You are on page 1of 33

Tema 6

:

ecnicas de estimaci´
on de una variable
incorporando informaci´
on secundaria
Eduardo Cassiraga
efc@dihma.upv.es
Grupo de Investigaci´
on de Hidrogeolog´ıa
Departamento de Ingenier´ıa Hidr´aulica y Medio Ambiente
Universidad Polit´ecnica de Valencia

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

Geoestad´ıstica

Tema 6: T´ecnicas de estimaci´
on de una variable incorporando informaci´
on secundaria

Contenidos
1 Introducci´
on.
2 Tipos de datos.
3 Krigeado por estratos.
4 Krigeado simple con media local.
5 Krigeado con una deriva externa.
6 El paradigma del cokrigeado:
7 Un ejemplo de cokrigeado ordinario.
8 Cokrigeado colocalizado.
9 Un ejemplo de cokrigeado colocalizado.
M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

1

Geoestad´ıstica

Tema 6: T´ecnicas de estimaci´
on de una variable incorporando informaci´
on secundaria

1 Introducci´
on
• Algoritmos para la estimaci´
on de una variable a partir de informaci´on acerca de la
misma variable.
• Inclusi´on en el proceso de estimaci´
on de una o m´
as variables que est´an correlacionadas
con la variable de inter´es.
• Aprovechamiento de la correlaci´
on cruzada entre las distintas variables con la variable
de inter´es para mejorar el conocimiento acerca de ´esta u
´ltima.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente

2

informaci´on derivada de un MDT. • Ejemplos: datos de precipitaci´ on. concentraci´on de un contaminante. porosidad del terreno. informaci´on geof´ısica. • Informaci´ on indirecta. • Son medidas asociadas a una incertidumbre. conductividad hidr´aulica. transmisividad. • Ejemplos: datos de radar. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 3 .Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 2 Tipos de datos • Informaci´ on directa. • Se trata de medidas con una incertidumbre nula o despreciable. principal o “dura”. • Es escasa y muy costosa. secundaria o “blanda”. • Es conocida abundantemente a un costo relativo bajo.

• Si no hay suficientes datos para calcular un variograma por estrato se puede calcular uno v´alido sobre todo el dominio de trabajo. 3 Las estimaciones dentro de cada estrato se llevan a cabo utilizando los datos y el variograma pertenecientes a ese estrato. luego el KPE comprende los pasos siguientes: 1 El ´area de estudio es estratificada de acuerdo a los l´ımites establecidos por el mapa categ´orico de informaci´ on secundaria.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 3 Krigeado por estratos (KPE) • Supongamos que la informaci´ on secundaria toma la forma de un mapa categ´orico de un atributo determinado sobre el ´area de estudio. 2 Se calcula el variograma para cada uno de los estratos establecidos. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 4 .

luego el estimador por KSML es: ∗ ZKSM L (u) = n X λα [Z(uα) − m∗KSM L(uα)] + m∗KSM L(u) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 5 .Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 4 Krigeado simple con media local (KSML) • El estimador por krigeado simple es: ∗ ZKS (u) = n X λα [Z(uα) − m] + m α=1 • El KSML sustituye la media estacionaria m por una variando suavemente en funci´on de la informaci´ on secundaria disponible en la localizaci´ on estudiada.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 6 . • La media local de la variable primaria m∗KSM L se calcula como la media aritm´etica de los datos que caen dentro de cada categor´ıa. esto es: m∗KSM L(u) = f (y(u)) • La funci´ on f (·) puede ser determinada por regresi´ on. • Informaci´ on secundaria continua.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Estimaci´ on de media local • Informaci´ on secundaria categ´ orica. • La media local de la variable primaria m∗KSM L puede ser una funci´on (lineal o no) del valor del atributo secundario y en cada localizaci´ on u.

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Sistema de KSML • Los pesos del KSML se obtienen resolviendo un sistema de krigeado simple que se escribe: n X λβ CR(uα − uβ ) = CR(uα − u)... es decir de los residuos Z(u) − m(u). . M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 7 .. n β=1 donde CR(h) es la funci´ on de covarianza de la funci´on aleatoria R(u). α = 1. • La funci´on de covarianza de R(u) se puede calcular a partir de los datos y de las medias locales.

esto es: m(u) = a0 + a1y(u) • El estimador por KDE tiene la forma siguiente: ∗ (u) = ZKDE n X λαZ(uα) α=1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 8 .Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 5 Krigeado con una deriva externa (KDE) • El KDE es un caso particular del krigeado con un modelo de tendencia o krigeado universal en el cual la componente de tendencia m(u) es modelizada como una funci´on lineal de una variable secundaria y(u) que var´ıa suavemente (en lugar de una funci´on de las coordenadas espaciales).

