Você está na página 1de 43

UNIVERSIDAD NACIONAL AUTNOMA

DE MXICO

GEOESTADSTICA
APLICADA
Tema: Estimacin Espacial
Instructores:
Dr. Martn A. Daz Viera (mdiazv@imp.mx)
Dr. Ricardo Casar Gonzlez (rcasar@imp.mx)
2009
Contenido
Introduccin
Ecuaciones del Kriging
Clasificacin del Kriging
Tipos de Kriging lineal ms usuales
Kriging Simple
Kriging Ordinario
Kriging Universal
Kriging Residual
Kriging Indicador
Aspectos prcticos del Kriging
03/04/2009 CG6-Estimacin Espacial 2
Introduccin
Malla
Problema: A partir de informacin
x Celda conocida de una propiedad, medida
x
en ciertas ubicaciones, estimar el
x
valor en localizaciones en donde se
x desconoce o se carece de muestreo,
x x usualmente en una malla.
x
x x
En geoestadstica el mtodo de
x estimacin espacial que se usa es el
x Kriging
x x

Nodos Muestra x
03/04/2009 CG6-Estimacin Espacial 3
Introduccin
El Kriging es un trmino que ha sido acuado
para designar al mejor estimador lineal
insesgado (BLUE, en ingls).
Esta es una tcnica de estimacin espacial
desarrollada por G. Matheron en los sesentas a
partir de los trabajos de D. G. Krige quin
fue pionero en el uso de la correlacin
espacial para propsitos de prediccin.
Matheron le asigna el nombre de Kriging en
honor a Krige.
03/04/2009 CG6-Estimacin Espacial 4
Introduccin
El estimador Kriging se considera ptimo
ya que:
1. Es insesgado, es decir, el valor esperado del
error es cero.
2. Garantiza la mnima varianza de la
estimacin, es decir, reduce al mnimo la
varianza del error de la estimacin.

03/04/2009 CG6-Estimacin Espacial 5


Ecuaciones del Kriging
BLUE
Estimador
*
Z 0

Mejor {
m i n V a r Z 0 Z *
0 }
N
Lineal Z *
0 =
i =1
iZ i

Insesgado E Z 0 = E Z
*

0

03/04/2009 CG6-Estimacin Espacial 6


Ecuaciones del Kriging
Dada una FA estacionaria de segundo orden
y definida en ciertos puntos {Z ( xi ) , i = 1,..., n}

Valor esperado E Z ( x ) = m; x
Funcin de covarianzas
C ( h ) = E Z ( x + h ) Z ( x ) m 2
Variograma
(h) = 1 2Var [ Z ( x + h) Z ( x)]

03/04/2009 CG6-Estimacin Espacial 7


Ecuaciones del Kriging
Condicin de insesgadez (valor esperado del
error igual a cero)
n

E Z ( x k ) = E i Z ( x i ) = E Z ( x k ) = m
*

i =1
n
Esto implica que
E Z ( x ) = m
 i i
i =1
m
Entonces n n

m = m
i =1
i
i =1
i =1

03/04/2009 CG6-Estimacin Espacial 8


Ecuaciones del Kriging
Condicin de que la varianza del error sea mnima
La varianza de la estimacin se expresa de la
siguiente manera:

= Var Z k Z = E ( Z k Z k )
2 * * 2
e k

Entonces, para satisfacer la condicin de insesgadez
hay que minimizar la siguiente funcin objetivo:

n

F = e 2 i 1
2

i =1
- un multiplicador de Lagrange
03/04/2009 CG6-Estimacin Espacial 9
Ecuaciones del Kriging
Derivando a F respecto a i y resulta el
sistema de ecuaciones del Kriging:

F n

= 2 ki + 2 j ij 2 = 0, i = 1,..., n
i j =1

F n
= i 1 = 0
i =1
donde ij = C ( x i , x j ) covarianza

03/04/2009 CG6-Estimacin Espacial 10


Ecuaciones del Kriging
Finalmente se escribe como:
n
j ij = ki , i = 1,..., n
j =1
n
=1

i =1
i

Varianza del error de la estimacin


n
= i ki +
2
e
2

i =1

03/04/2009 CG6-Estimacin Espacial 11


Ecuaciones del Kriging
En forma matricial:
11 12 ... 1n 1 1 k 1
... 2 n
1 2 k 2
21 22

