You are on page 1of 10

CONSIDERACIONES GEOESTADÍSTICAS PARA LA CREACIÓN DE

CUBIERTAS TEMÁTICAS EN SIG
M. Chica-Olmo1 y J. A. Luque-Espinar2
1

Departamento de Geodinámica/IACT, Facultad de Ciencias, Universidad de Granada, Avenida Fuente

Nueva s/n, 18071 Granada.
Tfno./Fax: 958-243363. E-mail: mchica@goliat.ugr.es
2

Instituto Geológico y Minero de España, Urbanización Alcázar del Genil, 4, 18006 Granada.

Tfno: 958-183143. Fax: 958-122990. E-mail: juan_luque@inicia.es
RESUMEN
La creación de cubiertas temáticas a partir de datos experimentales de distinta naturaleza
(cualitativos y cuantitativos) es uno de los aspectos más importantes en el desarrollo de un SIG. Existen
un conjunto variado de métodos convencionales basados en hipótesis diferentes con el fin de dar la mejor
respuesta al problema suscitado; entre otros, cabe mencionar el análisis de tendencia, los polígonos de
Thissen, el inverso de la distancia, splines, etc. En este trabajo se presentan las etapas para la creación de
cubiertas temáticas mediante métodos geoestadísticos, aún poco utilizados, pero que ofrecen excelentes
posibilidades de aplicación para la creación de las cubiertas SIG. Con la descripción del método
geoestadístico se pretende facilitar la comprensión de los aspectos teóricos fundamentales y las reglas
prácticas necesarias para crear de forma correcta la cubiertas de información. Con este análisis se secará
el máximo partido de los datos experimentales disponibles mediante las herramientas que proporciona la
Geoestadística. La explicación se apoya en distintos ejemplos que ilustran adecuadamente el proceso de
creación de las cubiertas. Finalmente se discuten de forma crítica los resultados obtenidos.
1. INTRODUCCIÓN
El análisis de la información temática en los SIG conlleva, habitualmente, la necesidad de crear
cubiertas temáticas o superficies continuas de atributos espaciales. Este problema se presenta
habitualmente en estudios de recursos naturales y del medio ambiente, en los que se dispone de
observaciones experimentales (muestreos) a partir de las cuales se desea predecir (cartografiar) la
distribución espacial de las variables o atributos estudiados. En consecuencia, la toma de datos
experimentales es una parte básica en el estudio de estas variables espaciales referidas al territorio,
aspecto que tiene connotaciones tantos prácticas como económicas. Frecuentemente, la localización de
los puntos de observación es irregular, atendiendo a criterios preferenciales del experto; en otros casos, la
ubicación de los de estos puntos se hace teniendo en cuenta modelos estadísticos derivados de la teoría de
muestreo (Gy,1981).

