Análisis Geo-Estadístico y Exposición Solar - ILWIS

THE INTEGRATED LAND AND W ATER INFORMATION SYSTEM
INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS
Análisis Geo-Estadístico
y de Exposición Solar
Xander Bakker
Septiembre de 2000
Santafé de Bogotá, D.C., Colombia
Advertencia:
El presente documento fue elaborado como un curso de análisis geo-estadístico utilizando

el sistema de información geográfica ILWIS versión 2.23 para Windows. Para el buen
desarrollo de este curso los participantes deben tener conceptos básicos de sistemas de
información geográfica, haber recibido el curso de introducción a ILWIS o tener
experiencia con el sistema de información geográfica ILWIS versión para Windows
obtenido por medio de métodos autodidactas.
HeRindser Ltda ni el autor de este documento asumen responsabilidad por resultados

erróneos obtenido en el análisis geo-estadístico efectuado con base en este documento.
Contenido:
1. INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Definición de Interpolación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Interpolación de puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Interpolación de vecinos más cercanos . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.2 Interpolación de promedio móvil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Interpolación de tendencia de superficie . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.4 Interpolación de superficie móvil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Historia del Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Aplicaciones del Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. TEORÍA DE GEO-ESTADÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Distribución espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 (Auto-)Correlación espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Interpretación de “Moran's I” y “Geary's c”: . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Semivariogramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 Variograma representado como superficie . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Variograma de cruces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Métodos de Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6.1 Simple Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6.2 Ordinary Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6.3 Anisotropic Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6.4 CoKriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6.5 Universal Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7 Diagrama de flujo del Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3. EJERCICIO DE KRIGING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1 Reconocer la información . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.1 Despliegue y consulta de la información . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.2 Análisis de distribución espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Generación de variogramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Variograma representado como superficie (Anisotropía) . . . . . . . . . . . 23
3.2.2 Correlación espacial bi-direccional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Modelar el semivariograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.3.1 Adicionar modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.2 Anisotropía zonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.3 Correlación espacial omnidireccional . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.4 Adicionar modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.5 Verificación y selección de los modelos (Goodness of Fitt R2) . . . . . . . 28
3.4 Interpolación por medio del Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5 Verificación del resultado (Confidence interval) . . . . . . . . . . . . . . . . . . . . 34
4. EXPOSICIÓN SOLAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.1 La trayectoria solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.1.1 Declinación solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.1.2 Latitud geográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.3 Ángulo horario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Ocultamiento topográfico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.1 Definición de exposición solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.2 Ángulo de incidencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.3 Irradiación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 Ejercicio práctico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 Operaciones de conectividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.2 Intervisibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.3 Conectividad en ILWIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.4 Iniciar el proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5. RESPUESTAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Anexo: Declinación solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54


1. INTRODUCCIÓN
La geo-estadística se aplica a un conjunto de puntos con sus atributos con el fin de
comprender su distribución y comportamiento espacial y determinar el tipo de análisis que
se puede aplicar. Tema central de este curso es el proceso de Kriging, entendido como
una interpolación de atributos puntuales por medio de una función estadística. Dentro de
este curso se explicarán los fundamentos de la geo-estadística y se pondrán en práctica
dichos conocimientos. Además se ha incluido una sección teórico-práctica que trata del
análisis de exposición solar.
1.1 Definición de Interpolación

Es el procedimiento de estimar las propiedades en sitios no muestreados dentro de un
área cubierta por valores conocidos en localidades vecinas. El estimar los valores de
propiedades en lugares fuera del área cubierta por observaciones se llama extrapolación.
La calidad de la interpolación depende de la confiabilidad, certeza, número y distribución
de los puntos conocidos usados en el cálculo y en la precisión del modelamiento de la
función utilizada. Los valores desconocidos son calculados con esta función. El escoger
el modelo apropiado, es esencial para obtener buenos resultados. (Valenzuela 1989,
Aronoff 1989)
1.2 Interpolación de puntos

La interpolación de puntos sirve para generar un superficie continua de valores a partir
de valores registrados en ubicaciones puntuales. Existen en la literatura muchas
diferentes formas para efectuar este tipo de interpolación y cada una de estos tipos tiene
su aplicación específica. ILWIS soporta varios de estas interpolaciones: vecino más
cercano, promedio móvil, tendencia de superficie y superficie móvil. (ILWIS 1999)
1.2.1 Interpolación de vecinos más cercanos

La interpolación de vecinos más cercanos crea los denominados polígonos de Thiessen
(o "polígonos Voronoi") los cuales definen áreas de influencia individual por cada punto
de un conjunto de puntos. Es una manera de extender la información puntual asumiendo
que la mejor información, para ubicaciones sin observaciones, es el valor del punto más
cercano. (Aronoff 1989).
A A
B C B C
D D
E F E F
G G
H H
Figura 1: Polígonos de Thiessen

1 Introducción
INTERPRETACION DIGITAL Y SENSORES REMOTOS for W I N D O W S

La funcionalidad es la siguiente: para cada pixel las distancias euclidianas son calculadas
hacia todos los puntos. A cada pixel se le asigna el valor del punto con la menor distancia.
Este tipo de interpolación no se aplica para generar mapas de superficie continua, pero
más bien para determinar áreas de influencia de, por ejemplo; escuelas con base en
distancias o tiempos de viaje. (Ver gráfico abajo) (Bakker y Perez 2000)
En la figura 2 se muestra un mapa de polígonos de Thiessen calculado sobre una

superficie compleja mediante una operación de esparcimiento. (Datos: CVC, Cuenca
Tulua-Morales, Proyecto SIGPAFC, asesorado por X. Bakker, HeRindser LTDA)
condiciones de
esparcimiento
Figura 2: Polígonos de Thiessen sobre superficie compleja
Una función de esparcimiento evalúa fenómenos que se acumulan con la distancia. Se

utiliza para evaluar tiempo o costo de transporte sobre una superficie compleja. Los
movimientos pueden ser limitados por barreras parciales que reducen la velocidad de
movimiento o por barreras absolutas que impiden completamente el movimiento.
(Valenzuela 1989, Aronoff 1989). ILWIS permite por medio del programa “Distance”
generar estos tipos de mapa, especificando un mapa de pesos (valor dificultad, tiempo o
costo para atravesar un pixel). Dentro de esta operación se puede opcionalmente crear
un mapa de polígonos de Thiessen.

2 Introducción

1.2.2 Interpolación de promedio móvil
Una de los tipos de interpolación más aplicada para determinar un valor en ubicaciones
“no-visitadas” es la del promedio móvil. Funciona por medio de una ventana circular
donde el valor resultante es determinado por la influencia de puntos conocidos dentro de
esta ventana. La influencia es ponderada con base en la distancia inversa o decrecimiento
lineal (En las figuras 3 y 4: i es la influencia y d es una función de distancia). (Burrough
1985, ILWIS 1999).
En ILWIS se pueden usar dos funciones para ponderar la influencia como función de
distancia. La primera es la “Distancia Inversa” (ver figura 3) y la segunda es el
“Decrecimiento Lineal” (ver figura 4).
La figura 3 muestra gráficamente

la influencia de cada punto como
función de distancia (Distancia
Inversa). Los puntos más cercanos
tendrán la mayor influencia en el
valor resultante. Al incrementar la
variable n los puntos a mayor
distancia casi no tienen influencia
en el resultado.
Figura 3: Influencia como función de distancia (distancia inversa)
La figura 4 muestra gráficamente

la influencia de cada punto como
función de distancia
(Decrecimiento Lineal). Los
puntos más cercanos tendrán la
mayor influencia en el valor
resultant. Al incrementar la
variable n los puntos a mayor
distancia ejercen influencia en el
resultado. Con el valor 1 para la
variable n el decrecimiento será
una linea recta.
Figura 4: Influencia como función de distancia (decrecimiento lineal)

3 Introducción

En la figura 5 se muestra el resultado de una interpolación de puntos, usando el método
de promedio móvil con una función de Distancia Inversa con n=2.5. Información de
precipitación en el área de estudio de la Bioreserva Amboseli, Kenia.
Figura 5: Interpolación por medio del promedio móvil
Los puntos incluidos para la interpolación también están ubicados fuera del área de
estudio, para evitar que los errores de interpolación ocurran dentro del área de interés.
Posteriormente se recortó el área útil.

4 Introducción

1.2.3 Interpolación de tendencia de superficie
Una forma relativamente sencilla para describir variaciones graduales sobre grandes
distancias es por medio del modelamiento con una regresión “polynomial”. La idea es
ajustar una superficie polynomial, usando “least squares fit” mediante los puntos
conocidos. Las funciones que se pueden usar varían desde la más sencilla “plano” para
áreas de poca variación hasta la más compleja “6o orden superficie polynomial” para
superficies con un alto grado de variación. La superficie que resulta trata de ajustarse a
la máxima cantidad de puntos. (Burrough 1985, ILWIS 1999).
En ILWIS la interpolación de tendencia de superficie únicamente puede ser desarrollada

con mapa de puntos con dominio de tipo valor o con base en un atributo numérico.
Figura 6: Regresión lineal Figura 7: Regresión polynomial
Las figuras muestran dos funciones para ajustar la superficie a los puntos conocidos. La
figura 6 muestra una función lineal, y la figura 7 muestra una función polynomial.
Horizontalmente está graficada la distancia y verticalmente la varianza. En el análisis de
tendencias la linea de regresión se ajusta de tal forma que la suma de los cuadrados de
diferencia sea la mínima (b) y no la distancia mínima entre el punto y la linea (a) ni
tampoco la desviación estándar en distancia (c). (Burrough 1985)
1.2.4 Interpolación de superficie móvil

La interpolación de superficie móvil es una combinación de la interpolación de tendencias
de superficie y el promedio móvil. Usa las mismas funciones que la anterior interpolación,
pero adicionalmente utiliza un método de distancia como el empleado en la interpolación
de promedio móvil. Se pueden usar las dos funciones de distancias (Distancia Inversa y
Decrecimiento Lineal). Tanto en la interpolación de superficie móvil como en la de
tendencias de superficie se recomienda determinar la distribución espacial con el
programa “Pattern Analysis” y la correlación espacial por medio del programa “Spatial
Correlation”.

5 Introducción

1.3 Historia del Kriging
En la mayoría de los casos la interpolación de puntos (ej. promedio móvil) genera un
resultado satisfactorio, sin embargo deja unas preguntas sin responder:
a) Que tan grande debería ser la distancia de los puntos que ejercen influencia en el
valor del resultado?
b) Existen mejores maneras para determinar el resultado?
c) Cual es el error asociado con el resultado de la interpolación?
En 1971 estas preguntas motivaron al geo-matemático Francés Georges Matheron y el

ingeniero de minería de Sud-África D.G. Krige a desarrollar un método para la
interpolación de puntos con el objeto de ser aplicado en la industria minera. El método de
interpolación es óptimo en el sentido que la función de ponderación se selecciona
perfeccionando la función de interpolación con el fin de proveer el mejor estimado lineal
imparcial (Best Linear Unbiased Estimate). La aplicabilidad del método se determina con
la aceptación de que la distribución espacial de cualquier propiedad geológica, hidrológica
o de suelos, conocida como variable regionalizada, es demasiado irregular para ser
modelada usando una función matemática que promedie y que además puede ser
representada con mejores resultados con una superficie empíricamente determinada.
Antes de efectuar la interpolación se tiene que explorar y modelar estos aspectos por
medio de funciones estadísticas que determinen las variables que van a ser utilizadas en
el proceso. Por medio de la correlación espacial se selecciona la función estadística que
mejor se adapte a los datos disponibles. (Burrough 1985, ILWIS 1999)
1.4 Aplicaciones del Kriging

En documentos existentes el proceso del Kriging tiene muchas aplicaciones en campos
de exploración y explotación, modelar aspectos hidrológicos hasta la generación de
mapas de caracterización de suelos. Es importante notar que el proceso del Kriging dentro
de ILWIS únicamente se puede efectuar con base en atributos numéricos.

