TALLER DE GEOESTADSTICA Preparado por: Darney Ceballos E, Ingeniero Forestal. Esp en SIG. Esp en Gestin Ambiental, ddceball@gmail.

com Con Geostatistical Analyst es posible explorar la variabilidad de datos, examinar tendencias globales e investigar la autocorrelacin y la correlacin entre los datos, de igual forma se pueden crear predicciones y calcular errores de predicciones. Lo primero que se tiene que hacer para iniciar un anlisis geoestadstico con Arcgis es el anlisis exploratorio de los datos y por ltimo el anlisis estructural de los datos. Lo primero que se debe hacer es crear un shape de puntos a partir de datos de coordenadas geogrficas o planas. 1. Cargue el archivo de Excel estaciones y convierta el archivo de Excel en un shape de puntos El archivo contiene informacin de lluvias de la cuenca del ro Porce

Cargue el archivo de municipios para tener una ubicacin geogrfica de las estaciones 2. Cargue la extensin de geoestadstica Una vez creado o agregado el shape en Arcmap, damos clic en Geostatistical Analyst, seguido de Explore Data y finalmente en Histogram, tal como se muestra en la figura.

3. inicie la exploracin de los datos para evaluar su distribucin y comportamiento

Aparece la siguiente ventana

Bars: Permite elegir el nmero de intervalos, la herramienta automticamente calcula la longitud de cada intervalo. Transformation: Permite realizar una transformacin logartmica a los datos en caso de que estos no sigan una distribucin normal.

Layer: Aqu aparece el nombre del Shape, el cual es Niveles, cuando hay varios shape agregados en Arcmap la herramienta elige el primero de la lista. Attribute: Aqu aparece por defecto el primer campo que tenemos en la tabla de atributos de nuestro shape en este caso es el campo pozos. Automticamente la herramienta calcula los parmetros geoestadsticos que se muestran en la parte superior. Lo que sigue es seleccionar el atributo con el cual queremos hacer el anlisis geoestadstico, en este caso es precipitac, para ello damos clic en la pestaa que est debajo del Attribute y seleccionamos el campo precipitac Se observa que inmediatamente cambia la grafica y recalcula los valores de los parmetros estadsticos mostrados en la parte superior, los cuales son los siguientes: Count (numero de datos): Min (dato menor): Max (dato mayor): Mean (Media): Std Dev (Desviacin estndar): Skewness (Coeficiente de sesgo o asimetra): Kurtosis (curtosis): Median (Mediana): Aqu, la moda se calcula como la marca de clase del intervalo con mayor frecuencia Moda El coeficiente de variacin se calcula como: CV=S/media*100 A estos parmetros le aplicamos las condiciones necesarias para verificar si los datos siguen la distribucin normal. Con el histograma podemos observar que el coeficiente de sesgo (skewness) es igual a 0.21843, esto significa que no es necesario transformar los datos ya que se encuentra en el intervalo de 0 < CS < 0.5. A continuacin tengo que hallar el coeficiente de variacin con los datos obtenidos: CV = 100 (s/m) % donde s=desviacin estndar; m=media CV = 100 (60.85/246.49) % CV = 100 (0,247) % CV = 24.70 % (el coeficiente de variacin siempre debe de ser menos al 100%
Nota: * Si CV < 100, no hay problema con los valores extremos de los datos

* Si 100<CV<=200, Los efectos causados por los valores extremos de los datos son tolerables

* Si CV>200, se tiene problemas severos con los valores extremos de los datos.

Esto es importante, pues en caso de que los valores extremos de los datos afecten a la muestra o a la distribucin de los mismos, se deber analizar si es conveniente eliminarlos en caso que obedezcan a un error en la medicin o hacer una transformacin de los datos para reducir su influencia en la muestra. En nuestro caso CV = 24.70 < 100, lo cual indica que no hay problemas con valores extremos.
Nota: Si el valor de skewness con los datos originales es mayor que 2, lo que obliga a una transformacin de tipo logartmico de acuerdo con Webster-Oliver Si vemos que la media, la moda y la mediana son diferentes y su diferencia es mayor a uno, el coeficiente de sesgo es mayor a 1, es necesario realizar una transformacin de los datos, de acuerdo a la literatura y se recomienda una transformacin logartmicapero no los preocupemos estos lo hace ArcGis, simplemente en la pestaa Transformation seleccionamos Log. En la pestaa Bars colocamos 8 intervalos. El resultado es el siguiente.

Luego cargamos el anlisis del QQplot:

A continuacin se mostrar el QQplot:

Con esta grfica se puede observar que se encuentra ms o menos normalizado con algunas desviaciones en las esquinas y en el centro, pero se nota claramente una tendencia central. Despus de haber analizado los parmetros estadsticos y concluir que la distribucin de los datos se puede tomar como normal, cerramos la ventana del Histogram y volvemos a dar clic en Geostatistical Analyst, seguido de Explore Data y finalmente en Trend Analysis, tal como se muestra en la figura.

Se abre la siguiente ventana

Esta ventana nos ayuda a ver qu tendencia siguen los datos para que luego en el anlisis estructural le indiquemos a la herramienta que sea removida. En Graph options, damos clic en Projected Data, Sticks, Input Data Points para que desaparezcan de la grfica. Es importante analizar si los datos manifiestan tendencias direccionales que permitan establecer correlaciones en esas direcciones, y formular modelos de comportamiento. La tendencia ms fuerte se tendr sobre aquella direccin en la que la lnea de tendencia es ms gruesa; para nuestro ejemplo se ve claramente una fuerte tendencia en la direccin sur-norte (lnea azul) y una dbil tendencia en la direccin este-oeste (lnea verde). Con la barra de desplazamiento resaltada en rojo en la figura anterior se empiezan a desplazar las lneas de tendencias (verde y azul de la misma figura) y se observa si estas siguen una lnea recta, en caso tal la tendencia es lineal; una curva con una concavidad, la tendencia es cuadrtica o si es una lnea con ms de una concavidad, la tendencia ser de orden 3. Como conclusin del anlisis exploratorio y que se debe tener en cuenta durante la realizacin del anlisis estructural de los datos, tenemos: Es necesario remover una tendencia de segundo orden

Con este anlisis de tendencia se pudo observar que la ecuacin es cbica ya que se encuentran las lneas en una sola direccin. Visualmente se puede observar que ambas lneas (verde y azul) tienen el mismo grosor.

