LAGEOESTADSTICACOMO HERRAMIENTADE

ANLISIS ESPACIAL DE DATOS DE INVENTARIO

FORESTAL
M. Chica-Olmo
Universidad de Granada. Departamento de Geodinmica/CEAMA. Avda. Fuente Nueva s/n. 18071-
GRANADA (Espaa). Correo electrnico: mchica@ugr.es
Resumen
Entre la diversidad de mtodos existentes de anlisis de datos espaciales destacan los mtodos
geoestadsticos, tanto por su carcter operativo como por la calidad de sus resultados. As, entre otros
aspectos de inters, los mtodos de estimacin, krigeaje, o de simulacin condicional, facilitan la cre-
acin de cubiertas temticas (mapas temticos) a partir de datos experimentales de distinta naturaleza
(cualitativos y cuantitativos), lo que resulta de una ayuda inestimable en el proceso de integracin de
datos a travs de un SIG. En este trabajo se presenta una sntesis de los fundamentos de los mtodos
geoestadsticos de estimacin y simulacin y su aplicacin al anlisis de datos de inventario forestal.
Particularmente, se ha querido estudiar el problema de creacin de mapas temticos mediante la apli-
cacin de dichos mtodos geoestadsticos que, an siendo todava poco utilizados, quiz debido a una
infundada complejidad terica, ofrecen excelentes posibilidades de aplicacin. Con ello pretendemos
facilitar al interesado en el estudio de los recursos forestales la comprensin de los aspectos tericos
fundamentales y de las reglas prcticas necesarias para el desarrollo de una aplicacin geoestadstica.
La explicacin se apoya en diversas variables tomadas de la base de datos de parcelas del Inventario
Ecolgico y Forestal de Catalua.
Palabras clave: Geoestadstica, Krigeaje, Mtodos de Estimacin, Simulacin Condicional
LAAPROXIMACIN GEOESTADSTICA
El anlisis espacial de datos experimentales
constituye un tema importante en cualquier pro-
yecto relacionado con el estudio del medio
ambiente. Con gran frecuencia este anlisis per-
sigue el objetivo de crear informacin temtica
cartogrfica, a modo de mapas que representen
de la forma ms fiable posible la distribucin de
la variable experimental en el rea de estudio.
Adems, es muy posible que dicha informacin
sea posteriormente integrada con otras informa-
ciones incluidas en la base de datos SIG (gestin
medioambiental). El problema se presenta habi-
tualmente en estudios en los que se dispone de
observaciones experimentales (muestreos) a
partir de las cuales deseamos predecir (cartogra-
fiar) la distribucin espacial de las variables o
atributos estudiados. Dos cuestiones que reca-
ban nuestra atencin subyacen en tal situacin:
en primer lugar, los datos, aquella parte de la
realidad desconocida a la que podemos acceder
experimentalmente y, en segundo lugar, los
mtodos de anlisis numrico que aplicaremos
al estudio de los datos anteriores. En esencia, se
desea resolver una ecuacin simple pero a la vez
tan compleja como datos ms anlisis igual a
informacin.
47 ISSN: 1575-2410
2005 Sociedad Espaola de Ciencias Forestales
Cuad. Soc. Esp. Cienc. For. 19: 47-55 (2005) Actas de la I Reunin de Inventario y Teledeteccin Forestal
La toma de datos experimentales es una parte
esencial en cualquier estudio de variables espa-
ciales, que en el caso que nos ocupa estn referi-
das al inventario forestal, y que es obvio tiene
connotaciones tanto prcticas como econmicas.
Frecuentemente, la localizacin de los puntos
(reas) de observacin se hace de forma irregu-
lar, atendiendo a criterios preferenciales del
