FACULTAD DE CIENCIAS EXACTAS, INGENIERA y AGRIMENSURA

UNIVERSIDAD NACIONAL de ROSARIO

Tesis Doctoral:

TEORA DE LOS CAMPOS PARAMTRICOS
CONTINUOS APLICADA A VARIABLES
HIDROCLIMTICAS


Autor: Ing. Mario Silber
Director: Dr. Adolfo Villanueva

Agosto de 2007
ARGENTINA

2
Dedico estos escritos a:

Mi madre, Elena, quien quiso ensearme a leer la letra lnea por lnea,
estrictamente;

Mi padre, Antonio, quien quiso ensearme a leer, siempre, lo que est
entre las lneas

Marcela, quien le puso msica a mis letras.

A quien dijo que el Titanic fue construido por profesionales y el Arca
de No por aficionados













3
NDICE

RESUMEN


Pg. 4

ABSTRACT


Pg. 5

CAPTULO 1 INTRODUCCIN Y OBJETIVOS
1.1 Introduccin
1.2 Descripcin general de mtodos de interpolacin
1.3 Objetivos
1.4 Organizacin de la Tesis


Pg. 6

CAPTULO 2 MARCO TERICO
2.1 La continuidad de los campos
2.2 Descripcin cualitativa de los distintos tipos posibles de campos
2.3 La forma de los campos
2.4 El semivariograma


Pg. 16

CAPTULO 3 ANTECEDENTES Y REVISIN BIBLIOGRFICA
3.1 Breve descripcin de los mtodos usualmente empleado
3.2 Descripcin detallada del Mtodo del Vecino Natural


Pg. 38

CAPTULO 4 MATERIALES Y MTODOS
4.1 Descripcin de las bases de datos
4.2 Mtodo de la continuidad de los campos


Pg. 64

CAPTULO 5 CASOS HIPOTTICOS DE APLICACIN
5.1 Caso 1: dos puntos sobre los extremos de la diagonal de un cuadrado
5.2 Caso 2: tres puntos no equidistantes ni colineales
5.3 Caso 3: funcin proporcional a una Gaussiana bivariada, con alto coeficiente
de correlacin, con 20 puntos muestrales esparcidos al azar.


Pg. 87

CAPTULO 6 UN CASO REAL: LA CUENCA DEL RO URUGUAY
6.1 Anlisis de la variacin de los campos para distintas situaciones y distintos
valores del parmetro f
6.2 Anlisis de los campos resultantes de aplicar distintos mtodos
6.3 Anlisis de otras situaciones
6.4 Anlisis de los resultados


Pg. 99

CAPTULO 7 CONCLUSIONES Y RECOMENDACIONES
7.1 Conclusiones
7.2 - Recomendaciones


Pg. 139

CAPTULO 8 BIBLIOGRAFA


Pg. 144
4
RESUMEN
Se basa en la hiptesis de que las variables hidroclimticas que se distribuyen
espacialmente sin singularidades obedecen a un campo espacial de correlacin,
definido en forma multivariada, y que es funcin nicamente de las coordenadas
espaciales definidas localmente y de ciertas caractersticas geomtricas de la zona y
de la red de captura de la informacin.
De esta manera, la variable estar definida, en cada coordenada espacial y
para distintos niveles de agregacin temporal, exclusivamente por sus coordenadas,
por la estructura de correlacin y por los valores puntuales obtenidos de la red de
captura.
En primera instancia se supone que la estructura de correlacin espacial es
circular y exponencialmente decreciente, en un medio isotrpico y homogneo. Este
medio podra alterarse, imponiendo una dispersin elptica y un decrecimiento lineal
o Besseliano, dependiendo esto del nivel de desagregacin de las variables. Por
ejemplo, si la variable analizada fuese la precipitacin, a nivel de tormenta habra
que suponer medios anisotrpicos y heterogneos (e inclusive habra que poner
limitaciones a la continuidad de los campos), mientras que a nivel de agregacin
anual se verificaran las hiptesis ms sencillas.
El algoritmo resultante de la aplicacin de la teora tiene varias utilidades
importantes prcticas en el campo de la ingeniera hidrolgica: interpolacin de
valores faltantes para el rellenamiento de series temporales (de precipitacin,
temperatura, presin, evaporacin, etc.), clculo de valores medios totales y por
regiones, anlisis de curvas hipsomtricas variable-rea.



5
ABSTRACT
This thesis is based on the hypothesis that the hydroclimatic variables
spatially distributed without singularities are related with a spatial field of
correlation, defined in a multivariate way, and it is a function f the spatial co-
ordinates locally defined and certain geometric characteristics of the zone and the
network of the database information.
In this way, the variable will be defined, on each spatial co-ordinate and for
different levels of temporal aggregation, exclusively by its co-ordinates, by the
structure of the correlation and by the local values obtained by the network.
In first place, it is supposed that the spatial correlation structure is circular
and exponentially decreasing, in an isotropic and homogeneous media. This media
could be modified, imposing an elliptic scatter and a besselian or lineal decrease,
depending on the disaggregation level of the variable. For example, if the analyzed
variable is the precipitation, at the storm level should be supposed anisotropic and
heterogeneous media (furthermore, a discontinuity of the fields should be imposed),
while in an annual or quarterly level (inclusive a monthly level would be considered)
the simplest hypothesis may be verified.
The resulting algorithm of the application of the theory has many important
uses in the practical field of the hydrologic engineering: interpolation of lack data
series for the filling of time series (of precipitation, temperature, air pressure,
evaporation, etc.), the computation of mean values by region, analysis of
hypsometric curves variable-area and so on.
6
CAPTULO 1 INTRODUCCIN Y OBJETIVOS
1.1 - INTRODUCCIN
El planeamiento, desarrollo y administracin de los recursos hdricos
requieren de informacin sobre una gran cantidad de factores pertenecientes al
entorno fsico, econmico y social.
Existe casi siempre cierta incertidumbre o inseguridad asociada con los datos
representativos de estos factores o variables que los ingenieros, administradores y
planificadores territoriales deben emplear en la solucin de los problemas de los
recursos hdricos.
Es esta incertidumbre la que hace plantear el cuestionamiento sobre la calidad
y cantidad de los datos que son necesarios para afrontar problemas reales y
concretos.
La respuesta depender siempre de los objetivos que se persiguen, y es por
esta razn que siempre es tan dificultoso elaborar guas para el diseo de redes de
medicin y/o captura de datos cuyo origen tiene un muy levado componente de
aleatoriedad.
Las actividades de muestreo de datos y el diseo de los experimentos no
deben nunca estar divorciadas de un programa, elaborado previamente, de
interpretacin y modelacin del sistema.
La eleccin de las variables a ser medidas, la ubicacin de los sitios de
muestreo, la frecuencia de la toma de muestras, la duracin del experimento y el
instrumental a emplear dependen, invariablemente, de los objetivos del programa, del
tipo de modelo utilizado para sintetizar o representar al sistema, y de la sensibilidad
que en el proceso de toma de decisiones tiene el error de la informacin coleccionada
y empleada.
7
Ms an, la validacin de la informacin en s misma est determinada por
las condiciones de muestreo, la precisin y exactitud de las medidas y la variacin
espacio temporal del fenmeno que se analiza.
En general, pueden definirse tres niveles de informacin con respecto al
diseo de redes:
Nivel 1: provee un nivel de base de informaciones para planeamiento
nacional o regional amplio, utilizado para realizar inventarios del recurso
y como abastecedor de informacin antecedente para el diseo de
sistemas de captacin ms intensivos y especficos,
Nivel 2: provee de informaciones necesarias para planificacin general del
uso y aprovechamiento de determinados recursos hdricos.
Nivel 3: es un nivel bastante ms restringido; en l se ubican
especialmente los programas de coleccin de datos para actividades
especficas de planificacin y administracin del recurso.
Los niveles 1 y 2 pueden ser clasificados tambin, de acuerdo a los objetivos
a los que se aplicarn los datos captados, dentro de lo que puede llamarse
estimacin regional de datos. Brindarn al planificador valores medios espaciales y
temporales de variables meteorolgicas continuas y/o discretas. Con evaluaciones
primarias de precipitaciones y caudales estos ltimos a travs de aforos o
estimaciones regionales es posible tomar medidas para una posterior planificacin
o desarrollo ms especfico.
El nivel 3, por su misma naturaleza, est orientado hacia la adquisicin de
informacin precisa de determinadas variables hidroclimticas, de acuerdo a o
influenciada por un programa previo de desarrollo econmico o territorial de un rea,
8
En este nivel de coleccin de datos el inters est centrado no solamente en
estimadores regionales, sino y muy especficamente en la estimacin local de
variables hidroclimticas e ingenieriles en sitios y/o subregiones determinados.
Existe una clara diferencia entre el proceso de diseo de sistemas de
captacin de datos correspondientes a los niveles 1 y 2 por un lado, y 3 por el otro.
Cuando el trabajo se est realizando sobre redes de tercer tipo, significa que
se dispone de una prediccin del desarrollo econmico, de las relaciones entre los
errores de estimacin de ciertas caractersticas hidrolgicas y de la relacin entre
estos y las prdidas causadas por los mismos en el desarrollo previsto.
Es posible, sobre las bases de esta estimacin, utilizar tcnicas de
programacin dinmica o programacin dinmica estocstica para obtener la
configuracin ptima y mnima de la red durante el perodo de planificacin.
Es mucho ms complicado plantear una funcin objetivo de optimizacin
econmica para disear una red de medicin del sistema natural; en este caso la
informacin est vagamente relacionada con factores econmicos, y la relacin entre
las actividades de muestreo y el programa de interpretacin de la informacin puede
ser muy dificultosa de realizar.
Es posible entonces plantear al menos dos preguntas bsicas para iniciar el
diseo de sistemas de coleccin de datos.
1 - Cunto esfuerzo debe asignarse, o invertirse, en la red, y dnde
debe estar situada sta para brindar la mayor cantidad posible de
informacin?
2 - Qu inferencias pueden hacerse a partir de los datos recogidos, y
cul es el nivel de seguridad de estas inferencias?
9
Cuando una red se disea para recoger datos de nivel 3, no es muy
complicado plantear una funcin objetivo de optimizacin econmica.
Esta funcin objetivo de puede deducir, por ejemplo, del hecho de que los
beneficios marginales producidos por datos obtenidos en estaciones de muestreo
adicionales nunca deben ser menores que el costo de la recoleccin de los datos en s
mismo.
El enfoque apropiado en estos casos estara construido sobre la Teora
Bayesiana, y se basa en la premisa de que la informacin es valiosa si y slo si su
posesin y utilizacin puede causar algn cambio en la ejecucin de acciones o toma
de decisiones, y que el valor de la misma se mide por la ganancia econmica
asociada a ese cambio o perturbacin en la accin o toma de decisiones.
Un problema mucho menos definido es el diseo de redes para reas en las
cuales no est previsto un desarrollo territorial o econmico determinado con
suficiente claridad.
Cuando se intenta una aproximacin a la solucin similar a la empleada para
las redes de tercer nivel, surge el problema de la falta de definicin tanto de la
funcin objetivo como del espacio de decisiones.
En consecuencia, el planificador debe respetar dos principios bsicos para
colectar datos en los dos primeros niveles:
a) Una red operada con un presupuesto fijo debe ser diseada con el objetivo
de minimizar los errores de las variables hidroclimticas involucradas.
b) Una red operada bajo el criterio de precisin mnima aceptable debe ser
diseada de acuerdo a un costo mnimo.
10
Cualquier formulacin de decisiones que conduzca a la optimizacin de las
redes deber contener al menos uno, y preferentemente los dos siguientes
parmetros:
a) Una estimacin del error producido por el sistema de coleccin, y
b) Una estimacin de la cantidad o monto de informacin recogida por el
sistema.
La metodologa de estudio de estos dos parmetros es diferente, ya sea que se
pretendan estimadores puntuales de variables hidroclimticas en un sitio cualquiera,
o estimadores de valores medios de una variable sobre toda una regin, teniendo en
cuenta que los valores medios son el resultado de una integracin de una variable con
una componente aleatoria muy grande sobre un rea normalmente irregular, y que
son tiles para ser empleados principalmente en modelos concentrados.
El primer caso es aquel que se presenta cuando se deben realizar mediciones
o estimaciones de caudales, en el cual, para sitios no aforados, la seleccin de
aquellos a ser aforados puede ser intentada por medio de un anlisis regional de la
informacin. sta est compuesta por datos de estaciones de la red ya existente o de
sistemas similares; los sitios a seleccionar seran aquellos que presentan una menor
varianza de estimacin.
Suelen emplearse esquemas regresivos que relacionan las medias de las
estaciones existentes a parmetros hidrometeorolgicos y geomorfolgicos o
fisiogrficos. Usando luego la misma regresin es posible estimar las medias en
secciones no aforadas.
El segundo caso mencionado es aquel en el cual el planificador o ingeniero
necesita de una red para estimar valores medios de variables hidroclimticas sobre
una regin, o estimar valores puntuales de la misma en puntos no medidos.
11
Este es, tpicamente, el caso de las redes de medicin de precipitaciones,
temperaturas, presiones, velocidades y direcciones de vientos y, en general, de
cualquier variable hidroclimtica continua, es decir, definida en todo un dominio,
con derivada primera existente en todo ese dominio, y por lo tanto, sin
singularidades.
1.2 - DESCRIPCIN GENERAL DE MTODOS DE INTERPOLACIN
Existe la necesidad de determinar, con la mayor precisin y exactitud
posibles, tanto los valores medios sobre una regin como los valores puntuales sobre
cualquier punto perteneciente a esa regin donde se analice la variable hidroclimtica
considerada.
Se han desarrollado numerosos mtodos para realizar esa estimacin, pero
todos tienen sus grandes deficiencias.
El ms empleado, y el que ha recibido la mayor atencin y uso por parte de
los profesionales dedicados a este tipo de anlisis es el mtodo desarrollado por
Matheron en la Escuela de Minera de Pars, basado en el enfoque del Ingeniero en
Minas sudafricano Paul Krige para el desarrollo y explotacin de menas aurferas,
llamado Mtodo de Kriging.
Este es quiz el mtodo ms empleado por gelogos, topgrafos e inclusive
meteorlogos para interpolar, y en algunos casos extrapolar, valores de variables en
localizaciones no muestreadas.
Es correcto que sea empleado por gelogos, pues el mtodo se basa en la
construccin de una estructura de correlacin denominada semivariograma, que se
basa en la organizacin de las capas estratigrficas y su correlacin, y la inclusin de
concentrados de mena en determinados lugares, lo que Matheron denomin efecto
pepita, o nugget effect. Adems, el semivariograma es una estructura que se basa en
una disposicin fija de una estratigrafa determinada, lo que es algo complicado de
12
definir cuando la variable que se analiza es hidroclimtica, la cual representa
variaciones espaciales permanentes tanto espaciales como temporales.
Los otros mtodos que se emplean para definir campos continuos, tales como
los mtodos de base radial, los mtodos de splines, los mtodos de placa elstica, los
mtodos basados en la inversa de la distancia elevada a alguna potencia y otros son
estructuras matemticas que buscan un ajuste de una superficie mediante mtodos
que no se basan de ninguna manera en conceptos climticos o meteorolgicos, sino
que son de base geolgica o de ingeniera de materiales, o simplemente aplicaciones
numricas, como los splines o los de mnima curvatura.
El mtodo que ms se aproxima a una estimacin algo grosera de valores
medios es el mtodo de la Poligonacin de Thiessen, o Mtodo del Vecino Ms
Cercano. Este mtodo no es til para interpolar valores en sitios no muestreados, ya
que le asigna al mismo el valor del punto muestreado ms cercano. El mtodo de la
Poligonacin de Thiessen es el mtodo al cual colapsan todos los mtodos de base
radial bajo determinadas condiciones.
Otro mtodo, acaso el ms empleado por los especialistas en meteorologa y a
travs del cual se obtienen valores aparentemente lgicos, es el Mtodo del Vecino
Natural, o Mtodo de Sibson, basado en la poligonacin de Thiessen (tambin
llamada Teselacin de Voronoi - Dirichlet) pero a travs del cual se obtienen curvas
isolneas suaves. Su principal defecto es que es til para superficies convexas, y por
lo tanto, no es posible extrapolar valores. Pese a ello es muy empleado para
interpolacin y suavizacin tanto de superficies como de volmenes, y, empleando la
terminologa de Galerkin, sera el mtodo de los elementos naturales. El mtodo de
Watson, tambin basado en el de Sibson y en la triangulacin de Voronoi Dirichlet,
permite las extrapolaciones bajo determinadas condiciones.


13
1.3 - OBJETIVOS
Es el principal objetivo de esta Tesis el desarrollo de un mtodo de
interpolacin de campos continuos de variables hidroclimticas, basado en
estructuras de correlacin espaciales conocidas o estimables, aplicable a cualquier
agregacin temporal que se desee y, al mismo tiempo y en lo posible, respete el
principio de parsimonia (el Principio de Parsimonia es una norma cientfica que
propone que si hay dos o ms respuestas similares a un problema determinado debe
seleccionarse la que emplea las hiptesis ms simples, hiptesis que no deben relajar
principios lgicos o cientficos ya bien establecidos).
La interpolacin de campos continuos significa la aplicacin de un algoritmo
de descripcin de tales campos. La descripcin que se propone en esta Tesis se basa
en una sola hiptesis sencilla: la correlacin espacial entre las precipitaciones
depende de la distancia entre los sitios de medicin, es decreciente a medida que
aumenta la distancia y, por lo tanto, cada punto de la regin donde se desea describir
(o interpolar) ese campo est influenciado por la medida de ese campo en los lugares
donde se han realizado las muestras.
Tambin debe ser un mtodo robusto, es decir, debe ser poco sensible a las
variaciones del input. Expresado de manera ms general, los resultados del mtodo
no deben cambiar aunque el modelo que genera los datos funcione en distintos
escenarios e inclusive cambie.
1.4 ORGANIZACIN DE LA TESIS
A los efectos de lograr una mejor lectura y comprensin de esta Tesis, se ha
organizado a la misma en ocho captulos.
En el Captulo 1 se plantean los distintos niveles de organizacin
correspondientes a redes de distinto tipo y distintas funciones objetivo apropiadas
para optimizar las redes en cada caso, se esbozan algunas definiciones para
diferenciar entre estimaciones puntuales, areales y de valores medios de variables
14
hidroclimticas sobre una regin y se describen brevemente algunos mtodos de
interpolacin que luego se utilizarn para controlar los resultados del mtodo objeto
de esta Tesis, de la cual se proponen tambin objetivos.
En el Captulo 2 se presenta el marco terico. Se analizan distintos tipo de
campos paramtricos, especialmente con respecto a su continuidad. Luego se
describen los mtodos geoestadsticos de interpolacin, particularmente el propuesto
por el Profesor Krige, y se examina al semivariograma como herramienta para el
anlisis de la continuidad espacial y el mapeo de la variable.
En el Captulo 3 se describen en detalle los mtodos ms usuales de
interpolacin espacial de variables geolgicas. Se hace especial hincapi en dos
mtodos: el de Kriging, por ser el ms ampliamente transitado en geoestadstica, y el
Mtodo del Vecino Natural, cuyo desarrollo lgico y conceptual hace que sea uno de
los mtodos empleados para el contaste del mtodo propuesto.
En el Captulo 4 se presentan las bases de datos y la cuenca a la cual se
aplicar el Mtodo, y se presentan las bases tericas y conceptuales del mismo.
En el Captulo 5 se evala el mtodo propuesto mediante la aplicacin del
mismo a casos sintticos e hipotticos, comparando los resultados con aquellos
obtenidos de la aplicacin de mtodos conocidos.
En el Captulo 6 se aplica el mtodo propuesto a un caso real. La cuenca
seleccionada fue la del Ro Uruguay. Se propone una metodologa para evaluar los
resultados y se aplica la misma en tres situaciones: la de mxima, la de mnima y la
ms cercana a la media que se ha encontrado.
En el Captulo 7 se exponen las conclusiones a las que lleva el planteo del
Mtodo objeto de la Tesis, y se proponen distintas aproximaciones para mejorarlo.
15
En el Captulo 8 se despliega la bibliografa empleada como base de
conocimiento para desarrollar el Mtodo, as como las personas consultadas y las
bases de datos aprovechadas.















16
CAPTULO 2 MARCO TERICO.
2.1 - LA CONTINUIDAD DE LOS CAMPOS
La precipitacin es, normalmente, la principal variable hidroclimtica que se
estudia y la primera que se tiene en cuenta en cualquier anlisis regional en el que
intervenga algn tipo de planificacin o desarrollo territorial.
En estudios relacionados con los balances hidrolgicos, la variable
caracterstica es la precipitacin areal media durante un perodo de tiempo.
Este intervalo de tiempo depende bsicamente de la variabilidad temporal del
fenmeno, y puede ser semanal, mensual, estacional y, en algunos casos, anual. Esto
depende, de hecho, de cun representativas son las medidas en la escala de tiempo.
En otras palabras, depende de la estacionariedad del fenmeno y del uso que
se les va a dar a los datos.
En estudios relacionados con la prediccin de derrames, los datos de
precipitacin son utilizados en la construccin de las curvas precipitacin duracin
rea, o como input de modelos de transformacin precipitacin escorrenta,
concentrados o distribuidos.
En algunos casos, lo que se necesita es una estimacin de la contribucin de
determinado tipo de eventos al rea en estudio, esto es, la precipitacin media areal
para el intervalo de tiempo considerado.
En otros casos, se necesitan los valores de la variable de forma puntual, en
ciertos sitios determinados a priori o en todos los puntos de una grilla; tal es el caso
de los estudios en que se emplean modelos de variabilidad climtica, donde se
necesitan los valores de las variables cada medio grado de latitud y longitud, no
coincidiendo las localizaciones de las estaciones de medicin con los puntos de la
grilla.
17
Para prcticamente todos los efectos, ya sea la informacin colectada en redes
de cualquier tipo, es factible considerar a la precipitacin como un campo aleatorio
multidimensional, funcin de las coordenadas espaciales (x, y) y del tiempo t:
P f (x, y, t) = Ec. (2.1)
En todos los casos este campo es continuo y sus primeras derivadas parciales,
tanto respecto del espacio como del tiempo, existen y tienen valores reales en un
dominio determinado D, es decir,
( )
P P P
x, y D, , ,
x y T
| |

|

\
Ec. (2.2)
Esta aseveracin no parece obvia cuando las variables analizadas son
acotadas en forma superior o inferior, pero examinando todos los casos posibles
resulta claro que es as.
2.2 DESCRIPCIN CUALITATIVA DE LOS DISTINTOS TIPOS POSIBLES DE CAMPOS
2.2.1 Campos acotados inferiormente.
Es el caso ms comn: la precipitacin, la presin baromtrica, la velocidad
del viento, la intensidad de radiacin solar y otras variables: no pueden tomar valores
menores que cero. Grficamente podran visualizarse de la siguiente manera:

Figura 2.1 - Representacin tridimensional de un campo truncado inferiormente.
18
Aparentemente, existe una discontinuidad en la interseccin del plano
horizontal con las superficies emergentes (curva mostrada en lnea de trazos). En dos
dimensiones, las isolneas de P(x, y) seran las siguientes:
X
Y

Figura 2.2 Vista bidimensional del campo truncado inferiormente.
En la discontinuidad la superficie no sera derivable. Esta caracterstica se
relaja suponiendo que, en un entorno cercano a la singularidad y tan pequeo como
se quiera existe una transicin suave entre el plano horizontal, o plano de
truncamiento, y la superficie emergente. Esta suposicin no es absurda; si se analizan
las variables con estas caractersticas (precipitacin, por ejemplo). La transicin entre
una zona lluviosa y una seca es ms suave cuanto menor sea la escala de trabajo, o
cuanto mayor sea la agregacin de la variable. A nivel de tormenta, o de
precipitacin diaria, es posible una transicin ms o menos brusca aunque siempre
derivable, mientras que si la agregacin es mensual, estacional o anual es ms
probable que la transicin sea suave, o que directamente no exista el plano de
truncamiento.
2.2.2 Campos acotados superior e inferiormente.
Es el caso de las variables que en su dominio de definicin no pueden tomar
valores mayores que uno determinado, y tampoco un valor menor que otro. La
variable ms inmediata que responde a estas caractersticas es la humedad relativa
del ambiente, que no puede superar el 100% ni ser menor del 0%. Otro campo
acotado tanto superior como inferiormente sera el definido por la dimensin fractal
de las series de tiempo sobre una regin determinada. Una serie definida por un ruido
19
blanco tendra una dimensin fractal D=2, mientras que en el otro extremo, un serie
con una tendencia lineal exacta, sin error agregado, tendra una dimensin fractal
D=1. Una vista tridimensional, necesariamente exagerada, de una variable de tal tipo
sera como sigue.

Figura 2.3 Representacin tridimensional de un campo truncado superior e inferiormente.
En forma bidimensional este campo sera visualizado de la siguiente manera:
X
Y

Figura 2.4 Representacin bidimensional de un campo truncado inferiormente
En este caso la discontinuidad es aparente en las curvas de trazos del Figura
2.4, donde ocurre la interseccin entre los planos representativos de los valores
superior e inferior del truncamiento con la superficie simbolizada por las curvas de
nivel.