Ahora carguemos el varonoi Map

En el podemos mirar las diferentes tendencias rpidamente en la distribucin de concentraciones

Anlisis estructural de los datos

Una vez identificada la tendencia de los datos, el siguiente paso es el anlisis estructural y realizacin del modelo geoestadstico con los datospara ello damos clic en Geostatistical Analyst, seguido de Geostatistical Winzard, aparece la una ventana donde debemos rellanar la siguiente informacin. Medthod: Se debe seleccionar el mtodo con el cual se quieren analizar los datos, en este caso es Kriging Input data: el shape al cual se le debe aplicar el anlisis geoestadstico en este caso es Niveles. Attibute: El campo con el que se quiere realizar el anlisis geoestadstico. En este caso es el precipitac

Damos clic en el bot Next>. Aparece la siguiente ventana, donde rellenamos la siguiente informacin.

En Geostatistical methods, se selecciona Ordinary Kriging-Prediction Map. En Transformation, se selecciona Log, pues ya habamos concluido que es necesario realizar transformacin logartmica. En Order of trend removal, se selecciona la opcin Second, pues habamos visto que los datos siguen una tendencia de segundo orden

Damos clic en Next>, aparece una ventana que permite concluir si los datos presentan anisotropa direccional o no la presentan. Si en la grafica aparece un crculo, no hay anisotropa direccional y si aparece otra cosa como la de la figura, se concluye que existe anisotropa direccional la cual se debe tener presente, ya que en la ventana siguiente se le deber indicar a la herramienta este parmetro.

Damos clic en Next>, aparece la siguiente ventana.

En la ventana anterior rellenamos la siguiente informacin 1. Model: 1. Aqu debemos elegir el modelo geoestadstico que deseemos usar para modelar los datos; para el caso del ejemplo, elegiremos el modelo Spherical. 2. En el paso anterior concluimos que hay anisotropa estructural, por lo tanto, debemos seleccionar Anisotropy. 3. Damos clic en Show search Direction, se habilitarn inmediatamente las opciones de ms abajo, las cuales son Angle direction y Bandwidth (lags). En la grafica anterior vemos que fueron habilitadas Angle direction y Bandwidth (lags), para seguir se procede de la siguiente forma. Angle direction: Debemos cambiar el Angulo hasta que las lneas que se muestran a la izquierda de la figura coincidan con la direccin de la elipse en su parte superior. Bandwidth (lags): una vez realizado el paso anterior, los puntos o parte inferior de las lneas deben cortar a la elipse, para ello se aumenta o disminuye el valor de Bandwidth. lo dicho anteriormente se resumen en la siguiente imagen.

Despus de dar clic en Next>, se muestra la siguiente ventana.

Volvemos a dar clic en Next>, en la siguiente ventana se muestra:

Un recalculo de los datos en comparacin con los valores medidos para verificar obtenido. Clculo de los errores: Root-Mean-Square: 3.774 Average Standard Error: 4.361 Mean Standardized: -0.04804 Root-Mean-Square Standardized: 0.9609

Un grfico de comparacin de datos medidos y datos calculados, en la que se puede ver que los datos que ms se alejan de la lnea, son los que mayores errores presentan en su prediccin.

Damos clic en finish y aparece un resumen del mtodo utilizado.

Al finalizar Como resumen del modelo aplicado tenemos lo siguiente: Damos clic en Ok y aparece el mapa de prediccin de la precipitacin a partir del mtodo geoestadstico Kriging esfrico.

Pero an no se termina la ventajas de los mtodos geoestadsticos es que nos permite realizar un mapa de errores. Para ello en el panel del navegador, damos clic derecho sobre el mapa creado y elegimos la opcin Create Prediction Estndar error Map.

El resultado es el siguiente.

En la figura anterior observamos que el mximo error es del 42.48 %, el cual es muy alto. La confiabilidad del modelo se calcula como 100 menos el error mximo, para el ejemplo: confiabilidad = 100-42.48 = _____%. Para aceptar un modelo geoestadstico es necesario tener una confiabilidad superior al 90%, por lo tanto se concluye que es necesario mejorar la densidad de las medidas. En la grfica tambin se observa que los errores mayores en la prediccin se producen donde existe menos informacin. Para el caso del monitoreo de la precipitacin esto es indicativo que en estos sitios se deben instalar mas estaciones de monitoreo con el fin de optimizar la red existente. Para seleccionar el modelo que mejor modela nuestros datos, es necesario aplicarles cada uno de ellos y escoger el que presente menor Root-Mean-Square, menor Average Standard Error, Root-Mean-Square Standardized ms cercano a uno y mayor porcentaje de confiabilidad. Calcular el mtodo para: Esfrico Exponencial Gauss Hole Effect

Escoger el mejor mtodo

Fuentes: LONDOO, Libardo. Modelacin y anlisis espacial. Universidad de San Buenaventura. Facultad de Ingeniera Medelln, 2007. ESRI. Using ArcGIS Geostatistical Analyst, 2003 http://aguaysig.blogspot.com/