experto; aunque en otros casos, la ubicacin de
los puntos se hace atendiendo a lo dictado por
modelos estadsticos derivados de la teora de
muestreo. En cualquier caso, los datos (mues-
tras) deben cumplir los criterios de homogenei-
dad y representatividad del fenmeno estudiado,
para que puedan ser utilizados, por ejemplo, para
la elaboracin de mapas temticos mediante tc-
nicas de interpolacin espacial. Adems, el
muestreo debe de establecer el soporte de infor-
macin ms adecuado; es frecuente ver estudios
que mezclan soportes de informacin de las
variables lo cual es un error manifiesto. Dejando
a un lado el factor econmico, que a fin de cuen-
tas establece el nmero total de muestras a tomar,
es el factor de la variabilidad espacial de las
variables estudiadas al que debemos prestar
especial atencin, puesto que, a ser posible, el
mtodo de anlisis de datos escogido deber de
considerarlo explcitamente en sus fundamentos.
Esta caracterstica de variabilidad es inherente a
cada variable y viene impuesta por los propios
procesos naturales que han dado origen al recur-
so estudiado, en nuestro caso, al desarrollo de la
vegetacin forestal (clima, relieve, geologa, sue-
los, etc). Es precisamente al estudio de este fac-
tor al que se dirige nuestra atencin, escogiendo,
arbitrariamente, para ello un marco conceptual
topo-probabilstico en el cual se fundamenta la
metodologa geoestadstica. Como se muestra a
lo largo de este trabajo, la metodologa geoesta-
dstica que tiene su fundamento en la Teora de la
Variables Regionalizadas (MATHERON, 1970), se
adapta bien al estudio de las variables del inven-
tario forestal, resolviendo problemas de ndole
prctica que surgen en la gestin de estos recur-
sos naturales, por medio de los mtodos de esti-
macin y simulacin espaciales.
En la figura 1 se ha querido esquematizar las
etapas bsicas de un estudio geoestadstico.
Como hiptesis de partida se asume que la varia-
bles experimentales forestales, p.e. rea basal,
volumen del tronco, ndice de rea foliar, etc, son
variables regionalizadas; es decir, variables que
tienen una distribucin espacial y que presentan
una estructura de variabilidad, o de correlacin,
caracterizada por la funcin variograma; caracte-
rsticas que, sin lugar a dudas, posee cualquiera
de las variables del inventario forestal menciona-
das. En el anlisis estructural se calcula, interpre-
48
M. CHICA-OLMO La Geoestadstica como herramienta de anlisis espacial de datos de inventario forestal
Figura 1. Esquema metodolgico de un estudio geoestadstico
ta y modela la funcin variograma como paso
previo a la aplicacin posterior de un mtodo de
estimacin o de simulacin espacial. Los mto-
dos de estimacin son de aplicacin en aquellos
estudios que exigen el conocimiento del valor
ms probable de la variable en un punto o rea no
muestreada (problema de estimacin lineal).
Aunque tambin pueden estimarse funciones de
la variable, como por ejemplo la estimacin de la
probabilidad de que en un rea determinada la
produccin maderable supere un valor lmite,
aspecto interesante en gestin medioambiental
(problema de estimacin no lineal). La simula-
cin es aplicable a problemas relacionados con el
anlisis de la variabilidad espacial y proporciona
un modelo numrico que reproduce la variabili-
dad observada en la variable; es, por tanto, un
valor posible de la realidad desconocida. El gran
inters radica en hacer un uso conjunto (segn la