20
2.2.3 Campos acotados superiormente.
A los efectos prcticos, no existen en la naturaleza variables hidroclimticas
acotadas solamente en forma superior. Podra argumentarse, por ejemplo, que la
temperatura del agua lquida no supera determinada temperatura de ebullicin para
determinada presin, o que las horas diarias de insolacin no pueden superar las
horas indicadas por la latitud y la poca del ao correspondiente, o que la
evapotranspiracin potencial no puede superar una cantidad que depende de otras
variables (radiacin incidente, velocidad de viento, etc.). Un anlisis algo ms
detallado conduce a definir que estas variables son, en realidad, acotadas tanto
superior como inferiormente. La temperatura del agua lquida tampoco puede ser
menor que la del punto de congelacin (salvo condiciones de excepcin); la cantidad
de horas de insolacin no puede ser menor que cero, as como tampoco puede serlo
la evapotranspiracin.
El caso ms comn de campos acotados solamente en forma superior es
cuando lo que se representa no es la variable hidroclimtica en s, sino alguna
transformacin de la misma, o algn estimador de parmetros estadsticos.
As, por ejemplo, el logaritmo decimal de la humedad relativa del ambiente
tiene un valor mximo de 2 y un mnimo no acotado, o el parmetro de posicin x
0
de la distribucin lognormal triparamtrica (distribucin de Gibrat Galton):
( )

+ =

=
x
0
u
2
1
b x x ln a u ; du e
2
1
) x X ( P
2
Ec. (2.3)
tiene un valor mximo que no puede ser mayor que el mnimo de la variable que se
analiza.
Una vista tridimensional de un campo acotado slo superiormente sera la del
Figura 2.5, donde se observa claramente una meseta como nica caracterstica
sobresaliente.
21

Figura 2.5 Representacin tridimensional de un campo acotado superiormente.
En dos dimensiones, el campo sera el siguiente, donde la discontinuidad
aparente estara representada por la curva de trazos.

Figura 2.6 Representacin bidimensional de un campo acotado superiormente
2.3 - LA FORMA DE LOS CAMPOS
Toda forma geomtrica en el espacio puede definirse como funcin de
coordenadas planas. Usualmente, cuanto ms complejas son estas formas, ms
trminos tienen estas funciones, pudiendo ser que se llegue al planteo de polinomios
completos de alto grado en dos variables para describir superficies que, por su
origen, deberan ser descriptas solamente a travs de funciones trascendentes o
combinaciones lineales de ellas. Para describir espacialmente las variables
22
hidrometeorolgicas se emplean mtodos denominados, por su origen,
geoestadsticos.
En el campo de las geociencias y de la meteorologa es comn encontrar
variables distribuidas espacialmente. Para el estudio de estas variables son usados
diversos procedimientos geoestadsticos de estimacin y/o simulacin. Esto es, a
partir de un conjunto de muestras tomadas en localizaciones del dominio en que se
manifiesta un fenmeno a estudiar y consideradas representativas de su realidad, que
por lo general es siempre desconocida, estos procedimientos permiten la descripcin
o caracterizacin de las variables con dos fines diferentes: primero, proporcionar
valores estimados en localizaciones de inters y segundo, generar valores que en
conjunto presenten iguales caractersticas de dispersin que los datos originales. La
geologa y la minera es el campo tpico para la aplicacin de estos modelos, campo
en el que surge y se desarrolla la Geoestadstica como ciencia aplicada.
La bsqueda, exploracin y evaluacin de yacimientos minerales lucrativos
es una de las actividades fundamentales que toda empresa minera debe desarrollar
durante su vida til, destacndose entre otras tareas: el pronstico cientfico en la
localizacin de los yacimientos minerales lucrativos, la elaboracin de mtodos
eficaces para la exploracin y la evaluacin geolgica - econmica de los
yacimientos para su explotacin. Todo esto condicionado al agotamiento de los
recursos, producto de la explotacin, y a las fluctuaciones de las cotizaciones del
mercado. Los trabajos de bsqueda y exploracin se dividen en estadios que son
resultado de la aplicacin de un principio importante del estudio del subsuelo, el
Principio de Aproximaciones Sucesivas. Cada uno de los estadios culmina con la
determinacin lo ms aproximada posible de los recursos minerales del yacimiento,
actividad fundamental de las empresas gelogo - mineras conocida como clculo de
recursos y reservas. Con respecto a las variables hidrometeorolgicas, en el
Captulo 1 se da una descripcin detallada de su empleo y aprovechamiento a partir
de redes de distintas categoras.
El desarrollo de la minera ha trado unido el perfeccionamiento de los
mtodos de bsqueda de los minerales tiles, y los de la determinacin de su
23
cantidad y utilidad para la extraccin. Adems, el mundo minero se hace cada vez
ms competitivo y las compaas necesitan evaluar cada vez con ms exactitud su
potencial econmico. Existen actualmente dos formas de realizar el clculo de
reservas: los mtodos clsicos y los modernos. Como clsicos se pueden destacar el
de Bloques Geolgicos y el de Perfiles Paralelos. Estos se caracterizan por el uso
de valores medios o medias ponderadas de los contenidos de la exploracin en
bloques definidos convenientemente. Estos mtodos son eficientes cuando la
informacin disponible presenta determinada regularidad, pero en la prctica, la gran
diversidad de formas en que se presentan los datos ha llevado a la utilizacin de
tcnicas matemticas y estadsticas para resolver un nico problema, estimar valores
desconocidos a partir de los conocidos, para la estimacin y caracterizacin de los
recursos y reservas. En los ltimos aos muchas investigaciones se han desarrollado
con este fin, existiendo mayor inters en las estimaciones a escala local que a escala
global. Claro est, no existe un mtodo, por muy sofisticado que sea, que permita
obtener resultados exactos.
En este punto se discutirn los mtodos ms eficientes que proporcionen la
mayor informacin posible de los datos disponibles, es decir, los modernos, de los
que se pueden citar entre los geomatemticos el inverso de la distancia,
triangulacin, splines, etc.
An ms, buscando el mejor estimador que minimice la varianza del error de
estimacin surge la Geoestadstica por los trabajos de G. Matheron en la Escuela
Superior de Minas de Pars, basado en conceptos iniciales de trabajos de H. S. Sichel
en 1947 y 1949, en la aplicacin de la distribucin lognormal en minas de oro,
seguido por la famosa contribucin de D. G. Krige en la aplicacin del anlisis de
regresin entre muestras y bloques de mena. Estos trabajos fijaron la base de la
Geoestadstica Lineal, adems, de la introduccin de la teora de funciones aleatorias
por B. Matern en el estudio de la variacin espacial de campos forestales. La
Geoestadstica se consolid y desarrollo en los ltimos 30 aos como ciencia
aplicada casi exclusivamente en el campo minero, la cual ha sido ampliamente usada,
existiendo como ciencia aplicada que da respuesta a necesidades prcticas y
concretas. Se reconoce como una rama de la estadstica tradicional, que parte de la
24
observacin de que la variabilidad o continuidad espacial de las variables distribuidas
en el espacio tienen una estructura particular, desarrollndose herramientas
matemticas para el estudio de estas variables dependientes entre s, llamadas segn
Matheron, variables regionalizadas, quien elabor su teora como se presenta en
Matheron (1970), Journel y Huijbregts (1978), David (1977) y de Fouquet (1996). En
resumen, la aplicacin de la teora de los procesos estocsticos a los problemas de
evaluacin de reservas de distintos tipos de materias primas minerales y en general a
las ciencias naturales en el anlisis de datos distribuidos espacial y temporalmente
dio origen a lo que hoy se conoce como Geoestadstica.
La Geoestadstica se define como la aplicacin de la Teora de Funciones
Aleatorias al reconocimiento y estimacin de fenmenos naturales, o simplemente, el
estudio de las variables numricas distribuidas en el espacio, siendo una herramienta
til en el estudio de estas variables. Su punto de partida es asumir una intuicin
topolgica - probabilista. Los fenmenos distribuidos en el espacio, la mineralizacin
en un yacimiento mineral por ejemplo, o la intensidad de la precipitacin, presentan
un carcter mixto, un comportamiento catico o aleatorio a escala local, pero a la vez
estructural a gran escala (Figura 2.7).
0
100
200
300
400
500
600
700
800
900
0 100 200 300 400 500 600
x
f
(
x
)
Componente estructural
Componente aleatoria

Figura 2.7 Carcter mixto de una funcin aleatoria.
Se puede entonces sugerir la idea de interpretar este fenmeno en trminos de
funcin aleatoria, es decir, a cada punto x del espacio se le asocia una variable
aleatoria f(x). Para dos puntos diferentes x e y, se tendrn dos variables aleatorias
25
f(x) y f(y) diferentes pero no independientes; es precisamente su grado de correlacin
el encargado de reflejar la continuidad del campo, o de cualquier otro fenmeno en
estudio, de modo que el xito de esta tcnica es la determinacin de la funcin de
correlacin espacial de los datos.
2.4 - EL SEMIVARIOGRAMA
El origen de este mtodo, y de la geoestadstica en general, debe buscarse en
la industria minera. D. G. Krige, un ingeniero sudafricano en minas, y H. S Sichel,
un estadstico, desarrollaron este mtodo de estimacin a principios de la dcada del
50, cuando los mtodos ofrecidos por la estadstica clsica parecan insuficientes
para estimar las reservas minerales diseminadas.
Georges Matheron, un ingeniero francs de la prestigiosa Escuela Superior de
Minas de Pars, desarroll las innovaciones de Krige y las formaliz en su
publicacin, en 1963 su Teora de las Variables Regionalizadas, texto en el cual
acua el trmino kriging en homenaje a D. G. Krige.
Es interesante comentar que la geoestadstica no fue originalmente
desarrollada para resolver problemas de interpolacin, sino para interpretar y
describir lo que se denomina efecto soporte. Especficamente, esto se refiere a la
diferencia entre la varianza de valores medios obtenidos a partir de grandes muestras
y la varianza de valores medios obtenidos de muestras pequeas, lo cual conduce a
sesgos sistemticos en las estimaciones. Soporte significa el volumen en el cual una
propiedad es medida, y sta es una caracterstica que desaprensivamente se deja de
lado muy a menudo.
Desde los principios de la dcada del 70, el mtodo de kriging ha probado
ser muy til en la industria minera. La geoestadstica fue introducida en la
comunidad petrolera a mediados de los 70 a travs del primer paquete
computacional comercial especfico, el BLUEPACK.
26
Las tcnicas geoestadsticas comenzaron a aplicarse en otras reas del
conocimiento y otras ciencias de la tierra y de la atmsfera. Sin embargo, no fue
hasta los mediados y fines de la dcada del 80 que comenzaron a usarse
extensivamente, con la aparicin de las computadoras ms veloces, y su popularidad
crece an da a da.
Los mapas y su elaboracin son parte integral de la caracterizacin de las
variables que se estudian en ciencias de la tierra, del agua y de la atmsfera.
Un mapa es el modelo analgico de la distribucin espacial de una
propiedad, atributo o caracterstica (porosidad, permeabilidad, grosor, estructura,
lmina, intensidad, fractalidad). Sin embargo, el mapeo de un atributo es
raramente un objetivo en s mismo. Un mapa se emplea para elaborar una
prediccin acerca de la propiedad que se analiza. Un mapa es un pobre modelo de
la realidad si no muestra o representa caractersticas de la real distribucin espacial
de aquellos atributos, propiedades o caractersticas que interesa analizar.
La geoestadstica, como ciencia modeladora de fenmenos de la tierra, la
atmsfera y el agua, intenta mejorar las predicciones mediante el desarrollo de
distintos tipos de modelos cuantitativos. Es aqu donde puede definirse al mapa como
un modelo analtico o digital de la distribucin espacial de un atributo, propiedad
o caracterstica.
El objetivo es construir modelos realistas que tengan en cuenta la
heterogeneidad de los campos, y que no la promedien o enmascaren. Tal como en
los mtodos determinsticos en su enfoque tradicional, los mtodos geoestadsticos
preservan los datos donde stos son conocidos e indiscutibles, e interpreta los
campos generando informacin donde sta no existe. Sin embargo, y a diferencia del
enfoque determinista, la geoestadstica provee de numerosos resultados plausibles. El
grado en el cual difieren estos resultados es un reflejo o una medida de la
incertidumbre. El tener ms de un resultado para analizar cambia el paradigma del
anlisis tradicional de los campos. Pero, sin dudas, es mejor tener un modelo de
incertidumbre que una ilusin de la realidad.
27
2.4.1 Elementos bsicos de un estudio estadstico espacial
Una vez que se ha preparado el conjunto inicial de datos, con su calidad
controlada, y cargados dentro del software de estadstica espacial, tpicamente se
presenta el siguiente flujo de trabajo (con iteraciones all donde fuese necesario): a)
Explotacin de datos (traducido del ingls, data mining, o minera de la
informacin); b) Anlisis y modelacin de la continuidad espacial del campo; c)
Diseo del algoritmo de inclusin de datos; d)Validacin del modelo; e) Kriging;
f)Simulacin condicional, y g) Modelo de evaluacin de la incertidumbre.
Explotacin de datos
Un paso primario y fundamental en toda ciencia de la tierra, el aire o el agua
comienza en la etapa descriptiva. Hasta que se recojan y describan los hechos con
precisin, un anlisis de sus causas es prematuro.
Debido a que la estadstica generalmente trata cantidades de datos, y no datos
solos, aislados, se necesitan medios para tratar los datos de una forma manejable.
As, gran parte de la ciencia denominada en general estadstica trata de
maneras de describir los datos y de comprender las relaciones entre pares de
variables. Los datos hablan ms claramente cuando estn organizados
Debido a que no hay un conjunto de pasos prescriptos, precisos y definidos,
en explotacin de datos (desde ahora se emplear la expresin inglesa data mining,
por ser ms sencillo y descriptivo), se debe seguir la experiencia profesional, o lo que
muchos aseguran es instinto profesional, para explicar las anomalas en un
conjunto de datos. A travs del uso de varias herramientas se puede lograr una
comprensin ms clara de los datos y descubrir posibles fuentes de errores.
Fcilmente se pasan errores por alto, sobre todo en grandes conjuntos de
informacin y cuando las computadoras estn involucradas, porque se impone
involuntariamente un aislamiento, una separacin, entre el investigador y su base de
28
datos. Un anlisis minucioso ayuda a adquirir una comprensin ntima de la
estructura de esta base que puede sealar algunos resultados espurios.
Cuando se analizan variables hidroclimticas que configuran campos
continuos surge un dilema clsico que puede ser resumido como:
Normalmente se dispone de pocas observaciones directamente
relacionadas con los campos.
Pocas observaciones llevan a mucha incertidumbre.
An as, es necesario realizar predicciones.
Debido a que no existe manera de mejorar la relacin costo beneficio
cuando se analizan los campos continuos con un conjunto ya existente de datos, es
inevitable el empleo de tcnicas geoestadsticas. Antes de discutir algunas de estas
tcnicas, se sigue con una muy breve descripcin del enfoque estadstico clsico.
El anlisis estadstico tradicional incluye localizacin espacial de datos,
clculo de momentos de primero, segundo y tercer orden para estimacin de medias,
desvos y asimetras, la elaboracin de dispersiogramas para investigar las posibles
relaciones entre dos variables aleatorias, y la identificacin de subpoblaciones y
deteccin de potenciales outliers.
Los histogramas, la representacin de la distribucin de los datos de una
variable simple, representan cun a menudo los valores de los datos caen dentro de
un intervalo o clase determinada. Existe una barra encima de cada clase, y la altura
de esta barra es proporcional a la cantidad de valores (o frecuencia) en esa clase. La
forma del histograma es una representacin grfica, un modelo analgico, de la
distribucin probabilstica de los datos.
A todo investigador le agradara observar un histograma en forma de
campana, simtrico con respecto de su media, esto es, un histograma que representa
29
perfectamente a una distribucin normal o Gaussiana, la cual tiene una forma
predecible basada en la media y la varianza de los datos. De hecho, muchos mtodos
estadsticos y geoestadsticos asumen directamente una distribucin normal para sus
datos.
Si la forma de la distribucin es sesgada o concentrada en algn lugar distinto
del promedio, es a menudo necesario ajustar la forma transformando los datos de
manera que el histograma sea gaussiano. Los histogramas complejos suelen indicar
un mix de distribuciones distintas; la categorizacin de la informacin (por
ejemplo, en el caso de la precipitacin, el tipo de frente que la produjo) puede
facilitar la identificacin de distribucin probabilstica subyacente.
Anlisis y modelacin de la continuidad espacial del campo
Las variables espacialmente continuas de inters en las ciencias de la tierra, la
atmsfera y el agua son el producto de un vasto nmero de complejos procesos
fsicos. Estos procesos imponen un patrn espacial, y es importante comprender la
escala y las propiedades direccionales para una representacin e interpolacin ms
eficientes.
Considrense las siguientes imgenes:
x
y

Figura 2.1 Datos gamma-distribuidos dispersos geogrficamente al azar,
visto en dos y tres dimensiones
30
x
y

Figura 2.2 Datos de la Figura 2.1 ordenados, visto en dos y tres dimensiones.
Ambos campos, tanto el representado en la Figura 2.1 como la 2.2, han sido
generados sintticamente con el mismo conjunto de cotas. Por lo tanto, a ambos
campos les corresponde el siguiente histograma:
Clase
F
r
e
c
u
e
n
c
i
a

Figura 2.3 Histograma de las cotas de las figuras 2.1 y 2.2
El campo de la Figura 2.1 tiene una apariencia absolutamente aleatoria, sin
ningn alineamiento preferencial. El de la Figura 2.2 tiene un muy alto grado de
continuidad espacial, mostrado como una especie de colina con alineacin SE-
NW.
Visualmente, las Figuras 2.1 y 2.2 son muy diferentes, pero tanto el valor
medio como la varianza del campo son idnticas. Puede verse entonces que el
anlisis estadstico clsico, esquematizado muy sumariamente en el histograma de la
31
Figura 2.3, no puede describir adecuadamente las propiedades de direccionalidad e
isotropa, o anisotropa, que son inherentes en las muestras extradas de poblaciones
de variables aleatorias descriptoras de disciplinas del rea de las ciencias de la tierra,
el agua o la atmsfera. Las variables espacialmente correlacionadas y su expresin
matemtica forman la base de la estadstica espacial, llamada a menudo
geoestadstica.
El anlisis de la continuidad espacial cuantifica la variabilidad de las
propiedades de la muestra con respecto a la distancia y la direccin.
La cuantificacin de la informacin espacial involucra la comparacin de
valores de los datos con valores del mismo atributo en otras localizaciones. Es ms
probable que dos pluvimetros muy cercanos midan propiedades similares de la
lmina precipitada que dos pluvimetros lejanos entre s. La cuestin clave, lo que se
desea conocer, es qu nos dicen esos pluvimetros (o termmetros, o barmetros, o
cualquier instrumento de medida) sobre las propiedades de la variable y del campo
en lugares no muestreados.
El anlisis de la continuidad espacial incluye dos etapas principales:
El clculo de las medidas experimentales de la continuidad espacial
que tenga en cuenta la anisotropa (por ejemplo, el variograma o la
covarianza), y
Elaborar un modelo del variograma, o de la covarianza, para usar en el
mapeo.
Si los instrumentos de medida hubiesen sido ubicados sobre una grilla
regular, la estrategia de clculo sera muy sencilla. Desafortunadamente, las redes de
captacin de informacin raramente forman mallas regulares; por lo tanto, para
extraer tanta informacin de los datos como sea posible es ms lgico definir los
atributos sobre un rea que a lo largo de un vector.
32
Las dos medidas ms comunes de la continuidad espacial son el variograma y
la covarianza (o correlograma).
Para cada posicin y lag o separacin estudiada, todos los valores
medidos pueden ser espacialmente correlacionados y expresados como un valor
estadstico conocido como semivariograma:
( ) ( ) | |
n 2
h x z x z
) h (
n
1 i
2
i i
=

= Ec. (2.4)
donde ( )
i
x z es el valor de la muestra en el lugar
i
x , ( ) h x z
i
+ es su valor en h x
i
+ ,
h es el lag o distancia, y n el nmero de pares de datos.
La modelacin de los semivariogramas incluye dos etapas fundamentales: la
construccin del semivariograma experimental y el ajuste de ste a un esquema
terico, con el objeto de determinar los parmetros descriptivos que luego sern
empleados en la estimacin.
Los parmetros del semivariograma describen tres elementos muy
importantes en la caracterizacin de un atributo (Figura 2.4)

Figura 2.4 Elementos que definen un semivariograma.
33

0
, u ordenada al origen, que puede ser cero o positivo, pero nunca
menor que cero; esto es lgico, ya que el semivariograma es definido
positivo.

t
, o valor de meseta; es el mximo valor que alcanza el
semivariograma y puede no existir. Esto es, el semivariograma es una
funcin montona creciente.
a, o rango, o alcance del semivariograma; es la distancia a partir
de la cual la covarianza entre los datos permanece constante.
Y no slo es importante la forma general del semivariograma, sino tambin
cmo se comporta en un entorno del origen de coordenadas. Pueden distinguirse, en
general, cuatro casos:
Caso 1: comienza creciendo en forma parablica, 0
0
= .

Figura 2.5 Semivariograma con crecimiento inicial parablico.
Este tipo de semivariograma caracteriza a los campos muy regulares,
continuos y diferenciables. Pese a que la literatura lo define como semivariograma
con crecimiento inicial parablico, en realidad el crecimiento puede ser tanto
exponencial como potencial, y responde en todo caso a campos regulares, continuos
y diferenciables. Por ejemplo, la depresin de la Figura 2.6 tiene caractersticamente
un semivariograma de este tipo.
34
x
y

Figura 2.6 Campo regular, continuo y derivable, en forma de depresin.
Caso 2: comienza creciendo linealmente, 0
0
= .

Figura 2.7 Semivariograma con crecimiento inicial lineal.
Los campos caracterizados por este tipo de semivariograma son continuos
pero no diferenciables en todos sus puntos, es decir, presentan singularidades a lo
largo de las cuales las derivadas no existen. Es el caso de campos quebrados,
irregulares, como los representados en la Figura 2.8.
35
x
y

Figura 2.8 Campo continuo, irregular, con singularidades.
Caso 3: comienza creciendo linealmente, 0
0
.

Figura 2.9 Semivariograma con crecimiento inicial lineal y valor inicial no nulo.
Los campos en los cuales pueden observarse este tipo de semivariogramas
son aquellos que presentan una infraestructura continua y derivable a la que se le
agrega una superestructura con irregularidades o singularidades. El valor inicial del
semivariograma es 0
0
, lo que en el campo suele denominarse en ingls nugget
effect (traducido como efecto pepita por las formas caractersticas de las isolneas
en un campo sembrado con pepitas de mineral).
36
x
y

Figura 2.10 Campo con infraestructura continua y derivable y superestructura irregular.
Este caso es el de un campo simple, planar, al cual se le superpone un campo
aleatorio en una grilla conformada como tresbolillo desordenado.
Caso 4: comienza como constante, 0
0


Figura 2.11 Semivariograma lineal, con valor inicial no nulo.
Este semivariograma corresponde a un campo puramente aleatorio, sin infra
ni superestructura, en el cual no existe correlacin alguna entre las muestras
independientemente de h, la distancia que las separa.
37
x
y

Figura 2.12 Campo continuo sin estructura.
El campo representado en la Figura 2.12 es el mismo que en la Figura 2.10,
pero sin la estructura de soporte planar, de modo que est integrado nicamente por
valores aleatorios. Es la representacin tridimensional de un ruido blanco.
38
CAPTULO 3 ANTECEDENTES Y REVISIN BIBLIOGRFICA
3.1 BREVE DESCRIPCIN DE LOS DISTINTOS MTODOS USUALMENTE EMPLEADOS
Para todos los casos ejemplificados se emplear una grilla generada por la
siguiente muestra, generada al azar:

Figura 3.1 Mapa de los datos empleados para comparar distintos mtodos.
3.1.1 Mtodo de la inversa de la distancia elevada a una potencia
Este mtodo es un interpolador de pesos ponderados; puede ser tanto exacto
como suavizado. Cuando se realiza una interpolacin la estimacin resulta de una
combinacin lineal de pesos multiplicados por las distancias al punto interpolado de
manera tal que a medida que la distancia desde los puntos de muestra al punto
interpolado aumenta, su importancia en la ponderacin disminuye. Los pesos son
asignados a los datos mediante el uso de una potencia de la distancia, el cual controla
cmo los factores de peso disminuyen a medida que la distancia a los nodos (puntos
de muestreo) aumenta.
39
Normalmente, este mtodo se comporta como un interpolador exacto Cuando
se estima un punto cualquiera, los pesos asignados son fracciones que suman la
unidad. Cuando la estimacin coincide con un nodo perteneciente a la grilla, la
distancia es 0 y se asigna un nico peso, 1, mientras que todos los otros pesos se
igualan a 0. Por lo tanto, el valor estimado necesariamente coincidir con el valor
observado.
Puede introducirse un parmetro de suavizacin que anula la posibilidad de
anular los pesos cuando el punto estimado coincide con un nodo, significando esto
que ningn peso es igual a 1.
Una de las malas caractersticas de este mtodo es la generacin de los
denominados ojos de buey alrededor de los puntos de medicin. Si se asigna un
parmetro de suavizacin, puede reducirse la aparicin de esta indeseable
caracterstica.
En la Figura 3.2 puede observarse cmo resulta representada esta
caracterstica en un campo generado con este mtodo.