De otro lado. esta operación compleja se relaciona con la inferencia espacial del valor de una o varias variables a partir del conjunto de datos. o bien de la estimación de una función de la variable en dicho punto. Con el término objetivo se quiere resaltar la coherencia que debe existir entre las características del problema planteado. los datos experimentales son analizados mediante modelo operativos para obtener información continua. Así. los métodos geoestadístico han tenido una progresiva y amplia aceptación en el ámbito científico.e. 1970). p. la naturaleza del modelo elegido y la calidad del resultado obtenido. para que puedan ser utilizados en la elaboración de mapas temáticos mediante técnicas de interpolación espacial. Básicamente. En la mayoría de los casos. Esta teoría se fundamenta en la interpretación de las variables experimentales como variables regionalizadas. El análisis de la variabilidad espacial desde el punto de vista de la Geoestadística y los pasos necesarios para crear cubiertas temáticas mediante Krigeaje son el objetivo de este artículo. Como se decía anteriormente. frecuentemente escasos y que representan una fracción pequeña de la “realidad” desconocida. cuyo interés práctico radica en el hecho que proporcionan un modelo numérico que reproduce la variabilidad espacial del fenómeno . están los métodos de simulación condicional. Es evidente que estamos frente a un problema de elección entre métodos deterministas o de probabilidad. Por un lado. cuando sean sancionados por la praxis. Todo ello a sabiendas de que en sí no hay modelos buenos o malos sino que éstos lo serán. impuesta por las causas genéticas que lo han originado. como metodología capaz de dar una respuesta adecuada a problemas “prácticos” relacionados con la estimación o simulación de variables espaciales. los datos (muestras) deben cumplir los criterios de homogeneidad y representatividad del fenómeno estudiado. se deberá elegir un modelo “objetivo” que conduzca a los mejores resultados posibles. cuya interpretación se hace en un marco conceptual topo-probabilístico. aplicables en estudios donde se requiere el conocimiento del valor más probable de la variable o atributo en un punto no experimental (estimación lineal). elección que no es simple habida cuenta de la diversidad de metodologías existentes. que muestra la forma más acertada y completa para crear dichas cubiertas de información. Precisamente este aspecto sirve de fundamento de los métodos geoestadísticos. Estos aspectos de interés aplicados están ligados al concepto de variabilidad espacial que cualquier variable regionalizada ligada al estudio de los recursos naturales presenta. probabilidad que supere un valor límite (estimación no lineal). los métodos de estimación.En cualquier caso. LA APROXIMACIÓN GEOESTADÍSTICA Desde que se formuló la Teoría de Variables Regionalizadas (Matheron. 1. es decir como variables que presentan una distribución espacial y una estructura de correlación o variabilidad espacial. En este trabajo no se pretende hacer una defensa de una metodología en particular. a posteriori. más bien se trata de mostrar aspectos de interés basados en la experiencia de los autores. sino también a la hora de elegir el modelo de estimación espacial. los métodos geoestadísticos tienen dos grandes campos de aplicación. Ningún otro método considera explícitamente la variabilidad espacial del fenómeno físico estudiado. este aspecto referente a la correlación o variabilidad espacial es un factor de gran importancia a tener en cuenta no sólo en el reconocimiento experimental.

En términos aplicados. independientemente que provengan del estudio de recursos naturales. que da el valor del atributo Z en un punto del espacio x Є R1. caracterizado por la función variograma. γ(h) DATOS ANÁLISIS ESTRUCTURAL h ESTIMACIÓN SIMULACIÓN INTERPRETACIÓN DE RESULTADOS -Cartografía temática -Estimación y simulación de variables .observado. En esencia. Esquema de un estudio geoestadístico básico. La función variograma se define como una función aleatoria intrínseca que representa la mitad de los incrementos cuadráticos medios del atributo espacial para puntos distantes el vector h: . los métodos geoestadísticos tienen naturaleza topo-probabilística. R2 o R3. EL VARIOGRAMA COMO HERRAMIENTA PARA EL ANÁLISIS DE LA VARIABILIDAD ESPACIAL A diferencia de otros métodos de interpolación espacial. el esquema básico para la realización de cualquier estudio geoestadístico se esquematiza en la figura 1. estas variables presentan dos características fundamentales: el carácter aleatorio que induce a la noción de variables aleatoria y el carácter estructural propio de cada fenómeno estudiado o regionalización. es especialmente interesante y aconsejable la utilización conjunta de ambas metodologías para la elaboración de modelos probabilísticos de previsión de distribución de los atributos espaciales.Diseño de muestreos Figura 1. En particular. Una variable regionalizada se interpreta como una función aleatoria Z(x). especialmente adaptada al estudio de variables regionalizadas. En este contexto. 2. Es evidente que este concepto es aplicable a la gran mayoría de los atributos espaciales que pueden estudiarse en una aplicación SIG. las tareas de toma de decisiones sobre información experimental encuentran en estas metodologías un aliado de gran interés a efectos de minimizar los errores. específicamente en el análisis y modelización cartográfica en entorno SIG. medioambientales o socioeconómicos.

