Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Ejemplos
2. Deteccin
3. Tratamiento
Prediccin
1.
2.
3.
V
V
V
V
Ejemplo 2. La madera
La madera est formada por diferentes tejidos
que realizan diferentes funciones y que originan
que su estructura no sea homognea. Esta
heterogeneidad da lugar a lo que se conoce
como anisotropa, que es el comportamiento
diferente de sus propiedades fsicas y mecnicas
segn la direccin que se considere. La afectan
por ejemplo, la
humedad relativa
temperatura del aire
La resistencia y la elasticidad son mucho mas
elevadas en la direccin paralela al eje del rbol
que en la direccin perpendicular.
Ejemplo 3. Geofsica
En la bsqueda de recursos energticos
del subsuelo, son de inters geofsico
ciertas irregularidades y estructuras bajo
la superficie terrestre llamados cuerpos
fuente.
Estos,
son
causantes
de
anisotropa horizontal y vertical pues se
diferencian en su
Densidad
Magnetismo
Flujo de calor .
Deteccin de la anisotropa
Evaluar si la continuidad geogrfica y la
forma y parmetros del semivariograma
dependen de la direccin, a travs de:
semivarianza
semivarianza
Semivariograma experimental 30
semivarianza
semivarianza
Semivariograma experimental 45
Anisotropa Geomtrica
Difieren solamente en el rango
45
40
35
30
25
20
15
10
5
0
0
100
200
Gaussiano(210)
300
400
Gaussiano (400)
500
600
Diagrama de Rosa
Anisotropa Geomtrica
Una anisotropa
cuando:
1.
2.
se
dice
geomtrica
Diagrama de Rosa
Anisotropa Geomtrica
:
:
2
a
a 1 : razn de anisotropa
Anisotropa Geomtrica
(semivariograma lineal)
1
b
45
40
35
30
25
20
h=0
0
(h; ) =
c0 + b h
15
10
h0
5
0
0
10
15
20
25
Correccin de la anisotropa
geomtrica
En el caso de 2 ;
La correccin de la anisotropa consiste en
transformar las coordenadas originales h h x ,h y
h ,h
, en
Correccin de la anisotropa
geomtrica
De esta forma, un modelo de semivariograma anisotrpico,
se identifica con un modelo isotrpico en el nuevo sistema
de coordenadas, esto es,
h |h |
con
|h |
h 2
Notas
1.
2.
3.
4.
Algoritmo
1.
h
2.
cos sen
sen
cos
hx
hy
h
h
1 0
0
h
h
Ejemplo:
Correccin anisotropa geomtrica
Sea h un modelo de semivariograma esfrico que
presenta anisotropa, entonces el valor del modelo
anisotrpico en varias direcciones es igual al valor
delmodelo isotrpico de rango a :
3 h 1 h
(h; ) = c0 + c s
2 a 2 a
c0 + c s
h =0
0< h a
h >a
Modelo Corregido
3
h'
h'
3
1
cs
( h ) = 2 a 2 a
cs
h' =
a
a
(h ) + (h )
'
<1
'
h a
h >a
( h ) + ( h )
2
Anisotropa Zonal
Una
Anisotropa Zonal
Difieren solamente en la silla
45
40
35
30
25
20
15
10
5
0
0
100
200
Gaussiano(a=210,Cp=30)
300
400
500
Gaussiano (a=210;Cp=20)
600
Anisotropa Hbrida
45
40
35
30
25
20
15
10
5
0
0
100
200
Gaussiano(a=210,Cp=30)
300
400
500
Gaussiano (a=400;Cp=20)
600
1 |h|
Algoritmo
1. Rotar los ejes coordenados en la direccin de
mxima continuidad (perpendicular a la de mayor
silla o varianza). Esto es equivalente al primer
paso en la anisotropa geomtrica.