Figura 3.2 Campo generado por el mtodo de la inversa de la distancia a una potencia,
en 2D y 3D.


40
La ecuacin empleada en el mtodo es la siguiente:
n
i
i 1 i, j
j n
i 1 i, j
z
h

Z
1
h

=
=

;
2 2
i, j i, j
h d = + Ec. (3.1)
Donde:
i, j
h = distancia o separacin efectiva entre el nodo j de la grilla y el
punto ms cercano, i.

j

Z =valor interpolado para el nodo de la grilla j.

i
z =puntos ms cercanos.

i, j
d =distancia entre el nodo de la grilla j y el punto ms cercano i.
=potencia de la ponderacin.
= parmetro de suavizacin.
3.1.2 Mtodo de Kriging
El mtodo de Kriging, llamado as por su inventor, el profesor sudafricano
Paul Krige, es un mtodo geoestadstico muy usado y popular en muchos campos.
Produce mapas visualmente muy atractivos a partir de datos irregularmente
espaciados. El mtodo intenta expresar las tendencias sugeridas por los datos; dicho
de otra manera, por ejemplo, los puntos de muestreo con valores altos son conectados
ms a travs de una cresta que con ojos de buey, los cuales obligan ms de una
vez, a pasar dos isolneas del mismo valor entre dos puntos. El mtodo puede ser un
interpolador exacto o no, dependiendo de los parmetros que se empleen.
El principal problema para la aplicacin del mtodo en este caso en particular
es conceptual: la aplicacin de un algoritmo denominado semivariograma, muy til
para aplicaciones geoestadsticas pero sin mayor significado para la precipitacin.
41
Adems, en algunos casos pueden resultar valores interpolados negativos, lo cual no
se condice con la cota inferior posible de los campos de precipitacin.
Existen dos tipos de Kriging: el Kriging puntual y el Kriging por bloques,
cada uno de los cuales puede ser ordinario, simple o con tendencia o rumbo. El
Kriging puntual estima los valores de la grilla punto a punto, mientras que el Kriging
por bloques estima el valor medio de un bloque definido por un rectngulo en el cual
el punto de la grilla es el centro, con lo cual y en este caso deja de ser un interpolador
exacto. Para las integraciones numricas necesarias para llevar a cabo el Kriging por
bloques se emplea normalmente la Cuadratura bidimensional Gaussiana3 3 .

Figura 3.2 Campo generado por el mtodo de Kriging puntual, sin tendencias, en 2D y 3D.

Figura 3.3 Campo generado por el mtodo de Kriging por bloques (6 circulares)
en 2D y 3D
42
Una vez construido el semivariograma, ste se emplea para estimar los pesos
de ponderacin. La ecuacin bsica empleada por Matheron en la Escuela de Minera
de Francia (quien desarroll el mtodo propuesto por el Prof. Krige) es como sigue:
n
i i
I 1
F(x, y) w f
=
=

Ec. (3.2)

Donde:
n = nmero de puntos dato;

i
f = valores de los puntos dato;

i
w =pesos o ponderaciones asignados a cada punto.
Esta ecuacin es bsicamente la misma que la empleada en el mtodo de la
inversa de la distancia elevada a una potencia, excepto que los factores de
ponderacin o pesos no dependen de una funcin arbitraria de la distancia, sino que
se basan el modelo de semivariograma. Por ejemplo, si se tienen tres puntos
1 2 3
P , P y P , que rodean a un punto de grilla P que se desea interpolar, los factores
1 2 3
w , w y w se estiman a travs del siguiente sistema de ecuaciones lineales
simultneas:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
1 11 2 12 3 13 1p
1 21 2 22 3 23 2p
1 31 2 32 3 33 3p
w S d w S d w S d S d
w S d w S d w S d S d
w S d w S d w S d S d

+ + =

+ + =

+ + =

Ec. (3.3)
donde
( )
ij
S d es el valor del semivariograma evaluado a una distancia igual a
la distancia entre los puntos i y j;
Como es necesario que los puntos sumen 1, se agrega otra ecuacin:
43
1 2 3
w w w 1 + + = Ec. (3.4)
Como ahora hay cuatro ecuaciones y tres incgnitas se agrega una variable,
, se agrega al conjunto, de manera tal que el conjunto final de ecuaciones es
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
1 11 2 12 3 13 1p
1 21 2 22 3 23 2p
1 31 2 32 3 33 3p
1 2 3
w S d w S d w S d S d
w S d w S d w S d S d
w S d w S d w S d S d
w w w 0 1
+ + + =
+ + + =
+ + + =
+ + + =
Ec. (3.5)
la cual se resuelve para
1 2 3
w , w y w ; el valor del punto interpolado ser entonces
p 1 1 2 2 3 3
F w f w f w f = + + Ec. (3.6)
Empleando el semivariograma de esta manera para estimar los factores de
ponderacin, se minimiza el error en el sentido mnimo cuadrtico (o en el de
mxima verosimilitud, de manera equivalente), por lo que suele decirse que el
Mtodo de Kriging produce el mejor estimador lineal insesgado. Sin embargo,
minimizar el error cuadrtico mnimo no es siempre el mejor criterio en algunos
casos, ya que otros mtodos interpolantes brindan resultados mucho mejores
El Mtodo de Kriging Simple es similar al Kriging ordinario, excepto que no
se agrega al conjunto de ecuaciones la ecuacin (3.4):
1 2 3
w w w 1 + + = Ec. (3.7)
y no se obliga a los pesos a sumar la unidad. Como resultado, el Kriging simple
puede ser menos preciso y exacto que el ordinario, pero produce resultados ms
estticos

44
3.1.3 Mtodo de la Mnima Curvatura
El mtodo de la curvatura mnima es ampliamente usado en las ciencias de la
tierra. Las superficies interpoladas mediante esta metodologa son anlogas a una
platea metlica delgada y fina, linealmente elstica, que pasa por cada uno de los
puntos muestrales con un valor mnimo de deformacin; es por eso que tambin se lo
denomina Mtodo de Platea Delgada. El mtodo de la mnima curvatura genera el
campo ms suave posible mientras intenta, al mismo tiempo, aproximarse tanto como
sea posible a los puntos de muestra; por lo tanto, no es un interpolador exacto.

Figura 3.4 Campo generado por el Mtodo de Mnima Curvatura, en 2D y 3D.
El mtodo se resuelve en 4 pasos:
a) Se ajusta un modelo de regresin mltiple lineal a los datos:
Ax Bx C Z(x, y) + + = Ec. (3.8)
b) Se sustraen los datos obtenidos mediante la regresin planar de
los datos muestrales, obteniendo un conjunto de valores
residuales;
c) Se emplea el algoritmo de mnima curvatura para interpolar los
valores de los residuos en los puntos interpolados;
d) Se agregan los valores de la regresin planar a los puntos
interpolados, logrando as la superficie interpolada final.
45
El Mtodo de Mnima Curvatura genera la superficie interpolada a travs de
los datos disponibles dividiendo la superficie en rectngulos, cuyos centros son los
nodos de la grilla a generar. Si existe algn punto muestral dentro del rectngulo, el
valor del nodo se fija en la media aritmtica de los puntos muestrales del rectngulo.
Luego se resuelve la ecuacin diferencial con tensin bi-armnica
2 2 2
i i
(1 T ) ( Z) T Z Ec. (3.9)
con tres conjuntos de condiciones de borde asociados:
( )
2
b b 2
2
Z z
(1 T ) (T ) 0
n n
En los bordes :
Z
0
n

+ =

Ec. (3.10)

2
Z
En las esquinas : 0
x y

=

Ec. (3.11)
donde:

2
es el operador laplaciano;
n es el lmite normal;

i
T es la tensin interna;

b
T es la tensin de borde.
El mtodo produce la grilla a travs de sucesivas iteraciones con la intencin
de suavizarla. Los valores son recalculados hasta que se logra alguna condicin de
detencin, como por ejemplo, el nmero mximo de iteraciones o que la mxima
diferencia sea menor a algn valor previamente estipulado.

46
3.1.4 Mtodo de Shepard modificado
Este mtodo emplea un esquema similar al de la inversa de la distancia
elevada a alguna potencia, pero el uso de mnimos cuadrados locales elimina o
reduce la aparicin de los ojos de buey en los campos de precipitacin generados.
El Mtodo de Shepard modificado puede ser interpolador exacto bajo ciertas
condiciones, pero generalmente no lo es.. El algoritmo de Shepard fue modificado
por Franke y Nelson en 1980 y luego por Renka en 1988, en el cual la inclusin de
datos se realiza marcando un crculo con centro en el nodo de la grilla que contenga
un nmero determinado de puntos muestrales, ajustando luego una funcin
cuadrtica. El campo final es un promedio mvil (espacial) de todas las reas
circulares generadas.

Figura 3.5 Campo generado por el Mtodo de Shepard modificado, en 2D y 3D.
El mtodo bsico de Shepard interpola una grilla segn a expresin:
m
r r
r 1
m
r
r 1
w (x, y)q
Q(x, y)
w (x, y)
=
=
=

Ec. (3.12)
donde:
r
q = valores muestrales;

r 2
r
1
w (x, y)
d
=
47
( ) ( )
2 2
2
r r r
d x x y y = +
El mtodo bsico es global, en tanto los puntos interpolados dependen de
todos los datos; el mtodo modificado incorpora las mejoras de Renka y Franke &
Nielson, donde no se toman en cuenta los puntos que estn afuera de un crculo de
bsqueda centrado en el nodo de la grilla. Asimismo, para mejorar el rendimiento,
r
q
es reemplazada por una funcin
r
q (x, y) , la cual es una funcin cuadrtica ajustada
por el mtodo de los mnimos cuadrados ponderados a los datos muestrales y
forzados a ser la funcin interpolante ( )
r r r
f , x , y .
La eficiencia del procedimiento fue luego mejorada mediante la bsqueda de
puntos mediante un mtodo de celdas propuesto por Bentley y Friedman.
3.1.5 Mtodo del Vecino Natural
Este mtodo es muy popular en algunos campos. Se basa en los Mosaicos de
Voronoi (Voronoi Tessellation), conocida tambin como la Poligonacin de
Thiessen, el resultado de la Triangulacin de Delaunay (o Dirichlet).
Si un nuevo punto (por ejemplo, un nodo de grilla) se agrega a una
poligonacin de Thiessen, estos polgonos sern modificados. De hecho, algunos
polgonos se agrandarn en superficie, otros disminuirn y otros no sufrirn ningn
cambio. El rea asociada con el polgono nuevo incluido debido a la generacin de la
grilla que fue tomada de un polgono preexistente se denomina rea tomada, o rea
prestada. El algoritmo de interpolacin del mtodo emplea un promedio ponderado
de las observaciones vecinas, donde los pesos son proporcionales a las reas
prestadas. El Mtodo del Vecino Natural no extrapola isolneas ms all de la
armazn convexa generada por la triangulacin de Delaunay, aunque hay desarrollos
levados a cabo por Owen en los cuales disea un mtodo de extrapolacin.
48
El mtodo se explicar ms extensamente en el tem 3.2, ya que es
posiblemente el mtodo ms empleado para generar campos pluviales sobre una
regin.
3.1.6 Mtodo del Vecino Ms Cercano
Este mtodo asigna a cada punto de la grilla el valor del punto muestral ms
cercano al nodo de grilla que se proponga. Es un mtodo til, equivalente al de los
Polgonos de Thiessen, que no merece mayores comentarios.

Figura 3.6 Campo generado por el Mtodo del Vecino Ms Cercano, en 2D y 3D.
3.1.7 El Mtodo de Regresin Polinomial
Este mtodo se emplea ara inferir tendencias a gran escala y algunos patrones
en los datos.
No es en realidad un mtodo de interpolacin porque no pretende predecir
valores desconocidos de Z. Se pueden adoptar muchas expresiones para la
generacin de las superficies, desde una superficie planar simple hasta polinomios de
alto grado, pasando por expresiones bi-lineales (paraboloide hiperblico o silla de
montar), superficies cuadrticas, cbicas o cualquiera que defina el usuario del
mtodo.
a) Superficie Planar Simple:
Z(x, y) A Bx Cy = + + Ec. (3.13)

49

Figura 3.7 Campo generado por el mtodo de regresin polinomial: superficie planar
simple, 2D y 3D.
b) Superficie bi-lineal:
Z(x, y) A Bx Cy Dxy = + + + Ec. (3.14)


Figura 3.8 - Campo generado por el mtodo de regresin polinomial: superficie bi-lineal en
2D y 3D.
c) Superficie Cuadrtica:
2 2
Z(x, y) A Bx Cy Dx Exy Cy = + + + + + Ec. (3.15)

50

Figura 3.9 - Campo generado por el mtodo de regresin polinomial: superficie cuadrtica,
2D y 3D.
d) Superficie cbica:
2 3 3 2 2 3
Z(x, y) A Bx Cy Dx Exy Fy Gy Hx y Ixy Jy = + + + + + + + + + Ec. (3.16)

Figura. 3.10 - Campo generado por el mtodo de regresin polinomial:
superficie cbica, 2D y 3D.
e) Superficie definida por el tesista: polinomio completo de grado 8.
.
Figura 3.11 Campo generado por el mtodo de regresin polinomial:
Superficie de grado 8 completa, en 2D y 3D.
51
3.1.8 Mtodos de interpolacin empleando Funciones de Base Radial
Este mtodo se basa en diversos grupos de funciones, las cuales son
equivalentes al semivariograma empleado en el mtodo de Kriging. Todos ellos son
interpoladores exactos, ya que intentan y logran pasar por todos los puntos
muestrales. Es posible introducir un factor de suavizacin para que los campos
interpolados sean visualmente ms estticos.
a) Funcin de Base Radial Multicudrica Inversa:
2 2
1
B(h)
h R
=
+


Figura 3.12 - Campo generado por el mtodo de Funciones de Base Radial: multicudrica
inversa
.Funcin de Base Radial Multilog:
2 2
B(h) log(h R ) = +

Figura 3.13 - Campo generado por el Mtodo de Funciones de Base Radial: Funcin
Multilog.

52
Funcin de Base Radial Multicudrica:
2 2
B(h) h R = +

Figura 3.14 - Campo generado por el Mtodo de Funciones de Base Radial:
Funcin Multicudrica en 2D y 3D.
b) Funcin de Base Radial de Splines Cbicos Naturales:
( )
3/ 2
2 2
B(h) h R = +

Figura 3.15 - Campo generado por el Mtodo de Funciones de Base Radial:
Splines Cbicos Naturales en 2D y 3D




53
c) Funcin de Base Radial de Splines de Platea
delgada:
( ) ( )
2 2 2 2
B(h) h R log h R = + +

Figura 3.16 - Campo generado por el Mtodo de Funciones de Base Radial:
Splines de Platea Delgada en 2D y 3D.
En todos los mtodos de Base Radial, la notacin es la siguiente:
h = distancia relativa desde el punto muestral al nodo de grilla
interpolado..

2
R = Factor de suavizacin.
3.1.9 Mtodo de Triangulacin con Interpolacin Lineal
Este mtodo emplea la Triangulacin de Delaunay, que es la triangulacin
optima que resulta de trazar lneas entre los puntos muestrales de manera que
formen tringulos sin que ningn lado del tringulo se cruce con otro. El resultado es
un mosaico de facetas triangulares sobre toda la extensin de la grilla.
El mtodo es un interpolador exacto; cada tringulo define un plano sobre
tres puntos muestrales; cada punto de la grilla interpolada estar exactamente sobre
ese plano. Pero es necesario destacar que aunque la superficie interpolada es
continua, no es derivable en las aristas.
Si los datos muestrales son dispersos, las facetas triangulares son distintas.
54

Figura 3.17 Triangulacin de Delaunay asociada con los puntos muestrales y curvas
(rectas) interpoladas.
En lneas rojas se pueden ver los tringulos ptimos de Delaunay, y en lneas
azules las isolneas. En tres dimensiones, puede verse la figura facetada
correspondiente.

Figura 3.18 - Campo generado por el Mtodo de Triangulacin con Interpolacin Lineal.
3.1.10 El Mtodo de Promedios Mviles
Este mtodo asigna a cada punto de la grilla el promedio de los valores
muestrales que se encuentran en una elipse de excentricidad predeterminada y con
centro en el nodo, en la cual deben existir tantos puntos muestrales como se desee.
No es un mtodo recomendado cuando existen pocos puntos muestrales en la
red de toma de datos, pero s es til (pese a no ser un interpolador exacto) cuando la
informacin es abundante. Como puede verse en la Figura 3.19, por lo general se
obtienen resultados poco realistas y de difcil interpretacin.
55

Figura 3.19 Campo obtenido por el Mtodo de los Promedios Mviles en 2D y 3D
3.1.11 El Mtodo de los Polinomios Locales
Este mtodo asigna valores a los nodos de la grilla empleando el esquema de
los mnimos cuadrados ponderados, ajustados en una superficie genricamente
elptica con centro en el nodo de la grilla.
Empleando nicamente los puntos muestrales que se encuentran dentro de la
elipse, se ajustan polinomios locales de orden 1, 2 3.
a) De orden 1: F(x, y) a bx cy = + +
b) De orden 2:
2 2
F(x, y) a bx cy dxy ex fy = + + + + +
c) De orden 3:
2 2 2 2 3 3
F(x, y) a bx cy dxy ex fy gx y hxy ix jy = + + + + + + + + +
Los pesos de la funcin de ponderacin de los mnimos cuadrados dan mayor
importancia a los puntos muestrales ms cercanos a los nodos y menos a los ms
lejanos. La funcin de ponderacin depende de la elipse, el orden del polinomio y la
geometra especfica de los datos.
Los clculos involucrados en la estimacin de las ponderaciones son algo
complicados. Si se definen a
XX XY YX YY
T , , T y T como:
56
XX XY YX YY
1 2 2 2
cos sen sen cos
T ; T ; T ; T
R R R R

= = = = Ec. (3.17)
donde es el ngulo de inclinacin de la elipse de bsqueda, y
1 2
R y R los radios
de la misma, pueden definirse a
XX XY YY
A , A y A como:
( )
2 2 2 2
XX XX YX XY XX XY YX YY YY YY XY
A T T ; A 2 T T T T ; A T T = + = + = + Ec. (3.18)
Ntese que estos valores (
XX XY YY
A , A y A ) son funciones solamente de los
parmetros de la elipse de bsqueda, y que son los mismos para todos los datos
muestrales y para todos los nodos de la grilla.
Considrese luego un dato muestral de coordenadas ( )
i i
x , y y un nodo de la
grilla de coordenadas ( )
0 0
x , y . Pueden as definirse las distancias
i 0 i 0
x x x y y y y = = . Luego, se define a
2 2
i XX x XY X Y YY Y
R A A A = + + Ec. (3.19)
Finalmente, puede especificarse a ( )
p
i i
W 1 R = , donde
i
W es el factor de
peso y p la potencia especificada, y sea la coleccin de datos dentro de la elipse
( ) { }
i i i
x , y , z i 1, 2, , N = L , los parmetros locales mnimos cuadrticos se obtienen
de minimizar la suma ponderada de los residuos elevados al cuadrado:
( )
N
2
i i i i
i 1
Mn W F x , y z
=
(

Ec. (3.20)
57

Figura 3.20 Campo obtenido mediante la interpolacin con polinomios locales completos
de grado 1 (6 sectores de bsqueda), en 2D y 3D.


Figura 3.21 Campo obtenido mediante la interpolacin con polinomios locales completos
de grado 2 (6 sectores de bsqueda), en 2D y 3D.


Figura 3.22 Campo obtenido mediante la interpolacin con polinomios locales completos
de grado 3 (6 sectores de bsqueda), en 2D y 3D.


58
3.2 DESCRIPCIN DETALLADA DEL MTODO DEL VECINO NATURAL (N. N.,
NATURAL NEIGHBOR)
Con este mtodo no se logran interpoladores exactos. Ms an, tal como los
investigadores del Centro de Investigaciones Climticas de la Universidad de East
Anglia lo aclaran, se obtienen curvas isoyetas ms o menos rugosas segn el
tamao de los mosaicos en los cuales han dividido las superficies continentales.
Por lo tanto no es posible emplear otro interpolador inexacto para evaluar las
lminas precipitadas; es imprescindible que el campo interpolado pase por todos los
puntos para no aadir una suavizacin a otra y generara campos demasiado
suavizados y por lo tanto difciles de interpretar.
Del anlisis de todos los casos anteriores, el mtodo ms adecuado (por su
robustez, exactitud y precisin, adems de presentar campos continuos y derivables
en todos sus puntos) es el mtodo ideado por Sibson, en 1981, y mejorado luego por
una gran cantidad de investigadores (Watson, Davis y otros).
Debido a que los datos son dispersos espacialmente, se debe emplear una
tcnica de interpolacin que llene adecuadamente las zonas en donde no existen los
datos. Los nicos requisitos impuestos para la aplicacin de una buena tcnica de
generacin de grillas e interpolacin son:
a) Ya que los datos se agregan incrementalmente, y debido al gran nmero
de datos empleados, se necesita un esquema local.
b) Ya que los datos pueden estar tanto agrupados como dispersos, deben
resolver bien ambas situaciones
c) Deben ser interpoladores exactos.
Es reconocido el mrito de muchos de los mtodos expuestos en este trabajo,
pero la mayora no cumple con los requisitos antes mencionados. El mtodo de
59
Kriging, quiz el ms universalmente empleado, se basa en el semivariograma,
concepto muy aplicable a variables geolgicas pero no a las hidroclimticas,
especialmente a la precipitacin a nivel superficial.
El mtodo ms ajustado a los requerimientos es el Mtodo del Vecino
Natural. Este esquema, primero introducido por Sibson, es un diseo de base local
que funciona muy bien con datos tanto dispersos como agrupados, regulares o
irregulares, y se basa en dos conceptos muy conocidos por los hidrlogos (aunque
tambin se emplean para resolver ecuaciones diferenciales en varias dimensiones): la
triangulacin de Delaunay y su esquema recproco, la Poligonacin de Voronoi,
tambin conocida como Mosaicos de Dirichlet y vulgarmente mencionada como
Polgonos de Thiessen.
La interpolacin por el mtodo del Vecinos Natural (desde ahora en adelante
se mencionar a este desarrollo como el Mtodo N. N., por su denominacin inglesa:
Natural Neighbor) emplea un promedio ponderado de los puntos muestrales que
rodean o son vecinos al punto que se desea interpolar. Aunque es muy similar
formalmente al Mtodo de Shepard Modificado (ver Seccin 2.1.4), la diferencia
fundamental estriba en cmo son estimados los factores de ponderacin que se
aplican a los puntos vecinos.
Para definirlos, Sibson introduce la idea de coordenadas locales, las cuales
definen el monto de la influencia que los puntos ms cercanos tienen sobre el punto
interpolado. Estos factores de ponderacin o pesos estn directamente relacionados y
son enteramente dependientes del rea de influencia de los mismos. Esta rea es
representada por los mosaicos de Voronoi-Thiessen .
El conjunto de polgonos de Voronoi para un grupo de datos es la llamada
Teselacin de Dirichlet (teselacin es un anglicismo ya adoptado por quienes
trabajan con los sistemas de informacin geogrfica, equivalente a formacin de un
mosaico), la cual es complementaria de la Triangulacin de Delaunay, como puede
verse en la Figura 3.23:
60

Figura 3.23 Triangulacin de Delaunay y Teselacin de Voronoi (Dirichlet, Thiessen)
para un conjunto de datos dispersos y no equiespaciados
La teselacin de Delaunay se forma mediante la triangulacin de los puntos
manteniendo el criterio de que ningn vrtice opuesto de un tringulo adyacente
estar contenido en el crculo envolvente de ningn tringulo de la red, lo que
equivale a afirmar que la red es ptima en el sentido de que los lados de los
tringulos formados no pueden cruzarse.
La red de tringulos forma una Red Triangulada Irregular, conocido por los
especialistas en GIS como en el mtodo de los elementos finitos como TIN
(Triangulated Irregular Network). Los vrtices de los Polgonos de Thiessen
Voronoi son los centros de los crculos envolventes de los tringulos que forman la
red de Delaunay.
Las coordenadas locales de los vecinos naturales se ilustran en la Figura 3.24.
Los 1 puntos que son los vrtices de los tringulos donde los valores de z son
conocidos. Se llamarn
n
P al punto donde se desea interpolar un valor de z.
Insertando temporariamente a
n
P dentro de la triangulacin de Delaunay, se
producir un cambio en la Teselacin de Dirichlet, implicando esto necesariamente
un cambio en la poligonacin de Thiessen en los polgonos cercanos a
n
P .
61
El la Figura 3.24 puede verse, en lneas de trazos, la teselacin antes de la
insercin del punto, y en lneas llenas, despus de incluir a
n
P en la TIN.