naturaleza del estudio) de ambas metodologas, a
modo de una herramienta que nos ofrezca una
gran potencialidad para la gestin de los recursos
forestales. La idea es sencilla, si admitimos que
las decisiones puedan tomarse sobre los valores
estimados (planificacin prevista) y analizar el
alcance de las mismas a travs del modelo simu-
lado (planificacin realizada). Son numerosos los
casos prcticos en los que esta aproximacin ya
ha sido utilizada para la planificacin de explota-
cin de recursos, especialmente minerales
(CHICA, 1983, 1987).
VARIABILIDAD ESPACIALY
VARIOGRAMA
Desde que MATHERON (1970) formula su Teo-
ra de Variables Regionalizadas en 1970, los
mtodos geoestadsticos han tenido una progresi-
va y amplia aceptacin en un amplio espectro del
mbito cientfico, como metodologa capaz de dar
una respuesta adecuada a problemas prcticos
relacionados con la estimacin o simulacin de
variables espaciales. Esta teora se fundamenta en
la interpretacin de las variables experimentales
como variables regionalizadas, es decir como
variables caracterizadas por una distribucin
espacial y una estructura de variabilidad espacial
(o de correlacin espacial). Como se sealaba
anteriormente, esta ltima caracterstica es un fac-
tor de gran importancia a tener en cuenta no slo
en el reconocimiento experimental, sino tambin
a la hora de elegir el modelo de estimacin espa-
cial ms adecuado. Ningn otro mtodo conside-
ra de forma explcita la variabilidad espacial del
fenmeno estudiado, impuesta por los procesos
genticos que lo han originado. Precisamente en
el estudio de este aspecto se encuentra la base de
la metodologa geoestadstica.
Una variable regionalizada se interpreta
como una funcin aleatoria Z(x) que da el valor
de la variable Z en un punto del espacio x del
espacio. Es obvio que un gran nmero de las
variables forestales y, en general, medioambien-
tales pueden ser interpretadas como variables
regionalizadas, p.e. rea basal o la produccin
maderable. Estas variables poseen un carcter
aleatorio, que induce a la nocin de variable ale-
atoria (pero sin asumir la independencia entre
variables como preconiza la estadstica clsica)
y un carcter estructural, propio de cada fen-
meno estudiado o regionalizacin, definido por
la funcin variograma.
La funcin variograma (h), herramienta de
anlisis de la variabilidad espacial, se define
como una funcin aleatoria intrnseca que repre-
senta la mitad de los incrementos cuadrticos
medios de Z(x) para puntos distantes el vector h:
El variograma es una funcin vectorial cuyo
argumento es el vector de distancia h, que cuanti-
fica la varianza de los incrementos de primer orden
de la funcin ( MATHERON, 1970; CHICA, 1987). Es
manifiesto el inters prctico que suscita el estudio
de esta funcin, pues conduce al conocimiento de
la variabilidad espacial de la variable; es, en con-
secuencia, una herramienta potente, reveladora de
la estructura de variacin espacial de la variable
forestal Z(x). La estimacin experimental de la
funcin a partir del conjunto de datos experimen-
tales se efecta aplicando la siguiente frmula cl-
sica (estimador insesgado):
donde z(x
i
) y z(x
i
+h) son los valores numricos
de la variable forestal observada en los puntos x
i
y x
i
+h; NP(h) es el nmero de parejas formadas
para una distancia h.
49
Cuad. Soc. Esp. Cienc. For. 19: 47-55 (2005) Actas de la I Reunin de Inventario y Teledeteccin Forestal
} h) + Z(x {Z(x) E 1/2 = (h)
2