z( xi+h ) } ∑ 2NP(h) i=1 donde z(xi) et z(xi+h) son los valores de la variable observados en los puntos xi y xi+h. Carácter estructural γ(h) Carácter aleatorio COTA PIEZOMÉTRICA 566 564 562 560 10/1/82 10/1/81 10/1/80 10/1/79 10/1/78 10/1/77 10/1/76 10/1/75 10/1/74 10/1/73 10/1/72 10/1/71 10/1/70 10/1/69 10/1/68 10/1/67 10/1/66 558 FECHA Figura 2. una función vectorial que cuantifica la varianza de los incrementos cuadráticos de primer orden de la función (Matheron. El estimador insesgado de la función variograma a partir de los datos experimentales viene dado por la fórmula clásica: 1 NP(h) 2 γ (h) = {z( xi ) . 1987). aquél. ajuste a un modelo teórico y validación del modelo. NP(h) es el número de parejas de datos distantes h. periodicidades).e. Esta información será incorporada al proceso geoestadístico de estimación espacial de krigeaje. llegando a cuantificar aspectos esenciales de la variación espacial como. Su interés práctico es muy importante puesto que de su análisis se llega al conocimiento de la variabilidad espacial del atributo estudiado. una herramienta reveladora de la estructura de variación del fenómeno. 2001). por lo que la . Características de la piezometría como variable regionalizada: evolución piezométrica en un punto de un acuífero detrítico (Luque-Espinar. pues. pues. En este análisis variográfico se produce una interacción entre el usuario y el modelo geoestadístico.Z(x + h) }2 El variograma es. El análisis variográfico o estructural comprende tres etapas: estimación e interpretación del variograma experimental. Chica Olmo. es.γ (h) = 1 / 2 E {Z(x) . interpreta y modela el variograma atendiendo a sus conocimientos experimentales del proceso físico estudiado. comportamientos a pequeña y gran escalas o comportamientos particulares (p. anisotropías. 1970. zona de influencia.

i=1.1. Estos métodos se clasifican en dos grandes grupos en función de la estructura del estimador.1 0 0 2 4 6 8 10 12 14 TIEMPO (MESES) 16 18 20 22 24 Figura 3. Insesgado y Óptimo).9 0.. Además.n} y la función variograma γ(h) que caracteriza la estructura de variabilidad espacial de la variable. Otro aspecto que se puede analizar es el alcance piezométrico o zona influencia.3 0. krigeaje simple. El método de krigeaje aborda este problema proporcionando un estimador óptimo del valor de la variable Z(x) en el soporte de información v (puntual o valor medio). Seguidamente.6 0. En el ejemplo representado en la figura 3 podemos observar algunos aspectos de la información que aporta el variograma acerca de la variación de la piezometría. Para ello utiliza el conjunto de datos experimentales {z(xi). Variograma experimental y teórico de una evolución piezométrica. En este caso. krigeaje de indicatrices. atendiendo a la sencillez de su aplicación y a los buenos resultados que se pueden obtener para crear cubiertas de información. se aprecia un comportamiento en el origen muy continuo. 3. propio de variaciones piezométricas muy regulares en el tiempo/espacio. es decir distancia para la que desaparece la autocorrelación de la piezometría. Es un estimador ELIO (Estimador Lineal. EL KRIGEAJE COMO INTERPOLADOR ÓPTIMO El krigeaje es el método de estimación geoestadística que proporciona el “valor más probable” de un atributo en un punto no experimental. de los que existe una gran variedad de métodos geoestadísticos cada uno de ellos adaptado a las diversas situaciones que se dan en los problemas de estimación (krigeaje ordinario. krigeaje disyuntivo.7 γ (h) 0. muy corriente en el estudio de la piezometría en el tiempo.5 0. Zv(x). es patente el comportamiento periódico del variograma.calidad de los resultados finales dependerá del grado de acierto alcanzado en esta etapa de análisis variográfico.4 0. 0.8 0. Como hipótesis se .. lineales y no lineales. Krigeaje Ordinario (KO) Se ha mostrado que el objetivo de aplicar métodos de interpolación es predecir el valor de la característica estudiada en localizaciones no experimentales. que se sitúa en torno a seis meses lo que marca correctamente el ciclo verano/invierno. se exponen de forma resumida los fundamentos de algunos de estos métodos. 3. etc).2 0. krigeaje universal.