Figura 3.24 Teselacin de Dirichlet antes y despus de la insercin del punto
n
P
Para estimar el valor interpolado slo se usan los puntos cuyos polgonos
cambian. En este caso, se emplean los puntos 1, 4, 5, 6 y 9. Las coordenadas locales,
m
(n) para cada uno de esos puntos con respecto a
n
P se definen como el rea
compartida por el polgono de Thiessen definido por
n
P y los polgonos de Thiessen
definidos por los respectivos puntos despus que
n
P es agregado. Cuando ms
grande es el rea comn, ms grande es la coordenada local resultante y mayor su
influencia sobre la funcin interpolante.
Es obvio que
m
(n) es un nmero que est entre 0 y la unidad. Si
n
P
coincidiera con alguno de los puntos, entonces
m
(n) ser la unidad.
Las coordenadas locales tienen tambin la propiedad de que la suma de todas
las coordenadas locales
m
para cualquier interpolante
n
P ser la unidad.
De manera similar al esquema de la inversa de la distancia a una potencia,
cuanto mayor sea la distancia relativa entre
m n
P y P , menor ser la influencia de
m
P
62
en el valor final de la funcin interpolante. Pero, a diferencia del mtodo de la
inversa de la distancia, los factores de ponderacin son tambin dependientes de las
relaciones espaciales de los puntos influyentes con respecto a los otros.
Los puntos muestrales vecinos involucrados en la interpolacin de
n
P son
aquellos puntos que definen tringulos en la red de Delaunay que son adyacentes al
punto temporariamente insertado
n
P . Si se define a (n) como el rea de Thiessen
de
n
P , y a
m
(n) en el rea de los polgonos vecinos a
m
P cuando
n
P es insertado,
entonces la coordenada local
m
(n) ser definida por:
n
m
(n)
(n)
(n)

Ec. (3.21)
Conociendo las coordenadas locales (o influencia de los puntos muestrales
vecinos a
n
P , los puntos muestrales se ponderan por sus respectivas coordenadas
locales como sigue:
k
n n m
m 1
f (n)f
=
=

Ec. (3.22)
donde k es el nmero de vecinos naturales al interpolante
n
P .
Sibson agreg refinamientos adicionales a esta ecuacin para incorporar la
estimacin de gradientes y funciones de mezcla, y sugiri la siguiente ecuacin
para el interpolante:
( ) ( ) ( )
k
T
n m m
m 1
f B n
=
( =

m n
b u u Ec. (3.23)
donde
m
b es el gradiente estimado en
m
P , y
n
y
m
u u son las coordenadas locales en
m
P y
n
P , respectivamente.
63
La funcin de mezcla, B, es una funcin de las coordenadas locales,
m
.
Sibson emple en este caso un polinomio hermitiano simple definido como
( ) ( )
3 2
m m m
B n 2 3 = + Ec. (3.24)
La funcin de mezcla tiene el efecto de forzar la continuidad de la segunda
derivada del campo.
El clculo de las reas de los polgonos de Thiessen Voronoi es muy
sencilla. Si se observa la Figura 3.25, por ejemplo, los vrtices de un polgono
definido por la TIN (definidos por los crculos envolventes de los tringulos
adyacentes), el rea se define como
( )
n
i i 1 i 1 i
i 1
1
rea x y x y
2
+ +
=
=

Ec. (3.25)
donde n es el nmero de vrtice de los polgonos de Thiessen.

Figura 3.25 Triangulacin de Delaunay con sus crculos envolventes y poligonacin de
Thiessen Voronoi Dirichlet resultante.
64
CAPTULO 4 MATERIAL Y MTODOS
4.1 DESCRIPCIN DE LAS BASES DE DATOS.
La base de datos necesaria para la composicin de este trabajo est originada
desde distintas fuentes y las mismas definen - gran parte - el tipo y precisin de las
interpolaciones y representaciones grficas necesarias para completarlo.
4.1.1 Base C. R. U.
En su mayor parte fue provista por el Climate Research Unit, University of
East Anglia, Inglaterra (http://www.cru.uea.ac.uk). La base CRU TS 2.1 es accesible
va ftp, fue elaborada por el Dr. Tim Mitchell y es posible acceder a ella a travs del
Dr. David Viner, quien brinda el software y todas las herramientas necesarias para el
manejo de la base.
Bsicamente, la estructura de la base son series de tiempo de precipitaciones,
en dcimas de mm y en codificacin ASCII (texto), una por cada punto de la grilla de
alta densidad (cada 0.5 tanto en latitud como en longitud). Los nombres de los
archivos son del tipo XXxxYYyy.PRE, donde XX indica los grados y xx los minutos
centesimales correspondientes a una latitud determinada, mientras que YY e yy
describen, en los mismos trminos, la longitud.
Por ejemplo, la siguiente es una pequea porcin del archivo 13254275.PRE,
correspondiente a la serie de tiempo (organizada mensualmente segn ao civil) del
punto de grilla ubicado en 1315s y 4245w:



65
Tabla 4.1 Organizacin de la Base de datos CRU
1901 1399 1072 888 641 103 25 19 27 97 663 1488 1692
1902 1304 971 869 642 108 25 21 26 104 700 1695 1863
1903 1276 1013 693 625 108 25 21 22 89 700 1488 1839
1904 1330 1027 834 642 108 25 22 26 97 700 1141 1692
1905 1393 972 869 642 102 23 21 27 97 700 1488 1567
1906 1330 1027 869 625 108 25 21 19 97 700 1409 1817
1907 1330 1027 869 642 108 25 24 26 90 700 1506 1768
1908 1291 980 856 628 96 27 18 26 94 700 1458 1839

La primera columna corresponde al ao, y las siguientes 12 son las
precipitaciones (en base 0.1 mm) de los meses desde enero a diciembre.
La interpolacin de una gran cantidad de puntos de referencia llega a ser
computacionalmente muy exigente. Adems, empleando el mismo mtodo, se
obtienen distintos resultados segn la densidad de estaciones de la regin que se
estudie. Por ejemplo, si se analiza Europa, muy rica en datos, se logran campos muy
suavizados, mientras que si se generan campos en frica del Norte, donde hay una
densidad observacional muy pobre pueden lograrse campos muy rugosos o poco
suaves. Por lo tanto, para cada variable generada por el CRU, la superficie terrestre
fue dividida en mosaicos sobre los cuales se ajustaron funciones de mnima curvatura
por separado. El tamao de los mosaicos vara fundamentalmente en funcin de la
densidad de estaciones, pero tambin en funcin de la complejidad de la variable en
estudio. Donde fue necesario, el CRU forz a los mosaicos a superponerse por lo
menos 5 tanto en latitud como en longitud para minimizar los efectos lmite. El
nmero de estaciones en cada mosaico vara entre 200 y 1000, siendo 19295 el total
de estaciones empleadas.
En la Figura 4.1 pueden verse todas las estaciones y mosaicos empleados por
el CRU para estimar las grillas.
66

Figura 4.1 Estaciones y mosaicos empleados por el Climate Research Unit para elaborar
la grilla.
El mtodo de mnima curvatura (o mtodo de platea delgada) devuelve
campos que pueden ser interrogados en cualquier resolucin, ya que el CRU
dispone de un modelo digital de elevacin muy adecuado. Sin embargo, las
superficies logradas son solamente tan buenas como los datos proporcionados para
confeccionarla. La resolucin de 0.5 result ser la ms adecuada para todos los
fines, ya que la distancia entre las estaciones empleadas para generar la grilla est, en
general, entre los 10 y 100 km.
Bsicamente, se ha empleado la grilla CRU en la cuenca del Ro Uruguay
hasta su desembocadura en el Ro de la Plata.
Esta cuenca se despliega entre los 4515w y 5710w en el sentido
longitudinal y entre los 2615s y 3131s latitudinalmente, perteneciente al Mosaico
14 del C. R. U.. Entre sus afluentes se cuentan los Ros Urugua, Iju, Ibicuy, Negro,
Arapei Grande y Arapei chico, entre otros, sobre la margen derecha.

67

Figura 4.2 - Mapa de la Cuenca del Ro Uruguay

Ms esquemticamente, el mapa empleado para realizar las interpolaciones es
al siguiente:
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 4.3 Mapa esquemtico de la Cuenca del Ro Uruguay
Un rpido y superficial anlisis de la base de datos provistos por la Climate
Research Unit de la Universidad de East Anglia permiti detectar varias falencias en
68
la misma, quiz debido al mtodo empleado. En primer lugar, en ciertos puntos
sobre todo los cercanos a los lmites de los mosaicos con baja densidad de estaciones
los valores de precipitacin son negativos. Al haberles advertido del problema,
simplemente aconsejaron, pragmticamente, reemplazar los valores negativos por
ceros.
En segundo lugar, puede observarse sobre todo al principio de las series de
tiempo generadas en cada punto de grilla que los valores interpolados para el
mismo mes en distintos aos son iguales. Seguramente esto se debe a que han
empleado un mtodo de desagregacin que brinda ese resultado, si en realidad lo que
han interpolado son valores anuales.
Obviamente, las dos anteriores son hiptesis del autor de esta Tesis sobre las
probables causas de los resultados anmalos detectados; las causas verdaderas no han
sido aclaradas por las autoridades de la C.R.U.
4.1.2 Base C. I. C.
Dadas las falencias detectadas en la Base CRU surgi como alternativa una
segunda opcin, ms lgica y valedera: emplear, para realizar las interpolaciones y
comparar los mtodos, datos reales, medidos en el campo, conformando una red
irregular (irregular no significa al azar; las estaciones de medicin estn situadas en
localidades que estn sobre rutas importantes o sobre vas de ferrocarril). Los datos
han sido provistos por el Centro de Investigaciones Climticas (CIC) de la Facultad
de Ingeniera y Ciencias Hdricas de la Universidad Nacional del Litoral.
La base de datos tiene la siguiente forma:
Tabla 4.2 Organizacin de la Base de Datos del CIC-FICH
Aos La Plata Formosa BuenosAires Concordia Corrientes Gualeguaych

1970 888 1247 1036 1366 1136 974
1971 919 1328 1289 1203 1080 1352
1972 1022 1274 1011 1495 1630 1305

69
La base consta de 37 estaciones, mas no todas estn situadas en la cuenca. Tal
como se ve en la Figura 4.3, muchas de ellas estn afuera de la misma, pero se
emplearn todas las estaciones para realizar las interpolaciones. Como se ve en las
Figuras 4.2 y 4.3 los mapas carecen de coordenadas ya que no son necesarias para el
mtodo, puesto que se emplean valores adimensionales.
Las estaciones situadas en la cuenca son Sao Borja, Paso de los Libres,
Urugaiana, Bella Unin, Artigas, Alegrete, Sao Gabriel, Rivera, Santa Vitoria do
Palmar, Bag, Melo, Salto, Concordia, Paysand, Paso de los Toros, Gualeguaych y
Mercedes.
Las estaciones ubicadas fuera de la cuenca son Curitiba (ciudad que define la
esquina NE del rectngulo base, y, por lo tanto, el lmite N y el E), Formosa, Roque
Senz Pea, Corrientes, Posadas, Reconquista, Paran, Rosario (que por ser la ciudad
localizada ms al oeste define la posicin del lado W del rectngulo base), Buenos
Aires, La Plata (que por ser la ubicada ms al sur define el lado S del rectngulo
base), Rocha, 33 Orientales, Cacapava do Sul, Caixas do Sul, Taquar, Porto Alegre,
Passo Fundo, Lagoa Bermeja, Vacara y Torres.
4.2 - MTODO DE LA CONTINUIDAD DE LOS CAMPOS
El mtodo que se pretende crear en esta Tesis se basa en varias premisas ya
conocidas, mencionadas no necesariamente en orden de importancia a continuacin.
En primer lugar, la hiptesis probada por Rodrguez Iturbe y Meja (On the
Design of Rainfall Networks in Time and Space, Water Resources Research 10(4),
713-728) de que el coeficiente de correlacin de la precipitacin medida en dos
puntos distintos disminuye a medida que la distancia entre los mismos aumenta, y
que esta disminucin es montona decreciente, exponencial o Besseliana.
En segundo lugar, suponer que el mtodo ms ampliamente utilizado por los
profesionales en ciencias de la tierra y del agua (gelogos, ingenieros en minas,
hidrlogos, climatlogos y geofsicos) no es el ms adecuado para la descripcin e
70
interpolacin de campos de variables hidroclimticas, ya que estas poseen
caractersticas que las diferencian en gran medida de las variables geolgicas. En
particular, el semivariograma empleado por Krige y Matheron como base de su
algoritmo para describir las variaciones en la productividad de explotaciones
aurferas no es claramente aplicable a la temperatura, la precipitacin, la radiacin
solar o cualquier otra variable continua (ms adelante se ver que la aplicacin de
este mtodo puede llevar bajo determinadas condiciones, como por ejemplo, una
mala distribucin espacial de las estaciones de muestreo, a errores groseros, como
por ejemplo precipitaciones negativas).
En tercer lugar, se pretende aplicar en forma estricta el principio de
parsimonia. Si se tienen dos hiptesis una compleja y una simple que explican el
mismo fenmeno y que de su aplicacin resultan resultados similares, y ninguna de
las dos relaja principios probados o establecidos, ya sean estos principios fsicos,
estadsticos, matemticos e incluso filosficos, entonces se debe optar por la
hiptesis ms sencilla. En otras palabras, y a modo de ejemplo, si para describir e
interpolar un campo pluviomtrico se dispone de varios mtodos que brindan
resultados comparables estadsticamente, entonces debe elegirse el mtodo ms
sencillo.
En cuarto lugar, algunas reglas ya establecidas y muy respetadas para
describir los campos de variables hidroclimticas pueden ser reglas impuestas por
fuerza de la costumbre o por una sencillez no entendida, que puede llevar a
resultados errneos. Es el tpico caso en el cual, cuando se realiza el trazado de
isolneas mediante la interpolacin lineal en los lados de los tringulos de Voronoi, el
mismo mtodo impone que una isolnea no debe cruzar dos veces el mismo lado.
En quinto lugar, al tratar con variables aleatorias y dinmicas, distribuidas
espacialmente, se debe tener en claro que ningn mtodo es exacto. Todos contienen
un error intrnseco que tratan de minimizar. Lo que realmente ocurre entre los puntos
muestreados que de por s ya contienen un error es siempre una incgnita.

71
4.2.1 La estructura de correlacin puntual.
La precipitacin es, usualmente, la principal variable hidroclimtica a tener
en cuenta como variable de entrada en cualquier estudio hidrolgico. Su
caracterizacin es necesaria, por lo comn, tanto para el estudio y estimacin de
balances como para prediccin de caudales.
En estudios relacionados con el balance hidrolgico, usualmente se requiere
la evaluacin de la precipitacin areal media durante un determinado perodo de
tiempo. Este intervalo depende fundamentalmente de la variabilidad del fenmeno, y
puede variar desde el nivel semanal al anual. En otro tipo de anlisis el nivel de
desagregacin es mucho menor; por ejemplo, para la elaboracin de curvas
intensidad duracin frecuencia pueden requerirse desagregaciones de hasta 5
minutos o menos.
Esto depende, de hecho, de cun representativas son las medidas en la escala
de tiempo. En otras palabras, depende de la estacionariedad del fenmeno y del uso
que se les va a dar a los datos.
En estudios relacionados con la prediccin de derrames, los datos de
precipitacin son utilizados en las construccin de curvas precipitacin duracin
rea, y como input de modelos de precipitacin escorrenta. En algunos casos, lo
que se necesita es una estimacin de la contribucin de determinado tipo de eventos
al rea en estudio; esto es, la precipitacin media areal para cada evento.
Para prcticamente todos los efectos, ya sea la informacin colectada de redes
de tipo 1, 2 3 mencionadas en el Captulo 1, es factible considerar a la precipitacin
como un campo aleatorio multidimensional
( , )
i
P f X t = Ec. (4.1)
funcin de las coordenadas espaciales,
i
X , y del tiempo t.
72
Para la determinacin del valor medio de este proceso es de capital
importancia la llamada estructura de correlacin del campo, tanto en el espacio
como en el tiempo. Para este problema en particular puede asumirse que el proceso
es estacionario y, ms an, que su estructura de correlacin es separable en trminos
de correlacin espacial y temporal.
Esto ltimo significa que la estructura de covarianza de ( , )
i
P f X t = puede
ser descrita como:
( ) ( ) ( ) ( )
' 2 ' *
, , , ' '
i i P i i
Cov f X t f X t X X t t
l
=
l
l
Ec. (4.2)
donde

2
P
es la varianza de ( , )
i
P f X t = ;

( )
'
i i
X X es la estructura de correlacin espacial;
( )
*
' t t es la estructura de correlacin temporal.
Este supuesto parece lgico (de hecho lo es) cuando, para estimar valores
medios en un perodo largo de tiempo, primero se estima la precipitacin media
espacial durante cada sub-intervalo (das, meses, aos, etc.) y luego se los suma en
forma discreta.
El supuesto de estacionariedad dbil significa que la esperanza matemtica es
una constante, y que la funcin de covarianza existe y es una funcin de la diferencia
entre coordenadas espaciales y/o temporales, y no de la posicin o del tiempo en s
mismos, en un lugar e instante determinados.
Esto, tericamente, limitara la aplicabilidad de el mtodo que se presentar a
zonas no muy grandes llega un momento en que la distancia entre dos estaciones de
medicin de datos hace que la correlacin entre ambas sea nula y que pueden ser
73
consideradas bastante uniformes en cuanto a comportamiento climtico. Ms an, los
factores importantes como efectos orogrficos no deberan ser tenidos en cuenta,
ya que los mismos estn implcitos en la variacin de los campos.
La estructura de correlacin temporal de la precipitacin, en intervalos de
agregaciones superiores al da (semanas, meses, estaciones o aos) es bastante dbil,
y puede aproximarse por un esquema markoviano autorregresivo simple:
( )
' *
'
t t
t t

= Ec. (4.3)
donde es el coeficiente de autocorrelacin de primer orden.
La estructura de correlacin espacial,
( )
*
i i
X X , plantea un problema
diferente.
Generalmente, los datos disponibles para estimar esta correlacin no son
suficientes para estimar estadsticamente cul es la funcin de correlacin que puede
representar tal estructura.
A este respecto, cabe plantearse dos preguntas:
1. Qu clase de funcin es factible de emplear para representar a la correlacin
espacial?
2. Cmo se ajustan los parmetros de tal funcin con datos esparcidos
irregularmente sobre el rea de inters?
Con respecto a la primera funcin, la literatura suele recomendar dos tipos de
funciones de la distancia : la exponencial decreciente y la funcin K de Bessel
modificada.
La primera de ellas se expresa como:
74
( )
2 2
,
k X Y
X Y e

= Ec. (4.4)
la cual, para procesos isotrpicos, puede definirse ms sencillamente como
( )
k
e

= Ec. (4.5)
La segunda funcin es
( ) ( ) b K b = Ec. (4.6)
donde K es la funcin de Bessel modificada, b es una constante y d la distancia entre
puntos. K puede expresarse como
( ) ( )
( )
( )
( )
( )
( ) ( ) ( )
( )
1
2
0
( )
2
1
! 1 2
cos
lim
sin
n
n n n
k
n k
n
i
n
p
K x i J ix iY ix
donde
x
J x
k n k
J x J x
Y x

l
=
l
1

=

( )

=

Ec. (4.7)
Ambas funciones, la exponencial decreciente y la funcin K de Bessel
modificada son montonas decrecientes, pero la segunda de ellas tiene derivada
primera nula en el origen (es horizontal) y su decrecimiento es menor que el de la
exponencial.
La Figura 4.4 muestra una comparacin entre las funciones de covarianza
( )
z
e y zK z

.
75
Funcin de Bessel Modificada y Funcin Exponencial Decreciente
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
distancia
f
(
x
)
Funcin modificada de Bessel (K) Funcin exponencial decreciente

Figura 4.4 Comparacin entre las dos funciones montonas decrecientes ms empleadas
La descripcin del campo con una estructura de correlacin de Bessel es
computacionalmente complicada, y la diferencia entre los resultados obtenidos al
aplicar una u otra estructura no justifica la mayor complejidad computacional. Se
utilizar, por lo tanto, de ahora en ms, la estructura exponencial decreciente para
representar a la correlacin de los campos:
( )
k
e

= Ec. (4.8)
Esto significa que, entre dos puntos cualesquiera pertenecientes a la cuenca o,
en general, a cualquier regin, la correlacin ser una funcin de la distancia entre
ambos puntos.
Por lo tanto, si se tiene un punto cualquiera situado en un origen de
coordenadas , en el cual se mide una precipitacin o cualquier variable
hidroclimtica - P, la correlacin entre P() y P() estar dada por:
( )
( ) ( )
,

Ec. (4.9)
76
y la pendiente de la recta que relaciona ambas precipitaciones es
( )
( )
( )

=

Ec. (4.10)
Si se considera vlida la hiptesis de que la poblacin es homoscedstica con
respecto a la distancia (varianza constante en todos los puntos de la regin), entonces
es posible plantear que
( ) ( ) = Ec. (4.11)
por lo que entonces puede hacerse
( ) ( )
k
P P e

= Ec. (4.12)
De esta manera, si se considera que en el punto est el foco del anlisis y
que el campo es isotrpico (es decir, sus propiedades tienen propiedades de
dispersin invariantes con la direccin), entonces la tasa de decrecimiento de la
correlacin ser constante con la distancia e igual a
k
e

.
Se supondr ahora que la regin o cuenca tiene una cantidad N de estaciones
de muestreo de la variable de inters, esparcidas al azar o segn criterios de muestreo
preestablecidos. Se definir entonces a la distancia media de muestreo, o radio
medio de muestro
m
, a la distancia promedio entre todas las estaciones. Esta
distancia sera anloga a la distancia caracterstica de correlacin, definida por
Rodrguez Iturbe y Meja como la distancia media entre dos puntos seleccionados
aleatoriamente en una regin determinada.
De esta manera, si se tiene una regin como la de la Figura 4.5:
77
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
E17
E18
E19
E20

Figura 4.5 Algunas distancias de muestreo en una regin determinada
con N estaciones de muestreo (en este caso, 20), se definir a la distancia media
como:
,
1 1
1 1
1
N N
m i j
i j
j i
N N
= =

( )

Ec. (4.13)
Como ejemplo, en el caso de la Figura 4.5 se han representado solamente las
distancias entre las estaciones de muestreo ms cercanas. El procedimiento de
clculo consiste en hacer intervenir todas las distancias . Paso a paso, se debe
tomar, por ejemplo, la estacin 1, E1, y calcular las distancias
1,2
,
1,3
,
1,4
, ,
1,20
y estimar su promedio,
20
1
1, 19
1
j
j
i j
=

. El siguiente paso es estimar el promedio de

todas las distancias entre E2 y las dems estaciones,
2,1
,
2,3
,
2,4
, ,
2,20
,
20
1
2, 19
1
j
j
i j
=

, y as sucesivamente hasta estimar las distancias medias desde cada punto

de muestreo hasta todos los otros puntos. De esta manera se obtendrn N distancias,
de las cuales se estimar nuevamente el promedio. Este promedio es el que se
78
denominar, desde ahora en adelante, como radio medio o distancia media de
muestreo,
m

El rea de la regin o cuenca a considerar, entonces, puede hacerse igual al
rea de un rectngulo, producto del radio medio de muestreo
m
por otra medida
q
,
m q
S= Ec. (4.14)
y puede definirse entonces a como el coeficiente de deformacin del rectngulo,
q
m

Ec. (4.15)
de manera que se cumple que
2
m
S= Ec. (4.16)
Se definir ahora a como una medida adimensional de dispersin de la red,
igual a la relacin existente entre la superficie de un crculo cuyo radio sea
m
,
llamada
c
S , y la superficie de la cuenca, S:
2
2
c m
m
S
dispersin
S

= = = =

Ec. (4.17)
As, cuanto mayor sea la distancia de muestreo con relacin a la superficie de
la cuenca, mayor ser el parmetro de dispersin .
Por ejemplo, para una regin perfectamente circular de radio unitario, con
estaciones de muestreo configurando un hexgono, ms una estacin en el centro,
resulta:
79

Figura 4.6 Regin circular con puntos conformando un
hexgono regular ms un punto central
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
1 2 1 3 1 7 1 4 1 5 1 6
2 1 2 6 2 7 2 5 2 4 2 3
3 2 3 1 3 7 3 6 3 5 3 4
4 3 4 2 4 7 4 1 4 6 4 5
5 4 5 3 5 7 5 2 5 1 5 6
1 1
7 6
1
6
1
6
1
6
1
6
m
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
'
1
1 l
=
!
l
l 1
1+
l

l
l
l

l
l
l

l
l

( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
6 1 6 2 6 7 6 3 6 4 6 5
7 1 7 2 7 3 7 4 7 5 7 6
1
6
1
6
A A A A A A A A A A A A
A A A A A A A A A A A A
l

l
l
l

l
l
'
1
1 l

!
l
l1
1+

( ) ( )
( ) ( )
( ) ( )
( ) ( )
1 1 1
1 3 1 2 3 1 1 3 1 2 3 1
7 6 6
1 1
1 3 1 2 3 1 1 3 1 2 3 1
6 6
1 1 6
1 3 1 2 3 1 1 3 1 2 3 1
6 6 6
1 1 1 6 2 3
6 1 3 1 2 3 1 1 6 2 3 1.352
7 6 7 7 7
m
m
'
1
1
=
!
1
1+

'
1
1

!
1
1+
' ' l
1 1
1 1
l = = =
! !
1 1 l
l 1 1 + +

80
2.324
1.719
1.828
q
m m
q
m
S
= =

Para una regin tambin circular de radio unitario, con cuatro estaciones de
muestreo configurando un cuadrado, ms una estacin en el centro, resulta:

Figura 4.7 Regin circular, con puntos figurando un cuadrado ms un punto central
4 2 2
1.365
5 5
2.300
1.684
1.865
m
q
m
q
m

Repitiendo el mismo esquema, pero con una configuracin triangular, ms
una estacin en el centro, resulta 1.866 . Si se elimina la estacin central, el valor
de ser 3 y el radio de muestreo ser 1.366
m
; en una cuenca circular de radio
unitario, con dos estaciones en los puntos extremos de cualquier dimetro, ser 4 y
1.333...
m
=
81
Se han realizado experimentos de Montecarlo para evaluar el valor del radio
medio de muestreo para 2, 3, , 1000 estaciones esparcidas al azar en un crculo de
radio unitario (de superficie ).
El resultado, tomando desde 2 hasta 100 estaciones de muestreo se puede
expresar mediante grfico mostrado en la Figura 4.8:
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
1.5
1.6
2 4 6 8
1
0
1
2
1
4
1
6
1
8
2
0
2
2
2
4
2
6
2
8
3
0
3
2
3
4
3
6
3
8
4
0
4
2
4
4
4
6
4
8
5
0
5
2
5
4
5
6
5
8
6
0
6
2
6
4
6
6
6
8
7
0
7
2
7
4
7
6
7
8
8
0
8
2
8
4
8
6
8
8
9
0
9
2
9
4
9
6
9
8
1
0
0
Cantidad de puntos de muestreo
R
a
d
i
o

m
e
d
i
o

d
e

m
u
e
s
t
r
e
o
Generacin 01 Generacin 02 Generacin 03 Generacin 04 Generacin 05
Generacin 06 Generacin 07 Generacin 08 Generacin 09 Generacin 10

Figura 4.8 Evolucin del radio medio de muestreo segn aumenta la cantidad de puntos
en un crculo de radio unitario Tramo inicial
Tomando las ltimas 100 de las 400 estaciones generadas al azar, el resultado
es el que se muestra en la Figura 4.9:
0.8
0.85
0.9
0.95
1
1.05
1.1
1.15
1.2
300 310 320 330 340 350 360 370 380 390 400
Cantidad de puntos de muestreo
R
a
d
i
o

m
e
d
io

d
e

m
u
e
s
t
r
e
o
Generacin 01 Generacin 02 Generacin 03 Generacin 04 Generacin 05
Generacin 06 Generacin 07 Generacin 08 Generacin 09 Generacin 10

Figura 4.9 Evolucin del radio medio de muestreo segn aumenta la cantidad de puntos
en un crculo de radio unitario Tramo final
82
Tomando ahora un cuadrado de superficie , los radios medios de muestreo
en funcin de la cantidad de estaciones desde 2 hasta 100 - puede verse en la
Figura 4.10:
0
0.2
0.4
0.6
0.8
1
1.2
0 10 20 30 40 50 60 70 80 90 100
Nmeros de puntos de muestra
R
a
d
i
o

m
e
d
i
o

d
e

m
u
e
s
t
r
e
o
Generacin 01 Generacin 02 Generacin 03 Generacin 04 Generacin 05
Generacin 06 Generacin 07 Generacin 08 Generacin 09 Generacin 10

Figura 4.10 Evolucin del radio medio de muestreo segn aumenta la cantidad de puntos
en un cuadrado de superficie Tramo inicial
La parte final de este grfico, correspondiente a un nmero de estaciones de
muestreo situado entre 300 y 500, es el que se muestra en la siguiente Figura 4.11:
0.55
0.56
0.57
0.58
0.59
0.6
0.61
0.62
0.63
0.64
0.65
300 320 340 360 380 400 420 440 460 480 500
Cantidad de puntos de muestreo
R
a
d
i
o

m
e
d
i
o

d
e

m
u
e
s
t
r
e
o
Generacin 01 Generacin 02 Generacin 03 Generacin 04 Generacin 05
Generacin 06 Generacin 07 Generacin 08 Generacin 09 Generacin 10

Figura 4.11 Evolucin del radio medio de muestreo segn aumenta la cantidad de puntos
en un crculo de radio unitario Tramo final
83
Est claro que cuanto mayor sea el nmero de estaciones de muestreo de una
regin, mayor ser su aproximacin a un valor asinttico que se llamar
g
, el radio
medio regional. Cuanto ms se aproxime el cociente
m
g
c

=

a la unidad, ms ideal
ser la distribucin y cantidad de estaciones.
El radio medio regional se estima, en esta tesis, por un mtodo de
Montecarlo, generando puntos de muestreo al azar mediante una regin y estimando
el radio medio de muestreo mediante la ecuacin definida ms arriba.
En los dos ejemplos realizados, el crculo y el cuadrado de superficie , se
trata de superficies convexas. A los fines de esta tesis, y de ahora en ms, los radios
medios de muestreo se estimarn siempre sobre superficies convexas, definindose a
la regin de clculo como la menor regin convexa que contiene a la regin en
estudio o cuenca. De esta manera, todos los segmentos generados estarn
ntegramente contenidos en la regin de clculo, aunque no necesariamente en la
regin en estudio.
S se define entonces una medida adimensional de la distancia, a los efectos de
generalizar el proceso, como
m

Ec. (4.18)
puede entonces expresarse a la funcin de correlacin como
( )
m
f
f
e e

= = Ec. (4.19)
As se cumple que, para una regin y configuracin determinada, la
correlacin disminuye al aumentar la distancia. Manteniendo esta distancia
constante, disminuye o aumenta al cambiar las caractersticas de la red de medicin,
es decir, el producto
m

84
El valor de f es el nico parmetro de este modelo.
4.2.2 La estructura de correlacin generalizada.
Hasta este momento se ha considerado a la correlacin existente entre la
variable medida en un punto focal, ( ) P , y la variable en cualquier otro punto a
una distancia del anterior, ( ) P .
Se supondr ahora una red con nodos esparcidos al azar en una regin
convexa, donde se miden los valores de una variable hidroclimtica continua.
No es posible, en este caso, determinar un punto focal, al igual que en
cualquier red de mediciones de cualquier nivel.
Es razonable entonces suponer que todos los puntos en los cuales se realizan
medidas son focales, y que la precipitacin o cualquier otra variable hidroclimtica
continua en cualquier punto no focal de la zona (es decir, todos aquellos puntos en
los que no se mide) est influida por la variable medida en todos los puntos focales.
Ms an, puede afirmarse que esta influencia es aditiva, y que disminuye al
aumentar la distancia.
Es factible, entonces, plantear la siguiente ecuacin:
1
( )
n
i i
i
P x P
=
=

Ec. (4.20)
donde n es el nmero de puntos focales, P(x) la precipitacin en cualquier punto no
focal, y
i
factores de peso o ponderacin.
Esta ltima ecuacin es, por otra parte, el algoritmo general para estimar la
precipitacin, ya sea puntual o areal. En el caso ms simple,
1
i
n
= , donde n es el
85
nmero de estaciones y P(x) es, por lo tanto, el promedio estimado sobre el rea, o el
valor puntual de la variable en el punto x si el campo es continuo y uniforme (ya no
necesariamente constante; puede ser tambin un plano inclinado).
P(x puede ser tambin la precipitacin media areal estimada por el mtodo de
Thiessen, donde
i
es la relacin entre el rea asignada a la estacin
i
P y el rea total
de la regin.
Si el factor de peso es la distancia, y no el rea, entonces se definir a como
,
,
1
x i
x n
x j
j=

Ec. (4.21)
De acuerdo a las expresiones de la correlacin en funcin de la distancia,
entonces,
,
,
1
1
i x
i x
f
n
i
i
x f
n
i
Pe
P
e

=
=

Ec. (4.22)
donde
,
,
1
i x
i x
f
x f
n
i
e
e

=
=

Ec. (4.23)
De esta manera, puede definirse en cada punto de la cuenca una matriz , de
orden 1 n . Si se considera que las mediciones conforman una matriz P, de orden
1 n , puede entonces definirse al campo de la variable sobre todos los puntos de la
cuenca como el producto escalar
86
x
P P = Ec. (4.24)
donde
x
P es el valor del campo en el punto x, P es la matriz de las precipitaciones
medidas en las estaciones de muestreo, y es la matriz de los coeficientes de peso en
el punto x, cumplindose, adems, que
1
1
n
i
i=
=

.
87
CAPTULO 5 CASOS HIPOTTICOS DE APLICACIN
En primer lugar se propondrn algunos ejemplos tericos sobre una regin
ideal, para luego ejemplificar con los casos reales propuestos en el Captulo 6.
Antes se debe tener en cuenta una de las bases del mtodo: excepto la variable
que se analiza, todos los dems elementos fundamentalmente las distancias son
adimensionales, por lo que no tiene ninguna importancia en qu escala se expresan
los mapas, ni qu medida se emplea.
La regin ideal propuesta para el anlisis de casos ideales es un cuadrado,
sobre el cual se situarn estaciones de medicin, en la cuales se miden valores
pertenecientes a una funcin determinstica, ya sea polinomial o trascendente, y se
compararn los resultados aplicando distintos valores del nico parmetro de la
funcin, f, con los campos reales.
5.1 CASO 1: DOS PUNTOS EN LOS EXTREMOS DE LA DIAGONAL DE UN CUADRADO
Este caso en particular no es resuelto hasta ahora por ningn mtodo. En
general, ningn mtodo resuelve el caso en que los puntos son colineales, ya que por
dos puntos pasan infinitas curvas y superficies.
Con un factor f=3, y dos estaciones de muestreo con
1
50 z = y
2
10 z = , el
Mtodo de los Campos Paramtricos define la siguiente situacin:
88
X
Y
Est. 1
Est. 2

Figura 5.1 Configuracin obtenida de aplicar el Mtodo propuesto al caso de dos puntos
En este caso:
2
56.568
2.793
6.330 10
30.0
m
m
f
z

=
=
=

=

El valor de 30.0 z = se estima aplicando el teorema del valor medio, es decir,
estimando numricamente la integral

( )
1
1 1
( , ) int
n
z z i
i
A
z x y dxdy mediante z z
A n
=
= = =

donde A es el rea de la regin, z(x,y) es la funcin continua definida sobre toda el
rea, z
i
(int) son los valores interpolados sobre todos los puntos de grilla, en la
cantidad que se desee, n.



89
5.2 CASO 2: TRES PUNTOS NO EQUIDISTANTES NI COLINEALES.
La aplicacin del mtodo propuesto en esta Tesis brinda los siguientes
resultados:

X
Y
Est. 01
Est. 02
Est. 03

Figura 5.2 Campo resultante de interpolar entre tres puntos no equidistantes ni colineales
En este caso,
1
39.398
1.392
1.799 10
57.2
m
m
f
z

=
=
=

=

Los mismos datos,
1 2 3
50, 10 100 z z y z = = = , proporcionan el siguiente
resultado empleando el mtodo de la inversa de la distancia elevada a una potencia:
X
Y
Est_01
Est_02
Est_03

Figura 5.3 Caso similar al de la Figura 5.2, aplicando el mtodo de la inversa de la
distancia
90
En este caso, el valor medio de la variable es 53.33 z = .
Este es un ejemplo bastante particular. Los valores de los tres puntos
muestrales definen un plano. Tanto en el caso del mtodo propuesto en esta Tesis
como en el basado en la inversa de la distancia elevada a una potencia, el plano no
aparece definido. Si se emplea el mtodo de Kriging, ocurre lo mismo, pero aparecen
singularidades indeseables, con una notable deformacin en las cercanas de las
Estaciones 1 y 2. El valor de la media de la variable sigue siendo, al igual que en el
mtodo de la inversa de la distancia elevado a una potencia, z 52.36 = .
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5. 5 6
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Est_01
Est_02
Est_03

Figura 5.4 Caso similar al planteado en la Figura 5.2, empleando el Mtodo de Kriging
Si se utiliza el Mtodo del Vecino ms Cercano, o mtodo de Thiessen
Voronoi, se obtiene la tpica configuracin conocida por los hidrlogos, que en dos
dimensiones son polgonos y en tres dimensiones son configuraciones prismticas de
distintas alturas. El valor medio es z 55.51 = .
X
Y
Est. 01
Est. 02
Est. 03

Figura 5.5 Caso similar el de la Figura 5.2, empleando la Poligonacin de Thiessen
91
Si se aplica el mtodo de Sibson, o el Mtodo del Vecino Natural, se ver que
aparece la regin planar definida por las tres estaciones de muestreo, pero como no
extrapola, slo queda definida por el tringulo de Voronoi, siendo la media de la
variable z 52.52 =
X
Y
Est. 01
Est. 02
Est. 03

Figura 5.6 Caso similar al de la Figura 5.2, empleando el Mtodo de Sibson
La aplicacin del Mtodo de Mnima Curvatura brinda resultados lgicos:
ajusta un plano que pasa por las tres estaciones de muestreo pero interpola sobre toda
el rea, obteniendo un promedio de z 26.5 = , notablemente menor (prcticamente la
mitad) que en los otros casos. Es correcto que as sea; al continuar con la pendiente
del plano se obtienen valores negativos, lo que es absolutamente indeseable cuando la
variable en estudio es, por ejemplo, la ms comn: la precipitacin.
X
Y
Est. 01
Est. 02
Est. 03

Figura 5.7 Caso similar al de la Figura 5.2, empleando el Mtodo de la Mnima Curvatura

92
5.3 CASO 3: FUNCIN PROPORCIONAL A UNA GAUSSIANA BIVARIADA, CON ALTO
COEFICIENTE DE CORRELACIN, CON 20 PUNTOS MUESTRALES ESPARCIDOS AL
AZAR.
Este es un caso ms complicado que los anteriores, y se aproxima ms a lo
que es la estructura de correlacin de una variable hidroclimtica. En una regin
determinada, es muy posible que las precipitaciones anuales o mensuales presenten
concentraciones en determinadas subregiones, ya sea por efecto del azar o por
motivos geogrficos.
Una superficie proporcional a la de la distribucin normal bivariada es una
aproximacin muy primaria a esta situacin, pero es til al momento de ejemplificar
una situacin posible. Es lo que los profesionales en meteorologa y en general
todos aquellos que trazan isolneas denominan ojos de buey, y son muy comunes.
La imposicin de un coeficiente de correlacin alto es simplemente para no
obtener isolneas circulares, sino elpticas, como se muestra en la siguiente figura.
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y

Figura 5.8 Superficie proporcional una funcin normal bivariada
Para realizar el experimento, en primer lugar se generaron al azar 20
posiciones de estaciones de muestreo. Segn las coordenadas, se le asign a cada una
de ellas el valor de la funcin. En este caso, la funcin es
( ) ( )( ) ( )
( )
2 2 1
x 3 0.98 x 3 y 3 y 3
2
f (x, y) 100e
+
=
93
Las coordenadas y la cota correspondiente a la funcin fueron:
Tabla 5.1 Estaciones generadas al azar en la regin de la Figura 5.8
Estacin X y z Estacin x y Z
1 3.993 3.957 61.530 6 4.826 2.457 10.014
2 1.552 0.651 11.768 7 0.914 2.234 18.518
3 5.920 4.081 3.683 8 1.986 0.926 19.508
4 2.305 4.223 24.525 9 2.743 1.771 53.044
5 3.070 3.369 94.393 10 3.662 3.794 75.837

Estacin X y z Estacin x y Z
11 3.787 5.532 7.898 16 3.806 2.571 55.636
12 0.429 3.470 1.818 17 4.615 5.755 5.394
13 1.222 1.389 22.887 18 0.791 4.539 0.504
14 1.512 2.484 42.139 19 5.697 1.598 0.154
15 5.045 1.310 0.543 20 0.525 3.788 1.320
Sobre la regin cuadrada considerada, los puntos estn distribuidos de la
siguiente manera:
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y
Est. 01
Est. 02
Est. 03
Est. 04
Est. 05
Est. 06
Est. 07
Est. 08
Est. 09
Est. 10
Est. 11
Est. 12
Est. 13
Est. 14
Est. 15
Est. 16
Est. 17
Est. 18
Est. 19
Est. 20

Figura 5.9 Estaciones localizadas al azar en el campo de la Figura 5.8
Aplicando el mtodo propuesto, los resultados son los siguientes:
94
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y
Est. 01
Est. 02
Est. 03
Est. 04
Est. 05
Est. 06
Est. 07
Est. 08
Est. 09
Est. 10
Est. 11
Est. 12
Est. 13
Est. 14
Est. 15
Est. 16
Est. 17
Est. 18
Est. 19
Est. 20



Figura 5.10 Campo generado con el Mtodo motivo de la Tesis, f = 10.0
Con un factor f 10 = , los resultados son:
m
1
1
m
2.98
7.746 10
f
4.333 10
z 24.03

=
=
=

=

Con un factor f = 20,
1
m
f
8.666 10

, y los resultados varan

considerablemente:
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y
Est.1
Est.2
Est.3
Est.4
Est.5
Est.6
Est.7
Est.8
Est.9
Est.10
Est.11
Est.12
Est.13
Est.14
Est.15
Est.16
Est.17
Est.18
Est.19
Est.20

Figura 5.11 Campo generado con el Mtodo motivo de la Tesis, f = 20.0

95
Es aqu donde comienza a insinuarse una de las propiedades del mtodo: a
medida que el parmetro f aumenta, ms se aproxima la forma del campo a la
estimada por el mtodo de Thiessen.
Esto se deduce a partir de las ecuaciones que definen al mtodo:
,
,
1
1
i x
i x
f
n
i
i
x f
n
i
Pe
P
e

=
=

Ec. (5.1)
,
,
1
i x
i x
f
x f
n
i
e
e

=
=

Ec. (5.2)
A medida que f crece, el valor de
i ,x
f
e

disminuye, hacindose asinttico a 0.

Su valor mximo es
f
e

cuando el valor a interpolar est exactamente sobre una

estacin de muestreo, ya que
i,x
m

es nulo. El mtodo no es un interpolador

exacto.
Si f toma un valor muy grande (por ejemplo, 100), los resultados son los
siguientes:
96
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y
Est. 01
Est. 02
Est. 03
Est. 04
Est. 05
Est. 06
Est. 07
Est. 08
Est. 09
Est. 10
Est. 11
Est. 12
Est. 13
Est. 14
Est. 15
Est. 16
Est. 17
Est. 18
Est. 19
Est. 20

Figura 5.11 Campo generado con el Mtodo motivo de la Tesis, f = 100.0
El promedio resultante toma un valor de z 22.66 = , mientras que
1
7.741 10

= y
m
f
4.333 =

.
Si se emplea el mtodo de Kriging para realizar la interpolacin se obtienen
las siguientes figuras:
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Est. 01
Est. 02
Est. 03
Est. 04
Est. 05
Est. 06
Est. 07
Est. 08
Est. 09
Est. 10
Est. 11
Est. 12
Est. 13
Est. 14
Est. 15
Est. 16
Est. 17
Est. 18
Est. 19
Est. 20

Figura 5.12 Campo generado con el Mtodo de Kriging
La morfologa del campo obtenido por este mtodo es muy similar a la real.
Sin embargo, el promedio obtenido es z 21.5 = , ligeramente menor que en los otros
casos. Esto no tendra mayor importancia si no fuese porque la disminucin de la
media se debe a la aparicin de zonas donde los valores interpolados son negativos.
97
Estas zonas estn marcadas en color amarillo en la figura de dos dimensiones
y en la gama de los bermellones en la de tres dimensiones.
El mtodo de Thiessen brinda los siguientes resultados:
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y
Est. 01
Est. 02
Est. 03
Est. 04
Est. 05
Est. 06
Est. 07
Est. 08
Est. 09
Est. 10
Est. 11
Est. 12
Est. 13
Est. 14
Est. 15
Est. 16
Est. 17
Est. 18
Est. 19
Est. 20

Figura 5.13 Campo generado con el Mtodo de Thiessen
El valor del promedio areal de la variable es, en este caso, z 22.93 = . Ntese
la semejanza de este caso con el del mtodo objeto de esta Tesis con f = 100. Las
suavizaciones, en este ltimo caso, resultan en un promedio areal algo menor.
El mtodo de mnima curvatura, mediante el cual se obtiene una superficie
interpolante que se asemeja a una delgada placa metlica estirada sobre los puntos de
muestra, con determinados factores de estiramiento, tensin y relajacin (tal como se
explicara en el Captulo 5, ofrece los siguientes resultados:
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
X
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
Y
Est. 01
Est. 02
Est. 03
Est. 04
Est. 05
Est. 06
Est. 07
Est. 08
Est. 09
Est. 10
Est. 11
Est. 12
Est. 13
Est. 14
Est. 15
Est. 16
Est. 17
Est. 18
Est. 19
Est. 20

Figura 5.13 Campo generado con el Mtodo de Mnima Curvatura
98
Pese a mostrar, a primera vista, una forma que se asemeja bastante a la del
campo original, el promedio que expone este mtodo es de z 18.25 = , menor an que
el obtenido mediante la aplicacin del mtodo de Kriging, y debido a la misma causa:
la estimacin de interpolaciones negativas, no muy importantes por su extensin pero
s por su profundidad (el mnimo valor interpolado es de aproximadamente
int erp
z 120 = ). En la figura en dos dimensiones las zonas negativas estn marcadas en
amarillo, mientras que en la de tres dimensiones est marcada en la gama de los
violetas.
Por ltimo se aplicar el Mtodo de Sibson, o del Vecino Natural. Las
siguientes figuras ilustran los resultados logrados:
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y
Est. 01
Est. 02
Est. 03
Est. 04
Est. 05
Est. 06
Est. 07
Est. 08
Est. 09
Est. 10
Est. 11
Est. 12
Est. 13
Est. 14
Est. 15
Est. 16
Est. 17
Est. 18
Est. 19
Est. 20

Figura 5.13 Campo generado con el Mtodo de Sibson
La forma obtenida tambin se asemeja a la real, y el promedio logrado es de
z 30.84 = . Ntese que el valor medio real de la superficie de la funcin bivariada es
de
z
19.52 = .
99
CAPTULO 6 - UN CASO REAL: LA CUENCA DEL RO URUGUAY
Como se mostr en el Captulo 4, la regin seleccionada para el anlisis y
crtica del mtodo es la Cuenca del Ro Uruguay.
De las bases de datos se extrajeron tres situaciones de precipitaciones anuales:
el ao en que se observa la precipitacin mxima anual (ao 1959), el ao en que se
observ la precipitacin mnima anual (ao 1962) y el ao en el cual la precipitacin
ms se aproxima a la precipitacin media anual ( ao 1957)
En primer lugar, se analizar cmo varan los campos segn vara el nica
parmetro del mtodo, f.
6.1 ANLISIS DE LA VARIACIN DE LOS CAMPOS PARA DISTINTAS SITUACIONES Y
DISTINTOS VALORES DEL PARMETRO F
6.1.1 Variacin de los campos para la situacin de mxima (ao 1959)
Caso 1: f = 1.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.1 Aplicacin del mtodo en el caso de la precipitacin mxima anual, f = 1 f = 1 f = 1 f = 1.0 .0 .0 .0
Como es evidente, el valor de f = 1 es demasiado pequeo. El valor medio
obtenido es de z 1800.4 = mm, muy similar al promedio aritmtico de todas las
estaciones seleccionadas para ese ao (1757.8 mm) y bastante superior al valor
ponderado por el mtodo de Thiessen (1729.4 mm).
100
Esto se debe a que, como se ve en la Figura 6.2, el rea asignada a la mayor
precipitacin observada (3499.0 mm, en Rivera) corresponde a uno de los polgonos
ms pequeos, el coloreado de amarillo.
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.2 Resultado de la aplicacin del Mtodo de Thiessen. Puede verse, en trazos
azules, la triangulacin ptima de Delaunay.
Caso 2: f = 5.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.3 Aplicacin del mtodo en el caso de la precipitacin mxima anual, f = 5 f = 5 f = 5 f = 5.0 .0 .0 .0
Puede verse, en este caso, cmo comienzan a insinuarse los campos en una
forma ms real. El valor medio estimado de la variable es z = 1742.9 mm.




101
Caso 3: f = 10.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.4 - Aplicacin del mtodo en el caso de la precipitacin mxima anual, f = f = f = f = 1 11 10 00 0.0 .0 .0 .0
Se observa cmo los campos estn mucho ms definidos; el valor medio
estimado de la variable es z 1732.8 = mm. Tambin puede verse cmo comienza a
sugerirse la tpica poligonacin prismtica de Thiessen
Caso 4: f = 15.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.5 - Aplicacin del mtodo en el caso de la precipitacin mxima anual, f = 15 f = 15 f = 15 f = 15.0 .0 .0 .0
En este caso, el valor medio de la variable es 1730.7 z = mm. Puede notarse
que a medida que aumenta f, disminuye la media y ms se aproxima a la estimada por
el Mtodo de Thiessen.



