ems-i.com/gmshelp/Interpolation/Interpolation_Schemes/
Kriging/Kriging.htm
ULRICH Leopold. Application of Geostatistics for Spatial Analysis of
Heavy Metals in Soil. Germany. Soil Science Department, Faculty
of Geography and Geo sciences, University of Trier. Disponible
en Internet: http://www.geocities.com/leop6101/abstract.htm
kdtiaaa lattitia 8aagel Sottet
Ingeniera Catastral y Geodesta. Universidad Distrital Francisco Jos
de Caldas. Investigadora Grupo NIDE. asotter@msn.com
klbet hametssoa Satkez lpia
Ingeniero Catastral y Geodesta. Universidad Distrital Francisco Jos
de Caldas. Investigador Grupo NIDE. hamersson@hotmail.com
dilliagtoa libatdo Siabato ata
Ingeniero Catastral y Geodesta. Universidad Distrital Francisco Jos
de Caldas. Investigador Grupo NIDE. wsiabato@eudoramail.com
lkoa dilliam fely lalido
Ingeniero Catastral y Geodesta. Msc. Teleinformtica. Esp. SIG. Di-
rector Grupo de Investigacin NIDE. Universidad Distrital Francisco
Jos de Caldas. jwcely@express.net.co