¿Qué es la geoestadística?

La geoestadística comprende a un conjunto de herramientas y técnicas que sirven para analizar

y predecir los valores de una variable que se muestra distribuida en el espacio o en el tiempo de
una forma continua. Debido a su aplicación orientada a los SIG, también se podría definir como
la estadística relacionada con los datos geográficos, de ahí que se le conozca además como
estadística espacial. Todo trabajo geoestadístico tiene que llevarse a cabo en tres etapas:
1. Análisis exploratorio de los datos. Se estudian los datos muestrales sin tener en cuenta
su distribución geográfica. Etapa de aplicación de la estadística. Se comprueba la
consistencia de los datos, eliminándose los erróneos e identificándose las distribuciones
de las que provienen.
2. Análisis estructural. Estudio de la continuidad espacial de la variable. Se calcula el
variograma, u otra función que explique la variabilidad espacial, y se ajusta al mismo un
variograma teórico.
3. Predicciones. Estimaciones de la variable en los puntos no muestrales, considerando la
estructura de correlación espacial seleccionada e integrando la información obtenida de
forma directa en los puntos muestrales, así como la conseguida indirectamente en forma
de tendencias conocidas.
¿En qué consiste el krigeado o kriging?
Es un método de estimación geoestadística que considera tanto la distancia como la geometría
de la localización de las muestras, además minimiza la varianza del error esperado que es la
diferencia entre el valor real y el estimado, el krigeado emplea un modelo conceptual con una
función aleatoria asociada a los valores reales. Por lo tanto los métodos geoestadísticos.
Muestran gran flexibilidad para la interpolación, pudiéndose estimar valores puntuales o en
bloques, así como métodos para incorporar información secundaria que esté relacionada con la
variable principal.
¿Qué es un semi-varograma?
Es una herramienta que permite analizar el comportamiento espacial de una propiedad o variable
sobre una zona dada, proporciona suficiente información del comportamiento espacial de la
variable, ello implica el ajustar una función para cuantificar el grado y escala de variación espacial:
modelo esférico, modelo exponencial, modelo gaussiano y el modelo lineal, estos permiten
extraer una serie de parámetros (el rango (A0), el nugget (C0), el sill (C0+C) y la proporción de la
varianza explicada por el espacio (C/C0+C) a menudo expresada en porcentaje ) que son los
que van a ser usados para la interpolación geoestadística (kriging) y que definen el grado y escala
de variación espacial.
¿Qué diferencias hay entre la interpolación IDW y el krigeado?
La interpolación predice valores para las celdas de un ráster a partir de una cantidad limitada de
puntos de datos de muestra. Puede utilizarse para predecir valores desconocidos de cualquier
dato de un punto geográfico, tales como: elevación, precipitaciones, concentraciones químicas,
niveles de ruido, entre otros.
Los métodos de interpolación disponibles son:

IDW
La herramienta IDW (Ponderación de distancia inversa) utiliza un método de interpolación que
estima los valores de las celdas calculando promedios de los valores de los puntos de datos de
muestra en la vecindad de cada celda de procesamiento. Cuanto más cerca está un punto del
centro de la celda que se está estimando, más influencia o peso tendrá en el proceso de cálculo
del promedio.
El valor de salida para una celda que utiliza la distancia inversa ponderada (IDW) se limita al
rango de valores utilizados para la interpolación. Dado que la IDW es un promedio de distancia
ponderada, el promedio no puede ser mayor que la entrada máxima o inferior que la entrada
mínima. Por lo tanto, no puede crear crestas o valles si estos extremos aún no se han muestreado
(Watson y Philip 1985).
Los mejores resultados de la IDW se obtienen cuando la muestra es lo suficientemente densa
respecto de la variación local que intenta simular. Si la muestra de los puntos de entrada es
dispersa o despareja, los resultados pueden no representar en forma suficiente la superficie
deseada (Watson y Philip 1985).
La influencia de un punto de entrada sobre un valor interpolado es isotrópica. Dado que la
influencia de un punto de entrada sobre un valor interpolado se relaciona con la distancia, la IDW
no preserva la cresta (Philip y Watson 1982).
Algunos datasets de entrada pueden tener algunos puntos con las mismas coordenadas x,y. Si
los valores de los puntos de una ubicación común son los mismos, se consideran duplicados y
no afectan a la salida. Si los valores son diferentes, se consideran puntos coincidentes.

Kriging
Kriging es un procedimiento geoestadístico avanzado que genera una superficie estimada a partir
de un conjunto de puntos dispersados con valores z. Más aún que con otros métodos de
interpolación, se debe realizar una investigación profunda del comportamiento espacial del
fenómeno representado por los valores z antes de seleccionar el mejor método de estimación
para generar la superficie de salida.
Kriging es un proceso intensivo del procesador. La velocidad de ejecución depende de la cantidad
de puntos en el dataset de entrada y del tamaño de la ventana de búsqueda.
Los valores bajos en la varianza del ráster de predicción de salida opcional indican un alto grado
de confianza en el valor previsto. Los valores altos pueden indicar que se necesitan más puntos
de datos.
El tipo de kriging universal presupone que hay un componente estructural presente y que la
tendencia local varía de una ubicación a otra.
La varianza del ráster de predicción de salida opcional contiene la varianza de kriging en cada
celda del ráster de salida. Al suponer que los errores kriging se distribuyen normalmente, hay una
probabilidad del 95,5 por ciento de que el valor z real en la celda sea el valor del ráster previsto,
sumando o restando dos veces la raíz cuadrada del valor en el ráster de varianza.

Bibliografía
Moral, F.J. (2004). Revista Ecosistemas. Aplicación de la geoestadística en las ciencias
ambientales. Volumen (13). P.-p (78 - 86). Recuperado de
http://revistaecosistemas.net/index.php/ecosistemas/article/view/582
Gallardo, A. (2006) Revista Ecosistemas. Geostadística. Volumen (15). P.-p (48 - 58).
Recuperado de https://www.revistaecosistemas.net/index.php/ecosistemas/article/view/161
Miranda, M. Condal, A. (2003). Bosque (Valdivia). Importancia del análisis estadístico exploratorio
en el proceso de interpolación espacial: caso de estudio Reserva Forestal Valdivia. Volumen (24).
P.-p (29 - 42). Recuperado de https://scielo.conicyt.cl/scielo.php?pid=s0717-
92002003000200004&script=sci_arttext
ArcMap. (2017) Comparar métodos de interpolación IDW, Kriging. Recuperado de:
http://desktop.arcgis.com/es/arcmap/10.3/tools/3d-analyst-toolbox/comparing-interpolation-
methods.htm
ArcMap. (2017) Comparar métodos de interpolación IDW, Kriging. Recuperado
de:http://desktop.arcgis.com/es/arcmap/10.3/tools/3d-analyst-toolbox/idw.htm
ArcMap. (2017) Comparar métodos de interpolación IDW, Kriging. Recuperado de:
http://desktop.arcgis.com/es/arcmap/10.3/tools/3d-analyst-toolbox/kriging.htm