6 Introducción

2. TEORÍA DE GEO-ESTADÍSTICA
ILWIS cuenta con las herramientas para determinar la distribución espacial y la
correlación de atributos. Todos estos procesos son pre-requisito para la operación del
Kriging. En este capítulo se explica la utilidad de cada una de estas operaciones.
2.1 Distribución espacial

La distribución espacial (Pattern Analysis) es una técnica que ofrece al usuario más
información acerca la distribución del fenómeno a examinar. Se pueden distinguir 4 tipos
de distribución espacial; Complete Spatial Randomness CSR (aleatorio), Cluster
(agrupado), Regular (regular) y Paired (en parejas). Ver figuras 8 a 15. Es posible
identificar visualmente la distribución espacial, sin embargo se recomienda graficar la
distancia contra la probabilidad para encontrar 1 punto (columna Prob1Pnt graficado en
rojo) y para encontrar todos los puntos (columna ProbAllPnt graficado en verde).
Figura 8: Distribución aleatoria Figura 9: Distancia versus probabilidad (aleatoria)
Figura 10: Distribución agrupada Figura 11: Distancia versus probabilidad (agrupada)

7 Teoría de geo-estadísticas
Figura 12: Distribución regular Figura 13: Distancia versus Probabilidad (regular)
Figura 14: Distribución en pareja Figura 15: Distancia versus probabilidad (en pareja)
Notese la diferencia en el comportamiento de las curvas de probabilidad tanto en el caso

de encontrar un punto como en el de encontrarlos todos. En la distribución aleatoria y en
la distribución regular la certeza (probabilidad igual a 1) de encontrar 1 punto ocurre a
menor distancia que en las otras distribuciones. La diferencia entre la distribución
aleatoria y la distribución regular se puede notar en la inclinación de la linea roja: la
distribución aleatoria tiene un incremento gradual, mientras que la distribución regular
causa una linea casi vertical.
La curva roja (probabilidad de encontrar 1 punto) es muy similar para las distribuciones
agrupadas y en pareja. Sin embargo, se pueden distinguir fácilmente por la curva verde
(probabilidad de encontrar todos los puntos): para la distribución en pareja esta aumenta
gradualmente, mientras para la distribución agrupada se incrementa con un
comportamiento escalar. Una operación de Kriging requiere de una distribución aleatoria
de los puntos.


En ILWIS existen dos técnicas para determinar la distribución espacial con base en un
mapa de puntos:
Nearest Neighbour Distance NND (Distancia de vecino más cercano)

Este método consiste en analizar la distribución espacial, utilizando características
de la distancia entre pares de puntos. La distribución se analiza calculando las
distancias entre cada punto y su primer, segundo, tercer, cuarto, quinto y sexto
vecino más cercano. El resultado se puede comprobar contra las distancias
esperadas en una CSR (distribución completamente aleatoria). En el caso de que
los pares de puntos sean más cercanos se evidenciará una distribución agrupada.
En caso de que estén mas distanciados, se tomará como una distribución regular.
Figura 16: Tabla de distribución espacial (NND)
Reflexive Nearest Neighbour (RNN)

En este método dos puntos son considerados RRN cuando dentro de un par de
puntos cada uno es el vecino mas cercano del otro. Este cálculo se hace para el
primer vecino más cercano hasta el sexto vecino más cercano (ILWIS 1997).
Figura 17: Información adicional acerca RNN


A continuación se presenta información adicional acerca de RNN y NND que ILWIS
genera para cuatro mapas de puntos con las cuatro diferentes distribuciones: aleatoria (1),
agrupada (2), regular (3) y en pareja (4):
Reflexive Nearest Neighbours Reflexive Nearest Neighbours
Order Obs. values Assumed CSR Order Obs. values Assumed CSR
================================== ==================================
1 62.00 62.15 1 64.00 62.15
2 40.00 32.91 2 32.00 32.91
3 30.00 24.31 3 22.00 24.31
4 18.00 20.15 4 24.00 20.15
5 22.00 17.60 5 16.00 17.60
6 12.00 15.82 6 8.00 15.82
Distance to Nearest Neighbours Distance to Nearest Neighbours
================================== ==================================
1 5052.37 4899.90 1 1092.95 3590.43
2 7778.14 7349.84 2 1742.72 5385.65
3 10258.35 9187.30 3 2272.11 6732.06
4 12084.69 10718.03 4 2743.68 7853.72
5 13870.36 12058.64 5 3127.95 8836.06
6 15288.82 13264.02 6 3468.96 9719.31
Cuadro 1: RNN y NND para distribución aleatoria Cuadro 2: RNN y NND para distribución agrupada
Reflexive Nearest Neighbours Reflexive Nearest Neighbours
================================== ==================================
1 2.00 61.53 1 100.00 62.15
2 16.00 32.58 2 34.00 32.91
3 0.00 24.07 3 30.00 24.31
4 2.00 19.95 4 14.00 20.15
5 30.00 17.42 5 18.00 17.60
6 2.00 15.66 6 14.00 15.82
Distance to Nearest Neighbours Distance to Nearest Neighbours
================================== ==================================
1 10000.00 4494.67 1 759.91 4918.68
2 10000.00 6742.00 2 8138.23 7378.03
3 10167.36 8427.50 3 8632.07 9222.53
4 11742.91 9831.63 4 11342.81 10759.13
5 14378.82 11061.37 5 11812.38 12104.88
6 16367.65 12167.06 6 14382.59 13314.88
Cuadro 3: RNN y NND para distribución regular Cuadro 4: RNN y NND para distribución en pareja


2.2 (Auto-) Correlación espacial
Muchas variables tienen diversos valores en diferentes ubicaciones, estas pueden ser
consideradas como ubicaciones geográficas aleatorias y ser analizadas usando una
(auto-)correlación espacial. Ejemplos de este tipo de fenómeno son datos pluviométricos,
concentración de elementos tóxicos, elevación en puntos de triangulación, etc. Por medio
de la autocorrelación espacial se puede determinar la variación espacial del fenómeno a
estudiar. Normalmente, parejas de puntos con menor distancia intermedia presentan una
mayor correlación en la variable, mientras que puntos con mayor distancia intermedia
presentan más variación. El “autocorrelogram“ cuantifica esta relación entre distancia y
varianza y permite obtener una mejor comprensión del fenómeno a estudiar. ILWIS
permite el cálculo de correlación espacial omnidireccional (en todas las direcciones) y bi-
direccional (en una dirección especificada con su dirección perpendicular). Requiere la
especificación del “Lagspacing” (intervalo de distancia). En caso de seleccionar la opción
bi-direccional se debe indicar la dirección, tolerancia y opcionalmente el ancho de banda.
(Ver figura 18).
En caso de que exista un punto en el

origen de la figura 18, se evalúan todos
aquellos puntos que se encuentren entre
la dirección (linea azul) menos la
tolerancia (lineas rojas) y la dirección más
la tolerancia. Cuando se encuentre un
punto su varianza y otros atributos serán
registrados en su correspondiente clase
de “Lag spacing” (columna Distance de la
Figura 18: Correlación espacial bi-direccional figura 19).
El resultado de esta operación produce una tabla con las siguientes columnas:
Figura 19: tabla que resulta de la correlación espacial bi-direccional


Distance Indica el centro de cada clase de distancia (“Lag spacing”)
NrPairs El número de pares de puntos encontrados en las clases de distancia.
I ”Moran's I” representa la correlación espacial de los puntos dentro de cada
clase de distancia. (La relación entre el producto de la diferencia de los
valores entre puntos con la diferencia global).
c “Geary's c” representa la varianza espacial de los puntos dentro de cada
clase de distancia (compara las diferencias en cuadrado con la media de
todos los valores).
AvgLag1 Para cada clase de distancia se determina la distancia promedio entre los
pares de puntos (1 es para la dirección principal de la operación bi-
direccional).
NrPairs1 Números de pares encontrados en cada clase de distancia (dirección
principal)
SemiVar1 Semivarianza experimental para cada clase de distancia (dirección principal)
AvgLag2 Para cada clase de distancia se determina la distancia promedio entre los
pares de puntos (2 es para la dirección perpendicular a la dirección principal
de la operación bi-direccional).
NrPairs2 Números de pares encontrados en cada clase de distancia (dirección
perpendicular)
SemiVar2 Semivarianza experimental para cada clase de distancia (dirección
perpendicular)
En caso de efectuar la operación omnidireccional, únicamente se genera una columna

para el número de pares (NrPairs), distancia promedio (AvgLag) y semivarianza
experimental (SemiVar).
La operación bi-direccional únicamente se hace cuando se supone un comportamiento de

Anisotropía en los datos. El ángulo de Anisotropía puede ser determinado por medio de
una operación de “Variograma representado como superficie” (ver 2.4).
Es importante que el “Lag spacing” sea seleccionado de tal forma que las clases de
distancia tengan mínimo 30 puntos en cada clase.
2.2.1 Interpretación de “Moran's I” y “Geary's c”

Los valores de “Moran’s I” y “Geary’s c” pueden interpretarse así:
0<c<1 Autocorrelación positiva I>0

c>1 Autocorrelación negativa I<0
c=1 Distribución aleatorio de los valores I=0


2.3 Semivariogramas
El modelamiento de las semivariogramas es un aspecto muy importante en la preparación
de la operación de Kriging. En este proceso se determina que modelo estadístico se
ajusta mejor al comportamiento (correlación espacial) de los datos y cuales son las
variables a ser usadas durante el Kriging.
A partir de la tabla generada en la operación de correlación espacial se despliega la

columna “Distance” o la columna “AvgLag” horizontalmente contra la columna “SemiVar”
verticalmente. Al seleccionar el rango de distancia, no debe especificarse más que la
mitad de la distancia máxima, puesto que se asume que después de una determinada
distancia no existe correlación espacial entre los puntos. En caso que se use la opción bi-
direccional en la correlación espacial, se debe hacer este proceso para ambas
direcciones. ILWIS soporta los siguientes variogramas teóricos para modelar el
comportamiento de la correlación espacial (ver figura 20):
Figura 20: Modelos disponibles en ILWIS para modelar el semivariograma
En el ejemplo anterior se utilizaron las siguientes variables:
Power model: Nugget = 215, Slope = 0.000015 y Power = 1.6

Gaussian model: Nugget = 350, Sill = 800, Range = 35km
Spherical model: Nugget = 215, Sill = 750, Range = 39km
Circular model: Nugget = 150, Sill = 650, Range = 40km
Exponential model: Nugget = 300, Sill = 700, Range = 35km
Rational Quadratic model: Nugget = 260, Sill = 550, Range = 35km
Wave model: Nugget = 0, Sill = 350, Range = 4km


Notése que todos los modelos utilizan las tres variables “Nugget”, “Sill” y “Range”, menos
el Power model. El siguiente gráfico contiene la explicación de cada variable:
Figura 21: semivariograma esférico
Nugget Es el valor inicial de la semivarianza (a la distancia cero) donde empieza el

semivariogram (corte con el eje vertical). En teoría este valor debería ser
cero, puesto que a distancia cero no debería existir varianza en el atributo.
Sin embargo, en la práctica existen casos donde se requiere especificar un
valor diferente a cero.
Sill Es el valor de semivarianza donde la curva se deja de incrementar.
Range Corresponde a la distancia donde la curva se deja de incrementar.
Slope Para el “Power model” representa la pendiente de la curva (ver figura 20).
En caso de usar un “Power” de 1 se obtiene una linea recta. Si en el
ejemplo de la figura 20 se hubiera usado un Power igual a 1, la pendiente
hubiera sido la siguiente:
∆ S em iva r 800
= ≈ 0 .0 1 2
∆ D istan c ia 6 5 0 0 0
Power Para el “Power model” representa la curvatura de la linea (ver figura 20).


