CENTRO DE INVESTIGACION EN GEOGRAFIA Y GEOMATICA ING. JORGE L. TAMAYO ESPECIALIZACIN EN GEOMTICA MDULO DE GEOESTADISTICA Marzo 2012 Prctica 3.

. KRIGING ORDINARIO. 1)Objetivo A partir de un conjunto de datos (los datos Jura utilizados anteriormente), hacer interpolaciones de concentraciones en puntos no medidos utilizando el mtodo de Kriging Ordinario. Para esta prctica se utilizara el software R y con los paquetes sp y gstat. 2) Introduccin. En un principio el objetivo principal de la geoestadstica fue el de obtener estimaciones de los valores de una variable determinada en lugares sin mediciones. El trmino Kriging fue introducido por Matheron en 1953 en honor D.G. Krige, un ingeniero en minas sudafricano que desarrollo mtodos para estimar las concentraciones de oro y otros metales en las minas. El mtodo Kriging provee una solucin al problema de la estimacin basada en un modelo continuo de variacin espacial estocstica. Hace el mejor uso del conocimiento existente tomando en cuenta la forma en que la propiedad vara en el espacio a travs del modelo de variograma. En su forma original una estimacin de Kriging en un lugar es simplemente una combinacin lineal de los datos en la vecindad. Desde entonces el mtodo ha sido modificado para tratar con problemas ms complejos en minera, ingeniera petrolera, control de la contaminacin y salud. El objetivo de Kriging es el de estimar el valor de una variable aleatoria, Z, en uno o ms puntos no muestreados o sobre grandes bloques, a partir de datos ms o menos distribuidos en una plataforma determinada, digamos, z(x1), z(x2),,z(xn) en x1, x2,,xn. Los datos pueden estar distribuidos en una, dos o tres dimensiones aunque sus aplicaciones en problemas medioambientales suelen ser bidimensionales. El Kriging Ordinario es el que se aplica ms comnmente. Asume que la media es desconocida. S consideramos una estimacin puntual, entonces se estima Z en el punto x0 con:
Z * ( x 0 ) i z ( x i )
i 1 N

que es un promedio ponderado de los datos (siendo i los pesos). Para asegurar que el estimador no sea sesgado los pesos deben sumar 1 y el error esperado es: E[Z*(x0) Z(x0)]=0. Para obtener los pesos se debe resolver el sistema de ecuaciones: A=b

En donde;

( x1, x1)
...

( x1, x 2)
... ... 1

... ... ... ... 1

( x1, xn)
... ...

1 1 1 ... 0

A=

... 1

( xn, x1) ( xn, x 2)

( xn, xn)
...

1 2

= ... n ( x0 )
( x1, x0) ( x 2, x0)
b=
...

( xn, x0)
1

Siendo (xi,xj) el valor del variograma entre los puntos i y j, i el peso i, y (xi,x0) el variograma entre el punto i y el punto a interpolar (x0) 3) Instalacin de librerias El primer paso consiste en instalar los paquetes correspondientes a sp y gstat de R. Estos paquetes tienen dependencias de otros paquetes como zoo, xts y spacetime que deben instalarse previamente. Junto con esta prctica se anexan los archivos zip para instalar cada uno de estos paquetes. El procedimiento para instalar cada paquete es el siguiente: i) En el men de R elegir la pestaa paquetes y la opcin instalar paquetes a partir de archivos zip locales ii) Selecccione los archivos zip necesarios y seleccione la opcin abrir

4) Carga de datos Jura. Los datos Jura vienen incluidos en el paquete gstat, por lo que no ser necesario utilizar el archivo de texto utilizado en la prctica 1. Los comandos para cargar los datos Jura y a partir de ellos crear clases espaciales que puedan ser utilizadas por gstat son los siguientes:
library(gstat) data(jura)

summary(prediction.dat) summary(validation.dat) summary(transect.dat) summary(juragrid.dat) require(sp) jura.pred = prediction.dat jura.val = validation.dat jura.grid = juragrid.dat jura.pred$Landuse = factor(prediction.dat$Landuse, labels=levels(juragrid.dat$Landuse)) jura.pred$Rock = factor(prediction.dat$Rock, labels=levels(juragrid.dat$Rock)) jura.val$Landuse = factor(validation.dat$Landuse, labels=levels(juragrid.dat$Landuse)) jura.val$Rock = factor(validation.dat$Rock, labels=levels(juragrid.dat$Rock)) coordinates(jura.pred) = ~Xloc+Yloc coordinates(jura.val) = ~Xloc+Yloc coordinates(jura.grid) = ~Xloc+Yloc gridded(jura.grid) = TRUE