102
Caso 5: f = 20.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.6 - Aplicacin del mtodo en el caso de la precipitacin mxima anual, f = 20.0
En esta situacin puede verse cmo el caso colapsa rpidamente hacia la
poligonacin de Thiessen, adquiriendo una configuracin poco natural. El valor
medio estimado es 1729.7 z = mm, prcticamente igual al propuesto por Thiessen.
Como conclusin, y como primera aproximacin, se tomar un valor
aproximado de f = 17.5, intermedio entre 15 y 20.
As, los campos obtenidos son los siguientes:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.7 - Aplicacin del mtodo en el caso de la precipitacin mxima anual, f = 17.5 f = 17.5 f = 17.5 f = 17.5



103
6.1.2 Variacin de los campos en una situacin de mnima (ao 1962)
Caso 1: f = 1
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.8 Aplicacin del mtodo en el caso de la precipitacin mnima anual, f = 1.0 f = 1.0 f = 1.0 f = 1.0
Al igual que en el Caso 1 de la situacin de mxima, puede observarse una
extremada suavizacin de los campos. El valor medio estimado es de 958.0 mm. La
poligonacin de Thiessen arroja como resultado un valor medio de 957.7 mm; el
resultado prismtico, en dos y tres dimensiones, puede verse en la Figura 6.9. El valor
de la media aritmtica de las precipitaciones observadas es de 942.9 mm, algo menor
que los promedios estimados mediante el Mtodo de Thiessen y el propuesto en esta
Tesis.
Nuevamente, y al igual que en el caso del ao en que se observaron las
mximas precipitaciones, el valor de Rivera, de 1951 mm, provoca una importante
distorsin en el campo. Esto puede deberse a un error sistemtico o realmente ha
ocurrido un outlier, pero el anlisis de la calidad de los datos no es motivo de esta
Tesis, por lo que se supondr que el valor observado es correcto y constituye u
outlier.
104
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.9 Resultado de la aplicacin del Mtodo de Thiessen a la situacin de mnima.
Caso 2: f = 5.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.10 - Aplicacin del mtodo en el caso de la precipitacin mnima anual, f = f = f = f = 5 55 5.0 .0 .0 .0
Como era de prever, comienza a insinuarse la forma del campo, auque an
muy suavizada. El valor excepcionalmente alto de Rivera, para tratarse de una
situacin de mnima, provoca una distorsin que aumentar a medida que aumenta f,
dando lugar a la aparicin de uno de los denominados ojos de buey.
Estos ojos de buey merecen un comentario aparte. Son, generalmente, una
caracterstica indeseada cuando se obtiene una representacin de un campo de
variables hidroclimticas. Se prefieren variables que flucten suavemente en el
espacio, sin la aparicin de ningn tipo de singularidades ni outliers. Ms an,
normalmente se exige que una isolnea no atraviese ms de una vez uno de los lados
de cualquier tringulo de Delaunay, detalle ste muy observado cuando se describen
los campos mediante isolneas trazadas a mano alzada.
105
Si la variable que se analiza es la precipitacin, por qu aplicar esta
restriccin? Qu impide la existencia real de los ojos de buey, los outliers, o que una
isolnea atraviese ms de una vez algn lado de una triangulacin Delaunay? Si una
precipitacin convectiva se localiza sobre o muy cerca de una estacin de medicin,
la aparicin del ojo de buey es inevitable y no tiene por qu ser indeseada. Y si el
outlier es de magnitud tal que afecta a los ms grandes niveles de agregacin por
ejemplo el nivel anual, como el caso analizado, o aunque en realidad se trate de un
error sistemtico la impropiedad de la aplicacin de la norma es la misma
La restriccin impuesta al cruce de los lados de los tringulos por las isoyetas
se basa en un principio de seguridad. En realidad, nada impide que, como se ve en la
Figura 6.11, una isoyeta atraviese ms de una vez un lado de Delaunay. En este caso,
el lado AC es el atravesado dos veces. Esta situacin no sera rara si existen, por
ejemplo, dos situaciones de mxima en los vrtices A y C y una de mnima en el nodo
B, traccionando la isolnea hacia abajo y obligndola a atravesar dos veces el
segmento. O, por lo contrario, podra existir una situacin de mxima hacia el norte
del segmento AC, dos situaciones medias o normales en los nodos A y C y una
situacin de mnima en el nodo C, caso en el que tambin la isolnea sera
traccionada hacia el sur.
A
B
C
Triangulacin
de Delaunay
Isolnea

Figura 6.11 Caso hipottico de una isolnea atravesando dos veces
un lado de una tringulo de Delaunay
Volviendo al Caso 2, el valor medio obtenido mediante la aplicacin del
Mtodo propuesto es 952.2 z = mm, aproximndose al valor evaluado mediante el
Mtodo de Thiessen.
106
Caso 3: f = 10.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.12 - Aplicacin del mtodo en el caso de la precipitacin mnima anual, f = f = f = f = 10.0 10.0 10.0 10.0
En esa situacin de mnima se observa que, con f = 10.0, el campo est
bastante bien definido, con una media 948.1 z = mm. Adems, pueden verse varias
situaciones como las descritas en la Figura 6.11. Por ejemplo, el lado del tringulo
que une Passo Fundo con Sao Borja est atravesado 2 veces por la isoyeta de 1100
mm, al igual que el lado del tringulo que une Curitiba con Passo Fundo. Los lados
que unen Cacapava do Sul, Santa Vitoria do Palmar y Rocha con Porto Alegre estn
atravesadas dos veces por la isolnea de 900 mm, y el mismo caso se repite en
distintos lados de la triangulacin de Delaunay con isolneas de distintos valores. El
significado real de que el lado del tringulo sea atravesado dos veces por una isolnea
no significa que una isolnea atraviese un segmento del mapa, sino que es que un
campo, ya sea sobreelevado o deprimido, el que lo atraviesa, y no hay razn lgica, ni
natural, ni estadstica, para que no lo haga.





107
Caso 4: f = 15.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.13 - Aplicacin del mtodo en el caso de la precipitacin mnima anual, f = 15.0 f = 15.0 f = 15.0 f = 15.0
En este caso se observa, para f = 10, una situacin muy similar a la observada
para la situacin de mxima cuando f = 20.0.
Caso 5: f = 20.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.14 - Aplicacin del mtodo en el caso de la precipitacin mnima anual, f = f = f = f = 20.0 20.0 20.0 20.0
Puede verse que cuando f toma valores mayores a 15.0, la configuracin
obtenida se acerca demasiado a la de Thiessen. Con f = 20.0 el valor medio estimado
de la variable es de 946.2 z = mm, algo menor que el obtenido por Thiessen. Por lo
tanto, se adoptar un valor de f entre 10.0 y 15.0, f = 12.5. El campo continuo
obtenido puede verse en la Figura 6.15.
108
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.15 - Aplicacin del mtodo en el caso de la precipitacin mnima anual, f = f = f = f = 12.5 12.5 12.5 12.5
El valor medio obtenido mediante la aplicacin del mtodo propuesto en esta
Tesis es de 947.3 z = mm
6.1.3 - Variacin de los campos en una situacin de media (ao 1957)
Caso 1: f = 1.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.16 - Aplicacin del mtodo en el caso de la precipitacin
prxima a la media anual, f = f = f = f = 1.0 1.0 1.0 1.0
En este caso puede verse una excesiva suavizacin del campo, al igual que
siempre que f es pequeo. El valor medio de la variable es 1366.8 z = mm.



109
De la aplicacin del Mtodo de Thiessen surge la siguiente configuracin:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.17 Resultado de la aplicacin del Mtodo de Thiessen a la situacin de media.
El prisma ms destacado es el correspondiente a Curitiba (2238.0 mm),
situado en el extremo NE de la regin. El valor medio de la variable estimada por el
Mtodo de Thiessen es de 1414.8 z = mm
Caso 2: f = 5.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.18 - Aplicacin del mtodo en el caso de la precipitacin
cercana a la media anual, f = f = f = f = 5.0 5.0 5.0 5.0

La precipitacin media estimada por el mtodo propuesto en esta tesis es de
1413.0 z = mm, apenas inferior a la estimada por el Mtodo de Thiessen.


110

Caso 3: f = 10.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.19 - Aplicacin del mtodo en el caso de la precipitacin
cercana a la media anual, f = f = f = f = 10.0 10.0 10.0 10.0
El valor medio estimado de la variable es de 1421.9 z = mm, el cual supera
levemente al valor medio obtenido por el Mtodo de Thiessen.
Caso 4: f = 15.0
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.20 - Aplicacin del mtodo en el caso de la precipitacin
cercana a la media anual, f = f = f = f = 15.0 15.0 15.0 15.0
El valor medio estimado por el mtodo propuesto en esta Tesis es de
1422.5 z = mm, bastante superior al obtenido por Thiessen.
111
Por lo tanto, para una situacin aproximada a la media, se propone un valor de
f = 7.5, con lo que se obtienen las siguientes configuraciones de campo:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.21 - Aplicacin del mtodo en el caso de la precipitacin
cercana a la media anual, f = f = f = f = 7.5 7.5 7.5 7.5
El valor medio estimado de la precipitacin es de 1419.6 z = mm, valor muy
ligeramente superior al estimado por el Mtodo de Thiessen
6.2 ANLISIS DE LOS CAMPOS RESULTANTES DE APLICAR DISTINTOS MTODOS
En las tres situaciones se analizarn los campos que resultan de la aplicacin
del Mtodo de Kriging, el de Sibson (Mtodo del Vecino Natural), el de la Climate
Research Unit de la Universidad de East Anglia, y el propuesto en esta Tesis.
Para analizar las diferencias entre los mtodos, adems de la inspeccin
visual, se propone una medida del error, comn a todos los mtodos.
Este enfoque de la estimacin del error no es muy habitual, pues casi todos
ellos se basan en una estimacin de la varianza de los parmetros, los que usualmente
se evalan a travs de una aproximacin de mxima verosimilitud.
Lo que se har es, sencillamente, eliminar una estacin e interpolar el valor
que brinda el mtodo (Sibson, Kriging, C.R.U. y Tesis) en ese punto.
i
i i
e z z =
$
Ec. (6.1)
112
donde
i
z es el valor observado en la estacin i, i z
$
es el valor interpolado en el punto
i suponiendo que no se ha medido y
i
e la diferencia entre ambas medidas. Luego,
simplemente, se define como error a:
n
2
i
i 1
1
e
n
=
=

Ec. (6.2)
Cuanto menor sea el error, menor ser el error del mtodo.
6.2.1 Anlisis de la situacin de mxima
El ao en que se observ la mxima precipitacin anual sobre la regin
(estimada como media aritmtica de todas las estaciones) fue, como se dijo en el tem
6.1.1, el ao 1959. Los valores medidos fueron los siguientes:
Tabla 6.1 Valores observados (en mm) en la regin en el ao 1959.
Estaciones P Estaciones P Estaciones P Estaciones P
La Plata La Plata La Plata La Plata 1673 Reconquista Reconquista Reconquista Reconquista 1602 Sta. Vitoria Sta. Vitoria Sta. Vitoria Sta. Vitoria 1599 P. de los Toros P. de los Toros P. de los Toros P. de los Toros 1542
Formosa Formosa Formosa Formosa 1943 Rosario Rosario Rosario Rosario 1355 Sao Borja Sao Borja Sao Borja Sao Borja 1921 Paysand Paysand Paysand Paysand 1866
Buenos Aires Buenos Aires Buenos Aires Buenos Aires 1858 Alegrete Alegrete Alegrete Alegrete 2085 Sao Gabriel Sao Gabriel Sao Gabriel Sao Gabriel 1706 Rivera Rivera Rivera Rivera 3499
Concordia Concordia Concordia Concordia 1342 Bag Bag Bag Bag 1820 Taquar Taquar Taquar Taquar 1502 Rocha Rocha Rocha Rocha 1455
Corrientes Corrientes Corrientes Corrientes 1636 Cacapava Cacapava Cacapava Cacapava 1720 Torres Torres Torres Torres 1089 Salto Salto Salto Salto 2337
Gualeguaych Gualeguaych Gualeguaych Gualeguaych 1585 Caixas do Sul Caixas do Sul Caixas do Sul Caixas do Sul 1930 Uruguaiana Uruguaiana Uruguaiana Uruguaiana 1939 33 Orientales 33 Orientales 33 Orientales 33 Orientales 1389
Paran Paran Paran Paran 1507 Curitiba Curitiba Curitiba Curitiba 1213 Vacara Vacara Vacara Vacara 1450 Melo Melo Melo Melo 1855
P. de los Libres P. de los Libres P. de los Libres P. de los Libres 2121 Lagoa Vermelha Lagoa Vermelha Lagoa Vermelha Lagoa Vermelha 1902 Artigas Artigas Artigas Artigas 2165
Posad Posad Posad Posadas as as as 2170 Passo Fundo Passo Fundo Passo Fundo Passo Fundo 1956 Bella Unin Bella Unin Bella Unin Bella Unin 1917
RSPea RSPea RSPea RSPea 1306 Porto Alegre Porto Alegre Porto Alegre Porto Alegre 1495 Mercedes Mercedes Mercedes Mercedes 1588

La media obtenida como media aritmtica es de 1757.8 mm. Su desviacin
standard es de 414.0 mm, por lo que el coeficiente de variabilidad es de
414.0
0.2355
1757.8
s mm
Cv
mm z

= = = =

Tanto la media aritmtica como el desvo standard y el coeficiente de
variabilidad no tienen mayor significado en este caso, pues se trata de una variable
113
distribuida espacialmente y no una serie de tiempo. Una medida muy primaria pero
ms acertada de la media sera un promedio ponderado espacialmente, como el
obtenido por el Mtodo de Thiessen, y el desvo standard debera calcularse como la
dispersin con respecto a esta media. Esto no se ha realizado, pues lo que interesa es
precisamente una medida primaria de la variabilidad normalizada (en este caso, el
coeficiente de variabilidad Cv, definido ad-hoc para este caso) para que ms adelante
sea posible establecer alguna relacin entre Cv y f, el parmetro del mtodo
propuesto en esta Tesis.
La configuracin obtenida de aplicar el Mtodo de Kriging es la siguiente:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.22 Campo obtenido mediante la aplicacin del Mtodo de Kriging.
El Mtodo de Kriging consiste, en realidad, en la conjuncin de una cantidad
de procedimientos que pueden variar. Por ejemplo, el algoritmo de inclusin de datos
para la estimacin de valores interpolados se basa en la divisin en sectores circulares
con centro en el punto a interpolar. El mtodo propuesto en esta Tesis no divide la
regin en sectores, sino que toma toda la regin como un solo sector. Por lo tanto, y a
los efectos de poder realizar comparaciones vlidas, se ha empleado tambin un solo
114
sector para aplicar el Mtodo de Kriging. En este caso, el valor medio de la variable,
considerando todas las estaciones, es de 1692.4 z = mm.
El clculo del error se realizar segn lo expresado en las ecuaciones (6.1) Y
(6.2).
Para ello se irn eliminando las estaciones de a una por vez y se calcular la
diferencia entre el valor estimado por el Mtodo de Kriging bajo el supuesto de que la
estacin no est y el valor medido en la misma estacin.
Para ejemplificar se tomarn solamente tres casos: se eliminarn las estaciones
Posadas, Rivera y Mercedes, y se presentar la tabla resumen con todas las estaciones
para poder as evaluar el error segn la ecuacin propuesta.
Se eligi la estacin Rivera porque presenta un medida conflictiva, tanto en la
situacin de mxima como de mnima. En el caso de mxima el valor muestreado es
de 3500 mm, y en el de mnima, 1951 mm, ambos muy alejados de los valores que les
siguen en orden de magnitud. Esto provoca una distorsin notable en los campos, y es
una situacin extrema que probar al mtodo con mayor rigor.
Las otras dos estaciones, Posadas y Mercedes, se seleccionaron estrictamente
al azar.






115
Eliminacin de la Estacin POSADAS
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.23 Campo definido por el Mtodo de Kriging, sin POSADAS.
El valor medio de la variable es 1673.7 z = mm, sin considerar la estacin
Posadas. El valor estimado en las coordenadas de Posadas es de 1930.9 POSADAS z =

mm, mientras que el valor medido es de 2170.0 mm; de esta manera,
(2170.0 1930.9 ) 239.1
Posadas
e mm mm mm = = .






116
Eliminacin de la Estacin RIVERA
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.24 - Campo definido por el Mtodo de Kriging, sin RIVERA.
Es en este caso donde se produce el cambio ms dramtico, pues se elimina a
estacin donde se ha producido el outlier. El valor medio logrado del valor medio sin
Rivera es de z = 1675.5mm (recurdese que, con todas las estaciones, y segn el
Mtodo de Kriging, el valor medio era de 1692.4 z = mm). El valor estimado en las
coordenadas de Rivera sin considerar esta estacin es de 1958.8 mm, mientras que el
valor real observado es de 3499.0 mm. Por lo tanto,
(3499.0 1950.8 ) 1548.2
Rivera
e mm mm mm = = , valor notablemente grande del
error (aproximadamente 91.5%). Pero debe recordarse que se trata de un outlier, y
que el mismo problema aparecer cuando se aplique cualquiera de los otros mtodos,
an los que no se emplean en el presente anlisis y crtica.
Lo que es de destacar es la poca influencia que tiene este alto monto de
precipitacin puntual en la estimacin del valor medio areal: la variacin en el
mismo es de aproximadamente el 1%.
117
Eliminacin de la Estacin MERCEDES
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.25 - Campo definido por el Mtodo de Kriging, sin MERCEDES.
No se observan en este caso mayores cambios. El valor real observado en la
estacin Mercedes es de 1588.0 z = mm, el valor estimado por el Mtodo de Kriging
es de 1643.3 mm y la diferencia es de (1588.0 1643.3 ) 55.3 e mm mm = = mm.
Este error es de alrededor del 1.03%. El valor medio de la variable sobre el
rea considerando todas las estaciones es de 1692.4 mm, y sin considerar Mercedes es
de 1693.1 mm, lo que constituye un error del 0.04%, prcticamente despreciable.
La Tabla 6.1 resume todos los resultados obtenidos eliminando las estaciones
de a una por vez. En la primera columna se ha colocado el nombre de la estacin
eliminada, en la segunda el valor real observado en el ao de mxima (1959), en la
tercera el valor estimado por el Mtodo de Kriging suponiendo que la estacin no
existe, en la cuarta el valor de la diferencia entre las dos cifras anteriores, y en la
quinta ese valor al cuadrado, para poder aplicar la Ec. 6.2.

118
6.2.2 Anlisis de la situacin de mnima
El ao en que se observ la mnima precipitacin anual sobre la regin fue el
ao 1962. Los valores medidos fueron los siguientes:
Tabla 6.2 Valores observados (en mm) en la regin en el ao 1962
Estaciones P Estaciones P Estaciones P Estaciones P
La Plata La Plata La Plata La Plata 756 Reconquista Reconquista Reconquista Reconquista 842 Sta. Victoria Sta. Victoria Sta. Victoria Sta. Victoria 702 P. de los Toros P. de los Toros P. de los Toros P. de los Toros 843
Formosa Formosa Formosa Formosa 1259 Rosario Rosario Rosario Rosario 847 Sao Borja Sao Borja Sao Borja Sao Borja 1112 Paysand Paysand Paysand Paysand 816
Buenos Aires Buenos Aires Buenos Aires Buenos Aires 912 Alegrete Alegrete Alegrete Alegrete 1170 Sao Gabriel Sao Gabriel Sao Gabriel Sao Gabriel 902 Rivera Rivera Rivera Rivera 1951
Concordia Concordia Concordia Concordia 668 Bag Bag Bag Bag 993 Taquar Taquar Taquar Taquar 902 Rocha Rocha Rocha Rocha 688
Corrientes Corrientes Corrientes Corrientes 1177 Cacapava Cacapava Cacapava Cacapava 1002 Torres Torres Torres Torres 671 Salto Salto Salto Salto 718
Gualeguaych Gualeguaych Gualeguaych Gualeguaych 649 Caixas do Sul Caixas do Sul Caixas do Sul Caixas do Sul 1212 Uruguaiana Uruguaiana Uruguaiana Uruguaiana 899 33 Orientales 33 Orientales 33 Orientales 33 Orientales 939
Paran Paran Paran Paran 529 Curitiba Curitiba Curitiba Curitiba 1167 Vacara Vacara Vacara Vacara 844 Melo Melo Melo Melo 922
P PP P. .. . de los Libres de los Libres de los Libres de los Libres 1083 Lago Lago Lago Lagoa a a a Vrmela Vrmela Vrmela Vrmela 1149 Artigas Artigas Artigas Artigas 1040
Posadas Posadas Posadas Posadas 1175 Passo Fundo Passo Fundo Passo Fundo Passo Fundo 1177 Bella Unin Bella Unin Bella Unin Bella Unin 984
Roque S. Pea Roque S. Pea Roque S. Pea Roque S. Pea 741 Porto Alegre Porto Alegre Porto Alegre Porto Alegre 712 Mercedes Mercedes Mercedes Mercedes 713
La media aritmtica calculada es de 942.3 mm y su desviacin standard
estimada es de 257.5 mm (teniendo en cuenta las observaciones expresadas en el tem
6.2.1). Con ello, el coeficiente de variabilidad estimado es de
257.5
0.273
942.3
mm
Cv
mm
= =
el cual es muy similar al obtenido en la situacin de mxima.
El valor medio obtenido por el Mtodo de Thiessen es, en este caso, de 957.7
mm, algo superior al valor estimado como promedio simple. Se analizarn los
mismos tres casos que en la situacin de mxima, es decir, se eliminarn por turno las
estaciones Posadas, Rivera y Mercedes.



119
Eliminacin de la Estacin POSADAS
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.26 - Campo definido por el Mtodo de Kriging, sin POSADAS.
El valor medio estimado por el Mtodo de Kriging, sin tener en cuenta la
Estacin Posadas, es de 954.8 mm y, tenindola en cuenta, de 952.5; una diferencia
muy pequea.
El valor estimado en las coordenadas de Posadas suponiendo que Posadas no
se ha medido es de 1204.9 mm, mientras que el valor realmente observado es de
1175.0 mm; el error es de -29.9 mm, es decir, del orden del 2.5%.




120
Eliminacin de la Estacin RIVERA
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.27 - Campo definido por el Mtodo de Kriging, sin RIVERA.
Tambin en este caso la diferencia entre los campos evaluados con y sin la
Estacin Rivera es llamativa. Y nuevamente no es casual; en Rivera tambin se
produjo un outlier en el ao de mnima,1962.
El valor estimado en las coordenadas de Rivera por el Mtodo de Kriging (sin
involucrar a la misma en el clculo) es de 1008.8 mm, contra un valor realmente
medido de 1951.0 mm. El error es de 942.2 mm, es decir, del 48.3%.
El valor medio de la variable, estimado por el mismo mtodo y sin tener en
cuenta a Rivera es de 942.1 mm y, tenindola en cuenta, de 952.5 mm. El error, de
10.4 mm, representa el 1.1%. Como acotacin al margen, es de destacar la pequea
diferencia que existe entre los valores medios areales cuando no se tienen en cuenta
los outliers.

121
Eliminacin de la Estacin MERCEDES
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.28 - Campo definido por el Mtodo de Kriging, sin MERCEDES.
Las diferencias entre los campos, teniendo en cuenta o no a Mercedes, en esta
situacin es insignificante. El valor medio areal de la precipitacin sin incluir a
Mercedes en la estimacin es de 952.8 mm y, tenindola en cuenta, de 952.5 mm. La
diferencia, de -0.3 mm (0.03%) no se puede tener en cuenta.
El valor estimado en las coordenadas de Mercedes, sin incluir a sta en la
estimacin, es de 732.5 mm, mientras que el valor realmente observado es de 713.0
mm. La diferencia, de -19.5 mm, no produce un cambio muy visible en el campo, ya
que el porcentaje de variacin es de solamente el 2.7%.



122
6.2.3 Anlisis de la situacin cercana a la media.
El ao 1957 es en el cual se produjo una la situacin ms cercana a la media,
estimando a la media areal simplemente como un promedio no ponderado de los
valores observados en todas las estaciones.
Los valores pueden analizarse en la siguiente Tabla.
Tabla 6.3 Valores observados (en mm) en la regin en el ao 1957
Estacin P Estacin P Estacin P Estacin P
La Plata La Plata La Plata La Plata 770 Reconquista Reconquista Reconquista Reconquista 1115 Sta. Vitoria Sta. Vitoria Sta. Vitoria Sta. Vitoria 1338 P. de los Toros P. de los Toros P. de los Toros P. de los Toros 1059
Formosa Formosa Formosa Formosa 1405 Ros Ros Ros Rosario ario ario ario 1012 Sao Borja Sao Borja Sao Borja Sao Borja 1373 Paysand Paysand Paysand Paysand 1311
Buenos Aires Buenos Aires Buenos Aires Buenos Aires 946 Alegrete Alegrete Alegrete Alegrete 1551 Sao Gabriel Sao Gabriel Sao Gabriel Sao Gabriel 986 Rivera Rivera Rivera Rivera 1665
Concordia Concordia Concordia Concordia 1235 Bag Bag Bag Bag 1150 Taquar Taquar Taquar Taquar 1275 Rocha Rocha Rocha Rocha 1083
Corrientes Corrientes Corrientes Corrientes 1256 Cacapava Cacapava Cacapava Cacapava 1598 Torres Torres Torres Torres 1835 Salto Salto Salto Salto 1159
Gualeguaych Gualeguaych Gualeguaych Gualeguaych 1058 Caixas do Sul Caixas do Sul Caixas do Sul Caixas do Sul 1815 Ur Ur Ur Uruguaiana uguaiana uguaiana uguaiana 1363 33 Orientales 33 Orientales 33 Orientales 33 Orientales 1164
Paran Paran Paran Paran 938 Curitiba Curitiba Curitiba Curitiba 2238 Vacara Vacara Vacara Vacara 1452 Melo Melo Melo Melo 1165
P. de los Libres P. de los Libres P. de los Libres P. de los Libres 1207 LagoaVermelha LagoaVermelha LagoaVermelha LagoaVermelha 1971 Artigas Artigas Artigas Artigas 1343
Posadas Posadas Posadas Posadas 1844 Passo Fundo Passo Fundo Passo Fundo Passo Fundo 1818 Bella Unin Bella Unin Bella Unin Bella Unin 1268
Roque S. Pea Roque S. Pea Roque S. Pea Roque S. Pea 1605 Porto Alegre Porto Alegre Porto Alegre Porto Alegre 1374 Mercedes Mercedes Mercedes Mercedes 1198
La media aritmtica calculada es de 1349.8 mm, mientras que el promedio
ponderado por la Poligonacin de Thiessen es de 1415.2 mm; la diferencia, de 65.4
mm, es del 4.6%.
El coeficiente de variabilidad en realidad, como ya se ha mencionado,
pseudo coeficiente es de
325.2
0.241
1349.8
s mm
Cv
mm z
= = =
prcticamente igual que en los otros dos casos anteriores, el de mxima y el de
mnima.


