Diplomado en Geomática UC: Curso Modelamiento de

superficies
Modelamiento de superficies con procesos
geoestadísticos

Guía de trabajo número G5: Determinación de información
probabilística

En ejercicios anteriores se ha visto cómo es posible obtener mapas
interpolados usando Kriging ajustado según el análisis geoestadístico
efectuado sobre los datos. También es posible obtener mapas
probabilísticos que permitan predecir lugares donde se exceda cierto
umbral de medida del fenómeno en estudio. Para entender la
situación examine el mapa correctamente interpolado que obtuvimos
antes:

Este mapa es también probabilístico; es el
que con mayor probabilidad modela
correctamente la distribución de
ozono en California. Si eso es así,
entonces determinar dónde el
ozono puede exceder cierto
umbral es también una cuestión
de probabilidades. Si, por ejemplo,
fijamos un umbral de
concentración de ozono de 0,12,
es claro que mayor probabilidad de
que se exceda ese umbral existirá
donde los valores medidos de ozono sean iguales o superiores a
0,12 y, teóricamente, mientras más alto sea el valor de ozono medido
o interpolado, mayor será la probabilidad de que se supere el umbral.
El problema está en las zonas cercanas a ese umbral ¿qué tan
probable es que allí se supere ese valor? ¿Se puede establecer una
superficie continua de probabilidades de superación de un umbral? No
solo esto, sino ¿es posible ajustar también los sesgos locales
introducidos en estas probabilidades por autocorrelación y
anisotropía? Se puede. Esto se llama Indicator Kriging.

1
Indicator Kriging opera sobre valores observados de 1 y 0, donde 1
serán aquellos puntos donde se exceda el umbral previsto y 0
aquellos donde ello no ocurra. El procedimiento, entonces, utiliza un
semivariograma construido sobre este conjunto transformado de
datos 1 y 0.

Generación de un mapa de probabilidades a través de
Indicator Kriging

1. Haga click sobre Geostatistical Analyst y luego en Geostatistical
Wizard.
2. Seleccione como capa de trabajo ca_ozone_pts y como
atributo de estudio (Data Field) ozone.
3. En Geostatistical Methods escoja Kriging/Cokriging y presione
Next.
4. En el paso 2 escoja Indicator y Output Surface Type en
Probability e indique el umbral requerido en Primary threshold;
0,12 en este caso. Asegúrese de seleccionar la opción Exceed,
ya que lo que deseamos es conocer la probabilidad de que en
algunos lugares el ozono llegue a exceder este valor. Debería
tener lo siguiente tras este paso:

4

2
5. Presione Next.
6. En el cuadro de diálogos Semivariogram/Covariance modelling
marque Anisotropy como True para considerar el sesgo local y
deje el lag size en 25.000 y number of lags en 10.

6

Este grosor
simplement
e muestra la
diferencia
en el
variograma
considerand
o
anisotropía

7. Presione Next en el cuadro de diálogos Searching
Neighborhood. Aceptaremos la oferta del sistema.
8. Obtendrá el cuadro resumen de las probabilidades asignadas a
cada punto de muestra. Observe en la tabla inferior (Figura 8)
como en general las mayores probabilidades (eje Y) de
sobrepasar el límite de 0,12 (la línea azul) son asignadas a los
puntos con los mayores valores medidos de ozono (eje X),
mientras más altos, mayor probabilidad. Puede seleccionar
cualquier punto del registro (la tabla) y verá como se identifica
el punto en el diagrama Indicator Prediction. La idea entonces
es tener ahora un mapa donde se identifiquen las zonas donde
estas probabilidades excedan este rango.

3
8

Punto
crítico de
probabilida
d buscado
(0,12)

9. Presione Finish y luego OK en el resumen del proceso a
continuación.
10. Se desplegará el mapa de probabilidades de los lugares
en que podrían producirse altas concentraciones de ozono en el
área de estudio, es decir, sobre 0,12. Debería obtener algo
semejante a la figura siguiente. Note la existencia de
“artefactos” o valores incoherentes que se pueden formar en
áreas no interpolables por falta de puntos de observación.
Como norma general, sólo son confiables los resultados
obtenidos al interior del área que cubren los puntos de muestra,
de modo que es una buena idea tener la referencia de éstos
sobre las superficies interpoladas, tal como se aprecia en la
figura 10.

4
1

Este rango (rojo) indica
los puntos del área de
estudio donde hay entre
un 56,8% a un 94,0% de
probabilidades de
superar una
concentración de ozono
de 0,12 ppm
Para resumir lo realizado puede decirse que, simplemente, se han
aplicado técnicas geoestadísticas para modelar, esta vez,
probabilidades de que se supere cierto umbral de un fenómeno
específico de acuerdo a su medida original y a su relación de cercanía
con los otros puntos de medición, lo que implica sesgos que también
pueden corregirse para obtener una superficie probabilística más
certera.

5