2.4 Variograma representado como superficie
La operación “variogram surface” utilice un mapa de puntos (o mapa raster) y calcula una
superficie de valores de semivarianza, donde cada pixel en la superficie representa una
clase de distancia direccional. Esta superficie permite determinar visualmente la dirección
de una posible anisotropía.
En caso de establecerse la anisotropía en los datos, debe medirse el ángulo principal;

luego realizar la correlación espacial usando este ángulo y modelar el semivariograma,
estableciendo los parámetros necesarios para el proceso de Anisotropic Kriging.
Figura 22: Generación de un variograma representado como superficie
La figura 22 contiene 4 gráficos: el primero representa un mapa de puntos donde todos

los pares de puntos han sido identificados mediante lineas de color (son 6). El segundo
representa estas lineas (separation vectors) dibujadas desde el orígen en ambas
direcciones (es decir dirección CB y también dirección BC) con su correspondiente
longitud (distancia entre puntos). El tercer gráfico muestra las clases de distancias (Lag
spacing) como un mapa raster con las lineas sobrepuestas. El cuarto muestra el resultado
del variograma: un mapa raster con valores de semivarianza en los pixeles
correspondientes a las clases de distancia direccional. Para obtener buenos resultados
se recomienda tener unos 30 pares de puntos por cada pixel.
Normalmente el semivariograma representado como

superficie debe ser circular (baja varianza cerca del orígen
{color azul} y alta varianza {color rojo} hacia afuera).
En caso que el comportamiento sea más similar a una elipse

se puede concluir que los datos tienen anisotropía y se debe
usar el proceso “Anisotropic Kriging”. En este caso debe
medirse el ángulo de poca varianza y su tolerancia.
Figura 23: “variogram surface”


2.5 Variograma de cruces
El variograma de cruces calcula valores de semivarianza experimental para dos variables
de entrada y un variograma de cruces para la combinación de estas dos variables. Esta
aplicación es útil cuando se tiene un conjunto de puntos donde la variable de interés tiene
pocas observaciones (debido al costo o dificultad para medir la variable), y otra variable
que si tiene observaciones. En caso que exista entre estas dos variables una correlación
determinante (positiva o negativa), se puede usar el comportamiento de esta co-variable
para interpolar la variable de interés. Este método de interpolación es llamado CoKriging.
Figura 24: tabla que resulta de la operación “Cross variogram”
En este caso se debe modelar el semivariograma de la semivarianza de la variable de

interés (columna SemiVarA), la co-variable (columna SemiVarB) y la semivarianza de
cruce entre las dos. (columna CrossVarAB). (ver figura 25).
Figura 25: modelamiento de los tres semivariogramas


Los valores del semivariograma de cruce pueden incrementarse o reducirse con la
distancia dependiendo de la correlación entre las variables A y B. Los valores de los
semivariogramas de las variables A y B son positivos. Cuando se modelan estos tres
variogramas la relación definida por Cauchy-Schwartz debe cumplirse con el fin de
garantizar resultados confiables de la operación CoKriging.
Para todos los valores de distancia entre cero y la distancia limitante en la operación de
CoKriging.
donde:
es la variable del variograma de cruce,
es el valor del semivariograma para la variable A,
es el valor del semivariograma para la co-variable B.
La distancia limitante es la máxima (de un pixel) con respecto a un punto donde este
punto todavía ejerza influencia en el resultado (del pixel).
2.6 Métodos de Kriging

ILWIS soporta diferentes tipos de procesos de Kriging: Simple Kriging, Ordinary Kriging,
Anisotropic Kriging, CoKriging y Universal Kriging. Cada uno de ellos tiene aplicabilidad
especifica así:
2.6.1 Simple Kriging

El Simple Kriging como su nombre lo indica es la forma más sencilla de Kriging. Se debe
especificar el modelo del semivariograma y sus variables (Nugget, Sill y Range o Nugget,
Slope y Power). Todos los puntos serán incluidos en este proceso, no puede especificarse
el número de puntos a ser usado para determinar los valores de salida. Opcionalmente
(como en todos los procesos de Kriging) puede generarse un mapa de errores.
2.6.2 Ordinary Kriging

El Ordinary Kriging es muy similar a Simple Kriging, con la diferencia que en este caso si
puede especificarse el número de puntos que serán usados para determinar los valores
en el mapa raster de salida. Este se puede hacer indicando la distancia limitante, el
número mínimo y máximo de puntos que se requieren para determinar los valores en el
mapa de salida. Este método es más verosímil, puesto que normalmente después de una
cierta distancia no existe ninguna correlación entre los atributos de los puntos.


2.6.3 Anisotropic Kriging
Como fue explicado en el numeral 2.4 (variograma representado como superficie) en caso
que exista anisotropía en los datos (comportamiento distinto en diferentes ángulos), se
debe usar el Anisotropic Kriging. Para este proceso se debe modelar el semivariograma
para ambas direcciones (resultado de la correlación espacial bi-direccional). Además, del
ángulo de anisotropía, Anisotropic Kriging tal como Ordinary Kriging permite al usuario
definir la distancia limitante y el mínimo y máximo número de puntos.
En caso de obtener dos diferentes tipos de semivariogramas (ej: esférico y gausiano) se

habla de Anisotropía zonal (no soportada por ILWIS, ver figura 26).
Figura 26: Anisotropía zonal
Es importante destacar que en el modelamiento de los semivariogramas, no se trata de

ajustar todos los puntos. Los puntos más importantes están a menor distancia. La
distancia en donde no se puede ajustar el semivariograma corresponde a la distancia
limitante. En la figura 26 la distancia limitante es de 30 a 35 km.
2.6.4 CoKriging
El proceso de CoKriging, como fue explicado en el numeral 2.5 (variograma de cruces),
es útil en caso de contar con un conjunto de puntos donde la variable de interés tiene
pocas observaciones, pero existe otra variable que si tiene observaciones (debido al costo
o dificultad para medir la variable).


En caso de que exista entre estas dos variables una correlación fuerte (positiva o
negativa), se puede usar el comportamiento de la variable observada para interpolar la
variable de interés. Este método de interpolación es llamado CoKriging.
2.6.5 Universal Kriging

El Universal Kriging es una variación del Ordinary Kriging. La diferencia es que este usa
una tendencia local. El Universal Kriging consiste en una superficie de tendencias que
cambian gradualmente sobre la cual se superpone la variación a ser interpolada. Cuando
la media de una variable regionalizada no es constante para toda la superficie se
denomina “no estacionaria”. Este tipo de variables es muy frecuente y tiene dos
componentes:
el promedio o valor esperado de la variable regionalizada

un residual determinado por la diferencia entre el valor medido y el valor esperado
Puede usarse el proceso de Universal Kriging en vez de quitar este tipo de variación
debido a la tendencia local.


2.7 Diagrama de flujo de Kriging
El siguiente es un diagrama de flujo para determinar el proceso de Kriging que debe
usarse y para verificar si el conjunto de datos es apto para su aplicación:
Los rombos representan la toma de una decisión y los cuadros representan operaciones
dentro de ILWIS. En varios casos no debe usarse Kriging:
Cuando no se tiene una buena distribución

Si se tienen pocas observaciones y no se cuenta con una co-variable
Cuando el resultado del “Cross variogram” no cumple la relación Cauchy-Schwartz.
Si se detecta una “Anisotropía zonal” es posible efectuar Simple o Ordinary Kriging.
Luego de efectuar un proceso de Kriging se recomienda hacer una verificación de los

resultados por medio de un proceso llamado “intervalo de confiabilidad” (ver numeral 3.4).


3. EJERCICIO DE KRIGING
Para este ejercicio se tomaron como base los datos existentes en la versión 2.2 de ILWIS
elaborados por A. Gieske de la Universidad de Botswana y la Universidad Libre de
Amsterdam. Dichos datos fueron editados para mejorar el nivel de aprehensión del
ejercicio y del mismo proceso de Kriging.
Cambie al sub-directorio “C14" del directorio “C:\ILWIS22\DATA\” . Se asume que

ILWIS esta instalado en el directorio “C:\ILWIS22\” y los datos para este curso
fueron copiados en dicho directorio.
3.1 Reconozca la información

El primer paso es conocer los datos y visualmente. Determine su distribución espacial y
atributos. Establezca si cuenta con observaciones suficientes. Estos pasos definen si el
conjunto de datos es apto para ser utilizado en el proceso de Kriging.
3.1.1 Despliegue y consulte la información

Despliegue los puntos para evaluar de manera visual su distribución espacial.
Haga doble clic sobre el mapa de puntos “C14". En la ventana del diálogo oprima
el botón “Symbol” y en la ventana de la definición del símbolo seleccione el “Fill
color” rojo, luego oprima dos veces el botón “OK”.
Los puntos se despliegan dentro de una ventana con círculos rojos. Los puntos están bien
distribuidos dentro de la ventana. Que tipo de distribución es, según su opinión?
Aleatoria
Agrupada
Regular
En pareja
Cambie el despliegue de los símbolos con el fin de poder medir una distancia entre los
puntos:
Seleccione el menú “Layers” en la ventana del mapa, luego seleccione la opción

“Display Options” y “1 pnt C14". En la ventana de las opciones del despliegue
oprima el botón “Symbol” y cambie el símbolo a “+ Plus”, luego oprima dos veces
el botón “OK”.
Con el botón mida las distancias mínima y máxima existente entre los puntos:
Distancia mínima:............. Distancia máxima:................

21 Ejercicio de Kriging

Que tipo de dominio tiene el mapa (ver propiedades del mapa)? ...............
Cuantos puntos tiene el mapa (ver propiedades del mapa)? ...............
Cuantos pares de puntos se pueden crear con estos puntos? ...............
Despliegue la tabla de atributos del mapa:
Haga doble clic sobre la tabla “C14". La tabla se abre y se puede observarse que
tiene además de los códigos del dominio un atributo (columna “C14").
Los valores que aparecen el la columna “C14" representan porcentajes de contenido de

C14 (p.m.c. = porcentaje de “carbono 14”).
Cuales son los valores mínimos y máximos de la columna “C14"?

Valor mínimo:............. Valor máximo:................
Se debe establecer cual es la varianza de los datos de atributos. Esto se hace dentro de
la tabla de atributos:
Entre al menú “Column” y seleccione la opción “Statistics”. Seleccione la función

“Variance” y asegure que la columna “C14" este seleccionada como columna.
Oprima el botón “OK”.
Anote el valor de varianza:................
La varianza es un indicador para la variable “Sill” cuando el semivariograma no tiene

“Nugget”.
Cierre la tabla de atributos y cierre el mapa de puntos.
3.1.2 Análisis de distribución espacial

En este proceso se determina la distribución espacial del mapa de puntos:
En el menú “sensitivo al contexto” del mapa de puntos “C14" seleccione la opción

“Statistics” y luego “Pattern Analysis”. Por defecto el sistema tiene seleccionado
en mapa de puntos “C14" como mapa de entrada. Escriba “distrib” como nombre
de la tabla de salida, active la opción “Show” y oprima el botón “OK”.


Con el fin de interpretar los valores generados en esta tabla, se debe graficar la distancia
(abscisa) y la probabilidad de encontrar 1 punto y todos los puntos (ordenada):
En el menú “Options” de la tabla seleccione la opción “Show Graph”. En la caja

de diálogo seleccione la columna “Distance” como eje X (izquierda) y la columna
“Prob1Pnt” como eje Y (derecha). Oprima el botón “OK”. Acepte los valores por
defecto de la ventana “Edit Graph” y oprime el botón “OK”.
La curva de distancia versus la probabilidad se despliega en color rojo. En la

ventana del gráfico, entre al menú “Graph” y seleccione la opción “Add Graph
form Columns”. Seleccione “Distance” como eje X, “ProbAllPnt” como eje Y y
oprima el botón “OK”. Acepte los valores por defecto de la ventana “Edit Graph”
y oprime el botón “OK”.
Se actualiza el despliegue asignando a la curva de distancia versus probabilidad de

encontrar todos los puntos el color verde. Compare este gráfico con los figuras de las
páginas 7 y 8 de este manual.
Con que distribución corresponde el comportamiento del gráfico?

Aleatoria
Agrupada
Regular
En pareja
Este corresponde con lo que usted visualmente había concluido?
3.2 Generación de variogramas

Siguiendo el diagrama de flujo de la página 20, el proceso anterior determinó que el
conjunto de puntos tiene una distribución espacial adecuada con buenas observaciones
(todos los puntos tiene información acerca el atributo de interés C 14). En este sección
generamos el variograma representado como superficie para determinar si el conjunto de
datos presenta anisotropía. En este momento queda descartado el proceso de “CoKriging”
por no tener otra (co-)variable y además se cuenta con buenas observaciones.
3.2.1 Variograma representado como superficie (Anisotropía)

El proceso de la generación de un variograma representado como superficie nos permite
verificar la existencia de anisotropía en los datos:

“Statistics” y luego “Variogram Surface”. Asegure que el mapa “C14" y la columna
“C14" están seleccionados.


