Uno de los insumos utilizados en este estudio fue el modelo

de elevaci�n digital (MED), el cual representa puntos sobre la

superfi cie del terreno cuya ubicaci�n geogr�fi ca se encuentra
defi nida por coordenadas X y Y a las que se les agrega un valor
de Z el cual corresponde a la elevaci�n (INEGI, 2006). Para
este estudio fue considerado extraer el segmento del �rea de
inter�s para utilizarlo como una variable auxiliar o secundaria
en la generaci�n de superfi cies mediante la interpolaci�n de
datos puntuales mediante el m�todo co-kriging y thin plate
smoothing spline; la resoluci�n con la que cuenta el MED
es de 90 m.
Para realizar el proceso de interpolaci�n fueron utilizados
los sistemas de informaci�n geogr�fi ca (SIG), que se defi nen
como una integraci�n organizada de hardware, software,
datos geogr�ficos y personal, dise�ado para capturar,
almacenar, manipular, analizar y desplegar en todas sus
formas la informaci�n geogr�fi camente referenciada; algunos
pueden incluir m�dulos para realizar la interpolaci�n de
datos puntuales. Los SIG utilizados fueron la extensi�n
geostatistical analyst de arcgis 8 (ESRI, 2002) y la versi�n
4.3 del software ANUSPLIN desarrollado por Hutchinson
(2004).
Se entiende como interpolaci�n al proceso de generar una
superfi cie continua en un espacio geogr�fi co con base a una
serie de puntos ubicados en diferentes situaciones geogr�fi cas
de ese mismo espacio (Johnston et al., 2001).
A continuaci�n se realiza una breve descripci�n de los distintos
m�todos de interpolaci�n empleados en el desarrollo de esta
investigaci�n. El primero que se describe es inverso de la
distancia, IDW por sus siglas en ingl�s y es considerado el
m�todo m�s simple de interpolaci�n; L�pez (1995) refi ere a
que asigna el peso m�s grande al punto m�s cercano y este peso
disminuye a medida que aumenta la distancia dependiendo
del coefi ciente potencia �. El peso de un punto utilizando este
m�todo se expresa como:
????
?? ??
??
??
?? ??
??
??
?? ??
??
??
?? ??
??
??
??
N
e i i e i
i d d
w N
, 1 ,
1 1
?? ??
1)
282 Agric. T�c. M�x. Vol. 34 N�m. 3 Julio - Septiembre 2008
Gabriel Diaz Padilla et al.
donde:
N = n�mero total de estaciones
de,i = distancia entre el sitio a estimar e y la estaci�n i
� = coefi ciente de potencia.
El valor del punto se estima tomando con base en un
promedio ponderado de los datos de las mediciones. A cada
estaci�n se le asigna un peso en virtud de la localizaci�n con
respecto a otras y con respecto al punto a estimar. Para una
red de N estaciones, la ecuaci�n b�sica es:
????
??
N
i
e i i p w p
1
2)
donde:
e p = dato estimado en el sitio e
i p = dato medido en la estaci�n i
i w = denota el peso de la estaci�n
i= representa el punto estimado en el sitio e
N = n�mero total de estaciones cercanas al sitio , que se
utilizar�n para estimar el dato en el sitio .
Otro m�todo empleado es el m�todo kriging que se basa en
una funci�n continua que explica el comportamiento de una
variable en las distintas direcciones de un espacio geogr�fi co
y permite asociar la variabilidad de la estimaci�n con base
a la distancia que existe entre un par de puntos mediante
el uso de un semivariograma o variograma el cual permite
percibir el nivel de similitud que existe entre �stos a medida
que se encuentran m�s alejados (Gallardo, 2006). El c�lculo
de la varianza entre pares de puntos separados por intervalos
de distancia se conoce como semivarianza (?), el cual se
representa con:
?? ?? ?? ?? ?? ?? ?? ?? ?? ??2
2
1 ?? ?? ?? ?? h x x h ?? h N Z Z 3)
muestras separado por el intervalo de distancia,
respectivamente, ambos se encuentran separados por una
distancia h .
(x) Z = valor de la muestra en una localizaci�n x
(x h) Z + = valor de la muestra a la distancia h desde x.
Otra t�cnica considerada es la de co-kriging la cual es una
extensi�n natural del kriging y permite mejorar la estimaci�n
de una variable principal con pocos puntos usando una variable
secundaria con mayor cantidad de informaci�n y que adem�s
est� correlacionada con la principal. De esta forma puede
construirse un semivariograma o variograma cruzado el cual
representa la varianza de una variable con respecto a la otra
y la informaci�n que se obtenga de este puede usarse para la
predicci�n de la variable principal.
Por �ltimo, el m�todo thin plate smoothing spline (TPSS)
se encuentra enfocado hacia aplicaciones climatol�gicas
mediante el c�lculo de estimaciones; considera la dependencia
espacial de la topograf�a proporcionando la estimaci�n directa
del error de interpolaci�n y el diagn�stico efi caz de errores de
los datos (Hutchinson y Gessler 1994). El modelo estad�stico
para este m�todo considerando dos variables de posici�n
independiente (latitud y longitud) y dependencia lineal de
elevaci�n es como se expresa a continuaci�n:
?? ?? ????
?? ?? ??
p
j
qi f xi yi i ij i
1
, ???? ?? 4)
donde:
( ) i i f x , y = funci�n de ajuste desconocida
j � = conjunto de par�metros desconocidos
i i ij x , y ,? = variables independientes
i e = error aleatorio independiente con media cero y varianza
s 2 i d
i d = pesos desconocidos.
La funci�n de ajuste f y los par�metros j � son estimados
minimizando:
q f ??x y ?? d m ?? f ??
n
i
i
p
j
?? i i i ?? j ij J
?? ??
??
?? ??
??
??
?? ??
??
??
?? ??
??
??
?? ??
??
??
?? ??
1
2
1
, ?? ?? ?? 5)
donde:
? (h) y (h) N = semivarianza para todas las muestras
localizadas en el espacio y el n�mero total de pares de