} )
x
z( - )
x
{z(
2NP(h)
1
= (h)
2
h + i i
NP(h)
=1 i

El anlisis estructural (o variogrfico) com-

prende tres etapas: la estimacin e interpretacin
del variograma, el ajuste del estimador a un mode-
lo terico y la validacin del modelo ajustado. Es
especialmente importante el estudio del compor-
tamiento del grfico del variograma al proporcio-
nar una descripcin de la estructura de variacin
espacial de la variable. Esta informacin puede
resumirse en: zona de influencia (valores de
alcance y meseta), comportamiento en el origen
(efecto de pepita), anisotropas (factores de aniso-
tropa zonal o geomtrica), asimismo de compor-
tamientos particulares (CHICA, 1987). Las figuras
2a-b representan los variogramas de las variables
rea basal y cobertura arbustiva de los datos
correspondientes al inventario Ecolgico y Fores-
tal de Catalua (comarca del Valles Occidental).
Como se constata son dos variables que tienen
distinto comportamiento en su distribucin espa-
cial, con modelos de variograma que se diferen-
cian esencialmente en su componente aleatoria
(efecto de pepita) y en el alcance del variograma,
mucho mayor para la variable rea basal.
El variograma es una funcin vectorial por
lo que puede calcularse en cualquier direccin
del espacio, facilitando as el estudio de aniso-
tropas en la distribucin espacial de la variable.
Un ejemplo correspondiente a la variable volu-
men del troncose presenta en la figura 3.
Otro aspecto de inters es el anlisis de varia-
bilidad espacial entre variables, que puede hacer-
se por medio del variograma cruzado de las varia-
bles Z
j
(x) y Z
k
(x), cuya expresin es la siguiente:
Un ejemplo de variograma cruzado entre las
variables volumen tronco y rea basal se
presenta en la figura 4. De esta grfica se dedu-
ce la correlacin entre las dos variables en fun-
cin del vector h de distancia; concretamente,
para el ejemplo mostrado, la variables mantie-
nen una buena correlacin cruzada espacial que
sugiere un uso conjunto en un procedimiento de
coestimacin de cualquiera de ellas (cokrigea-
je), con el beneficio consiguiente de reduccin
de los errores de estimacin.
LA ESTIMACIN ESPACIAL: EL
KRIGEAJE
El krigeaje (traduccin al espaol del trmi-
no original francs Krigeage propuesto por
MATHERON) es el mtodo de estimacin geoesta-
dstica que proporciona el valor ms probable
de una variable espacial en un punto (o bloque)
no experimental. El krigeaje es un estimador
ELIO (Estimador Lineal, Insesgado y ptimo),
del que existe una gran variedad de mtodos
propuestos para abordar las diversas situaciones
de ndole terica o prctica que encontramos en
estimacin espacial (krigeaje ordinario, krigeaje
simple, krigeaje universal, krigeaje disyuntivo,
krigeaje de indicatrices, etc). Estos mtodos se
clasifican en dos grandes grupos en funcin de
la estructura del estimador, lineales y no linea-
les. Seguidamente, se exponen de forma resumi-
da los fundamentos de algunos de estos mtodos
ms representativos, atendiendo a la sencillez de
su aplicacin y a la calidad de los resultados
obtenidos.
50
M. CHICA-OLMO La Geoestadstica como herramienta de anlisis espacial de datos de inventario forestal
Figura 2. Variogramas experimentales de la variables rea basal (a) y Cobertura arbustiva (b)
h)} +
x
(
Z
- )
x
(
Z
h +
x
(
Z
- )
x
(
Z
{
2n(h)
1
= (h)
i k i k i j i j
n(h)
=1 i
jk
)}.{

Krigeaje Ordinario (KO)