... ... ... ... ... ... = ...



n1 n 2 ... nn 1 n kn
1 1 ... 1 0 1
Observacin: bajo la hiptesis intrnseca las
covarianzas pueden ser reemplazadas por las
semivarianzas ij = 2 ij
03/04/2009 CG6-Estimacin Espacial 12
Clasificacin del Kriging
Segn el soporte de la
medicin de los datos z1
z2

Z* z4
z3
puntual

z2
z1

por bloques Z*

z3 z4

03/04/2009 CG6-Estimacin Espacial 13


Clasificacin del Kriging
Segn la forma del estimador
 lineales:
Simple
Ordinario
Universal
Residual
 no lineales:
Disyuntivo
Indicador
Probabilstico

03/04/2009 CG6-Estimacin Espacial 14


Clasificacin del Kriging
Segn el supuesto de la distribucin de
probabilidad
 paramtrico:
Multigaussiano
Disyuntivo
Lognormal
 no paramtrico:
Simple, Ordinario
Universal, Residual
Indicador

03/04/2009 CG6-Estimacin Espacial 15


Tipos de Kriging lineales
Kriging Simple

Kriging Ordinario

Kriging Universal

Kriging Residual

03/04/2009 CG6-Estimacin Espacial 16


Kriging Simple
Kriging lineal con valores esperados conocidos

Requisitos:
 Conocer valores esperados de la funcin
m( x i ) = E Z ( x i ) , i = 0,..., n
aleatoria .

 Conocer la funcin de covarianzas de la funcin


aleatoria .
ij

03/04/2009 CG6-Estimacin Espacial 17


Kriging Simple
Sistema de ecuaciones:

n
j ij = i = 1,..., n
' '
i0 ,
j =1
n
= m ( x ) m ( x )
0 0
i =1
i i

Estimador: 0 = 0 + i Z ( x i )
*
Z
i =1

n
K2 = 00' i i' 0
Varianza de la estimacin: S
i =1

03/04/2009 CG6-Estimacin Espacial 18


Kriging Ordinario
Kriging lineal con valor esperado estacionario
pero desconocido
Requisitos:
 El valor esperado de la funcin aleatoria sea
constante
m( x i ) = E Z ( x i ) = m, i = 1,..., n
 Conocer la funcin de covarianzas o el
semivariograma de la funcin aleatoria

ij , ij
03/04/2009 CG6-Estimacin Espacial 19
Kriging Ordinario
Sistema de ecuaciones:

n
j ij = 0i , i = 1,..., n
j =1
n
=1

i =1
i

Estimador: Z 0* = i Z ( xi )
i =1

n
K2 = 00 i i 0 +
Varianza de la estimacin: O
i =1

03/04/2009 CG6-Estimacin Espacial 20


Kriging Universal
Kriging lineal en presencia de tendencia
Requisitos:
 Conocer la forma de la tendencia expresada
usualmente mediante polinomios.

m ( x ) = E Z ( x ) = all ( x )
l
 Conocer la funcin de covarianzas o el
semivariograma de la funcin aleatoria sin
tendencia, es decir
ij , ij para {Z ( x ) m ( x )}
03/04/2009 CG6-Estimacin Espacial 21
Kriging Universal
Sistema de ecuaciones:

n L

j ij ll ( x i ) = 0i , i = 1,..., n
j =1 l =1
n
( x ) = ( x ), l = 1,..., L

i =1
i l i l 0

Estimador: Z 0* = i Z ( x i )
i =1

n L

Varianza del error:


2
KU = 00 i i 0 + ll ( x 0 )
i =1 l =1

03/04/2009 CG6-Estimacin Espacial 22


Kriging Universal
Dificultades prcticas

 El orden del polinomio que mejor describe


o explica la tendencia m(x) nunca es
conocido, hay que adivinarlo.