5) Variograma de nube (cloud variogram). Esta herramienta permite graficar las diferencias al cuadrado (trminos de semivarianza) [zi zj]2 en funcin de la distancia. Escriba el siguiente comando en R, sustituyendo la palabra Variable por el nombre de la variable que haya elegido para hacer las interpolaciones. plot(variogram(Variable ~1, jura.pred, cloud = TRUE)) El smbolo ~1 define un predictor constante relacionado con la hiptesis E(Z(x)) = m. Una manera de identificar en el mapa los outliers de la nube del variograma es mediante los siguientes comandos:
sel <- plot(variogram(Variable ~1, jura.pred, cloud = TRUE), digitize = TRUE) plot(sel,jura.pred)

Inserte las grfica obtenida en su reporte y responda la siguiente pregunta. Preguntas: 1) Qu informacin puede obtenerse a partir de esta grfica? 6) Variograma experimental. La funcin general para realizar el variograma experimental tiene la siguiente forma:
plot(variogram( Variable ~ 1, jura.pred))

Para la mxima distancia que aparece en el variograma experimental gstat utiliza un tercio de la mxima distancia entre dos puntos. Para el ancho del intervalo, gstat utiliza el valor de la mxima dividido entre 5.

7) Ajuste del variograma experimental a un modelo terico. Para obtener una lista de los modelos de variogramas con que cuenta gstat utilice el comando:
show.vgms()

Para obtener informacin especfica de los argumentos necesarios para generar un variograma utilice el comando help(vgm) Para ajustar un variograma experimental a un modelo terico ejecute los siguientes comandos y siga las instrucciones:
v <- variogram(Variable ~ 1, jura.pred) plot(v)

Para hacer el ajuste se requiere: 1) Elegir un modelo apropiado (con o sin nugget) 2) Elegir valores apropiados para el sill parcial, rango y nugget. 3) Ajustar el modelo utilizando un criterio especfico. A partir del variograma experimental obtenga valores aproximados a ojo del nugget, sill (parcial) y rango para un modelo determinado (se recomienda utilizar el modelo esfrico). La funcin general para el variograma terico tiene la siguiente forma: vgm(sill parcial, modelo, rango, nugget) El siguiente mtodo realiza un ajuste mediante una regresin no lineal para ajustar los coeficientes a un modelo esfrico.
v.fit <- fit.variogram(v, vgm(sill parcial,"Sph",rango,nugget))

Podr observer los valores ajustados al escribir

v.fit

Preguntas: 2.- Variaron mucho los ajustes en comparacin con los parmetros originales que dio en la funcin de ajuste? 8) Kriging Finalmente se obtendr la interpolacin mediante el mtodo Kriging Ordinario (OK).
x <- krige(Variable ~ 1, jura.pred, jura.grid, v.fit)

Para graficar los resultados obtenidos ejecutar el comando:

spplot(x["var1.pred"], main ="Predicciones con kriging ordinario para Variable")

Para graficar la varianza del proceso:

spplot(x["var1.var"], main = "Varianza del kriging ordinario")

Preguntas: 3.- Qu nos indica el mapa de varianzas de kriging? 4.- En donde esperaramos obtener las mejores interpolaciones? 5.- Si se interpolara en uno de los puntos correspondiente a la muestra con la que se elabor el variograma experimental cul sera el resultado de la interpolacin? 6.- Cmo seran los pesos de la matriz en el caso anterior? (referido al caso de la pregunta 5). 7.- En qu consiste el mtodo de validacin cruzada y como servira para obtener mejores interpolaciones?