El objetivo de aplicar un mtodo de estima-
cin espacial (interpolacin) es predecir el valor
de la variable estudiada en localizaciones (pun-
tos o reas) no reconocidos experimentalmente.
El mtodo de krigeaje aborda este problema pro-
porcionando un estimador ptimo del valor de la
variable Z(x) en el soporte de informacin v
(puntual o valor medio), Z
v
(x). Para ello utiliza
el conjunto de datos experimentales {z(x
i
),
i=1...n} y la funcin variograma (h) que carac-
teriza la estructura de variabilidad espacial de la
variable. Como hiptesis asumimos que Z(x) es
una funcin aleatoria estacionaria de segundo
orden; es decir, con esperanza constante
E{Z(x)}=m y dotada de covarianza C(h), o lo
que es igual de variograma (h) (slo en el caso
estacionario).
51
Cuad. Soc. Esp. Cienc. For. 19: 47-55 (2005) Actas de la I Reunin de Inventario y Teledeteccin Forestal
Figura 3. Variogramas experimentales direccionales de la variable Volumen tronco
Figura 4. Variograma cruzado experimental de las variables rea basal y Volumen tronco
El estimador de Krigeaje Ordinario Z
KO
(MATHERON, 1970; JOURNEL & HUIJBREGTS,
1978) del valor buscado es simplemente una
ponderacin lineal de los valores experimentales
Z(x
i
) por coeficientes
i
desconocidos (pondera-
dores de krigeaje):
Cabe sealar que la estructura lineal anterior
es equivalente a la de otros muchos mtodos no
geoestadsticos, basados en aspectos geomtri-
cos o funciones deterministas (p.e. inverso de la
distancia). La diferencia radica en el procedi-
miento de bsqueda de los ponderadores
i
. Para
ello se quiere que el estimador Z
KO
sea ptimo
cumpliendo las condiciones de no sesgo y de
error de estimacin mnimo. La primera condi-
cin, expresada de la forma E{Z
v
}=E{Z
KO
}, se
obtiene imponiendo que
i
=1, (condicin de
universalidad) que asegura que la estimacin es
insesgada. Adems, otra condicin an ms
fuerte es sobre el error de estimacin, que sea
mnimo
2
KO
=E{Z
v
-Z
v
ko
}
2
0, expresin que
admite un desarrollo cuadrtico en trminos de
la funcin variograma, (h) (JOURNEL &
HUIJBREGTS, 1978). La minimizacin de la
expresin del error por medio de la tcnica de
Lagrange, bajo la condicin de universalidad,
conduce al sistema de krigeaje, cuya solucin es
el conjunto de ponderadores de krigeaje
i
y el
parmetro de Lagrange .
= parmetro de Lagrange
En un contexto operacional de estimacin de
recursos naturales, las ventajas ms importantes
del mtodo, pueden sintetizarse de la siguiente
forma: el estimador Z
v
ko
es ptimo en el sentido
de minimizacin del error de estimacin; tiene
en cuenta el soporte de informacin v, puntual o
valor medio; considera la geometra del conjun-
to estimador y estimado; y proporciona una
valoracin probabilstica del error de estimacin

2
KO
, lo que sin duda es de gran valor para la
interpretacin de los resultados sobre todo, de
cara a la integracin de los datos estimados en
un SIG (p.e. Sistema Soporte de Decisin):
Un ejemplo de aplicacin del mtodo se
muestra en la figura 5a-b, que representa el
mapa de estimacin por bloques de la variable
rea basal junto con el mapa de errores de esti-
macin.
Estimacin de funciones de la variable: El
Krigeaje de Indicatrices
El anlisis de datos espaciales requiere, en
muchas ocasiones, estimar funciones de Z(x0),
lo que implica estimar la funcin de distribucin
condicional local {Z(x
0
)/z(x
i
),i=1,,n} (CHICA
Y LUQUE, 2002). Esta situacin es frecuente en
ciencias ambientales cuando el especialista
busca reas en las que un determinado contami-
nante supera un valor lmite problema de alerta.
Con excesiva frecuencia, se observa que la solu-
cin prctica adoptada se reduce a la simple esti-
macin de Z en el rea de estudio, por cualquier
mtodo, y, seguidamente, aplicar un corte al
valor estimado (Z*(x
0
) > z
c
). Es importante
recordar que la distribucin de Z y Z* no coin-
ciden y, por tanto, los resultados de aplicar el
corte sobre el estimador no son ptimos, desde
el punto de vista de los resultados, por lo que los
errores en la toma de decisiones pueden ser
importantes. El problema se reduce a determinar
la funcin de distribucin acumulada
F(z)=Pr{Z(x
0
) < z
c
} cuando el lmite zc vara en
un rango de valores (CHILS & DELFINER, 1999;
CHICAY LUQUE, 2002). Por tanto, ahora, se nece-
sita estimar una funcin de Z(x
0
) y no solamen-
te la esperanza matemtica de Z en el punto x
0
,
como ocurra en el caso anterior (KO). Adems,
otro aspecto a considerar es la escala local para
estimar la funcin de distribucin. Para la reso-
lucin de este problema de estimacin local de
la funcin de distribucin condicional de una
variable, se han propuestos diversos mtodos
geoestadsticos paramtricos y no paramtricos.
Entre los primeros destaca el mtodo de estima-
cin no lineal de Krigeaje Disyuntivo, y entre los
segundos el mtodo de Krigeaje de Indicatrices.
Por su sencillez de aplicacin se expondr un
breve resumen de este segundo mtodo propues-
to por JOURNEL (1983, 1984); no obstante en
CHICA Y LUQUE (2002) puede verse una aplica-
cin de ambos mtodos en ciencias ambientales.
52
M. CHICA-OLMO La Geoestadstica como herramienta de anlisis espacial de datos de inventario forestal
v) , ( = + ) , (