cuya solución es el conjunto de ponderadores de krigeaje λi y el parámetro de Lagrange µ. n µ = parámetro de Lagrange En un contexto operacional SIG.. 1978). se obtiene imponiendo que Σλi=1. con esperanza constante E{Z(x)}=m y dotada de covarianza C(h). se impone otra condición aún más fuerte sobre el error de estimación.. 1970. La primera condición.v) + µ . . Journel y Huijbregts. pueden sintetizarse de la siguiente forma: el estimador Zvko es óptimo en el sentido de minimización del error de estimación. las ventajas más importantes del método. que representa el mapa de isopiezas obtenido a partir de la estimación de bloques (500x500 m2) y el mapa de errores relativos. La minimización de la expresión de este error por medio de la técnica de Lagrange. γ(h) (Journel y Huijbregts. considera la geometría del conjunto estimador y la geometría del conjunto estimador y estimado.γ (v. que sea mínimo σ2KO=E{Zv-Zvko}2 → 0. basados en aspectos geométricos o funciones deterministas.v) α Un ejemplo de aplicación del método se observa en la figura 4. expresión que admite un desarrollo cuadrático en términos de la función variograma. de cara a la integración de datos en el SIG (Sistema Soporte de Decisión): σ 2KO = ∑ λ α γ ( α . conduce al sistema de krigeaje... β = 1. El estimador de Krigeaje Ordinario (ZKO) (Matheron. puntual o valor medio. respectivamente. Además. o lo que es igual de variograma γ(h).establece que Z(x) es una función aleatoria estacionaria de segundo orden. lo que sin duda es de gran valor para la interpretación de los resultados sobre todo. expresada de la forma E{Zv}=E{ZKO}. Se quiere que el estimador ZKO sea óptimo cumpliendo las condiciones de no sesgo y de error de estimación mínimo. y proporciona una valoración probabilística del error de estimación σ2KO. β ) + µ = γ ( α . que es la condición de universalidad que asegura que la estimación sea insesgada. v) ∑ λα = 1 ∀ α . ∑ λ β γ ( α . es decir. La diferencia radica en el procedimiento de búsqueda de los ponderadores λi. tiene en cuenta el soporte de información v. bajo la condición de universalidad. 1978) del valor buscado es simplemente una ponderación lineal de los valores experimentales Z(xi) por coeficientes λi (ponderadores de krigeaje) desconocidos: n Z KO ( x) = ∑λ i Z ( xi ) i=1 La estructura lineal del estimador es equivalente a la de otros métodos no geoestadísticos.