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Sistema de ecuaciones del KDE • Los coeficientes de ponderaci´ on λα se obtienen resolviendo el siguiente sistema de ecuaciones lineales:  n P    λβ CR(uα − uβ ) + µ0 + µ1y(uα) = CR(uα − u).. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 9 . .. n  n P λβ = 1    β=1   n  P     β=1 λβ y(uβ ) = y(u) • El sistema de KDE es un caso particular del sistema de KT donde K=1 y la componente de tendencia f1(u) en cada localizaci´ on es identificada con el valor y(u) de una variable secundaria.    β=1    α = 1..

• Desde el punto de vista de la correlaci´ on espacial es la t´ecnica de estimaci´on m´as potente ya que en la construcci´ on del estimador intervienen los valores de la variable principal.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 6 El paradigma del cokrigeado • El cokrigeado (CK) permite incorporar en el proceso de estimaci´on de una variable informaci´ on secundaria que no es exhaustivamente conocida. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 10 . la o las variables secundarias y todos los patrones de continuidad espacial entre variables.

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 11 . Nv y ni son el n´ umero de datos de la variable principal. y n1. m1(u) y mi(uαi ) son los valores esperados de las variables aleatorias Z1(u) y Zi(uαi ) respectivamente.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria El estimador general por cokrigeado • El estimador general por cokrigeado tiene la forma siguiente: (1)∗ ZCK (u) − m1(u) = n1 X λα1 [Z1(uα1 ) − m1(uα1 )] + α1 =1 + ni Nv X X λαi [Zi(uαi ) − mi(uαi )] i=2 αi =1 (1)∗ donde ZCK (u) es el estimador de la variable principal por cokrigeado en la localizaci´on (u). λα1 y λαi son los pesos asignados a los datos primarios y secundarios respectivamente. el n´ umero de variables secundarias y el n´ umero de datos de la variable secundaria que intervienen en la estimaci´ on de la localizaci´ on (u) respectivamente.

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria El estimador y la varianza por cokrigeado ordinario • El estimador por cokrigeado ordinario considerando s´ olo una variable secundaria es: (1)∗ ZCKO (u) = n1 X α1 =1 λα1 Z1(uα1 ) + n2 X λα2 Z2(uα2 ) α2 =1 y la varianza de la estimaci´ on es: 2 σCKO (u) = σ12 − µ1 − n1 X α1 =1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente λα1 C1(uα1 − u) − n2 X λα2 C12(uα2 − u) α2 =1 12 .

. .. . n1   n1 n2  P P    λβ1 C12(uα1 − uβ2 ) + λβ2 C2(uα2 − uβ2 ) + µ2 =  β1 =1 C12(uα2 − u)...Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria El sistema de cokrigeado ordinario • Los coeficientes de ponderaci´ on λα1 y λα2 se obtienen resolviendo el siguiente sistema de ecuaciones lineales:  n n2 P P1   λβ1 C1(uα1 − uβ1 ) + λβ2 C12(uα1 − uβ2 ) + µ1 =    β1 =1 β2 =1     C1(uα1 − u). n2 β2 =1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 13 . α1 = 1..    n1  P   λ β1 = 1    β1 =1   n2  P    λ β2 = 0  β2 =1 α2 = 1..

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria El estimador y la varianza por cokrigeado ordinario estandarizado • El estimador por cokrigeado ordinario estandarizado considerando s´olo una variable secundaria es: (1)∗ ZCKO (u) = n1 X λα1 Z1(uα1 ) + α1 =1 n2 X λα2 [Z2(uα2 ) − m2 + m1] α2 =1 y la varianza de la estimaci´ on es: 2 σCKO (u) = σ12 − µ1 − n1 X α1 =1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente λα1 C1(uα1 − u) − n2 X λα2 C12(uα2 − u) α2 =1 14 .

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria El sistema de cokrigeado ordinario estandarizado • Los coeficientes de ponderaci´ on λα1 y λα2 se obtienen resolviendo el siguiente sistema de ecuaciones lineales:  n n2 1 P P   λβ1 C1(uα1 − uβ1 ) + λβ2 C12(uα1 − uβ2 ) + µ =    β1 =1 β2 =1     C1(uα1 − u).. α1 = 1..... n1    P n1 n P2 λβ1 C12(uα1 − uβ2 ) + λβ2 C2(uα2 − uβ2 ) + µ =  β1 =1 β2 =1     C12(uα2 − u). n2   n1 n2  P P   λ β1 + λ β2 = 1   β1 =1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente β2 =1 15 . α2 = 1. .. .

