CONCEPTO BÁSICO - KRIGING

JOSE G. FREITES
freitesjose@hotmail.com
www.cursosgeomin.com.ve
 http://bit.ly/29Is7g5
Kriging

• ¿Qué configuración de parámetros representan mejor mis datos, o hay aún mejores alternativas de asignar los pesos de interpolación que un
simple factor basado en el inverso de la distancia?

• Puntos de muestreo agrupados deberían tener la misma influencia en la estimación comparado si se hiciera con una muestra individual
desagrupada?

• ¿Cuántas muestras son necesarios para realizar una estimación de manera confiable?

• ¿Qué tan exacto es mi modelo resultante? ¿Hay una manera de estimar las incertidumbres asociadas con los valores interpolados?

Estas preguntas llevaron a Georges Matheron y el ingeniero de minas Danie Krige a desarrollar métodos óptimos de interpolación. Existen
diferentes técnicas de Kriging para diferentes propósitos, pero todos ellos utilizan la geoestadística como su base.

Para explicar el proceso de kriging desde cero requeriría varias páginas de ecuaciones matemáticas y la comprensión de los conceptos estadísticos
avanzados, tales como modelos de función aleatoria. Para usuarios comunes, como usted y yo podrían ser más importante saber lo que hace kriging,
en vez de cómo se hace. Por lo que un enfoque más intuitivo (pero comprensible) se elige aquí. Sin embargo, si desea ahondar en el detalle
matemático y formalismo teórico que basa ésta técnica de interpolación, puede revisar la literatura que se hacer referencia al final de la
presentación. 2
 http://bit.ly/29Is7g5

Kriging Ordinario

kriging ordinario se asocia a menudo con las siglas B.L.U.E. para el "mejor estimador lineal insesgado". Kriging ordinario es lineal, ya que sus
estimaciones son combinaciones lineales ponderadas de los valores de la muestra. Eso no implica que los pesos utilizados son el resultado de una
función lineal como el inverso de la distancia!

"Insesgado" significa que los valores estimados no son ni sobreestimadas ni subestimados de forma sistemática. Si nos fijamos en toda la superficie,
sobre y subestimaciones locales se neutralizan entre sí, y el error promedio de estimación = 0.

Kriging ordinario es "mejor", porque apunta a minimizar la varianza del error para cada punto interpolado. En otras palabras, se asigna
ponderaciones óptimas a cada punto de muestra teniendo en cuenta no sólo la distancia entre las muestras y el punto desconocido, pero también
las distancias entre las propias muestras. Esto permite dar menos peso a las muestras agrupadas que contienen información redundante.

Además de esto, kriging es capaz de estimar la fiabilidad de cada punto interpolado. Así se obtienen dos mapas, uno que muestra la superficie
interpolada, y el otro que muestra la fiabilidad / incertidumbre de los resultados.

A diferencia de IDW, los valores krigeados pueden exceder el valor máximo y mínimo de la muestra. Esto podría ocurrir mediante la asignación de
pesos mayor que uno a una muestra, mientras que otra muestra le asigna un peso negativo (los pesos deben sumar uno). Esto ayuda a preservar las
crestas y los valles no muestreados.

Todo el proceso kriging se basa en un modelo, y sólo puede generar resultados satisfactorios, si este modelo es exacto! El modelo es el variograma
teórico que se debe desarrollar antes de realizar la interpolación kriging, y representa el comportamiento espacial del conjunto de datos en
particular. A medida que la interpolación (y la estimación de error) sólo puede ser tan bueno como el variograma subyacente, la parte más
importante de todo el proceso de interpolación consiste en encontrar una función variograma adecuada. 3
4
 http://bit.ly/29Is7g5

Kriging Ordinario - Anisotropía y más

Es muy fácil usar anisotropía en el proceso de kriging (hasta ahora hemos discutido kriging isotrópico). Hacerlo requiere calcular no sólo las
distancias entre los puntos, sino también las direcciones. Para obtener las distancias "estadísticas", conectamos estos vectores distancia / dirección
en nuestra superficie variograma y el uso de las varianzas correspondientes para calcular los pesos kriging.