n 1,..., = ,
1 =

)
x
( Z = x Z
i i
n
=1 i
KO

) (
v) (v, - + v) , ( =
2
KO

El mtodo de krigeaje de indicatrices consis-

te en una transformacin binomial de la variable
Z(x) en la variable indicatriz, I(x
0
, z
c
) = {1 si
Z(x
0
) z
c
; 0 si Z(x
0
) > z
c
}. Un krigeaje simple de
I(x0, z
c
) nos da la probabilidad estimada que
Z(x) sea inferior al valor de corte z
c
. El plantea-
miento del mtodo es sencillo, basta repetir el
proceso de estimacin de las indicatrices obteni-
da para diferentes valores de z
c
, para as obtener
una aproximacin discreta de la funcin de dis-
tribucin condicional.
La ventaja del mtodo radica en su gran sim-
plicidad prctica, debido a que la transformacin
es sencilla e, incluso, aplicable a variables cate-
gricas. Como inconveniente sealamos el cl-
culo de la funcin mediante un proceso de dis-
cretizacin que necesita un nmero suficiente de
valores de corte zc. Para cada uno de estos valo-
res se debe realizar un anlisis variogrfico y
resolver un sistema de krigeaje. Para evitar este
proceso, que puede ser largo y tedioso, se aplica
una simplificacin basada en el uso de un nico
variograma indicatriz correspondiente a la
mediana de la variable. Esta estructura se deduce
del valor de corte coincidente con la mediana de
los datos y es aplicable a todas las indicatrices.
De esta forma se asume que todos los variogra-
mas de las indicatrices son proporcionales y con-
secuentemente los pesos obtenidos de los siste-
mas de krigeaje son iguales (DEUTSCH &
JOURNEL, 1993). Esta hiptesis simplifica nota-
blemente el proceso de clculo, resultando la
siguiente expresin para la estimacin de la pro-
babilidad Pr{Z(x
0
) < z
c
}:
donde los
i
son los pesos de krigeaje simple,
iguales para todos los valores de corte z
c
. El sis-
tema de ecuaciones se expresa en trminos del
variograma de la indicatriz mediana
I
(h,z
c
) =
1
/2
E{I(x+h,z
c
) - I(x,z
c
)}
2
:
El error de krigeaje viene dado por:
Como ejemplo la figura 6a-d representa una
aplicacin del mtodo para elaborar un mapa de
isoprobabilidad correspondiente a que la variable
rea basal supere un valor de corte z
c
= 25.
SIMULACIN ESPACIAL: LA
SIMULACIN CONDICIONAL
Con carcter general debe decirse que los
mtodos de estimacin no pueden ser utilizados
para elaborar modelos numricos que reproduz-
can la variabilidad espacial de la variable. La
razn esencial reside en la caracterstica de sua-
vizado del valor real que posee cualquier estima-
dor; incluso el krigeaje que es ptimo en el sen-
tido de minimizar el error de estimacin. Por
ello, hay que recurrir a otros mtodos como es la
Simulacin Condicional (JOURNEL, 1974; CHICA,
1987), que permite elaborar un modelo con las
siguientes caractersticas:
1. El modelo numrico de simulacin reprodu-
ce los parmetros estadsticos y de distribu-
cin de los datos experimentales, media,
varianza, histograma y variograma. Es decir,
si Z
sc
(x) representa la variable simulada y
Z(x) la variable experimental, se tiene que:
E{Z(x)} = E { Z
sc
(x)}
Var {Z(x)} = Var {Z
sc
(x)}
F {Z(x)} = F {Z
sc
(x)}
(h) =
sc
(h)
donde E{.}es la esperanza matemtica,
Var{.} la varianza, F{.} la funcin de distri-
bucin y (.) la funcin variograma.
2. El modelo est condicionado a los datos
experimentales condicionamiento; en
cualquier punto experimental valor real y
simulado coinciden.
3. El modelo se conoce para todo punto o rea
perteneciente al espacio simulado, a diferen-
cia de la realidad slo conocida en los pun-
tos experimentales, y para cualquier soporte
de informacin, puntual o valor medio.
Todas estas caractersticas infieren a la
Simulacin Condicional unas excelentes posibi-
lidades de aplicacin, an ms si es utilizada
conjuntamente con el mtodo de Krigeaje, para
el estudio de problemas encontrados en la ges-
tin forestal (planificacin de recursos).
53
Cuad. Soc. Esp. Cienc. For. 19: 47-55 (2005) Actas de la I Reunin de Inventario y Teledeteccin Forestal
( ) ( ) ( ) ( ) I x z I x z z F z
c SK i c
i
n
i c i c
i
n
c
( , ) ,
*
0
1 1
1 = +
= =