Especifique un ‘Lag spacing” (intervalo de distancia) de 5000 metros y mantenga
el número de “Lags” en 10. Especifique el nombre “supvario” como mapa de salida,
acepta los valores por defecto de rango y precisión, prenda la opción “Show” y
oprima el botón “OK”. En la caja del diálogo de opciones de despliegue oprima el
botón “OK” para visualizar el mapa.
Se crea un mapa de 19 por 19 pixeles. Para una mejor comprensión se debe adicionar
una grilla para indicar el origen:
En el menú “Layers” seleccione la opción “Add Annotation” y luego la opción

“Grid Lines”. Desactive la opción “Coordinates”, cambie la distancia (“Grid
distance”) a 50000 y oprima el botón “OK”.
La grilla muestra el origen del mapa (el centro). Esto permite al usuario medir el ángulo
de posible anisotropía. La georeferenciación es interna y no está disponible para el
usuario. En caso de no tener anisotropía el mapa tendrá un comportamiento circular, con
los colores azules (baja varianza) en el centro y colores rojo en las partes afuera (alta
varianza).
Es evidente que el comportamiento no es circular, pero más

bien de tipo elíptico indicando la presencia de anisotropía en
los datos. Para mediar el ángulo de la anisotropía se debe
usar la herramienta de medición y medir la línea central de la
elipse por los pixeles de baja varianza (color azul).
Anote el ángulo principal de la anisotropía: ............°
Anote también un ángulo de tolerancia: ............°
Este valor del ángulo principal de anisotropía se debe usar en

la correlación espacial bi-direccional.
Figura 29: mapa supvario
3.2.2 Correlación espacial bi-direccional

Ahora debe determinar la correlación espacial bi-direccional:

“Statistics” y luego “Spatial Correlation”. Seleccione la opción “Bidirectional” y
especifique un “Lag spacing” de 5000 metros. Especifique la dirección y tolerancia
determinada en el ejercicio anterior, mantenga la opción “Band width” desactivada.
Escriba “cebi5" como nombre de la tabla de salida, active la opción ”Show” y
oprima el botón “OK”.


El la tabla se debe visualizar el comportamiento de la semivarianza contra los clases de
distancia para ambas direcciones:

del diálogo seleccione la columna “Distance” como eje X (izquierda) y la columna
“SemiVar1” como eje Y (derecha). Oprima el botón “OK”. En la caja del diálogo
“Edit Graph” seleccione “Point” como tipo de gráfico, cambie el tamaño del
símbolo de “3" a “5", seleccione el color rojo como “Color”. El rango del eje X no
debe ser mayor a la mitad de la distancia máxima: especifique 45000 metros como
máxima X y oprima el botón “OK”.
Es posible desplegar los modelos en ventanas separadas pero por comodidad use la
misma ventana:
En el menú “Graph” de la ventana del gráfico, seleccione la opción “Add Graph

from Columns”. Seleccione las columnas “Distance” contra “SemiVar2". Para el
despliegue use símbolo de puntos, tamaño 5 y color verde con la misma definición
del eje X.
No cierre las ventanas de gráfico y tabla.
3.3 Modelar el semivariograma

El modelamiento del semivariograma es fundamental para el proceso del Kriging. Se basa
en ajustar una función estadística al comportamiento calculado en la correlación espacial.
3.3.1 Adicionar modelos

Use el gráfico de la página 13 para definir cual o cuales modelos pueden ajustarse a los
dos semivariogramas experimentales.
En el menú “Graph” de la ventana del gráfico, seleccione la opción “Add

Semivariogram Model”. Seleccione el semivariograma que más se ajuste y
especifique las tres variables para definir el modelo. Oprima “OK” para adicionar
el modelo a la ventana del gráfico.
En caso que el modelo no se ajuste y se requiere edición de las variables, entre al

menú “Graph” y seleccione la opción “Graph Management”. Seleccione el gráfico
a editar y oprima el botón “Edit Graph”. Haga los ajustes necesarios y oprima el
botón “OK” para regresar a la ventana de “Graph Management”.
Seleccione el siguiente gráfico a editar o oprima “OK” para cerrar la ventana.


Anote los modelos para la semivarianza de la dirección perpendicular (SemiVar2, color
verde):
Modelo 1: ...................... Modelo2: ......................
Nugget: ...................... Nugget: ......................
Sill: ...................... Sill: ......................
Range: ...................... Range: ......................
Es más complejo definir el modelo para la dirección principal ( SemiVar1). Observe la

figura abajo:
Figura 30: Modelamiento de semivariogramas
Como puede verse en la figura 30, la semivarianza correspondiente a las distancias 0, 5

y 15 km no se ajustan al modelo.
3.3.2 Anisotropía zonal

Se puede notar que el comportamiento del modelo de semivariograma es distinto para la
dirección principal y la dirección perpendicular. Esto significaría que se presenta
anisotropía zonal en los datos y ILWIS no soporta el procesamiento de anisotropía zonal.
De todas formas, el cálculo no ha sido muy exacto, puesto que para asegurar un resultado
confidencial se requiere tener al menos 30 puntos por clases de distancia (por pixel) y
solamente un rango pequeño cumple con esta condición (ver columnas “NrPairs1" y
“NrPairs2"). Es posible que la diferencia en el número de puntos por pixel en el
variograma representado como superficie cause la aparente anisotropía.


3.3.3 Correlación espacial omnidireccional
Se recomienda en este caso hacer una correlación espacial omnidireccional y continuar
con un proceso de Kriging descartando el “Anisotropic Kriging”.

“Statistics” y luego “Spatial Correlation”. Seleccione la opción “Omnidirectional”
y especifique un “Lag spacing” de 5000 metros. Escriba el nombre “ceom5" como
nombre de la tabla de salida, active la opción “Show” y oprima “OK”.
Visualice el comportamiento de la semivarianza contra las clases de distancia:

de diálogo seleccione la columna “Distance” como eje X (izquierda) y la columna
“SemiVar” como eje Y (derecha). Oprima el botón “OK”. En la caja de diálogo “Edit
Graph” seleccione “Point” como tipo de gráfico, cambie el tamaño del símbolo de
“3" a “5" y seleccione el color rojo como “Color”. Especifique 45000 metros como
máximo X y oprima el botón “OK”.
3.3.4 Adicional modelos

Se tiene que volver a modelar el semivariograma, puesto que su comportamiento es
distinto al comportamiento calculado bi-direccionalmente:
En el menú “Graph” de la ventana del gráfico, seleccione la opción “Add

Semivariogram Model”. Seleccione el semivariograma que más se ajuste y
especifique las tres variables para definir el modelo. Oprima “OK” para adicionar
el modelo a la ventana del gráfico.
Hay 4 modelos que se ajusten a la semivariograma experimental:
Modelo 1: ...................... Modelo 2: ......................

Nugget: ...................... Nugget: ......................
Sill/Slope: ...................... Sill/Slope: ......................
Range/Power: ...................... Range/Power: ......................
Modelo 3: ...................... Modelo 4: ......................

Nugget: ...................... Nugget: ......................
Sill/Slope: ...................... Sill/Slope: ......................
Range/Power: ...................... Range/Power: ......................


3.3.5 Verificación y selección de los modelos (Goodness of Fit R2)
Es posible que existan varios modelos que se ajusten satisfactoriamente al
semivariograma experimental. En este caso se puede hacer un cálculo de “Goodness of
Fit R2”. Los valores que resultan de esta operación permiten seleccionar el modelo más
apropiada para el proceso.
El “Goodness of Fit R2” se determina con la siguiente fórmula:
donde:
^ valor experimental de semivarianza generado durante la operación de correlación
espacial o variograma de cruces.
valor de semivarianza determinado por medio del modelamiento del
semivariograma.
N el número total de clases de distancias (Lags).
Observe el resultado de analizar el “Goodness of Fit R2"

Se modeló 3 funciones estadísticas: Power model (azul), Exponential model (magenta) y


Spherical model (verde). Es necesario entender que no se debe calcular el R2 para toda
la columna, puesto que esto únicamente tiene sentido para el intervalo de distancia que
se utilizará como distancia limitante. En este caso se hizo 2 cálculos para dos intervalos
de distancia: La de abajo (de 2.5km hasta 37.5km) y la de arriba (de 2.5km hasta 12.5km
y 17.5km hasta 37.5km).
El último excluyó el valor correspondiente a la distancia 15km y así incrementa el valor de

R2 (ejemplo: el Power model para el primer intervalo tuve un valor 0.63 y excluyendo la
distancia 15km se incrementó a 0.92).
Haciendo este cálculo se puede determinar la distancia limitante necesaria en la mayoría

de los procesos de Kriging, y evaluar cual modelo se ajuste mejor. Este proceso se hace
en la tabla de la correlación espacial o la tabla de la variograma de cruces:
Es necesario anotar para que rango de distancia los modelos se están ajustando:
Modelo 1: ...................... Modelo 2: ......................

Distancia mínima: ...................... Distancia mínima: ......................
Distancia máxima: ...................... Distancia máxima: ......................
Modelo 3: ...................... Modelo 4: ......................

Distancia mínima: ...................... Distancia mínima: ......................
Distancia máxima: ...................... Distancia máxima: ......................
Cual modelo, según su criterio, se ajuste mejor a los valores experimentales?
Cierre la ventana de los gráficos
Entre al menú “Columns” de la tabla y selecciona la opción “Semivariogram”. En

la caja del diálogo seleccione el primer modelo (Power model), especifique 250
como “Nugget”, el valor 0.0001 como “Slope” y el valor 1.5 como “Power”. Escriba
“semipow como nombre de la columna y oprime “OK”. Acepta los valores que salen
por defecto y oprime “OK”.
Repite este proceso para los otros tres modelos (ver capítulo 5. RESPUESTAS,
punto 3.3.4), creando las columnas “semigau” para el “Gaussian model”, “semirat”
para el “Rational Quadratic model” y “semiwav” para el “Wave model”.
No es útil determinar el R2 para toda la columna, como se indica en el manual de ILWIS,

pues solamente estamos interesados en el comportamiento hasta la distancia limitante
(entre 25 y 45km).


Por tanto debemos crear una columna con dominio de tipo clase, e indicar en ella las filas
de la tabla a incluir en el cálculo:
Entre al menú “Columns” y seleccione la opción “Add Column”. Especifique el

nombre “usar” como nombre de la columna y oprima el botón para crear el dominio.
En la caja de diálogo “Create domain” especifique el nombre “usar” como nombre
del dominio, asegurese que el tipo “Class” está seleccionado y oprima “OK”. Luego
en la ventana de dominio adicione el elemento “usar”: entre al menú “Edit” y
seleccione la opción “Add item”, luego especifique “usar” como nombre del
elemento, no especifique ningún código y oprima “OK”. Cierre el dominio y oprima
“OK” en la caja de diálogo “Add Column”.
La columna se adiciona a la tabla y está llena de interrogantes “?”. Es necesario editar la

columna:
Haga clic en el primer campo de la columna “usar”. Haga clic sobre el botón que
aparece en la parte derecha del campo y seleccione el elemento “usar”. Repita este
proceso para la segunda y hasta la sexta fila. Confirme el último campo con la tecla
<Enter> y asegurese que los campos tienen un color blanco de fondo y no azul.
Con este proceso se ha indicado que el intervalo de 0 a 25km de distancia será incluido
en el cálculo. Más adelante, después de efectuar los cálculos para determinar el R2,
editará esta columna para cambiar este intervalo y actualizará los R2 para determinarlos
para diferentes intervalos de distancia.
Por medio de los siguientes cálculos obtendrá el R2. En la línea de comando escriba las
siguientes formulas y acepte los valores de rango y precisión por defecto (se estará
utilizando “pow” para los cálculos relacionadas con el ”Power model”, “gau” para el
“Gaussian model”, “rat” para el “Rational Quadratic model” y “wav” para el “Wave
model”):
pow1=sq(semivar-semipow)
gau1=sq(semivar-semigau)
rat1=sq(semivar-semirat)
wav1=sq(semivar-semiwav)
Con estas formulas se generan 4 columnas con la diferencia entre la semivarianza

experimental y la semivarianza de cada modelo en el cuadrado.
Luego se calculará el promedio de la semivarianza experimental (columna “SemiVar”)

usando la columna “usar”:


Entre al menú “Columns” y seleccione la opción “Aggregation”. Seleccione la
columna “SemiVar”, asegurese de que la función “Average” está seleccionada,
active la opción “Group By” y asegurese de que la columna “usar” está
seleccionada. Escriba el nombre “AvgSV” como nombre de salida y oprima el botón
“OK”.
El la nueva columna aparecen 2 valores: tanto para los elementos “usar” como para los
interrogantes “?” de la columna “usar” se determinó el promedio de la semivarianza
experimental.
Por medio del siguiente cálculo se determina la diferencia en el cuadrado entre la

semivarianza experimental y el promedio de la semivarianza experimental:
sqdif=sq(semivar-avgsv)
Luego sumamos esta diferencia en el cuadrado usando nuevamente la columna “usar”:

columna “sqdif”, cambie la función a “Sum”, prenda la opción “Group By” y
asegurese de que la columna “usar” está seleccionada. Escriba el nombre
“SumSqDif” como nombre de salida y oprima el botón “OK”.
Ahora se sumarán la primera columna que se generó en los cuatro modelos (“pow1",
“gau1", “rat1" y “wav1") usando en esta operación la columna “usar”:

columna “pow1”, cambie la función a “Sum”, active la opción “Group By” y
asegurese de que la columna “usar” está seleccionada. Escriba el nombre “pow2”
como nombre de salida y oprima el botón “OK”.
Repita este proceso para las columnas “gau1", “rat1" y “wav1" generando las
columnas “gau2", “rat2" y “wav2".
Ya se puede determinar el R2 para los cuatro modelos para el intervalo 0 a 25km:
PowR2 = 1 - (pow2 / sumsqdif)

GauR2 = 1 - (gau2 / sumsqdif)
RatR2 = 1 - (rat2 / sumsqdif)
WavR2 = 1 - (wav2 / sumsqdif)
Se puede observar que los valores de los primeros 6 registros fluctúan entre 0.5 y 0.6. Los
valores mas cercanos a 1 representan un mejor modelo. También se puede notar que
únicamente el “Wave model” tiene valores positivo en los otros registros.


Aunque el “Power model” se ajusta mejor en este intervalo, el “Wave model” representa
el mejor modelo globalmente.
Anote el R2 para el intervalo de 0 a 25km de los 4 modelos en la siguiente tabla:
Distancia Modelo 1 (pow) Modelo 2 (gau) Modelo 3 (rat) Modelo 4 (wav)

0-25 km
0-35 km
0-40 km
0-45 km
Promedio
Es posible editar la columna “usar” e incluir las distancia para obtener el segundo
intervalo de 0-35km:
Edite las filas 7 y 8 de la columna “usar” cambiando la interrogación “?” por el

elemento “usar”. Asegurese de confirmar el último cambio con la tecla <Enter>.
Para actualizar una columna se debe hacer doble clic sobre el nombre de la
columna (empiece con la columna “PowR2") y en la caja del diálogo de las
propiedades de la columna cambie el rango de valores de la columna a -1000
hasta 1 y oprima el botón “Make Up to Date”. Los valores en la columna se
actualizan.
Repite este proceso para las columnas “GauR2", “RatR2" y “WavR2".
Es necesario hacer este proceso para los otros intervalos: 0-40km y 0-45km:
Edite la fila 9 (intervalo 0-40km) de la columna “usar” cambiando la interrogación

“?” por el elemento “usar”. Asegurese de confirmar el último cambio con la tecla
<Enter>. Luego actualice las columnas y anote los R2 en el intervalo de distancia
correspondiente.
Edite la fila 10 (intervalo 0-45km) de la columna “usar” cambiando la interrogación

“?” por el elemento “usar”. Asegurese de confirmar el último cambio con la tecla
<Enter>. Luego actualice las columnas y anote los R2 en el intervalo de distancia
correspondiente.


Calcule también el promedio de los intervalos para cada modelo y anote los valores.
Cual de los cuatro modelos se ajusta mejor al semivariograma experimental?
Al incrementar el intervalo de distancia, el valor R2 incrementa a 0.7667 para el intervalo

0-50km, luego se reduce. Así se puede concluir que la distancia limitante es de 50km.
Cierre la tabla.
3.4 Interpolación por medio de Kriging

Ya que se ha establecido el modelo mas adecuado, se puede efectuar el proceso de
Kriging. En este momento todavía se pueden usar tres tipos de Kriging:
Simple Kriging
Ordinary Kriging
Universal Kriging
Se puede descartar el “Simple Kriging”, puesto que el óptimo modelo debe usar la
distancia limitante de 50 km y esto no es posible en “Simple Kriging”. El “Universal Kriging”
también se puede excluir puesto que no se ha detectado ningún tipo de tendencia en los
datos. De esta manera se puede concluir que se debe usar el “Ordinary Kriging”:

“Interpolation” y luego “Kriging”. Asegurese de que el mapa “C14" y la columna
“C14" están seleccionados y que el método es “Ordinary Kriging”. Especifique el
“Wave model” con el valor 250 como “Nugget”, el valor 650 como “Sill” y el valor
7500 como “Range”. Especifique la distancia limitante de 50000, coloque el mínimo
número de puntos en 3 y deje el máximo en 16. Escriba el nombre “OKwa50" como
nombre, seleccione la georeferenciación “c14" y active la opción “Show”. Active
además la opción “Error Map” y escriba como nombre para este mapa “OKwa50e”,
oprima el botón “OK”.
Este proceso es un poco demorado. Cuando aparezca la caja de diálogo de las

opciones de despliegue haga clic en “OK” para desplegar el mapa.
Despliegue también el mapa de errores “OKwa50e”. Hagalo sobre el mapa de

puntos “C14" usando el símbolo “+”. Determine el error mínimo y máximo del mapa:
Error mínimo: ................. Error máximo: .................


3.5 Verificación del resultado (Confidence interval)
El mapa resultado del proceso de Kriging contiene los estimativos del fenómeno a estudiar
y el mapa de errores contiene una aproximación del error para el valor estimado. Es
posible crear un mapa donde se indique con cierta certeza el rango en que se encuentran
los valores del fenómeno estudiado.
El rango se define de la siguiente manera:

mínimo: estimativo Kriging - (Error * c)
máximo: estimativo Kriging + (Error * c)
“c” representa el valor crítico y depende del intervalo de confiabilidad:
intervalo de confiabilidad 90% 95% 97.5% 98% 99% 99.5%

valor crítico “c” 1.282 1.645 1.960 2.000 2.326 2.576
En la línea de comando del menú principal de ILWIS se pueden ejecutar las siguientes
formulas para generar los mapas de nivel inferior y nivel superior para cada pixel de C14.
Es necesario corregir los valores en nuestro ejemplo para que queden entre 0 y 100%:
Kinf:=iff(OKwa50-1.96*OKwa50e<0,0,OKwa50-1.96*OKwa50e)
Ksup:=iff(OKwa50+1.96*OKwa50e>100,100,OKwa50+1.96*OKwa50e)
En este ejemplo se está usando un valor crítico de 1.96 correspondiente al intervalo de

confiabilidad de 97.5%. Cambie los valores a 0 hasta 100 con precisión 0.01 y oprima
“OK”.
Por medio de la siguiente formula se puede crear un mapa donde se combinen los niveles
superiores e inferiores:
conf975 := iff((%L mod 8) - (%C mod 8) <= 0,Ksup,Kinf)
en donde:
%L valor de número de fila en el mapa de salida
%C valor de número de columna en el mapa de salida
mod valor residual de la división entera (ej: 10 mod 3 = 1)
El mapa que resulta tiene cuadros de 8x8 pixeles, donde la parte inferior izquierda de
cada cuadro representa el nivel inferior (mapa “Kinf”) y la parte superior derecha
representa el nivel superior (mapa “Ksup”). (Ver figura 32)

Figura 32: mapa de intervalo de confiabilidad
En el caso de que se cuente con un conjunto de datos relativamente grande se

recomienda subdividirlo en dos partes con el fin de usar una parte para la verificación de
los resultados del proceso de Kriging.
Esto se puede hacer usando el operador de ILWIS “MAPVALUE”. Se debe abrir el mapa
de puntos como tabla y escribir en la linea de comando de la tabla la siguiente formula:
KRIG=MAPVALUE(OKWA50.MPR,COORD(X,Y))
para obtener el valor del resultado de Kriging en la tabla y:
KERR=MAPVALUE(OKWA50E.MPR,COORD(X,Y))
para obtener el valor del mapa de errores en la tabla.
Luego se puede adelantar el análisis del intervalo de confiabilidad en la tabla usando

diferentes valores del valor crítico “c” y así evaluar si cada punto queda dentro del rango
de confiabilidad.


4. EXPOSICIÓN SOLAR
En esta capítulo se impartirán los fundamentos que se requieren para adelantar un
estudio de exposición solar. Un proceso de modelamiento de radiación solar incidente
requiere datos auxiliares sobre la trayectoria solar, por lo que se presentarán las
ecuaciones básicas que la definen.
4.1 La trayectoria solar

Los parámetros que definen la trayectoria del sol constituyen datos externos
imprescindibles para llevar a cabo el modelamiento de la radiación solar. La localización
aparente del sol depende de una serie de parámetros de los cuales los más importantes
son:
La latitud del punto a estudiar, que puede variar en un rango de -90° (polo Sur)
hasta 90° (polo Norte).
La declinación solar, variable según la época del año en un rango de -23½°
(invierno) y 23½° (verano) en el Hemisferio Norte.
El ángulo horario, dependiente de la hora del día y variable en un círculo de 360°
centrado en el punto a analizar.
La localización del sol se suele expresar en coordenadas esféricas: acimut y elevación

angular sobre el horizonte , cuyas expresiones de cálculo son las siguientes:
sen α = (sen D ⋅ sen L ) + (cos D ⋅ co s L ⋅ co s H )

(cos L ⋅ sen D ) − (cos D ⋅ sen L ⋅ cos H )
cos ϕ =
cos α
en donde:
D es la Declinación solar
L es la Latitud geográfica
H es el ángulo Horario
(Felicísimo, 1994)
4.1.1 Declinación solar

La declinación solar para una determinada época del año puede determinarse a partir de
tablas o, aproximarse mediante expresiones empíricas. Una de las más simples es:
D = 2 3.5 ⋅ sen [0 .9 8 6 ⋅ ( 2 8 4 + d ) ]

36 Exposición solar

La siguiente figura muestra la relación entre el día del año y la declinación solar:
Figura 33: Declinación solar en función del día del año
En ILWIS para determinar D, se puede efectuar el siguiente cálculo en la línea de

comando (se debe cambiar d por el día de interés):
? 23.5*SIN(DEGRAD(0.986*(284+d)))
Anexo se encuentra una tabla con la declinación solar para cada día del año.
4.1.2 Latitud geográfica

La latitud influye en gran medida en la trayectoria del sol. Las influencias de las épocas
del año no se notan cerca a la linea ecuatorial como es el caso de Colombia. Colombia
está ubicada entre latitudes ± 4°15' Sur y ± 12°30' Norte.
4.1.3 Ángulo horario

En el hemisferio Norte (donde está ubicado la mayor parte de Colombia), el ángulo horario
suele tomarse como cero en el mediodía, cuando el acimut solar es de 180° y, por tanto,
el sol está situado al Sur. Los ángulos son negativos hacia el Oeste y positivos hacia el
Este, con intervalos de 15° por hora. Observe la siguiente tabla donde se relaciona el
ángulo para cada hora entre las 6:00 am y las 6:00 pm.


Hora Ángulo horario (H) Hora Ángulo horario (H)
6:00 a.m. 90° 1:00 p.m. - 15°
7:00 a.m. 75° 2:00 p.m. - 30°
8:00 a.m. 60° 3:00 p.m. - 45°
9:00 a.m. 45° 4:00 p.m. - 60°
10:00 a.m. 30° 5:00 p.m. - 75°
11:00 a.m. 15° 6:00 p.m. - 90°
mediodía 0°
4.2 Ocultamiento topográfico

La existencia de zonas de sombra es una variable de gran interés en regiones
montañosas, donde el relieve puede ser factor determinante del clima local. La sombra
en un punto puede deberse a dos circunstancias:
Autoocultamiento, Se produce cuando el vector normal a la superficie forma un

ángulo superior a los 90° con el vector solar, como sería el caso, por ejemplo, de
una ladera orientada al Norte, con pendiente de 45°, cuando el sol ilumina desde
el Sur, elevado solamente 30° sobre el horizonte.
Ocultamiento por el relieve circundante, Se produce cuando la topografía
interrumpe la linea visual desde el sol hasta el punto analizado.
(Felicísimo, 1994)
4.2.1 Definición de exposición solar

Se define la exposición solar en un punto como el tiempo máximo que ese lugar puede
estar sometido a la radiación solar directa en ausencia de nubosidad. (Felicísimo, 1994)
En la mayoría de los estudios se asume este concepto como el tiempo teórico de

incidencia solar directa sobre la superficie terrestre.
Para crear un mapa de exposición solar, se deben usar diferentes intervalos de tiempo,
empezando en el amanecer (6:00 am) y terminando en el ocaso (6:00 pm). En caso de
usar intervalos de media hora, se puede generar un mapa de exposición solar donde la
máxima exposición es de 12 horas con precisión de media hora.