h
h
cos sin
hx
sin
hy
cos
Algoritmo
1. Los nuevos ejes son re-escalados al modelo zonal
de tal forma que no contribuyan a la direccion de
mxima continuidad
h
h
1 0
0 0
Ejemplo
Ejemplo
easting (x)
northing (y)
42,78275
127,62282
1464
-27,39691
90,78732
2553
-1,16289
84,896
2158
-18,61823
76,45199
2455
96,46549
64,58058
1756
108,56243
82,92325
1702
88,36356
56,45348
1805
90,04213
39,2582
1797
93,17269
33,05852
1714
97,61099
56,27887
1466
Mapa de Contornos
3400
3200
150
3000
2800
2600
2400
100
2200
2000
1800
1600
50
1400
1200
1000
-100
-50
50
100
Mapa de Gradientes
3500
3400
3300
3200
3100
3000
2900
2800
2700
2600
2500
2400
2300
2200
2100
2000
1900
1800
1700
1600
1500
1400
1300
1200
1100
150
100
50
-100
-50
50
100
100
1024
1464
1729
2158
2575
50
-100
-50
50
100
to
to
to
to
to
1464
1729
2158
2575
3572
Mapa de ubicacin
1476
1402
1364
1384
1415
1231
1386
1161
1089 1092
10301376
1024
1735
1865
150
1777
1771
1579
1408
1527
1038
1332
1464
2200
1437
1306
2003
100
3571
50
3490
2650
2158
23002238
2455
2533
2811
2798
3136 2553
2728
2691
2946
2648
2560
2468
2575
2400
25402386
2352
2544
2528
2736
2646
2432
2729
2766
3510
-100
1722
2553
2594
-50
1702
1757
2118
1828
1756
1736
1805
1466
1638
1797
1729
1714
1868
1674
1739
1999
1680
1682
1806
50
1725
1611
1548
1591
100
Mapa en 3D
3200
3000
2800
2600
2400
2200
2000
1800
1600
1400
1200
Grfico de Tendencia en 3D
Semivariograma Experimental
Omnidireccional
Column C: head
Direction: 0.0 Tolerance: 90.0
250000
Variogram
200000
150000
100000
50000
0
0
10
20
30
40
50
Lag Distance
60
70
80
90
100
Semivariograma Experimental
Direccional
Column C: head
Direction: 45.0 Tolerance: 10.0
400000
350000
300000
Variogram
250000
200000
150000
100000
50000
0
0
10
20
30
40
50
Lag Distance
60
70
80
90
100
Semivariograma Experimental
Direccional
Column C: head
Direction: 30.0 Tolerance: 10.0
300000
250000
Variogram
200000
150000
100000
50000
0
0
10
20
30
40
50
Lag Distance
60
70
80
90
100
Semivariograma Experimental
Direccional
Column C: head
Direction: 90.0 Tolerance: 10.0
300000
250000
Variogram
200000
150000
100000
50000
0
0
10
20
30
40
50
Lag Distance
60
70
80
90
100
Semivariograma Experimental
Direccional
Column C: head
Direction: 0.0 Tolerance: 10.0
250000
Variogram
200000
150000
100000
50000
0
0
10
20
30
40
50
Lag Distance
60
70
80
90
100
Semivariograma Experimental
Direccional
Column C: head
Direction: 135.0 Tolerance: 10.0
110000
100000
90000
80000
Variogram
70000
60000
50000
40000
30000
20000
10000
0
0
10
20
30
40
50
Lag Distance
60
70
80
90
100
Column C: head
Direction: 0.0 Tolerance: 90.0
Modelo definitivo
250000
200000
Variogram
150000
100000
h 6520 10. 6 h
50000
0.5
41.6 o
0
0
10
20
30
40
50
Lag Distance
60
70
80
90
100
1.97
CSA
Mapas de Voronoi
Z s j
Zshi
i1
n
ij
h1
i1
ij
donde
h ij |s i s j |
parmetro potencia
potencia ptima (minimiza el error de prediccin)
Distancia Inversa
Validacin Cruzada
El m to do mas us ado pa ra verificar la calidad de los r esultados
as como la valide z d e los s up ue s tos he chos pa ra la pr e diccin
e s e l de va lidacin c ruzada. Consiste en ex tr aer de la muestra
los n datos per o uno a la vez, par a con los n 1 r estantes
pr e de cir e l valor de la var iable e n la ubicac in e xtr ada; as , s e
elimina la fila corr espondiente a Z ( si ) , se encuentr a Z ( si ) con
los n 1 datos r e s tante s , se ca lcula e l e r r or de pr e diccin pa ra
cada una de las ubicaciones: Z ( si ) Z ( si ) . T ambin s e pue de
lle var a cabo un diag ra ma de dis pe r sin de lo s datos
obser vados contr a cada una de sus r espectivas pr edicciones;
esto es, gr aficar todas las parejas ( Z ( si ) , Z ( si ) ) ; si las
pr e diccione s s o n ac e ptable s e s ta nub e de punto s de be r a
te nde r a una lne a re c ta de pe ndie nte 4 5 .
Kriging (Universal)
Validacin cruzada