z

i c i j i
j
n
z x x x x i j n I I ( ) ( , ) ( ), , , = ..., =
=
0
1
1

IK i c i
i
n
z x x x x i n I I
2
0 0 0
1
1 =
=

( ) ( , ) ( ), , - = ...,
La figura 7 muestra un ejemplo de simula-
cin condicional de la variable rea basal.
Como se puede apreciar, la distribucin de los
valores presenta un aspecto ms irregular que la
estimacin por krigeaje (figura 5), al no existir el
efecto de suavizado de la estimacin. En conse-
cuencia este tipo de informacin puede ser utili-
zada en la prctica como una versin posible
de la realidad forestal para cualquier punto del
rea de estudio. A efectos de comparacin en la
figura 8 se han representado los histogramas de
los datos experimentales y de los valores estima-
dos y simulados; destaca el efecto de suavizado
introducido por el krigeaje (varianza de datos
estimados menor que la varianza experimental) y
el parecido entre el histograma experimental y el
de los datos simulados.
CONCLUSIONES
Con cierta frecuencia se constata en la prc-
tica que los mtodos de estimacin espacial
(interpolacin) son utilizados de forma un tanto
arbitraria, quiz sin mediar un anlisis previo de
las caractersticas y naturaleza de estos mtodos
y, en un gran nmero de situaciones, escogidos
por la ventaja manifiesta que supone aparecer en
el men de anlisis espacial del software utiliza-
do. Aunque es cierto que la mayor parte de estos
mtodos conducen a estimaciones globales
insesgadas, no ocurre lo mismo a nivel local, lo
cual plantea un problema serio que con demasia-
da frecuencia pasa inadvertido para el usuario.
Slo las estimaciones realizadas mediante mto-
dos geoestadsticos proporcionan estimaciones
locales fiables, fundamentadas en el uso de la
estructura de variabilidad espacial, es decir el
variograma. Por esta razn los mtodos geoesta-
dsticos de estimacin / simulacin poco a poco
van ocupando un lugar relevante en el anlisis de
datos espaciales, en general, entre los que deben
de incluirse los datos de inventario forestal.
El mtodo de krigeaje, en sus diferentes
modalidades, produce estimaciones ptimas de
la variable espacial, al minimizar el error de esti-
macin y por la condicin de no sesgo del esti-
mador, tanto a escala global como local. El mapa
de estimacin elaborado por este mtodo debe
interpretarse en la prctica como la imagen
54
M. CHICA-OLMO La Geoestadstica como herramienta de anlisis espacial de datos de inventario forestal
Figura 8. Comparacin de histogramas experimental, estimacin y simulacin condicional
ms probable de la distribucin espacial de la
variable estudiada. Su estructura de datos rster
hace que sea fcilmente integrable en bases de
datos geoespaciales como cubierta de informa-
cin SIG. Adems, el mtodo proporciona el
mapa de errores de estimacin, aspecto de mxi-
mo inters en actividades de planificacin
medioambiental, a travs de la interpretacin de
los errores relativos de estimacin.
Otras ventajas, nada despreciables, son que el
mtodo considera el efecto de soporte en la esti-
macin y su adaptacin a cualquier problema
particular relacionado con la estimacin de la