n}. estimar funciones de Z(x0). se observa que la solución práctica adoptada se reduce a la simple estimación de Z en el área de estudio. A la resolución de este problema de estimación local de la función de distribución condicional de una variable. se han propuestos diversos métodos geoestadísticos paramétricos y no paramétricos.i=1. sin embargo. y entre los segundos el método de Krigeaje de Indicatrices. Esta situación es frecuente en ciencias ambientales cuando el especialista busca localizaciones en las que un determinado contaminante supera un valor límite “problema de alerta”. Estimación de funciones de la variable: El Krigeaje de Indicatrices El análisis de datos espaciales requiere. en muchas ocasiones. Un simple krigeaje de I(x0. por tanto.2. 2002). Estimación piezométrica por Krigeaje Ordinario en la Vega de Granada y localización de piezómetros (izquierda). otro aspecto a considerar es la escala local para estimar la función de distribución. 2001).…. de esta forma se obtiene una aproximación discreta de la función de distribución condicional. errores relativos de estimación (derecha) (tomado de Luque-Espinar. por cualquier método. El método de krigeaje de indicatrices consiste en una transformación binomial de la variable Z(x) en la variable indicatriz. I(x0. 1999. Es importante recordar que la distribución de Z y Z* no coinciden y. se necesita estimar una función de Z(x0) y no solamente la esperanza matemática de Z en el punto x0. en consecuencia. El problema se reduce a determinar la función de distribución acumulada F(z)=Pr{Z(x0) < zc} cuando el límite zc varía en un rango de valores (Chilès y Delfiner. Con excesiva frecuencia. y aplicar un corte al valor estimado (Z*(x0) ≥ zc). La idea del método es repetir el proceso de estimación de las indicatrices obtenida para diferentes valores de zc. 2002 puede verse una aplicación de ambos métodos en ciencias ambientales. 1984). no obstante en Chica-Olmo y Luque-Espinar. como ocurría en el caso anterior. 0 si Z(x0) > zc}. los resultados de aplicar el corte sobre el estimador no son óptimos y. 3. los errores en la toma de decisiones pueden ser graves. Entre los primeros destaca el método de estimación no lineal de Krigeaje Disyuntivo.0 5 km 0 5 km Figura 4. Además. Ahora. zc) = {1 si Z(x0) ≤ zc. Chica-Olmo y Luque. . zc) da la probabilidad estimada que Z(x) sea inferior al valor de corte zc. Por su sencillez de aplicación se expondrá un breve resumen de este segundo método propuesto por Journel (1983. lo que implica estimar la función de distribución condicional local {Z(x0)/z(xi).

i . Como inconveniente señalamos el cálculo de la función mediante un proceso de discretización que necesita un número suficiente de valores de corte zc. tal y como es presenta en la figura 5. iguales para todos los valores de corte zc. que puede ser largo y tedioso. debido a la simple transformación que necesita que puede ser aplicada a variables categóricas. 500 x 500 m2. Para evitar este proceso. Para cada uno de estos valores se debe realizar un análisis variográfico y resolver un sistema de krigeaje. Para cada bloque. resultando la siguiente expresión para la estimación de la  = ∑ λi ( z c ) I ( xi . El sistema de ecuaciones se expresa en términos del variograma de la indicatriz mediana γI (h. n La figura 5 representa un ejemplo de mapa de un estudio medioambiental.. en escala de grises. podemos representar en términos probabilidad situaciones medioambientales diversas de cualquier variable dentro de un contexto general de integración de datos en un SIG.. De esta forma se asume que todos los variogramas de las indicatrices son proporcionales y consecuentemente los pesos obtenidos de los sistemas de krigeaje son iguales (Deutsch y Journel. Esta hipótesis simplifica notablemente el proceso de cálculo. donde un simple análisis visual de los resultados obtenidos para el corte zc = 50 mg/L. 1993). x ) . . z )  n ∑ λ ( z ) F ( z ) i =1 i c  c probabilidad Pr{Z(x0) < zc}: donde los λi son los pesos de krigeaje simple. la contaminación por nitratos en un acuífero.zc)}: n ∑ λ (z ) γ ( x .. permite localizar las áreas más afectadas. n El error de krigeaje viene dado por: σ IK2 = n ∑ λ (z ) γ ( x . de frecuente uso en aplicaciones SIG.La principal ventaja del método es su gran simplicidad práctica.... . puede aplicarse una simplificación en la que se usa un único variograma indicatriz que corresponde a la mediana de la variable. De esta forma. Esta estructura se deduce del valor de corte coincidente con la mediana de los datos y se aplica a todas las indicatrices. j = 1. i = 1.zc) I(x. x ) = j =1 i c I i j γ I ( x0 − xi ). lo que representa una ventaja importante.γ ( x i =1 i c I i 0 I 0 − x0 ). de la probabilidad condicional de superar un valor de corte zc (50 mg/L) de nitratos en el acuífero detrítico de la Vega de Granada. valor límite de potabilidad para consumo humano. . zc ) + 1 − i =1  n * c SK I ( x 0. se estimó la probabilidad Pr{Z(x0) > zc} por KI con la misma vecindad de estimación local para cada uno de los valores zc. p.e.zc) = ½ E{I(x+h.