4.2.2 Ángulo de incidencia
Tanto para el cálculo de la exposición como para la
radiación solar se requiere usar información acerca el
terreno. El ángulo de incidencia es el ángulo entre el
vector normal al terreno () y el vector solar (). Ver
formula abajo.
n ⋅s
co s( ϕ ) =
n ⋅s
Figura 34: ángulo de incidencia ()
La determinación del vector normal al

terreno () se hace a partir del modelo
digital de elevación. (Ver figura 35 y
formula abajo):
 ∆X   0   − ∆Z x ∆Y 
     
n =  0  ⋅  ∆Y  =  − ∆Z y ∆X 
     
 ∆Z x   ∆Z y   ∆X ∆Y 
Figura 35: vector normal al terreno ()
La determinación del vector solar () se

hace tomando en cuenta el ángulo de la
elevación del sol () y el azimut del sol ().
(Ver formula abajo y la figura 36):
 co s β sen α 
 
s =  co s β co s β 
 
 sen β 
Figura 36: vector solar ()
4.2.3 Irradiación
De esta manera se puede calcular la irradiación potencial (Meijerink et al., 1994):
N salid a = N en trad a ⋅ r ⋅ co s( ϕ )


En los anteriores gráficos y formulas se utilizaron las siguientes convenciones:
N flujo de fotón
r reflectancia
ángulo de incidencia
vector normal al terreno
vector solar
ángulo de azimut del sol desde el Norte
ángulo de elevación del sol tomado desde la horizontal
Felicísimo (1994), utiliza la siguiente formula para determinar la irradiación (energía

incidente) sobre una superficie perpendicular a la radiación solar In :
In = Io ⋅ pm
en donde:
In irradiación incidente
Io constante solar (1367 W m-2)
p la transmisividad media cenital
m la masa óptica de aire
En circunstancias reales, el valor teórico de In se ve modificado por la pendiente y la

orientación del terreno, lo cual obliga a considerar los ángulos de incidencia del vector
solar sobre el mismo. La extensión del cálculo para periodos más largos obliga a
considerar el cambio de valor de los parámetros que intervienen en la expresión anterior
(ej.: el ángulo horario mínimo H1 y máximo H2). (Felicísimo, 1994)
H2
In = Io ∫p
H1
m
⋅ cos n ∠ s ⋅ dH
4.3 Ejercicio práctico

Por la complejidad de los cálculos, la exigencia de variables involucradas para determinar
la irradiación, restringiremos el ejercicio práctico a la generación de un mapa de
exposición solar.
4.3.1 Operaciones de conectividad

En cierta forma la exposición solar puede ser comparada con funciones de intervisibilidad,
tomando como punto de observación el sol. Las funciones de intervisibilidad hacen parte
de las operaciones de conectividad. Las operaciones de conectividad son funciones que
acumulan valores sobre el área que se atraviesa. Se requiere que uno o más atributos
sean evaluados y un recorrido acumulado esté incluido en el próximo paso. El recorrido
acumulado puede ser cuantitativo, como la distancia acumulada viajando, o el tiempo
acumulado viajando.


También puede ser cualitativo, como por ejemplo si un punto todavía es visible. (Bakker
2000)
4.3.2 Intervisibilidad
Intervisibilidad ("viewshed modelling") es una operación acumulativa. Un "viewshed" es
el área que se puede ver desde uno o más puntos de origen. Funciones de intervisibilidad
son aplicadas para determinar la ubicación de torres de transmisión (aplicaciones en
comunicaciones), determinar el impacto visual de la construcción de torres de transmisión
eléctrica (aplicaciones ambientales), determinar el área que el enemigo puede ver desde
sus puntos de observación (aplicaciones militares). Las funciones de intervisibilidad usan
los modelos digitales de elevación para definir la topografía de los alrededores. También
se debería incluir elementos individuales (edificios, vegetación, etc). (Aronoff 1989)
4.3.3 Conectividad en ILWIS

ILWIS soporta el procesamiento de pixeles en relación con su vecindad directa en un
ambiente de 3x3 pixeles. Dado que las operaciones de conectividad exigen ambientes
más grandes, ILWIS ofrece estos cálculos con iteraciones. Iteraciones son cálculos
repetitivos donde el resultado de un paso es el mapa de entrada para el siguiente paso.
El ambiente de 3x3 pixeles se maneja de la siguiente manera:
1 2 3
4 5 6
7 8 9
El pixel central (indicado con el número 5), obtiene el resultado de la operación de

conectividad. En el cálculo de la exposición solar se debe tener en cuenta no solo el
ángulo de elevación del sol, sino además su ángulo de azimut, puesto que éste ángulo
define cuales pixeles vecinos potencialmente pueden generar sombra al pixel central (ver
figura abajo):
Figura 37: Influencia de pixeles vecinos


La exposición solar del pixel central está directamente influenciada por los pixeles 4 y 7.
En el ejemplo anterior (figura 37), el ángulo de azimut solar () es de -60°. Este ángulo
se determina a partir del Sur según se muestra en la siguiente figura (Meijerink et al.1994):
Figura 38: ángulos en función de la trayectoria solar
Como fue expresado anteriormente, no solamente se debe verificar los pixeles vecinos
del pixel central, sino además los vecinos de sus vecinos y más alla. La siguiente figura
muestra este efecto:
El pixel indicado con h4 causa a los pixeles

h5 y h6 sombra con el ángulo de elevación .
Puesto que esto no puede ser evaluado en
un ambiente de 3x3 se asigna al pixel h5 una
nueva altura (h4-dz45). En el siguiente paso
esta nueva altura causa que el pixel h6 será
identificado como sombra.
Este proceso se debe repetir hasta que

ninguna altura sea modificada. Luego se
puede comparar el nuevo Modelo Digital de
Elevación (MDE) con el MDE modificado y
donde se encuentre diferencia se asigna
“ocultamiento” y al resto “incidencia”.
Figura 39: propagación de sombra
También es posible asignar un valor expresado en horas según el intervalo de horario (ej:
intervalo de ½hora se asigna el valor 0.5), y así sumar los mapas correspondientes a
diferentes horas del día, obteniendo el mapa numérico de exposición solar.


La siguiente tabla relacione cuales pixeles tienen influencia sobre el pixel central
dependiendo de diferentes ángulos de azimut solar y como calcular el valor p:
p m n
0 < 45 | tan() | 9 8
45 < 90 | tan(90 - ) | 9 6
90 < 135 | tan(90 - ) | 3 6
135 < 180 | tan() | 3 2
180 < 225 | tan() | 1 2
225 < 270 | tan(90 - ) | 1 4
270 < 315 | tan(90 - ) | 7 4
315 < 360 | tan() | 7 8
Estos valores se usan para evaluar si el pixel central recibe luz solar directa o está
ocultado por medio de la siguiente expresión:
M D E 5 < p ⋅ M D E m + ( 1 − p ) ⋅ M D E n − 1 + p 2 ⋅ d x ⋅ tan α
en donde:
MDE5 La altura del pixel central
p La fracción según el ángulo de azimut solar
MDEm La altura del pixel vecino m
MDEn La altura del pixel vecino n
dx El tamaño del pixel
El ángulo de elevación solar
En caso que el pixel central obtenga luz directa, se mantiene el valor del pixel, en caso
contrario se debe asignar el nuevo valor de pixel. Puesto que el proceso iterativo es un
proceso demorado, se recomienda dejar el proceso por la noche, o usar una reducción
de la precisión original.
4.3.4 Iniciar el proceso

En este paso se reconocerá el modelo digital de elevación con que se realizará el cálculo.
Se trabajará con un MDE de gran parte de Cundinamarca (jurisdicción de la CAR, Bogotá)
remuestreado a un tamaño de pixel de 1000 metros (conjunto original tiene 30
metros/pixel).


Cambie al sub-directorio “exposol” del directorio “C:\ILWIS22\DATA\”. Haga doble
clic sobre el icono del mapa raster “mde”. En las opciones del despliegue,
asegurase que la representación “fincur” está seleccionada y haga clic en el botón
“OK”.
Determine los valores mínimos y máximos del MDE. Luego cierre la ventana del mapa.
Como se puede observar el área es bastante montañosa y esto tiene como efecto que
habrá gran influencia de ocultamiento topográfico.
Para este ejercicio se calculará la exposición solar durante el transcurso de la mañana

(6:00 a.m. hasta 8:30 a.m.), cuando más se aprecian las diferencias en ocultamiento
topográfico. Observe la siguiente tabla con los valores de los ángulos de elevación () y
azimut () solar:
Hora elevación () azimut () p m n

6:00 a.m. 0.4° 90.0° 0.0000 3 6
6:30 a.m. 4.1° 83.9° 0.1069 9 6
7:00 a.m. 14.3° 74.2° 0.2830 9 6
7:30 a.m. 25.0° 64.5° 0.4770 9 6
8:00 a.m. 35.8° 54.3° 0.7186 9 6
8:30 a.m. 46.5° 42.2° 0.9067 9 8
La formula que se debe ingresar al proceso de iteraciones es la siguiente:
max(mde,p*mde#[m]+(1-p)*mde#[n]-sqrt(1+p^2)*tpix*tan())
donde se determina el máximo valor entre el MDE y los valores de los vecinos ajustados
por el ángulo de elevación solar. A las 6:00 de la mañana (según la tabla en la página 43)
p es igual a |tan(90-90.0)| 0.0000, m=3 y n=6. El tamaño del pixel (tpix) es de 1000
metros. Con estos valores se puede simplificar la formula de la siguiente manera:
max(mde,mde#[6]-9.8732)


Haga doble clic sobre el icono del programa “Iteration” en el listado de
operaciones. Seleccione el mapa “mde” como “Start Map” y escriba la formula
arriba en la caja de “Expression”. Asegurese de que para el “Stop Criterium” está
seleccionada la opción “Until No changes” y desactive la opción “Propagation”.
Escriba el nombre “mde60am” como mapa de salida, seleccione el domino “value”,
active la opción “Show” y oprima el botón “OK”.
El proceso es demorado y puede realizar al rededor de de 200 iteraciones, en caso de

encontrar un elemento ubicado en el oriente del área de estudio que cause un sombra
(ocultamiento) a elementos en el extremo occidente. En este proceso iterativo se re-
calcula la formula infinitamente, por ello el usuario debe observar el número de cambios
del paso anterior y detectar cuando este valor sea constante (por unos 5 pasos). Cuando
esto suceda se puede oprimir 1 vez el botón stop con el fin de que el sistema almacene
el resultado (“Store Result”).
Es importante notar que no se debe usar el dominio (“fincur”) que corresponde al MDE.
Aunque los valores que resultan estarán dentro el rango de este dominio, ILWIS
internamente trabaja con valores de mayor precisión de la que este dominio puede
manejar y usarlo daría como resultado un mapa con todos los valores indefinidos!
Al terminar el proceso de iteración acepte las definiciones por defecto para

desplegar el mapa. Despliegue el resultado al lado el mapa original “mde” con
representación “pseudo”. Explique las diferencias.
Por medio de la siguiente formula se puede crear un mapa de exposición solar para las
6:00 de la mañana:
sol60am:=iff(mde<mde60am,”ocultamiento”,”incidencia”)
Escriba esta formula en la linea de comando de la ventana principal de ILWIS y

oprima <Enter>. En la caja del diálogo cree un nuevo dominio con nombre “sol”, al
cual NO se adiciona ningún elemento. Al oprimir el botón “OK” en la caja de
diálogo “Raster Map Definition” el sistema preguntará si desea adicionar los
elementos “ocultamiento” y “incidencia” al dominio. En ambas casos elija “Si”.
Para crear un mapa que pueda ser usado de manera más eficiente en la generación del
mapa de exposición solar para todo el día, se debe asignar el valor (en horas)
correspondiente al intervalo que se utilizará:
exp60am:=iff(mde<mde60am,0,0.5)