123
Eliminacin de la Estacin POSADAS
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.29 - Campo definido por el Mtodo de Kriging, sin POSADAS.
El valor medio de la variable en la regin es, en este caso, de 1411.7 mm. Si
se tuviese en cuenta a la Estacin Posadas, la media sera de 1442.6 mm.
Esta diferencia areal, de 30.9 mm (2.1%) es, en las coordenadas que definen a
la Estacin Posadas, de 1447.7 mm.
El valor observado es de 1844.0 mm, lo que establece una diferencia de 396.3
mm (21.5%).





124
Eliminacin de la Estacin Rivera
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.30 - Campo definido por el Mtodo de Kriging, sin RIVERA.
El valor medio areal de la variable es 1437.5 mm. Comparando con el valor
obtenido teniendo en cuenta a Rivera (1442.6 mm), la diferencia, de 5.1 mm,
establece un error porcentual del 0.4%.
El valor interpolado en las coordenadas de Rivera, si no existiese el dato
perteneciente a esta estacin, es de 1204.1 mm.
Comparando con el valor realmente observado en esta estacin, de 1665 mm,
el error es de 460.9 mm, es decir, es del 27.7%.





125
Eliminacin de la Estacin MERCEDES
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.31 - Campo definido por el Mtodo de Kriging, sin RIVERA.
El valor medio areal estimado sin tener en cuenta a la Estacin Mercedes es de
1440.0 mm. Teniendo en cuenta que el valor medio teniendo en cuenta todas las
estaciones, y aplicando el Mtodo de Kriging, es de 1442.6 mm, el error en la
estimacin de la lmina media precipitada, de 2.6 mm. Esto equivale a un error
porcentual de 0.2%.
El valor puntual estimado en las coordenadas de Mercedes (considerando que
el dato perteneciente a esta estacin no existe) es de 1010.4 mm. Considerando que el
valor realmente observado es de 1198.0 mm, entonces el error, de 187.6 mm, es
equivalente a un error porcentual del 15.7%.



126
6.3 ANLISIS DE OTRAS SITUACIONES
A los efectos de no abundar excesivamente en la cantidad de mapas y
representaciones para mostrar cmo se calcular el error, se analizarn solamente tres
situaciones ms a modo de ejemplo: la situacin de mxima sin una estacin,
Uruguaiana, que se encuentra en las cercanas de Paso de los Libres, al SSE,
mediante el mtodo de Sibson o Mtodo del Vecino Natural, el Mtodo empleado por
la Climate Research Unit de la Universidad de East Anglia para elaborar su base de
datos, y el propuesto en esta Tesis.
6.3.1 Determinacin del error del Mtodo de Sibson en el caso de mxima (ao
1959)
La configuracin del campo estimada por este Mtodo, teniendo en cuenta
todas las estaciones, es la que se muestra en la siguiente figura:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.32 Configuracin del campo mediante el Mtodo de Sibson,
considerando todas las estaciones
127
Para poder diferenciar con claridad todo lo representado en la Figura 6.32, en
lneas de trazos azules puede observarse la Triangulacin de Delaunay Dirichlet y
en trazos rojos los campos de isolneas; tambin se ve que el mtodo no interpola
fuera de la regin convexa definida por la triangulacin.
El valor medio obtenido en el rea de interpolacin (ya no en el rea total de
la regin) es de 1739.8 mm.
Si se elimina la Estacin Uruguaiana, el campo resultante es el siguiente:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.33 Configuracin del campo mediante el Mtodo de Sibson,
sin considerar Uruguaiana
El valor medio areal es en este caso de 1741.1 mm, resultando as una
diferencia de -1.3 mm, lo que en porcentajes absolutos es equivalente al 0.07%.
El valor puntual estimado en las coordenadas de Uruguaiana, sin que esta
estacin intervenga en el clculo, es de 2095.9 mm, siendo el valor real medido de
1939.0 mm; la diferencia, de -156.9 mm, establece un error porcentual absoluto del
8.1%.
128
6.3.2 Determinacin del error del Mtodo empleado en la Climate Research
Unit de la Universidad de East Anglia (Mtodo de Mnima Curvatura, o
Platea Delgada Linealmente Elstica)
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.34 Configuracin del campo mediante el Mtodo de Mnima Curvatura,
considerando todas las estaciones
En primer lugar puede verse la distorsin en los lmites de la zona, causada
por las tensiones de borde y tensiones de esquina mostradas en la Ecs. (3.9) y
(3.10). El valor medio areal es, en este caso, de 1583.4 mm, bastante menor que los
otros casos y debido, justamente, a la depresin causada en los bordes y en las
esquinas, y a la extrema suavizacin del campo, lo que puede apreciarse mejor en tres
dimensiones:
129

Figura 6.35 Configuracin del campo mediante el Mtodo de Mnima Curvatura,
considerando todas las estaciones, en 3 dimensiones.
Eliminando la estacin Uruguaiana, resulta la siguiente configuracin del
campo:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.36 Configuracin del campo mediante el Mtodo de Mnima Curvatura,
sin considerar Uruguaiana
El valor medio areal estimado es de 1577.0 mm. Este valor, comparado con el
obtenido empleando todas las estaciones (1583.4 mm) contiene un error de 6.4 mm,
de lo que resulta un error porcentual absoluto del 0.4%
130
El error puntual absoluto es del 4.9%, ya que el valor interpolado en las
coordenadas de Uruguaiana es 2003.8 mm y el valor observado es de 1939.0 mm.
6.3.3 Determinacin del error del Mtodo propuesto en esta Tesis.
Considerando todas las estaciones, la configuracin del campo mostrada
aplicando el Mtodo objeto de esta Tesis es la siguiente:
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.37 Configuracin del campo mediante el Mtodo de la Tesis,
considerando todas las estaciones
El valor medio areal es de 1699.5 mm.
Si se quita la estacin Uruguaiana, el campo resultante es el siguiente:
131
20 40 60 80 100 120 140
X
-100
-80
-60
-40
-20
Y
La Plata
Formosa
Buenos Aires
Concordia
Corrientes
Gualeguaychu
Parana
Paso de los Libres
Posadas
Pte.R.Saenz Pea
Reconquista
Rosario
Alegrete
Bage
Cacapava do Sul
Caixas do Sul
Curitiba
Lagoa Bermelha
Passo Fundo
Porto Alegre
Sta.Vitoria do Palmar
Sao Borja
Sao Gabriel
Taquari
Torres
Uruguaiana
Vacaria
Artigas
Bella_Union
Mercedes
Paso de los_Toros
Paysandu
Rivera
Rocha
Salto
33 Orientales
Melo

Figura 6.38 Configuracin del campo mediante el Mtodo de la Tesis,
sin considerando la estacin Uruguaiana
El valor medio estimado sin la estacin Uruguaiana es de 1700.5 mm, con lo
que el error porcentual en la lmina precipitada es de 0.06%.
El valor estimado en las coordenadas de Uruguaiana es de 2095.8 mm,
mientras que el valor real observado es de 1939.0 mm; el error, de -156.8 mm
equivale a un error porcentual puntual de 8.1%.
6.4 ANLISIS DE LOS RESULTADOS
Los resultados se podrn analizar mediante la inspeccin de tres tablas que
sintetizan el anlisis realizado sobre 444 mapas. La Tabla 6.1 muestra los resultados
de interpolar los valores de las 37 estaciones en la situacin de mxima, eliminando
por turno cada una de las estaciones y calculando el error segn la Ec. (6.2). Las
Tablas 6.2 y 6.3 tienen la misma organizacin, y muestran los resultados obtenidos de
resumir la situacin de mnima y la ms cercana a la media.
132
Puede verse que en algunas estaciones no se han interpolado valores cuando
se aplic el Mtodo de Sibson (o Mtodo del Vecino Natural). Ello se debe a que al
eliminar la estacin del espacio muestral la misma queda afuera de la regin convexa
que exige el mtodo.
Tabla 6.1 Clculo comparativo de los errores en la situacin de mxima (ao 1959)
Estacin z Zk zs zcru zcpc (z-zk)
2
(z-zs)
2
(z-zcru)
2
(z-zcpc)
2

La Plata 1673.0 1776.7 1848.4 1855.7 10753.7 30765.2 33379.3
Formosa 1943.0 1677.1 1720.2 1633.6 70702.8 49639.8 95728.4
Buenos Aires 1858.0 1620.4 1635.5 1671.5 56453.8 49506.3 34782.3
Concordia 1342.0 2033.3 2011.6 2173.0 2301.0 477895.7 448364.2 690561.0 919681.0
Corrientes 1636.0 1773.3 1777.3 1852.5 1887.8 18851.3 19965.7 46872.3 63403.2
Gualeguaych 1585.0 1637.9 1640.4 1633.1 1652.5 2798.4 3069.2 2313.6 4556.3
Paran 1507.0 1343.1 1398.8 1137.2 1355.1 26863.2 11707.2 136752.0 23073.6
Paso de los Libres 2121.0 1867.2 1884.6 1852.8 1941.0 64414.4 55885.0 71931.2 32400.0
Posadas 2170.0 1930.9 1900.0 2018.7 1922.2 57168.8 72900.0 22891.7 61404.8
Roque Senz Pea 1306.0 1664.0 1083.5 1660.8 128164.0 49506.3 125883.0
Reconquista 1602.0 1476.5 1492.6 1278.7 1651.0 15750.3 11968.4 104522.9 2401.0
Rosario 1355.0 1539.8 1711.8 1507.2 34151.0 127306.2 23164.8
Alegrete 2085.0 2353.9 2278.8 2394.4 2313.1 72307.2 37558.4 95728.4 52029.6
Bag 1820.0 1599.0 1599.0 1599.0 1600.8 48841.0 48841.0 48841.0 48048.6
Cacapava 1720.0 1713.3 1809.6 1602.7 1710.4 44.9 8028.2 13759.3 92.2
Caixas do Sul 1930.0 1615.8 1621.8 1550.0 1510.0 98721.6 94987.2 144400.0 176400.0
Curitiba 1213.0 1488.1 731.3 1492.0 75680.0 232034.9 77841.0
Lagoa Vermelha 1902.0 1625.3 1643.3 1615.7 1514.0 76562.9 66925.7 81967.7 150544.0
Passo Fundo 1956.0 1932.4 1918.8 2051.9 1860.3 557.0 1383.8 9196.8 9158.5
Porto Alegre 1495.0 1366.6 1322.9 1214.1 1536.8 16486.6 29618.4 78904.8 1747.2
Sta. Vitoria 1599.0 1820.0 1820.0 1820.0 1819.6 48841.0 48841.0 48841.0 48664.4
Sao Borja 1921.0 2080.2 2110.8 1970.0 2101.3 25344.6 36024.0 2401.0 32508.1
Sao Gabriel 1706.0 2253.0 2052.7 2428.2 1817.5 299209.0 120200.9 521572.8 12432.3
Taquar 1502.0 1795.2 1788.0 1830.2 1872.4 85966.2 81796.0 107715.2 137196.2
Torres 1089.0 1308.8 954.4 1470.5 48312.0 18117.2 145542.3
Uruguaiana 1939.0 2061.7 2095.9 2000.4 2095.8 15055.3 24617.6 3770.0 24586.2
Vacara 1450.0 1635.5 1652.9 1633.7 1892.7 34410.3 41168.4 33745.7 195983.3
Artigas 2165.0 2404.1 2474.1 2510.7 2080.2 57168.8 95542.8 119508.5 7191.0
Bella Unin 1917.0 2001.4 1939.8 1988.4 2057.8 7123.4 519.8 5098.0 19824.6
Mercedes 1588.0 1643.2 1644.1 1602.0 1605.9 3047.0 3147.2 196.0 320.4
Paso de los Toros 1542.0 2208.3 1980.2 2454.0 1902.6 443955.7 192019.2 831744.0 130032.4
Paysand 1866.0 1689.9 1714.2 1699.5 1649.5 31011.2 23043.2 27722.3 46872.3
Rivera 3499.0 1958.8 1910.2 1969.4 2012.1 2372216.0 2524285.4 2339676.2 2210871.6
Rocha 1455.0 1316.4 849.9 1389.8 19210.0 366146.0 4251.0
Salto 2337.0 1714.1 1699.9 1729.5 1460.3 388004.4 405896.4 369056.3 768602.9
33 Orientales 1389.0 1641.6 1629.7 1580.1 1646.1 63806.8 57936.5 36519.2 66100.4
Melo 1855.0 1751.4 1641.0 1801.6 1636.5 10733.0 45796.0 2851.6 47742.3
Errores 378.7 398.8 432.5 397.1
Referencias: Referencias: Referencias: Referencias: z zz z: valor observado en la estacin (mm); zk zk zk zk: valor interpolado por el Mtodo
de Kriging (mm); zs zs zs zs: valor interpolado por el Mtodo de Sibson (mm); zcru zcru zcru zcru: valor
interpolado por el Mtodo de la Platea Delgada (mm); zcpc zcpc zcpc zcpc: valor interpolado por el mtodo
propuesto en la Tesis (mm).
133
Tabla 6.2 - Clculo comparativo de los errores en la situacin de mnima (ao 1962)
Estacin z Zk zs zcru zcpc (z-zk)
2
(z-zs)
2
(z-zcru)
2
(z-zcpc)
2

La Plata 756.0 873.9 886.0 904.8 13900.4 16900.0 22141.4
Formosa 1259.0 1104.9 1234.5 1163.4 23746.8 600.3 9139.4
Buenos Aires 912.0 743.3 866.7 753.0 28459.7 2052.1 25281.0
Concordia 668.0 713.6 729.8 683.6 745.3 2079.4 3819.2 243.4 5975.3
Corrientes 1177.0 1036.4 1043.6 1111.9 1168.9 19768.4 17795.6 4238.0 65.6
Gualeguaych 649.0 743.2 749.2 752.7 745.1 8873.6 10040.0 10753.7 9235.2
Paran 529.0 788.3 835.6 714.2 845.3 67236.5 94003.6 34299.0 100045.7
Paso de los Libres 1083.0 965.0 984.0 950.3 925.9 13924.0 9801.0 17609.3 24680.4
Posadas 1175.0 1204.9 1187.1 1246.2 1111.2 894.0 146.4 5069.4 4070.4
Roque Senz Pea 741.0 1119.7 1225.6 1185.8 143413.7 234837.2 197847.0
Reconquista 842.0 798.5 754.5 677.0 996.2 1892.3 7656.3 27225.0 23777.6
Rosario 847.0 567.4 581.5 529.6 78176.2 70490.3 100742.8
Alegrete 1170.0 1252.8 1231.9 1272.4 1188.5 6855.8 3831.6 10485.8 342.3
Bag 993.0 702.0 702.0 702.0 716.2 84681.0 84681.0 84681.0 76618.2
Cacapava 1002.0 951.8 1021.8 904.3 883.5 2520.0 392.0 9545.3 14042.3
Caixas do Sul 1212.0 954.0 959.8 936.2 910.4 66564.0 63604.8 76065.6 90962.6
Curitiba 1167.0 921.6 538.8 889.2 60221.2 394635.2 77172.8
Lagoa Vermelha 1149.0 972.2 980.4 956.6 912.9 31258.2 28426.0 37017.8 55743.2
Passo Fundo 1177.0 1204.0 1158.7 1271.8 1107.6 729.0 334.9 8987.0 4816.4
Porto Alegre 712.0 808.0 776.3 713.2 945.2 9216.0 4134.5 1.4 54382.2
Sta. Vitoria 702.0 993.0 993.0 993.0 992.4 84681.0 84681.0 84681.0 84332.2
Sao Borja 1112.0 1126.5 1147.9 1057.7 1115.1 210.3 1288.8 2948.5 9.6
Sao Gabriel 902.0 1295.5 1170.8 1411.5 1025.3 154842.3 72253.4 259590.3 15202.9
Taquar 902.0 1047.7 1046.4 1070.2 1107.8 21228.5 20851.4 28291.2 42353.6
Torres 671.0 745.1 367.3 831.0 5490.8 92233.7 25600.0
Uruguaiana 899.0 1058.9 1070.1 1032.0 1063.5 25568.0 29275.2 17689.0 27060.3
Vacara 844.0 997.8 1019.9 994.1 1124.0 23654.4 30940.8 22530.0 78400.0
Artigas 1040.0 1188.6 1241.6 1245.0 1071.9 22082.0 40642.6 42025.0 1017.6
Bella Unin 984.0 842.0 862.8 779.2 914.4 20164.0 14689.4 41943.0 4844.2
Mercedes 713.0 732.5 730.3 687.3 687.9 380.3 299.3 660.5 630.0
Paso de los Toros 843.0 1028.9 995.3 1150.4 826.9 34558.8 23195.3 94494.8 259.2
Paysand 816.0 682.0 706.6 616.9 685.8 17956.0 11968.4 39640.8 16952.0
Rivera 1951.0 1008.8 991.0 1013.2 1025.7 887740.8 921600.0 879468.8 856180.1
Rocha 688.0 843.9 810.9 938.8 24304.8 15104.4 62900.6
Salto 718.0 846.8 829.1 863.6 758.0 16589.4 12343.2 21199.4 1600.0
33 Orientales 939.0 807.9 799.6 800.8 802.7 17187.2 19432.4 19099.2 18577.7
Melo 922.0 1040.1 980.3 1102.3 881.6 13947.6 3398.9 32508.1 1632.2
Errores 234.5 236.0 272.1 240.2
Referencias: Referencias: Referencias: Referencias: z zz z: valor observado en la estacin (mm)
zk zk zk zk: valor interpolado por el Mtodo de Kriging (mm)
zs zs zs zs: valor interpolado por el Mtodo de Sibson (mm)
zcru zcru zcru zcru: valor interpolado por el Mtodo de la Platea Delgada (mm)
zcpc zcpc zcpc zcpc: valor interpolado por el mtodo propuesto en la Tesis (mm)

134
Tabla 6.3 - Clculo comparativo de los errores en la situacin de media (ao 1957)
Estacin z zk zs zcru zcpc (z-zk)
2
(z-zs)
2
(z-zcru)
2
(z-zcpc)
2

La Plata 770.0 977.5 920.4 980.0 43056.3 22620.2 44100.0
Formosa 1405.0 1587.9 1695.9 1310.6 33452.4 84622.8 8911.4
Buenos Aires 946.0 847.2 893.9 848.6 9761.4 2714.4 9486.8
Concordia 1235.0 1138.3 1140.0 1123.2 1194.8 9350.9 9025.0 12499.2 1616.0
Corrientes 1256.0 1369.4 1355.2 1293.8 1421.1 12859.6 9840.6 1428.8 27258.0
Gualeguaych 1058.0 1225.1 1203.0 1284.6 1206.0 27922.4 21025.0 51347.6 21904.0
Paran 938.0 1068.0 1054.9 988.0 1030.3 16900.0 13665.6 2500.0 8519.3
Paso de los Libres 1207.0 1343.1 1340.2 1329.9 1363.1 18523.2 17742.2 15104.4 24367.2
Posadas 1844.0 1447.8 1504.0 1382.9 1365.3 156974.4 115600.0 212613.2 229153.7
Roque Senz Pea 1605.0 1230.3 885.7 1285.7 140400.1 517392.5 101952.5
Reconquista 1105.0 1192.4 1233.5 1144.3 1242.9 7638.8 16512.3 1544.5 19016.4
Rosario 1012.0 933.7 1008.2 949.9 6130.9 14.4 3856.4
Alegrete 1551.0 1400.4 1374.2 1400.2 1375.1 22680.4 31258.2 22740.6 30940.8
Bag 1150.0 1338.0 1338.0 1338.0 1330.6 35344.0 35344.0 35344.0 32616.4
Cacapava 1598.0 1220.7 1297.3 1252.3 1201.7 142355.3 90420.5 119508.5 157053.7
Caixas do Sul 1815.0 1403.6 1437.3 1351.0 1402.7 169250.0 142657.3 215296.0 169991.3
Curitiba 2238.0 1933.9 384.9 1668.9 92476.8 3433979.6 323874.8
Lagoa Vermelha 1971.0 1555.8 1600.4 1473.3 1536.3 172391.0 137344.4 247705.3 188964.1
Passo Fundo 1818.0 1908.2 1910.3 2106.4 1735.4 8136.0 8519.3 83174.6 6822.8
Porto Alegre 1374.0 1415.7 1556.3 1210.4 1497.3 1738.9 33233.3 26765.0 15202.9
Sta. Vitoria 1338.0 1150.0 1150.0 1150.0 1185.9 35344.0 35344.0 35344.0 23134.4
Sao Borja 1373.0 1576.4 1613.5 1572.3 1494.2 41371.6 57840.3 39720.5 14689.4
Sao Gabriel 986.0 1570.6 1557.1 1672.0 1441.2 341757.2 326155.2 470596.0 207207.0
Taquar 1275.0 1689.8 1701.3 1685.1 1704.9 172059.0 181731.7 168182.0 184814.0
Torres 1835.0 1450.8 1046.3 1487.8 147609.6 622047.7 120547.8
Uruguaiana 1363.0 1290.6 1288.7 1298.7 1300.9 5241.8 5520.5 4134.5 3856.4
Vacara 1452.0 1887.2 1934.0 1907.4 1844.7 189399.0 232324.0 207389.2 154213.3
Artigas 1343.0 1438.4 1424.1 1522.9 1375.1 9101.2 6577.2 32364.0 1030.4
Bella Unin 1268.0 1235.8 1252.5 1193.7 1293.6 1036.8 240.3 5520.5 655.4
Mercedes 1198.0 1010.4 993.8 975.2 1052.9 35193.8 41697.6 49639.8 21054.0
Paso de los Toros 1059.0 1281.5 1284.4 1358.0 1250.9 49506.3 50805.2 89401.0 36825.6
Paysand 1311.0 1111.1 1102.5 1086.2 1125.5 39960.0 43472.3 50535.0 34410.3
Rivera 1665.0 1204.1 1226.1 1104.9 1301.2 212428.8 192633.2 313712.0 132350.4
Rocha 1083.0 1087.9 1090.5 1164.1 24.0 56.3 6577.2
Salto 1159.0 1276.9 1259.4 1286.8 1257.6 13900.4 10080.2 16332.8 9722.0
33 Orientales 1164.0 1110.5 1115.1 1099.9 1135.5 2862.3 2391.2 4108.8 812.3
Melo 1165.0 1192.5 1173.2 1207.7 1237.1 756.3 67.2 1823.3 5198.4
Errores 256.0 253.9 441.7 253.8
Referencias: Referencias: Referencias: Referencias: z zz z: valor observado en la estacin (mm)
zk zk zk zk: valor interpolado por el Mtodo de Kriging (mm)
zs zs zs zs: valor interpolado por el Mtodo de Sibson (mm)
zcru zcru zcru zcru: valor interpolado por el Mtodo de la Platea Delgada (mm)
zcpc zcpc zcpc zcpc: valor interpolado por el mtodo propuesto en la Tesis (mm)

135
En las siguientes figuras pueden visualizarse los valores interpolados por los
cuatro mtodos y los observados.
0
500
1000
1500
2000
2500
3000
3500
4000
L
a

P
l
a
t
a
F
o
r
m
o
s
a
B
u
e
n
o
s

A
ir
e
s
C
o
n
c
o
r
d
i
a
C
o
r
r
ie
n
t
e
s
G
u
a
l
e
g
u
a
y
c
h

P
a
r
a
n

P
a
s
o

d
e

l
o
s

L
i
b
r
e
s
P
o
s
a
d
a
s
R
o
q
u
e

S

e
n
z

P
e

a
R
e
c
o
n
q
u
is
t
a
R
o
s
a
r
i
o
A
le
g
r
e
t
e
B
a
g

C
a
c
a
p
a
v
a
C
a
ix
a
s

d
o

S
u
l
C
u
r
it
i
b
a
L
a
g
o
a

V
e
r
m
lh
a
P
a
s
s
o

F
u
n
d
o
P
o
r
t
o

A
le
g
r
e
S
t
a
.