fundamentadas en el uso de la estructura de variabilidad espacial. se constata en la práctica de los SIG que los métodos de interpolación son escogidos de forma un tanto arbitraria. lo cual plantea un problema serio que con demasiada frecuencia pasa inadvertido para el usuario. tanto a escala global como local. Sólo las estimaciones realizadas mediante métodos geoestadísticos proporcionan estimaciones locales fiables. sin un juicio previo sobre las características y naturaleza de estos métodos. pero no ocurre lo mismo a nivel local. aspecto de máximo interés en actividades de planificación medioambiental. produce estimaciones óptimas de la variable espacial. La cubierta de estimación elaborada por este método debe interpretarse en la práctica como la “imagen” más probable de la distribución espacial de la variable estudiada. Frecuentemente. en sus diferentes modalidades. Por esta razón los métodos geoestadísticos de estimación poco a poco van ocupando un lugar relevante en el análisis espacial en el entorno de los SIG. el método proporciona el mapa de errores de estimación. El método de krigeaje. 4. a través de la interpretación de los errores relativos de estimación. al minimizar el error de estimación y por la condición de no sesgo del estimador. es decir el variograma. Muchos de estos métodos conducen a estimaciones globales insesgadas. DISCUSIÓN Los métodos geoestadísticos contemplan un aspecto esencial de la información experimental representado por el variograma que es la variabilidad espacial. Su estructura raster hace que sea fácilmente integrable en la base de datos como cubierta de información SIG. . que aparecen en el menú de análisis espacial del software utilizado.Figura 5. Además. Mapa de probabilidad condicional de contenido nitratos superiores a 50 mg/L en el acuífero de la Vega de Granada. muy importante de cara al análisis e interpretación de la variable estudiada.

Non parametric estimation of spatial distributions. and Luque.G.A. La Théorie del Variables Régionalisées et ses applications. J. (1978). (1987). Applications of the local estimation of the probability distribution function in environmental sciences by kriging methods. (2002). 357 pp Matheron. Mario Chica-Olmo. and Huijbregts. simulación.).G. Mathematical Geology. 212 pp. GSLIB : Geostatistical Software Library and User´s Guide. P. nada despreciable.G. Universidad de Granada. es que el método considera el efecto de soporte en la estimación y su adaptación a cualquier problema particular relacionado con la estimación de la variable (valor medio. A. Oxford University Press. 15:445-468. Journel. Mining Geostatistics. (1999). Centre De Géostatistique Et De Morphologie Mathématique. Análisis geoestadístico espacio-temporal de la variabilidad piezométrica: Aplicación a la Vega de Granada. Ed. Ecole Nationale Supérieure des Mines de París. P. BIBLIOGRAFÍA Chica. New York. 307335. Journel. Granada. 107-125. 18:25-36. C. and Delfiner. Análisis Geoestadístico en la Explotación de los Recursos Minerales. New York.V. Modelling Spatial Uncertainty. and Journel.J. J. (1984). Ed. Academic Press. pp. estimación de funciones de distribución local. M. etc.Otra ventaja. Gy. J. A. pp. A. NATO ASI. Chica. Luque. M. Proc. Industrie Minerale. Journel. (1993). (1983). Lake Tahoe. P. Deutsch. Theorie de la prehomogénéisation derivée de la theorie de l´échantillonnage.G. Geostatistics. (2001). Ed. (1981). Tesis Doctoral. A. 5. The place of non-parametric geostatistics. London. John Wiley & Sons. 600 pp. G. Inverse Problems. (1970). Granada.A. C. Chiles. London. .