 El variograma tampoco es conocido y hay


que estimarlo a partir de los residuales
R(x) (datos deriva)

03/04/2009 CG6-Estimacin Espacial 23


Kriging Residual
Kriging Residual fue propuesto por
Gambolati y Volpi (1978 y 1979).
Es una alternativa para manejar la no
estacionaridad.
El modelo consiste Z ( x ) = m ( x ) + R ( x )
donde m(x) - tendencia, R(x) - residuos
La deriva o tendencia m(x) se estima
usando mnimos cuadrados ordinarios
A los residuos R(x) sin tendencia se les
aplica el Kriging Ordinario.

03/04/2009 CG6-Estimacin Espacial 24


Kriging Residual
El algoritmo se puede resumir en los siguientes pasos:

Obtener el orden k del polinomio que mejor representa a


la deriva o tendencia.
k ( x)
*
Ajustar la deriva mediante MCO m
Calcular los residuos R ( x ) = Z ( x ) mk* ( x )
Estimar y modelar el semivariograma de los residuos.
Aplicar kriging ordinario a los residuos usando el
semivariograma obtenido.
Se obtiene la estimacin en un punto no observado como

Z * ( x ) = mk* ( x ) + R* ( x )

03/04/2009 CG6-Estimacin Espacial 25


Kriging Indicador
Funcin Indicador de una FA
1, si Z ( x) zc
zc- valor de corte
I ( x, z c ) =
0, si Z ( x) > zc

La distribucin espacial 1
( A, zc ) = I ( x, zc ) d x
A xA

1 1
E [ ( A, zc )] = E I ( x, zc )d x = E [ I ( x, zc )] d x
A xA A xA

E [ ( A, zc ) ] = {(1) Pr [ Z ( x) zc ] + (0) Pr [ Z ( x) > zc ]}d x


1
A xA

F. de distribucin de Z E [ ( A, zc )] = Pr [ Z ( x) zc ] = FZ ( zc )
03/04/2009 CG6-Estimacin Espacial 26
Kriging Indicador
La distribucin de probabilidad de variables indicador es
una distribucin de Bernoulli y sus momentos estn dados
por:

a) Valor esperado E [ I ( x, zc )] = FZ ( zc )

Fun. de covarianzas CI ( h, zc ) = Fx , x + h ( zc , zc ) { FZ ( zc )}
2
b)

c) Varianza Var [ I ( x, zc )] = FZ ( zc ) [1 FZ ( zc )]

d) Fun. de semivarianzas I ( h, zc ) = FZ ( zc ) Fx , x + h ( zc , zc )

03/04/2009 CG6-Estimacin Espacial 27


Kriging Indicador
Variograma Indicador
Se estiman para cada valor de corte y son menos sensibles
a la presencia de valores extremos (outliers)
a) El variograma indicador siempre alcanza una meseta
S ( zc ) = CI (0, zc )
b) S(zc) es una funcin creciente en (-, zM),
c) S(zc) es una funcin decreciente en (zM,),
(donde zM - es la mediana)
d) Una vez conocida la meseta S(zc) del variograma se
puede calcular la funcin de probabilidad acumulativa:
FZ ( zc ) = 0.5 + signo ( zc zM ) 0.25 S ( zc )

03/04/2009 CG6-Estimacin Espacial 28


Kriging Indicador
Uno de los propsitos de usar la variable indicador es para
estimar la funcin de probabilidad acumulativa.
Las funciones de probabilidad estimadas se obtienen
mediante combinaciones lineales de la funcin indicador.
Esta funcin es la proporcin exacta de valores menores
que el valor de corte de una variable, dentro de un rea A.
El valor estimado mediante kriging indicador representa la
probabilidad de que el valor estimado de la funcin
aleatoria sea menor que el valor de corte ( Z ( x ) zc ).
El Kriging indicador genera un mapa por cada valor de
corte (categora indicador), en donde se muestran regiones
con diferente probabilidad de ocurrencia para dicho valor
de corte (categora indicador).
03/04/2009 CG6-Estimacin Espacial 29
Kriging Indicador n
La forma del estimador ( A, zc ) = ( zc )i ( x , zc )
*

=1
n

con la condicin para el no sesgo


=1
( zc ) = 1
El kriging simple puede ser aplicado para hallar los
pesos usando las variables indicador y el variograma
indicador.
Las ecuaciones del Kriging indicador se resuelven en la
prctica para un nmero finito, usualmente menor que 10,
de valores de corte .
Si la estimacin de cada valor de se realiza por separado
no se puede garantizar que se cumplan las relaciones de
orden de una funcin de distribucin vlida.