variable o de funciones de sta (valor medio, esti-
macin de funciones de distribucin local, etc.).
De su parte, la simulacin condicional al
reproducir la variabilidad experimental observa-
da, puede interpretarse como una versin posi-
ble de la realidad desconocida. Su robustez, en
cuanto a la reproduccin de estadsticos, de dis-
tribucin espacial y condicionamiento, hace que
las posibilidades de aplicacin del mtodo, junto
con el de krigeaje, sean muy variadas e intere-
santes en el estudio de problemas encontrados en
la gestin forestal.
Agradecimientos
El autor desea manifestar su agradecimiento
al Dr. Santiago Saura de la Universitat de Lleida
por su amable invitacin a participar en estas I
Jornadas sobre Inventario y Teledeteccin
Forestal; asimismo, por haber facilitado la base
de datos del Inventario Ecolgico y Forestal de
Catalua (comarca del Valls Occidental), que ha
permitido desarrollar las aplicaciones geoesta-
dsticas mostradas en el trabajo. Igualmente,
decir que este trabajo ha sido desarrollado en el
marco del Proyecto HIDROGIS del MCyT
(BTE2002-00152).
BIBLIOGRAFA
CHICA, M.; 1983. Approche Gostatistique de la
Caractrisation des Ressources en Charbon.
Thse Docteur Ingnieur de Mines. cole
Nationale Suprieure des Mines de Paris.
Paris.
CHICA, M.; 1987. Anlisis Geoestadstico en la
Explotacin de los Recursos Minerales. Ed.
Mario Chica-Olmo. Granada.
CHICA, M. & LUQUE, J.A.; 2002. Applications of
the local estimation of the probability distri-
bution function in environmental sciences by
kriging methods. Inverse Problems. 18: 25-
36. London.
CHILES, J.P. & DELFINER, P.; 1999. Geostatistics.
Modelling Spatial Uncertainty. Ed. John
Wiley & Sons. New York.
DEUTSCH, C.V. & JOURNEL, A.G.; 1993. GSLIB :
Geostatistical Software Library and Users
Guide. Ed. Oxford University Press. New
York.
JOURNEL, A.G.; 1983. Non parametric estimation
of spatial distributions. Math. Geol. 15: 445-
468.
JOURNEL, A.G.; 1984. The place of non-parame-
tric geostatistics. Proc. NATO ASI. Lake
Tahoe.
JOURNEL, A.G. & HUIJBREGTS, C.J.; 1978. Mining
Geostatistics. Academic Press. London.
MATHERON, G.; 1970. La Thorie des Variables
Rgionalises et ses applications. Centre
Gostatistique et Morphologie Mathmati-
que. Ecole Nationale Suprieure des Mines de
Paris. Paris.
55
Cuad. Soc. Esp. Cienc. For. 19: 47-55 (2005) Actas de la I Reunin de Inventario y Teledeteccin Forestal
LA GEOESTADSTICA COMO HERRAMIENTA DE
ANLISIS ESPACIAL DE DATOS DE INVENTARIO
FORESTAL
M. Chica-Olmo
241
Cuad. Soc. Esp. Cienc. For. 19: 47-55 (2005) Actas de la I Reunin de Inventario y Teledeteccin Forestal
Figura 5. Mapa krigeado (a) y errores de estimacin (b) de la variable rea basal
Figura 7. Simulacin condicional de la variable rea basal sobre soporte de bloque
242
Cuad. Soc. Esp. Cienc. For. 19: 47-55 (2005) Actas de la I Reunin de Inventario y Teledeteccin Forestal
Figura 6 a-d. Distribucin de datos experimentales de la variable rea basal (a); Variograma indicatriz correspon-
diente al corte zc = 25 (b); Mapa de isoprobabilidades correspondiente a rea basal 25 (c) y Mapa de errores de
estimacin (d)