Repita este proceso para los otros momentos de la mañana.
Para el mapa “mde65am” (6:30 a.m.):

max(mde,0.1069*mde#[9]+(0.8931)*mde#[6]-72.0893)

max(mde,0.2830*mde#[9]+(0.7170)*mde#[6]-264.9074)

max(mde,0.4770*mde#[9]+(0.5230)*mde#[6]-516.6405)

max(mde,0.7186*mde#[9]+(0.2814)*mde#[6]-888.1254)

max(mde,0.9067*mde#[9]+(0.0933)*mde#[8]-1422.4490)
Cree también los mapas de exposición expresados en horas y nombrelos “exp65am”,

“exp70am”, “exp75am”, “exp80am” y “exp85am”.
Despliegue los 6 mapas de exposición solar simultáneamente en la pantalla y compare

los resultados. En que momento la diferencia entre dos cálculos es más grande?
La suma de estos mapas generará un mapa de exposición solar para un intervalo de 3

horas. El máximo valor es 3 (correspondiente a 3 horas) y el mínimo es de 0 horas:
exp60a85 := exp60am+exp65am+exp70am+exp75am+exp80am+exp85am
Escribe esta formula en la linea de comando de la ventana principal de ILWIS y

oprima <Enter>. Asegurese de que el rango de valores es de 0.0 a 3.0 con
precisión de 0.1 y oprima el botón “OK”.
Despliegue el mapa usando la representación “Gray” e interprete el resultado.
Para su mejor interpretación se puede clasificar el resultado, asignar colores definido por
el usuario y desplegarlo en una vista tridimensional (ver figura 40):

La figura 40 muestra el resultado de esta

operación, los colores más claros
representan las zonas de mayor
exposición solar. La posición relativa del
sol es el la esquina superior derecha de la
ventana. Figura 40: Exposición solar en 3D
Los mapas “exp75am”, “exp80am” y “exp85am” revelaron que casi todo el terreno obtiene
sol a partir de las 8:00 de la mañana. Al observar el terreno (ver figura 41) se puede notar
que el mayor ocultamiento topográfico se presenta por la mañana cuando el sol está
ubicado al Oriente del área de estudio.
Figura 41: Corte transversal del terreno, trayectoria solar
De esta manera se puede asumir que todo el área obtiene sol entre las 8:00 de la mañana
y las 4:00 de la tarde. Se pueden hacer cálculos para exclusivamente este intervalo y
sumarlos con el resultado “exp60a85" adicionando 7 horas para complementar el cálculo
para todo el intervalo.

Hora elevación () azimut () p m n

4:00 p.m. 38.6° 305.7° 0.7186 7 4
4:30 p.m. 26.2° 295.5° 0.4770 7 4
5:00 p.m. 14.7° 285.8° 0.2830 7 4
5:30 p.m. 4.3° 276.1° 0.1069 7 4
6:00 p.m. 0.5° 270.0° 0.0000 7 4
Para el mapa “mde40pm” (4:00 p.m.):

max(mde,0.7186*mde#[7]+(0.2814)*mde#[4]-983.0267)

max(mde,0.4770*mde#[7]+(0.5230)*mde#[4]-545.1736)

max(mde,0.2830*mde#[7]+(0.7170)*mde#[4]-272.6482)

max(mde,0.1069*mde#[7]+(0.8931)*mde#[4]-75.6188)

max(mde,mde#[4]-8.7269)
Cree los anteriores mapas. Después cree también los mapas de exposición solar
para cada momento del día (“exp40pm”, “exp45pm”, “exp50pm”, “exp55pm”,
“exp60pm”).
Sume los mapas para crear el mapa de exposición solar para todo el día:
expdia := exp60a85+exp40pm+exp45pm+exp50pm+exp55pm+exp60pm+7
Puesto que estamos asignando ½hora a cada momento el intervalo real es de las 5:45
a.m. hasta las 6:15 p.m.. De esta manera el máximo valor de exposición solar será de 12½
horas. Observe las siguientes figuras (42 y 43) donde se muestra el resultado de esta
operación.

Los colores claros corresponden a las zonas con

mayor incidencia solar, mientras las más oscuras
corresponden a las zonas de mayor ocultamiento
topográfico.
Las lineas en la parte cerca de los límites de

Cundinamarca son debido a errores generados
durante la interpolación de las curvas de nivel,
Figura 42: Exposición solar en Cundinamarca por falta de información.
Figura 43: Vista tridimensional de la exposición solar en Cundinamarca
Se puede notar que los picos, crestas y planicies tienen mayor exposición solar, mientras
las laderas, pozos y canales reciben menor cantidad de horas de sol.
-- . --


5. RESPUESTAS
En este capitulo se consignan las respuestas a los ejercicios expuestos
3.1.1 Despliegue y consulta de la información
La distribución de los puntos en el mapa “C14" es:

Aleatoria
Medición de las distancias en los puntos:

Distancia mínima: ± 150 metros
Distancia máxima: ± 85000 metros
Que tipo de dominio tiene el mapa (ver propiedades del mapa)?

Dominio identificador
Cuantos puntos tiene el mapa (ver propiedades del mapa)?

60 puntos
Cuantos pares de puntos se pueden crear con estos puntos?

n*(n-1)/2 = 60*59/2=1770
Cuales son los valores mínimos y máximos de la columna “C14"?

Valor mínima: 0.35
Valor máxima: 81.00
La varianza de la columna “C14" es:

581.901
3.1.2 Análisis de distribución espacial
Con que distribución corresponde el comportamiento del gráfico?

Aleatoria
Este corresponde con lo que usted visualmente había concluido?

Si
3.2.1 Variograma representado como superficie (Anisotropía)
El ángulo principal de anisotropía es:

± 20°

50 Respuestas

El ángulo de tolerancia es:
± 15°

Los modelos que se ajustan al comportamiento del semivarianza de la dirección
perpendicular son:
Modelo 1: Spherical model Modelo2: Circular model
Nugget: 50 Nugget: 50
Sill: 710 Sill: 690
Range: 20000 Range: 19000

Los modelos que se ajustan al comportamiento del semivarianza omnidireccional son:
Modelo 1: Power model Modelo 2: Gaussian model

Slope: 0.0001 Sill: 750
Power: 1.5 Range: 22000
Modelo 3: Rational Quadratic Modelo 4: Wave model

Sill: 800 Sill: 650
Range: 17500 Range: 7500

51 Respuestas

3.3.5 Verificación y selección de los modelos (Goodness of Fit R2)
Intervalo de distancia donde se ajusten los modelos:
Modelo 1: Power model Modelo 2: Gaussian model
Distancia mínima: 0 Distancia mínima: 0
Distancia máxima: 25km Distancia máxima: 35km
Modelo 3: Rational Quadratic Modelo 4: Wave model

Distancia mínima: 0 Distancia mínima: 0
Distancia máxima: 40km Distancia máxima: >45km
Cual modelo, según su criterio, se ajusta mejor a los valores experimentales?

Wave model (0-45km)
Anote el R2 para los 4 modelos para las 4 distancias (25, 35, 40 y 45 km):
Distancia Modelo 1 (pow) Modelo 2 (gau) Modelo 3 (rat) Modelo 4 (wav)

0-25 km 0.5637 0.5318 0.502 0.5549
0-35 km 0.5747 0.7282 0.7131 0.7436
0-40 km 0.1388 0.7465 0.7348 0.749
0-45 km -0.7671 0.74 0.7362 0.7647
Promedio 0.1275 0.6866 0.6715 0.7031
Cual de los cuatro modelos se ajusta mejor al semivariograma experimental?

Wave model (tanto valor más alto y promedio más alto)
3.4 Interpolación por medio de Kriging

Los errores mínimos y máximos leídos en el mapa “OKwa50e” son:
Error mínimo: 16.704 Error máximo: 24.176
Cerca de: pnt 38 Cerca de: pnt 60
a distancia: ½km a distancia: 9km

52 Respuestas

Bibliografía
Aronoff, S. 1989. Geographical Information Systems: A Management Perspective. WDL

Publications Otawa. Canada. 294p.
Bakker, X. and F. Pérez, 2000, Conceptos de análisis y modelamiento en el formato raster.

Notas de clase. Especialización en Sistemas de Información Geográfica. CIAF -
Universidad de Tunja, Santa Fe de Bogotá, 57 p.
Burrough, P.A. 1985. Principles of Geographical Information Systems for Land Resource
Assessment. Clarendon Press, Oxford. 193p.
Felicísimo, A.M. 1994. Modelos Digitales del Terreno. Introducción y aplicaciones en las
ciencias ambientales. España. 118 p.
ILWIS 1997, ILWIS 2.1, User’s Guide. ITC, The Netherlands.
ILWIS 1997, ILWIS 2.1, Application Guide. ITC, The Netherlands.
ILWIS 1998, ILWIS 2.2, Installation & New Funcionality. ITC, The Netherlands.
ILWIS 1999, Ayuda en línea de ILWIS 2.23. ITC The Netherlands.
Meijerink, A.M.J., H.A.M. de Brouwer, C.M. Mannaerts y C.R. Valenzuela, 1994.

Introductionto the use of Geographic Information Systems for practical Hydrology.
ITC Publication number 23, Enschede, The Netherlands. 243p.
Valenzuela, C, 1989, Análisis y modelamiento de datos, notas de clase.10p.

53 Respuestas

Anexo: Declinación solar
D = 2 3.5 ⋅ sen [0 .9 8 6 ⋅ ( 2 8 4 + d ) ]
Fecha d D 9-Feb 40 -15.27 21-Mar 80 -0.45
1-Ene 1 -23.07 10-Feb 41 -14.96 22-Mar 81 -0.05
2-Ene 2 -22.99 11-Feb 42 -14.65 23-Mar 82 0.36
3-Ene 3 -22.90 12-Feb 43 -14.33 24-Mar 83 0.76
4-Ene 4 -22.81 13-Feb 44 -14.01 25-Mar 84 1.17
5-Ene 5 -22.70 14-Feb 45 -13.68 26-Mar 85 1.57
6-Ene 6 -22.60 15-Feb 46 -13.35 27-Mar 86 1.97
7-Ene 7 -22.48 16-Feb 47 -13.02 28-Mar 87 2.38
8-Ene 8 -22.36 17-Feb 48 -12.68 29-Mar 88 2.78
9-Ene 9 -22.23 18-Feb 49 -12.34 30-Mar 89 3.18
10-Ene 10 -22.10 19-Feb 50 -11.99 31-Mar 90 3.58
11-Ene 11 -21.96 20-Feb 51 -11.64 1-Abr 91 3.98
12-Ene 12 -21.81 21-Feb 52 -11.29 2-Abr 92 4.38
13-Ene 13 -21.66 22-Feb 53 -10.93 3-Abr 93 4.77
14-Ene 14 -21.50 23-Feb 54 -10.57 4-Abr 94 5.17
15-Ene 15 -21.33 24-Feb 55 -10.21 5-Abr 95 5.56
16-Ene 16 -21.16 25-Feb 56 -9.84 6-Abr 96 5.96
17-Ene 17 -20.98 26-Feb 57 -9.47 7-Abr 97 6.35
18-Ene 18 -20.79 27-Feb 58 -9.10 8-Abr 98 6.73
19-Ene 19 -20.60 28-Feb 59 -8.73 9-Abr 99 7.12
20-Ene 20 -20.40 1-Mar 60 -8.35 10-Abr 100 7.50
21-Ene 21 -20.20 2-Mar 61 -7.97 11-Abr 101 7.89
22-Ene 22 -19.99 3-Mar 62 -7.59 12-Abr 102 8.27
23-Ene 23 -19.78 4-Mar 63 -7.21 13-Abr 103 8.64
24-Ene 24 -19.55 5-Mar 64 -6.82 14-Abr 104 9.02
25-Ene 25 -19.33 6-Mar 65 -6.43 15-Abr 105 9.39
26-Ene 26 -19.09 7-Mar 66 -6.04 16-Abr 106 9.76
27-Ene 27 -18.85 8-Mar 67 -5.65 17-Abr 107 10.13
28-Ene 28 -18.61 9-Mar 68 -5.26 18-Abr 108 10.49
29-Ene 29 -18.36 10-Mar 69 -4.86 19-Abr 109 10.85
30-Ene 30 -18.11 11-Mar 70 -4.47 20-Abr 110 11.21
31-Ene 31 -17.85 12-Mar 71 -4.07 21-Abr 111 11.56
1-Feb 32 -17.58 13-Mar 72 -3.67 22-Abr 112 11.91
2-Feb 33 -17.31 14-Mar 73 -3.27 23-Abr 113 12.26
3-Feb 34 -17.03 15-Mar 74 -2.87 24-Abr 114 12.60
4-Feb 35 -16.75 16-Mar 75 -2.47 25-Abr 115 12.94
5-Feb 36 -16.47 17-Mar 76 -2.06 26-Abr 116 13.28
6-Feb 37 -16.17 18-Mar 77 -1.66 27-Abr 117 13.61
7-Feb 38 -15.88 19-Mar 78 -1.26 28-Abr 118 13.94
8-Feb 39 -15.58 20-Mar 79 -0.85 29-Abr 119 14.26