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 7 Un ejemplo de cokrigeado ordinario 1 Informaci´ on disponible: 2 datos de la variable principal (U) y de 3 datos de la variable secundaria (V) con la siguiente configuraci´on: 2 Modelo de continuidad espacial:   γU (h) = 440000 + 70000 Esf(h) + 95000 Esf(h) γU V (h) = 47000 + 50000 Esf(h) + 40000 Esf(h)   γV (h) = 22000 + 40000 Esf(h) + 45000 Esf(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 16 .

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 3 Construcci´ on del sistema de cokrigeado:  UU UV UV UV UU C13 C14 C15 C11 C12 UU UU UV UV UV  C21 C C C C 22 23 24 25  UV UV VV VV VV  C31 C32 C C C 33 34 35  UV UV VV VV VV  C41 C42 C C C 43 44 45  UV UV VV VV VV  C51 C52 C C C 53 54 55   1 1 0 0 0 0 0 1 1 1      λ=     1 1 0 0 0 0 0 0 0 1 1 1 0 0           λ1 λ2 η1 η2 η3 µ1 µ2           =          605000 99155 137000 49715 57615 1 0 99155 605000 49715 137000 45554 1 0 137000 49715 107000 49623 57158 0 1 49715 137000 49623 107000 45164 0 1 57615 45554 57158 45164 107000 0 1 1 1 0 0 0 0 0 0 0 1 1 1 0 0 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente  UU C10 UU C20 UV C30 UV C40 UV C50 1 0 −1                              134229 102334 70210 52697 75887 1 0           17 .

216 −0.512 0. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 18 .666 205963 13823            n1 n2 P P u∗ = λiui + ηivi = 398 0 i=1 i=1  2 σCKO = 681549 El estimador es igual a 398 y la varianza del error 681549.397 0.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 4 Soluci´on:      λ=     λ1 λ2 η3 η4 η5 µ1 µ2            = C−1 · D =          0.488 −0.

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 8 Cokrigeado colocalizado • Cuando la informaci´ on secundaria est´a muy densamente muestreada el algoritmo de CK tiene los siguientes inconvenientes: 1 El contraste entre la densidad de muestreo de la variable principal y la secundaria hace que el sistema de ecuaciones de CK tienda a ser muy inestable. 2 Los datos secundarios que est´an muy cerca de la localizaci´on de la variable principal a ser estimada “apantallan” el efecto de los dem´as datos blandos. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 19 . aproximaci´ on conocida como cokrigeado colocalizado. • Una soluci´ on a estos problemas es construir un estimador de la variable principal en una dada localizaci´ on reteniendo s´ olo el dato “colocalizado” de la variable secundaria.

y n1 y Nv son el n´ umero de datos de la variable principal y el n´ umero de variables secundarias que intervienen en la estimaci´on de la localizaci´on (u) respectivamente. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 20 . λα1 y λi son los pesos asignados a los datos primarios y secundarios respectivamente. m1(u) y mi(u) son los valores esperados de las variables aleatorias Z1(u) y Zi(u) respectivamente.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria El estimador general por cokrigeado colocalizado • El estimador general por cokrigeado colocalizado tiene la forma siguiente: (1)∗ ZCKC (u) − m1(u) = n1 X λα1 [Z1(uα1 ) − m1(uα1 )] + α1 =1 + Nv X λi [Zi(u) − mi(u)] i=2 (1)∗ donde ZCKC (u) es el estimador de la variable principal por cokrigeado colocalizado en la localizaci´ on (u).

. n1  n1 P λβ1 C12(u − uβ1 ) + λ2 C2(0) + µ = C12(0)    β1 =1   n1  P   λβ1 + λ2 = 1   β1 =1 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 21 .. α1 = 1..Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Cokrigeado colocalizado ordinario estandarizado • El estimador por cokrigeado colocalizado ordinario estandarizado considerando s´olo una variable secundaria es: (1)∗ ZCKCO (u) = n1 X λα1 Z1(uα1 ) + λ2 [Z2(u) − m2 + m1] α1 =1 y el sistema de ecuaciones cuya soluci´ on nos da los coeficientes de ponderaci´on es:  n P1   λβ1 C1(uα1 − uβ1 ) + λ2 C12(uα1 − u0)    β1 =1     µ = C1(uα1 − u). .

M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 22 .Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Cokrigeado colocalizado bajo un modelo de Markov • A trav´es de una aproximaci´ on de tipo markoviana la funci´on de covarianza cruzada entre dos variables se puede expresar: C12(0) C11(h) = ρ12(0) C11(h) C12(h) w C11(0) o en t´erminos de correlograma ρ12(h) w ρ12(0) ρ11(h) o en t´erminos de variograma γ12(h) w ρ12(0) γ11(h) donde ρ12(0) es el coeficiente de correlaci´ on lineal entre las variables.