La opción de elegir patrones anisotrópicos de continuidad espacial para nuestro modelo nos ofrece la extraordinaria capacidad de personalizar el
procedimiento de estimación. Por ejemplo, la información cualitativa como el conocimiento de la dirección predominante del viento en un estudio
de la contaminación del aire puede ser incorporado a través de la anisotropía del modelo de variograma. En muchos conjuntos de datos, la dirección
de máxima continuidad no es el mismo en todo el área de interés. En tales situaciones, el variograma puede aparecer isotrópico sólo porque no
somos capaces de resolver el carácter ondulante de la anisotropía. Si la información adicional cualitativa ofrece una manera de identificar la
dirección y el grado de anisotropía, a continuación, el procedimiento de estimación se beneficiará enormemente de una decisión de basar la forma
de la superficie variograma en la evidencia cualitativa, más que en la evidencia cuantitativa del variograma muestra.

Kriging supone que la continuidad espacial en toda el área de interpolación es la constante. No tiene sentido para calcular un variograma para una
zona que es muy heterogéneo en relación con la variabilidad espacial, como la elevación de un terreno que contiene tanto, colinas suavemente
onduladas y montañas escarpadas. Para hacer frente a este problema debemos dividir nuestra área de interés en porciones homogéneas, calcular
variogramas para cada porción, e interpolar por separado. Desafortunadamente, esta técnica conocida como kriging estratificado, sólo es posible si
hay suficientes datos de la muestra para calcular variogramas significativo para cada porción.

Al igual que IDW, kriging es un interpolador exacto. Si una muestra coincide con un punto de la cuadrícula interpolada y el valor de pepita es igual a
cero, el punto de la cuadrícula recibe el valor exacto de la muestra.
5
 http://bit.ly/29Is7g5

Kriging de bloque

Kriging de bloque: kriging de bloque realiza una estimación no para un punto desconocido, sino para un bloque completo. Esto podría ser deseable
si el kriging ordinario de punto resulta en superficies que tienen muchos picos o valles en el conjunto de datos, un fenómeno que ocurre a menudo
cuando los valores de la muestra cambian muy rápido en distancias cortas. Un método para suavizar este tipo de estructuras es dividir toda el área
en varios bloques y calcular un promedio simple local para cada uno de ellos. Aunque conceptualmente simple, este procedimiento puede ser
computacionalmente extensa si el número de estimaciones de punto es muy alta. El kriging de bloque logra el mismo resultado mediante la
construcción y la solución de un único sistema de kriging para cada estimación de bloques, lo que reduce considerablemente el tiempo de cálculo.

http://bit.ly/29Is7g5

Kriging Universal

Kriging universal: kriging universal es una adaptación de kriging ordinario, y nos permite acomodar una tendencia. Kriging universal puede producir
buenas estimaciones locales en presencia de una tendencia, especialmente en situaciones en las que se extrapola la estimación en lugar de
interpolarlo a partir de los valores de las muestras locales. Aunque kriging universal puede calcular una tendencia de forma automática, se debe
resistir a usarlo como una caja negra, sobre todo cuando se utiliza para extrapolar más allá de los datos disponibles. Siempre es importante
comprobar la tendencia que se produce un método automático para ver si tiene sentido. 6
 http://bit.ly/29Is7g5

Co-Kriging

Co-Kriging: A menudo los datos pueden estar disponibles para más de un atributo en un área muestreada. Por ejemplo: datos de temperatura
anuales (que queremos mapear) se mide escasamente mientras que el modelo de elevación digital nos da información medida densa en relieve. Co-
Kriging utiliza la información de una variable para ayudar a estimar la otra variable. En nuestro caso se hace uso de la elevación para predecir la
temperatura con mayor precisión. Naturalmente, esto sólo tiene sentido si las dos variables están correlacionadas espacialmente, y tiene más éxito
cuando los patrones de las variables están relacionadas por un proceso físico común. Co-Kriging es una técnica difícil de llevar a cabo requieren
considerables conocimientos sobre la teoría de la geoestadística.

7
Literatura más detallada de D. Krige y G. Matheron

http://www.saimm.co.za/Conferences/DanieKrige/

http://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00167.pdf

8
http://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00536.pdf

9
http://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00638.pdf

10
 MUCHAS GRACIAS
http://bit.ly/29Is7g5

http://www.unigis.ac.at/fernstudien/UNIGIS_professi
onal/traun/spatial_interpolation/interpolationframe.
htm
11