54 Anexo - Declinación solar

Fecha d D
30-Abr 120 14.58 11-Jun 162 23.13 23-Jul 204 20.11
1-May 121 14.89 12-Jun 163 23.19 24-Jul 205 19.90
2-May 122 15.20 13-Jun 164 23.26 25-Jul 206 19.68
3-May 123 15.51 14-Jun 165 23.31 26-Jul 207 19.45
4-May 124 15.81 15-Jun 166 23.36 27-Jul 208 19.22
5-May 125 16.11 16-Jun 167 23.40 28-Jul 209 18.99
6-May 126 16.40 17-Jun 168 23.43 29-Jul 210 18.75
7-May 127 16.69 18-Jun 169 23.46 30-Jul 211 18.50
8-May 128 16.97 19-Jun 170 23.48 31-Jul 212 18.25
9-May 129 17.25 20-Jun 171 23.49 1-Ago 213 17.99
10-May 130 17.52 21-Jun 172 23.50 2-Ago 214 17.73
11-May 131 17.79 22-Jun 173 23.50 3-Ago 215 17.46
12-May 132 18.05 23-Jun 174 23.49 4-Ago 216 17.19
13-May 133 18.30 24-Jun 175 23.48 5-Ago 217 16.91
14-May 134 18.56 25-Jun 176 23.45 6-Ago 218 16.63
15-May 135 18.80 26-Jun 177 23.43 7-Ago 219 16.34
16-May 136 19.04 27-Jun 178 23.39 8-Ago 220 16.04
17-May 137 19.27 28-Jun 179 23.35 9-Ago 221 15.75
18-May 138 19.50 29-Jun 180 23.30 10-Ago 222 15.44
19-May 139 19.73 30-Jun 181 23.24 11-Ago 223 15.14
20-May 140 19.94 1-Jul 182 23.18 12-Ago 224 14.82
21-May 141 20.15 2-Jul 183 23.11 13-Ago 225 14.51
22-May 142 20.36 3-Jul 184 23.03 14-Ago 226 14.19
23-May 143 20.56 4-Jul 185 22.95 15-Ago 227 13.86
24-May 144 20.75 5-Jul 186 22.86 16-Ago 228 13.54
25-May 145 20.94 6-Jul 187 22.76 17-Ago 229 13.20
26-May 146 21.12 7-Jul 188 22.66 18-Ago 230 12.87
27-May 147 21.29 8-Jul 189 22.55 19-Ago 231 12.53
28-May 148 21.46 9-Jul 190 22.43 20-Ago 232 12.18
29-May 149 21.62 10-Jul 191 22.31 21-Ago 233 11.83
30-May 150 21.78 11-Jul 192 22.17 22-Ago 234 11.48
31-May 151 21.93 12-Jul 193 22.04 23-Ago 235 11.13
1-Jun 152 22.07 13-Jul 194 21.89 24-Ago 236 10.77
2-Jun 153 22.20 14-Jul 195 21.74 25-Ago 237 10.41
3-Jun 154 22.33 15-Jul 196 21.59 26-Ago 238 10.05
4-Jun 155 22.46 16-Jul 197 21.42 27-Ago 239 9.68
5-Jun 156 22.57 17-Jul 198 21.25 28-Ago 240 9.31
6-Jun 157 22.68 18-Jul 199 21.08 29-Ago 241 8.94
7-Jun 158 22.78 19-Jul 200 20.90 30-Ago 242 8.56
8-Jun 159 22.88 20-Jul 201 20.71 31-Ago 243 8.18
9-Jun 160 22.97 21-Jul 202 20.51 1-Sep 244 7.80
10-Jun 161 23.05 22-Jul 203 20.31 2-Sep 245 7.42


Fecha d D
3-Sep 246 7.04 15-Oct 288 -9.56 26-Nov 330 -21.37
4-Sep 247 6.65 16-Oct 289 -9.92 27-Nov 331 -21.53
5-Sep 248 6.26 17-Oct 290 -10.29 28-Nov 332 -21.69
6-Sep 249 5.87 18-Oct 291 -10.65 29-Nov 333 -21.84
7-Sep 250 5.48 19-Oct 292 -11.01 30-Nov 334 -21.99
8-Sep 251 5.08 20-Oct 293 -11.37 1-Dic 335 -22.13
9-Sep 252 4.69 21-Oct 294 -11.72 2-Dic 336 -22.26
10-Sep 253 4.29 22-Oct 295 -12.07 3-Dic 337 -22.39
11-Sep 254 3.89 23-Oct 296 -12.41 4-Dic 338 -22.51
12-Sep 255 3.49 24-Oct 297 -12.75 5-Dic 339 -22.62
13-Sep 256 3.09 25-Oct 298 -13.09 6-Dic 340 -22.73
14-Sep 257 2.69 26-Oct 299 -13.42 7-Dic 341 -22.83
15-Sep 258 2.29 27-Oct 300 -13.75 8-Dic 342 -22.92
16-Sep 259 1.89 28-Oct 301 -14.08 9-Dic 343 -23.01
17-Sep 260 1.48 29-Oct 302 -14.40 10-Dic 344 -23.08
18-Sep 261 1.08 30-Oct 303 -14.72 11-Dic 345 -23.16
19-Sep 262 0.67 31-Oct 304 -15.03 12-Dic 346 -23.22
20-Sep 263 0.27 1-Nov 305 -15.34 13-Dic 347 -23.28
21-Sep 264 -0.13 2-Nov 306 -15.65 14-Dic 348 -23.33
22-Sep 265 -0.54 3-Nov 307 -15.94 15-Dic 349 -23.38
23-Sep 266 -0.94 4-Nov 308 -16.24 16-Dic 350 -23.41
24-Sep 267 -1.35 5-Nov 309 -16.53 17-Dic 351 -23.45
25-Sep 268 -1.75 6-Nov 310 -16.81 18-Dic 352 -23.47
26-Sep 269 -2.15 7-Nov 311 -17.09 19-Dic 353 -23.49
27-Sep 270 -2.56 8-Nov 312 -17.37 20-Dic 354 -23.50
28-Sep 271 -2.96 9-Nov 313 -17.64 21-Dic 355 -23.50
29-Sep 272 -3.36 10-Nov 314 -17.90 22-Dic 356 -23.50
30-Sep 273 -3.76 11-Nov 315 -18.16 23-Dic 357 -23.49
1-Oct 274 -4.16 12-Nov 316 -18.42 24-Dic 358 -23.47
2-Oct 275 -4.55 13-Nov 317 -18.67 25-Dic 359 -23.44
3-Oct 276 -4.95 14-Nov 318 -18.91 26-Dic 360 -23.41
4-Oct 277 -5.34 15-Nov 319 -19.15 27-Dic 361 -23.37
5-Oct 278 -5.74 16-Nov 320 -19.38 28-Dic 362 -23.33
6-Oct 279 -6.13 17-Nov 321 -19.60 29-Dic 363 -23.27
7-Oct 280 -6.52 18-Nov 322 -19.82 30-Dic 364 -23.22
8-Oct 281 -6.91 19-Nov 323 -20.04 31-Dic 365 -23.15
9-Oct 282 -7.29 20-Nov 324 -20.25
10-Oct 283 -7.67 21-Nov 325 -20.45
11-Oct 284 -8.06 22-Nov 326 -20.64
12-Oct 285 -8.43 23-Nov 327 -20.83
13-Oct 286 -8.81 24-Nov 328 -21.02
14-Oct 287 -9.18 25-Nov 329 -21.20



Análisis Geo-Estadístico y Exposición Solar - ILWIS

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análisis Geo-Estadístico y Exposición Solar - ILWIS

Uploaded by

Copyright:

Available Formats

THE INTEGRATED LAND AND W ATER INFORMATION SYSTEM

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

El presente documento fue elaborado como un curso de análisis geo-estadístico utilizando

HeRindser Ltda ni el autor de este documento asumen responsabilidad por resultados

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

3.3 Modelar el semivariograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

Anexo: Declinación solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

1.1 Definición de Interpolación

1.2 Interpolación de puntos

1.2.1 Interpolación de vecinos más cercanos

INTERPRETACION DIGITAL Y SENSORES REMOTOS for W I N D O W S

En la figura 2 se muestra un mapa de polígonos de Thiessen calculado sobre una

Figura 2: Polígonos de Thiessen sobre superficie compleja

Una función de esparcimiento evalúa fenómenos que se acumulan con la distancia. Se

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

La figura 3 muestra gráficamente

Figura 3: Influencia como función de distancia (distancia inversa)

La figura 4 muestra gráficamente

Figura 4: Influencia como función de distancia (decrecimiento lineal)

INTERPRETACION DIGITAL Y SENSORES REMOTOS for W I N D O W S

Figura 5: Interpolación por medio del promedio móvil

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

En ILWIS la interpolación de tendencia de superficie únicamente puede ser desarrollada

Figura 6: Regresión lineal Figura 7: Regresión polynomial

1.2.4 Interpolación de superficie móvil

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

En 1971 estas preguntas motivaron al geo-matemático Francés Georges Matheron y el

1.4 Aplicaciones del Kriging

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

2.1 Distribución espacial

Figura 8: Distribución aleatoria Figura 9: Distancia versus probabilidad (aleatoria)

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

Notese la diferencia en el comportamiento de las curvas de probabilidad tanto en el caso

INTERPRETACION DIGITAL Y SENSORES REMOTOS for W I N D O W S

Nearest Neighbour Distance NND (Distancia de vecino más cercano)

Figura 16: Tabla de distribución espacial (NND)

Reflexive Nearest Neighbour (RNN)

Figura 17: Información adicional acerca RNN

INTERPRETACION DIGITAL Y SENSORES REMOTOS for W I N D O W S

Reflexive Nearest Neighbours Reflexive Nearest Neighbours

Distance to Nearest Neighbours Distance to Nearest Neighbours

Reflexive Nearest Neighbours Reflexive Nearest Neighbours

Distance to Nearest Neighbours Distance to Nearest Neighbours

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

En caso de que exista un punto en el

Figura 19: tabla que resulta de la correlación espacial bi-direccional

INTERPRETACION DIGITAL Y SENSORES REMOTOS for W I N D O W S

En caso de efectuar la operación omnidireccional, únicamente se genera una columna

La operación bi-direccional únicamente se hace cuando se supone un comportamiento de

2.2.1 Interpretación de “Moran's I” y “Geary's c”

0<c<1 Autocorrelación positiva I>0

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

A partir de la tabla generada en la operación de correlación espacial se despliega la

Figura 20: Modelos disponibles en ILWIS para modelar el semivariograma

En el ejemplo anterior se utilizaron las siguientes variables:

Power model: Nugget = 215, Slope = 0.000015 y Power = 1.6

INTERPRETACION DIGITAL Y SENSORES REMOTOS for W I N D O W S

Figura 21: semivariograma esférico

Nugget Es el valor inicial de la semivarianza (a la distancia cero) donde empieza el

INTERPRETACION DIGITAL Y SENSORES REMOTOS for WINDOWS

En caso de establecerse la anisotropía en los datos, debe medirse el ángulo principal;