.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria El estimador y el sistema de cokrigeado colocalizado bajo un modelo de Markov • El estimador y el sistema de ecuaciones del cokrigeado colocalizado bajo un modelo de Markov en su forma estandarizada son: n1 (1)∗ X ZCKCSM (u) − m1 [Z1(uα1 ) − m1] [Z2(u) − m2] = λ α1 + λ2 σ1 σ σ2 1 α =1 1  n1 P    λβ1 ρ1(uα1 − uβ1 ) + λ2 ρ12(0) ρ1(uα1 − u0) =    β1=1 ρ1(uα1 − u). n1  n1  P     β =1 λβ1 ρ12(0) ρ1(u − uβ1 ) + λ2 = ρ12(0) 1 donde ρ12(0) es el coeficiente de correlaci´ on lineal entre las variables.. α1 = 1.. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 23 ..

esto es: (1)∗ ZCKCSM (u) − m1 Z2(u) − m2 = σ1 σ2 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 24 ... por lo que el estimador corresponde al dato secundario colocalizado estandarizado. n1. .Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Casos particulares • Si ρ12(0) = 0 entonces λ2 = 0 y el dato secundario colocalizado es ignorado.. esto es: n1 (1)∗ X ZCKCSM (u) − m1 [Z1(uα1 ) − m1] = λα1 σ1 σ1 α =1 1 • Si ρ12(0) = 1 entonces λ2 = 1 y λα1 = 0 ∀ α1 = 1.

• El modelo estad´ıstico utilizado es: Variable Porosidad media Amplitud Media 12.7 2495.7 1313.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria 9 Un ejemplo de cokrigeado colocalizado • Los datos est´an constituidos por 3 pozos.0 Esf1500(h) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 25 . • La variable principal es la porosidad y la variable secundaria es la amplitud s´ısmica.0 Correlaci´on 0.7 • El variograma asumido para la porosidad es: γ(h) = 1.0 Desviaci´ on est´andar 1.

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Un ejemplo de cokrigeado colocalizado Porosidad Amplitud 15.395 Krigeado ordinario M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente Cokrigeado colocalizado 15.5 15.5 9.3 9.3 -527.62 9.5 6465.3 26 .

9 case 3 case 6 case 9 • Excepto la correlaci´ on y el modelo de variograma. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 27 . • Estimaremos un mapa de la porosidad media para los siguientes casos: Efecto pepita puro Alcance corto (100 m) Alcance largo (3000 m) ρ = 0. los dem´as par´ametros permanecen id´enticos para los 9 casos considerados.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Un ejemplo de cokrigeado colocalizado • Veremos de forma intuitiva como responde el cokrigeado colocalizado a los cambios en el modelo de continuidad espacial.0 case 1 case 4 case 7 ρ = 0.5 case 2 case 5 case 8 ρ = 0.

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Modelo de continuidad espacial y campos estimados Efecto pepita puro Caso 1 Caso 2 Caso 3 15.5 15.3 9.3 ρ = 0.9 28 .3 9.5 ρ = 0.5 15.5 9.0 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente ρ = 0.

5 15.5 ρ = 0.3 9.9 29 .0 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente ρ = 0.3 9.5 15.3 ρ = 0.5 9.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Modelo de continuidad espacial y campos estimados Alcance = 100 Caso 4 Caso 5 Caso 6 15.

3 9.5 15.9 30 .0 M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente ρ = 0.3 ρ = 0.3 9.5 9.5 ρ = 0.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Modelo de continuidad espacial y campos estimados Alcance = 3000 Caso 7 Caso 8 Caso 9 15.5 15.

Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Bibliograf´ıa • Isaaks. y Srivastava. (1997). E. (1998). • Goovaerts. Geostatistics for Natural Resources Evaluation. Oxford University Press. An Introduction to Applied Geostatistics. (1989). • Froidevaux. P. Oxford University Press. R. New York. Workshop Notes. R. FSS International. New York. M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 31 . Geostatistics for Petroleum Reservoir Characterization.

y Journel. • Xu. R. SPE paper 24742. Srivastava. Integrating seismic data in reservoir modeling: the collocated cokriging alternative. (7-Lectura-Xu-etal-SPE92. T. A.Geoestad´ıstica Tema 6: T´ecnicas de estimaci´ on de una variable incorporando informaci´ on secundaria Para leer en casa..pdf ) M´aster en Ingenier´ıa Hidr´aulica y Medio Ambiente 32 . M. (1992). W. Tran..