V
i
t
o
r
i
a
S
a
o

B
o
r
j
a
S
a
o

G
a
b
r
ie
l
T
a
q
u
a
r

T
o
r
r
e
s
U
r
u
g
u
a
ia
n
a
V
a
c
a
r

a
A
r
t
ig
a
s
B
e
lla

U
n
i

n
M
e
r
c
e
d
e
s
P
a
s
o

d
e

lo
s

T
o
r
o
s
P
a
y
s
a
n
d

R
iv
e
r
a
R
o
c
h
a
S
a
lt
o
3
3

O
r
i
e
n
t
a
l
e
s
M
e
l
o
Estaciones
P
r
e
c
i
p
i
t
a
c
i

n

(
m
m
)
z kriging sibson cru cpc

Figura 6.39 Grfico comparativo de los valores interpolados en la
situacin de mxima (ao 1959)

En la Figura 6.39 pueden apreciarse algunos detalles que, analizados en la
tabla, podran pasarse por alto.
En primer lugar, el outlier de Rivera no es cubierto por ningn mtodo. El
que produce el menor error es el propuesto en esta Tesis, pero la diferencia con los
dems es realmente muy pequea.
En segundo lugar, el Mtodo empleado por la Climate Research Unit de la
Universidad de East Anglia produce valores muy menores a los observados en ciertas
estaciones (Presidencia Roque Senz Pea, Curitiba y Rocha). Esto se debe a la
tensin de borde del Mtodo de Platea Delgada, ya que stas son las tres estaciones
situadas en los puntos ms extremos de la regin.
136
0
500
1000
1500
2000
2500
L
a

P
l
a
t
a
F
o
r
m
o
s
a
B
u
e
n
o
s

A
i
r
e
s
C
o
n
c
o
r
d
i
a
C
o
r
r
i
e
n
t
e
s
G
u
a
l
e
g
u
a
y
c
h

P
a
r
a
n

P
a
s
o

d
e

l
o
s

L
i
b
r
e
s
P
o
s
a
d
a
s
R
o
q
u
e

S

e
n
z

P
e

a
R
e
c
o
n
q
u
i
s
t
a
R
o
s
a
r
i
o
A
l
e
g
r
e
t
e
B
a
g

C
a
c
a
p
a
v
a
C
a
i
x
a
s

d
o

S
u
l
C
u
r
i
t
i
b
a
L
a
g
o
a

V
e
r
m
l
h
a
P
a
s
s
o

F
u
n
d
o
P
o
r
t
o

A
l
e
g
r
e
S
t
a
.

V
i
t
o
r
i
a
S
a
o

B
o
r
j
a
S
a
o

G
a
b
r
i
e
l
T
a
q
u
a
r

T
o
r
r
e
s
U
r
u
g
u
a
i
a
n
a
V
a
c
a
r

a
A
r
t
i
g
a
s
B
e
l
l
a

U
n
i

n
M
e
r
c
e
d
e
s
P
a
s
o

d
e

l
o
s

T
o
r
o
s
P
a
y
s
a
n
d

R
i
v
e
r
a
R
o
c
h
a
S
a
l
t
o
3
3

O
r
i
e
n
t
a
l
e
s
M
e
l
o
Estaciones
P
r
e
c
i
p
i
t
a
c
i
o
n
e
s

(
m
m
)
z kriging sibson cru cpc

Figura 6.40 Grfico comparativo de los valores interpolados en la
situacin de mnima (ao 1962)
En este caso se produce una situacin similar a la de la situacin de mxima.
Ninguno de los cuatro mtodos analizados logra acercarse al valor mximo de la
estacin Rivera, y nuevamente el Mtodo propuesto en esta Tesis es el que menos
alejado est, pero la diferencia con los dems no es muy significativa. puede verse,
tanto en el grfico como en la tabla, que el orden de magnitud del error es el mismo.
Tambin puede observarse la sub-estimacin de la precipitacin en
particularmente dos estaciones, Curitiba y Torres, tambin debido a las tensiones de
borde impuestas en el Mtodo de la Platea Delgada.




137
0
500
1000
1500
2000
2500
L
a

P
l
a
t
a
F
o
r
m
o
s
a
B
u
e
n
o
s

A
i
r
e
s
C
o
n
c
o
r
d
i
a
C
o
r
r
i
e
n
t
e
s
G
u
a
l
e
g
u
a
y
c
h

P
a
r
a
n

P
a
s
o

d
e

l
o
s

L
i
b
r
e
s
P
o
s
a
d
a
s
R
o
q
u
e

S

e
n
z

P
e

a
R
e
c
o
n
q
u
i
s
t
a
R
o
s
a
r
i
o
A
l
e
g
r
e
t
e
B
a
g

C
a
c
a
p
a
v
a
C
a
i
x
a
s

d
o

S
u
l
C
u
r
i
t
i
b
a
L
a
g
o
a

V
e
r
m
l
h
a
P
a
s
s
o

F
u
n
d
o
P
o
r
t
o

A
l
e
g
r
e
S
t
a
.

V
i
t
o
r
i a
S
a
o

B
o
r
ja
S
a
o

G
a
b
r
i
e
l
T
a
q
u
a
r

T
o
r
r
e
s
U
r
u
g
u
a
i
a
n
a
V
a
c
a
r

a
A
r
t
i
g
a
s
B
e
l
l
a

U
n
i

n
M
e
r
c
e
d
e
s
P
a
s
o

d
e

l
o
s

T
o
r
o
s
P
a
y
s
a
n
d

R
i
v
e
r
a
R
o
c
h
a
S
a
l
t
o
3
3

O
r
i
e
n
t
a
l
e
s
M
e
l o
Estaciones
P
r
e
c
i
p
i
t
a
c
i

n

(
m
m
)
z kriging sibson cru cpc

Figura 6.41 Grfico comparativos de los valores interpolados en la
situacin cercana a la media (ao 1957)

En la figura anterior todos los mtodos muestran aproximadamente el mismo
error, aunque, nuevamente, el mtodo empleado por la Climate Research Unit
muestra un alejamiento muy notable en las estaciones Presidencia Roque Senz
Pea, Curitiba y Torres, por las mismas causas mencionadas en los comentarios
correspondientes a las situaciones de mxima y de mnima.
En el caso de mxima, el mtodo de menor error es el de Kriging, seguido por
el mtodo propuesto en esta Tesis y luego el de Sibson. El que presenta un error
mayor es el Mtodo empleado por la C.R.U.
En el caso de mnima, el mtodo de menor error tambin es el de Kriging,
seguido por el de Sibson y luego por el propuesto, aunque los tres son prcticamente
iguales. El mayor error es tambin el que presenta el mtodo usado por la C.R.U.
138
En el caso similar a la media el menor error es el propuesto en esta Tesis,
aunque es prcticamente igual al de Sibson. El Mtodo de Kriging se posiciona en
tercer lugar, y el Mtodo de la Platea Delgada se aleja notablemente de los otros tres.
A los efectos de poder comparar con mayor facilidad los resultados
observados en todos los casos, se ha elaborado la siguiente tabla:
Tabla 6.4 Valores comparativos de los errores obtenidos por los distintos mtodos
en distintas situaciones

Errores (mm) Errores (mm) Errores (mm) Errores (mm)
Mtodo de Mtodo de Mtodo de Mtodo de
Krig Krig Krig Kriging ing ing ing
Mtodo de Mtodo de Mtodo de Mtodo de
Sibson Sibson Sibson Sibson
Mtodo de la Mtodo de la Mtodo de la Mtodo de la
CRU CRU CRU CRU
Mtodo Mtodo Mtodo Mtodo
CPC CPC CPC CPC
Caso de Mxima Caso de Mxima Caso de Mxima Caso de Mxima
(ao 1959) (ao 1959) (ao 1959) (ao 1959)
378.7 398.8 432.5 397.1
Caso de Mnima Caso de Mnima Caso de Mnima Caso de Mnima
(ao 1962) (ao 1962) (ao 1962) (ao 1962)
234.5 236.0 272.1 240.2
Caso Medio Caso Medio Caso Medio Caso Medio
(ao 1957) (ao 1957) (ao 1957) (ao 1957)
256.0 253.9 441.7 253.8

139
CAPTULO 7 - CONCLUSIONES Y RECOMENDACIONES.
7.1 - CONCLUSIONES
Como se puntualizara al principio de esta tesis, los requerimientos de
informacin para cualquier tarea de planificacin y desarrollo de los recursos hdricos
son muy grandes, ya sea trate de factores fsicos, econmicos o sociales.
Los factores fsicos, sobre todo los referidos a variables hidroclimticas,
pueden representarse como campos continuos. Se entiende como tales a los campos
derivables en todos sus puntos, es decir, finitos y sin puntos singulares.
Esta es un principio lgico, tratndose de variables que dependen - a grandes
rasgos - de la circulacin general atmosfrica.
Con una distancia media de muestreo pequea, el concepto puede extenderse
tambin a otras variables fsicas, tales como relieve, cobertura vegetal, humedad de
suelo, etc.; est claro que bajo estas condiciones todas estas variables pueden
considerarse continuas y derivables.
Es por eso que las aplicaciones de este mtodo slo es recomendable en redes
de captacin de datos correspondientes a los niveles 2 3, ya que la informacin
generada en redes de nivel 1 es, por su propia naturaleza, demasiado general y
dispersa.
Aunque el clculo de los valores medios de un campo coincidan
aproximadamente, es raro que la configuracin del mismo, trazado manualmente por
dos personas distintas con experiencia semejante, coincida. Es as como tampoco son
iguales dos valores inferidos, en un punto cualquiera, por dos personas distintas.
Puede, por lo tanto, adoptarse o no una decisin determinada, y es en este contexto en
el que se evala la informacin de un modo bayesiano, es decir, midiendo los
beneficios marginales que produce la posesin de un dato determinado. La definicin
de un campo, por lo tanto, es subjetiva a partir del mismo hecho de que para poder
140
definirlo (y realizar las interpolaciones necesarias para inferir los valores en puntos
no muestreados) es necesario elegir un mtodo. Tal eleccin no debe ser casual, ni
debe estar asociada a una costumbre o a una norma. La asociacin debe ser directa
entre el mtodo, la variable y el error.
El mtodo presentado en esta tesis eliminara en gran parte la subjetividad
asociada al tratamiento de los campos continuos.
Al principio del mismo se destaca la limitacin de la aplicabilidad de la teora
a zonas de comportamiento isotrpico de sus propiedades.
Esta limitacin desaparece automticamente al suponer redes de nivel
superior, pues las variaciones del campo estn implcitas en la matriz de
coeficientes de peso en cada punto (funcin de las caractersticas generales, como la
superficie de la cuenca y del radio de muestreo, y particulares, como la distancia entre
el punto a interpolar y los puntos de medicin), y explcitas en la matriz P de
precipitaciones, tomadas como cotas del campo en coordenadas determinadas,
esparcidas aproximadamente al azar o segn criterios de planificacin.
A los efectos de realizar una graficacin, podra haberse considerado que el
campo es una superficie de forma polinmica en dos variables. El proceso de ajuste
de polinomios de este tipo no tiene ninguna justificacin fsica; de hecho, mediante el
mismo se han interpolado precipitaciones negativas o alturas por debajo del nivel del
mar en las Sierras de Crdoba.
En algunos casos se ha intentado el ajuste de series dobles de Fourier para
datos irregularmente espaciados con el objeto de ajustar estas superficies. Los
resultados son lo bastante poco realistas como para intentar aproximaciones por este
camino. La determinacin de funcione armnicas es, en algunos casos, vlida para
analizar el desarrollo y desplazamiento de ncleos convectivos o plegamientos
orognicos, pero no para la estimacin de campos de precipitaciones o cualquier otra
variable hidroclimtica de agregacin mensual o anual.
141
Tambin se ha intentado la definicin de los campos por medio de superficies
planas triangulares definidas en forma similar a la de Voronoi, y ajustar las lneas
resultantes de la interseccin de estos planos con planos horizontales representativos
de las cotas mediante funciones de tipo spline, es decir, polinomios en el plano
derivables en todos sus puntos. El mtodo es vlido slo si la red es lo
suficientemente densa como para definir una buena triangulacin. Todos estos
mtodos son, en opinin del autor, juegos numricos bastante complicados que
producen resultados que en algunos casos pueden ser casualmente aceptables.
El mtodo de los campos paramtricos continuos presenta un avance sobre los
mtodos geoestadsticos - normalmente empleados - que se basan en la aplicacin de
los semivariogramas (en el caso particular de Kriging, el mtodo ms empleado), o
en mtodos matemticamente correctos (como la aplicacin de curvas spline, o
estimacin de polinomios multidimensionales locales), o en la triangulacin de
Voronoi combinados con la poligonacin de Dirichlet, mtodo muy empleado para el
clculo de elementos finitos en estructuras deformables pero no muy apropiado para
el clculo de variables hidroclimticas continuas, ya que supone que en toda un rea
la variable no slo es continua sino tambin constante (Mtodo de Thiessen).
Tampoco es justificada la aplicacin de semivariogramas para emplear el
mtodo de Kriging, ya que el semivariograma es una estructura de correlacin
especialmente diseada para estructuras geolgicas y no climticas.
7.2 - RECOMENDACIONES
El mtodo sugerido en esta tesis es apropiado al basarse en demostradas
estructuras de correlacin espacial y de dispersin de las variables climticas.
Adems es muy utilizable como sistema de interpolacin espacial para la generacin
de grillas regulares, en la densidad que se desee, para la aplicacin de modelos
climticos de circulacin general atmosfrica, o para analizar series de tiempo
completas en puntos de grilla a los efectos de predecir escenarios futuros. De hecho,
esta metodologa ya ha sido empleada varias veces para generar campos continuos
142
sobre la cuenca y subcuencas del Ro de la Plata y en otras cuencas endorreicas con
resultados positivos.
El mtodo no se agota en esta Tesis y brinda las posibilidades de ser muy
mejorado en muchsimos aspectos sin relajar el principio de parsimonia y tratando de
lograr an un mayor realismo en los resultados.
El problema ms grave es quiz la aparicin de subregiones donde la
precipitacin es nula, aunque esto es muy raro cuando se trata con precipitaciones de
gran nivel de agregacin. El mtodo postula que la variable interpolada en cada punto
es una suma lineal y ponderada de los valores medidos en las estaciones de muestreo,
donde el factor de ponderacin depende de la funcin de correlacin espacial. sta es
exponencial decreciente o Besseliana modificada, habindose adoptado por sencillez
la estructura exponencial. Como resultado de la suma, y a menos que en todas las
estaciones se haya medido el valor cero, el valor interpolado nunca ser nulo.
Esto puede solucionarse de varias maneras. La ms sencilla es proponer un
valor umbral, por debajo del cual el valor interpolado pueda considerarse cero. Pero
as como es de sencilla en su definicin es de complicada la definicin de ese umbral,
que no tendra significado fsico sino simplemente una abstraccin que obvia el
problema pero no lo soluciona.
Otra solucin, ms atinada, sera no incluir a todas las estaciones en la
estimacin del valor interpolado, sino solamente las ms cercanas o las que defina un
crculo o elipse de bsqueda, tal como lo hacen todos los dems mtodos. De esta
manera, si hay una subregin dentro de la zona analizada que tiene medidas nulas,
cuando se realice la interpolacin empleando crculos o elipses, si todos los puntos
incluidos en la regin de inclusin son nulos los valores interpolados entre esos
puntos tambin lo sern. Inclusive, los crculos o las elipses podran ser divididas en
sectores y emplear para las interpolaciones solamente las estaciones incluidas en cada
sector. Pero debe tenerse en cuenta que para poder realizar esto se debe tener
abundancia de datos, cosa que es posible cuando se analizan explotaciones mineras,
relevamientos geofsicos o morfolgicos de la regin, donde previamente se planifica
143
dnde tomar las muestras para que la red sea ptima. En el caso especial de la
precipitacin, es raro que las redes sean lo suficientemente densas y, en general, no
han sido planificadas en el pasado con un criterio de optimizacin.
Otra posibilidad es extender el mtodo para niveles pequeos de agregacin.
Al respecto, cabe destacar el trabajo de Zimmermann y Silber, Algoritmo para la
Representacin de Campos de Precipitacin, publicado en la revista Cuadernos del
CURIHAM (Centro Universitario Rosario de Investigaciones Hidroambientales),
donde se exploran los campos de correlacin estimados en base a las mediciones de
precipitaciones diarias en el sur de la Provincia de Santa Fe. En este caso, los factores
de ponderacin para realizar las interpolaciones son funcin de los correlogramas
espaciales estimados, la media y el desvo de cada estacin de muestreo, y un
parmetro que afecta la morfologa del campo segn su potencia.
Otra camino para mejorar el mtodo propuesto en esta Tesis, y que se agrega a
todos los dems, es lograr una optimizacin no lineal del parmetro f de manera tal
que el error propuesto en las ecuaciones 6.1 y 6.2 sea minimizado. Debe tenerse en
cuenta que el ajuste de ese nico parmetro realizado en esta Tesis para los casos
analizados fue realizado simplemente por inspeccin visual de los campos, y no
aplicando un criterio matemtico riguroso. Incluso podra proponerse una funcin
objetivo a minimizar que no sea tan sencilla como una funcin cuadrtica que tenga
en cuenta solamente las diferencias entre los valores reales, medidos, y los valores
obtenidos por el mtodo suponiendo que la estacin no interviene en la conformacin
del campo. Podran tambin incluirse momentos de mayor orden de manera tal que
los outliers se magnifiquen ms an, el volumen del campo, el empleo del
decaimiento Besseliano en lugar del exponencial, o cualquier otra caracterstica que
se pueda incluir en la funcin objetivo que se considere importante y se pueda
calcular.


144
CAPTULO 8 - BIBLIOGRAFA
Akima, Heroshi: A Method of Bivariate Interpolation and Smooth Surface Fitting for
Irregularly Distributed Data Points, ACM Transactions on Mathematical Software,
Vol. 4, No. 2, 1978, pp. 148-159.
Bowyer, A.: Computing Dirichlet Tessellations, The Computer Journal, Vol. 24, No.
2 1981, pp. 162-66
Bras, Rafael y Rodrguez Iturbe, Ignacio: Random Functions and Hydrology,
Addison Wesley Publishing Company, 1985
Davis, J. C., Statistics and Data Analysis in Geology, John Wiley & Sons, New
York, 1986
Dahman, Wolfgang: Smooth Piecewise Quadric Surfaces, Mathematical Methods in
Computer Aided Geometric Design, Tom Lynche and Larry L. Schumaker eds.,
Academic Press, Boston, 1989, pp. 181-193.
David, M.: Geostatistical Ore Reserve Estimation, Elsevier Scientific Publishing,
New York, 1977
De Floriani, Leila, Bianca Falcidieno, and Caterina Pienovi: Delaunay-Based
Representation of Surfaces Defined Over Arbitrary Shaped Domains, Computer
Vision, Graphics, and Image Processing, Vol. 32, pp. 127-140.
Dyn, Nira, David Levin and Samuel Rippa: Data Dependant Triangulations for
Piecewise Linear Interpolation, IMA Journal of Numerical Analysis, Vol. 10, 1990,
pp. 137-154.
Franke, Richard: Scattered Data Interpolation: Tests of Some Methods, Mathematics
of Computation, Vol. 38, No. 157, 1982, pp. 181-200
145
Franke, Richard and Greg Nielson: Smooth Interpolation of Large Sets of Scattered
Data, International Journal for Numerical Methods in Engineering, Vol 15, 1980, pp
1691-1704
Goldman, Ronald N.: Area of Planar Polygons and Volume of Polyhedra, Graphics
Gems II, ed. James Arvo, Academic Press, New York, 1991.
Jones, Norman L.: Applications of Computer-Aided Design Methods for Site
Characterization in Civil Engineering, Thesis Geotechnical Engineering Center,
Civil Engineering Department, University of Texas at Austin, May 1988
Journel A.G. & Huijbregts, Ch. J.: Mining Geostatistics, Blackburn Press, 1978
Krige, D. G.: A Statistical Approach to Some Basic Mine Evaluation Problem on the
Witwatersrand, J. Chem. Metall. Min. Soc. South Africa, Vol. 52, pp.119-139
Lancaster, Peter and Kestutis Salkauskas: Curve and Surface Fitting, Academic
Press, London, 1986.
Lawson, C. L.: Software for C1 Surface Interpolation, Mathematical Software III,
John R. Rice ed., Academic Press, New York 1977, pp. 161-94
Lee, D. T., and B. J. Schacter: Two Algorithms for Constructing A Delaunay
Triangulation, International Journal of Computer and Information Sciences, Plenum
Press, New York, London, Vol. 9, No. 3 June 1980, pp. 219-42
Matheron, G.: Traite de Geostatistique Appliqu, Tome 1, Editions Technip, Paris,
1962 .
Matheron, G.: Random functions and their applications in Geology, Geostatistics, a
Colloquium, D. R. Merriam (Editor), Plenum, New York, 1970.
Mitchell, T., Carter, T., Jones, P., Hulme, New, M.: A comprehensive set of high
resolution grids of monthly climate for Europe and the globe: the observed record
146
(1901-2000) and 16 scenarios (2001-2100) Working Paper 55 Tyndall Centre for
Climate Change Research, 2004.
Owen, Steven J: Subsurface Characterization with Three Dimensional Natural
Neighbor Interpolation. Sin publicar, Master Thesis, Department of Civil and
Environmental Engineering, Brigham Young University, Provo, Utah, U.S.A.
Petrie, G. and T. J. M. Kennie: Terrain Modeling in Surveying and Civil
Engineering, Computer-Aided Design, Vol. 19, No. 4, 1987, pp. 171-187.
Phillip, G. M. & Watson, D.F.: A method for assessing local variation among
scattered measurements, Mathematical Geology, 18(8), pp.759-764.
Renka, R. J.: Multivariate Interpolation of Multivariate Scattered Data, ACM
Transactions on Mathematical Software, Vol. 14, 2, pp. 149-150.
Rodrguez Iturbe, I. & Meja, J. M.: The design of rainfall networks in time and
space, Water Resources Research 10(4), pp. 713-728, 1974
Sabin, M. A.: Contouring - The State of the Art, Fundamental Algorithms for
Computer Graphics, R. A. Earnshaw ed., Springer-Verlag, Berlin, Heidelberg, 1985,
pp. 411-482.
Sibson, R.: A Brief Description of Natural Neighbor Interpolation, Interpreting
Multivariate Data, 1981, pp. 21-36
Sichel, H. S.: New methods in the statistical evaluation of mine sampling data, Trans.
Inst. Min. Metall., Vol. 61, N 6, 1952, pp. 261-268.
Silber, M.: Estimacin de los Campos Pluviomtricos sobre distintas Subcuencas de
la Cuenca del Ro de la Plata, Facultad de Ingeniera y Ciencias Hdricas, 2006
(Indito)
147
Silber, M.: Algoritmo de Clculo y Representacin de los Campos Paramtricos
Continuos, XII Congreso Nacional del Agua, Mendoza, Argentina.
Watson, D. F.: Computing the n-Dimensional Delaunay Tessellation with
Application to Voronoi Polytopes, The Computer Journal, Vol. 8, No. 2 1981, pp.
167-72
Watson, D. F. and Phillip, G. M.: Triangle Based Interpolation, Mathematical
Geology, Vol. 16, No. 8 1984, pp. 779-95
Watson, D. F. and Phillip, G. M.: Systematic Triangulations, Computer Vision,
Graphics, and Image Processing, Vol. 26, No. 2, pp. 217-23
Watson, D. F. and Phillip, G. M.: A Refinement of Inverse Distance Weighted
Interpolation, Geo-Processing, Vol. 2, No. 4 1985, pp. 315-27
Zimmerman, E. y Silber, M.: Algoritmo para la representacin de campos de
Precipitacin, Cuadernos del Centro Universitario Rosario de Investigaciones
Hidroambientales, Universidad Nacional de Rosario, Argentina.







148
Direcciones de las pginas Web y personas consultadas:
Climatic Research Unit (CRU) University of East Anglia
www.greenfacts.org/studies/climate_change/links/cru.htm
Daily Precipitation Grids for South America Liebmann and Allure National
Ocean and Atmosphere Administration (NOAA) Climatic Diagnostic Center,
Boulder, Colorado Brant.Liebmann@noaa.gov.
International Association of Mathematical Geology: www.iamg.org.
Registros Pluviomtricos de la Provincia de Santa Fe: www.santa-
fe.gov.ar/gbrn/regpluv/paso2.php?depto=10.
Coordenadas Geogrficas de las Estaciones Pluviomtricas de la Provincia de Santa
Fe: www.fallingrain.com/world/AR/index.html.
Dave Allured NOAA dave.allured@noaa.gov
Dr. Norberto Garca Unidad de Investigaciones Climticas Facultad de Ingeniera
y Ciencias Hdricas Universidad Nacional del Litoral: nogarcia@fich1.unl.edu.ar.
Dr. Carlos Krepper Unidad de Investigaciones Climticas Facultad de Ingeniera
y Ciencias Hdricas Universidad Nacional del Litoral: Krepper@fich1.unl.edu.ar.
Ing. Graciela Pusineri Facultad de Ingeniera y Ciencias Hdricas Universidad
Nacional del Litoral: gpusineri@fich1.unl.edu.ar.
Ing. Mara del Valle Morresi Facultad de Ingeniera y Ciencias Hdricas:
valle@fich1.unl.edu.ar.
Ing. Ral Pedraza Facultad de Ingeniera y Ciencias Hdricas
rpedraza@fich1.unl.edu.ar.