03/04/2009 CG6-Estimacin Espacial 30


Kriging Indicador
Alternativas (Myers, 1984)

1. Resolver el sistema de ecuaciones para el valor de corte


correspondiente a la mediana (zc= zM) y luego utilizar los
mismos pesos obtenidos en el kriging para otros valores
de corte zc.

2. Utilizar Cokriging Indicador, es decir el estimado se


obtiene a partir de los indicadores i(x,z), =1,,n y
=1,, N. Esta alternativa es ms exacta pero a la vez es
ms costosa en cuanto a cmputo.

03/04/2009 CG6-Estimacin Espacial 31


Aspectos prcticos del Kriging
1.- Definir una malla de estimacin:
 Si bien no hay restricciones para la malla de
estimacin usualmente se eligen mallas regulares
debido a que su geometra facilita la
representacin grfica de los resultados en forma
de mapas de contornos, relieves, etc.
 Una recomendacin prctica respecto al tamao
de la celda de la malla es que debe ser de un
orden aproximadamente igual a la distancia
mnima de separacin de los datos, puesto que
sta es la resolucin de la informacin que se
dispone.
03/04/2009 CG6-Estimacin Espacial 32
Aspectos prcticos del Kriging
Ejemplo de malla de estimacin rectangular:

x nodos x -puntos
de la muestrales
x x estimacin x
x
y celda x
x
x x x
x
x x
x

03/04/2009 CG6-Estimacin Espacial 33


Aspectos prcticos del Kriging
2.- Definir una vecindad de bsqueda:
squeda
La vecindad de bsqueda se define con respecto
al punto a estimar y determina cuales puntos
vecinos potencialmente sern tomados en la
estimacin.
Caso isotrpico: tomar una circunferencia con
centro en el punto a estimar y radio igual o menor
al alcance del variograma.
Caso anisotrpico: tomar una elipse con centro en
el punto a estimar y semiejes iguales o menores a
los alcances del variograma anisotrpico.

03/04/2009 CG6-Estimacin Espacial 34


Aspectos prcticos del Kriging
Ejemplo de vecindad de bsqueda para el caso anisotrpico

Radio de
bsqueda:

Igual al rango

Mayor que el
rango no tiene
sentido, ya no
existe correlacin

03/04/2009 CG6-Estimacin Espacial 35


Aspectos prcticos del Kriging
3.- Definir cantidad de puntos de la estimacin:
Una vez definida la vecindad de bsqueda hay
que especificar cuantos puntos intervendrn en la
estimacin. Esto determina el tamao de la matriz
del Kriging.
Para toda la vecindad se pueden tomar como
valores prcticos:
Mnimo de puntos: entre 4 y 6 puntos.
Mximo de puntos: entre 10 y 25 puntos.
Tambin se pueden establecer cantidades min. y
mx. por cuadrante, octante, etc.

03/04/2009 CG6-Estimacin Espacial 36


Aspectos prcticos del Kriging

03/04/2009 CG6-Estimacin Espacial 37


Aspectos prcticos del Kriging

03/04/2009 CG6-Estimacin Espacial 38


Aspectos prcticos del Kriging

03/04/2009 CG6-Estimacin Espacial 39


Aspectos prcticos del Kriging

03/04/2009 CG6-Estimacin Espacial 40


Aspectos prcticos del Kriging

03/04/2009 CG6-Estimacin Espacial 41


Aspectos prcticos del Kriging

03/04/2009 CG6-Estimacin Espacial 42


Caractersticas del estimador Kriging

Es un interpolador exacto
Incorpora el modelo de variabilidad espacial (obtenido mediante
el anlisis estructural o variogrfico).
Proporciona una medida de la precisin de la estimacin
mediante la varianza de estimacin.
La varianza de estimacin tiene aplicaciones: diseo de
muestreo.
La precisin depende de varios factores: del nmero de
muestras, su localizacin, la distancia entre las muestras y el
punto o bloque a estimar, de la calidad del modelo de variacin
espacial (variograma).
03/04/2009 CG6-Estimacin Espacial 43

Você também pode gostar