Académique Documents
Professionnel Documents
Culture Documents
T
ecnicas de estimaci
on de una variable
incorporando informaci
on secundaria
Eduardo Cassiraga
efc@dihma.upv.es
Grupo de Investigaci
on de Hidrogeologa
Departamento de Ingeniera Hidraulica y Medio Ambiente
Universidad Politecnica de Valencia
Geoestadstica
Contenidos
1 Introducci
on.
2 Tipos de datos.
3 Krigeado por estratos.
4 Krigeado simple con media local.
5 Krigeado con una deriva externa.
6 El paradigma del cokrigeado:
7 Un ejemplo de cokrigeado ordinario.
8 Cokrigeado colocalizado.
9 Un ejemplo de cokrigeado colocalizado.
Master en Ingeniera Hidraulica y Medio Ambiente
Geoestadstica
1 Introducci
on
Algoritmos para la estimaci
on de una variable a partir de informacion acerca de la
misma variable.
Inclusion en el proceso de estimaci
on de una o m
as variables que estan correlacionadas
con la variable de interes.
Aprovechamiento de la correlaci
on cruzada entre las distintas variables con la variable
de interes para mejorar el conocimiento acerca de esta u
ltima.
Geoestadstica
2 Tipos de datos
Informaci
on directa, principal o dura.
Es escasa y muy costosa.
Se trata de medidas con una incertidumbre nula o despreciable.
Ejemplos: datos de precipitaci
on, transmisividad, conductividad hidraulica, concentracion de un contaminante.
Informaci
on indirecta, secundaria o blanda.
Es conocida abundantemente a un costo relativo bajo.
Son medidas asociadas a una incertidumbre.
Ejemplos: datos de radar, porosidad del terreno, informacion geofsica, informacion
derivada de un MDT.
Geoestadstica
Geoestadstica
ZKS
(u) =
n
X
[Z(u) m] + m
=1
ZKSM
L (u) =
n
X
=1
Geoestadstica
Estimaci
on de media local
Informaci
on secundaria categ
orica.
La media local de la variable primaria mKSM L se calcula como la media aritmetica de
los datos que caen dentro de cada categora.
Informaci
on secundaria continua.
La media local de la variable primaria mKSM L puede ser una funcion (lineal o no) del
valor del atributo secundario y en cada localizaci
on u, esto es:
mKSM L(u) = f (y(u))
La funci
on f () puede ser determinada por regresi
on.
Geoestadstica
Sistema de KSML
Los pesos del KSML se obtienen resolviendo un sistema de krigeado simple que se escribe:
n
X
=1
Geoestadstica
(u) =
ZKDE
n
X
Z(u)
=1
Geoestadstica
n
P
=1
= 1, ..., n
n
P
= 1
=1
=1 y(u ) = y(u)
El sistema de KDE es un caso particular del sistema de KT donde K=1 y la componente
de tendencia f1(u) en cada localizaci
on es identificada con el valor y(u) de una variable
secundaria.
Geoestadstica
10
Geoestadstica
n1
X
1 [Z1(u1 ) m1(u1 )] +
1 =1
ni
Nv X
X
i [Zi(ui ) mi(ui )]
i=2 i =1
(1)
11
Geoestadstica
ZCKO (u) =
n1
X
1 =1
1 Z1(u1 ) +
n2
X
2 Z2(u2 )
2 =1
y la varianza de la estimaci
on es:
2
CKO
(u) = 12 1
n1
X
1 =1
1 C1(u1 u)
n2
X
2 C12(u2 u)
2 =1
12
Geoestadstica
1 C1(u1 u1 ) +
2 C12(u1 u2 ) + 1 =
1 =1
2 =1
C1(u1 u),
1 = 1, ..., n1
n1
n2
P
P
1 C12(u1 u2 ) +
2 C2(u2 u2 ) + 2 =
1 =1
C12(u2 u),
n1
1 = 1
1 =1
n2
2 = 0
2 =1
2 = 1, ..., n2
2 =1
13
Geoestadstica
ZCKO (u) =
n1
X
1 Z1(u1 ) +
1 =1
n2
X
2 [Z2(u2 ) m2 + m1]
2 =1
y la varianza de la estimaci
on es:
2
CKO
(u) = 12 1
n1
X
1 =1
1 C1(u1 u)
n2
X
2 C12(u2 u)
2 =1
14
Geoestadstica
1 C1(u1 u1 ) +
2 C12(u1 u2 ) + =
1 =1
2 =1
C1(u1 u),
1 = 1, ..., n1
P
n1
n
P2
1 C12(u1 u2 ) +
2 C2(u2 u2 ) + =
1 =1
2 =1
C12(u2 u),
2 = 1, ..., n2
n1
n2
P
P
1 +
2 = 1
1 =1
2 =1
15
Geoestadstica
16
Geoestadstica
3 Construcci
on del sistema de cokrigeado:
UU
UV
UV
UV
UU
C13
C14
C15
C11 C12
UU
UU
UV
UV
UV
C21
C
C
C
C
22
23
24
25
UV
UV
VV
VV
VV
C31 C32
C
C
C
33
34
35
UV
UV
VV
VV
VV
C41 C42
C
C
C
43
44
45
UV
UV
VV
VV
VV
C51 C52
C
C
C
53
54
55
1
1
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
0
1
1
1
0
0
1
2
1
2
3
1
2
UU
C10
UU
C20
UV
C30
UV
C40
UV
C50
1
0
134229
102334
70210
52697
75887
1
0
17
Geoestadstica
4 Solucion:
1
2
3
4
5
1
2
= C1 D =
0.512
0.488
0.216
0.397
0.666
205963
13823
n1
n2
P
P
u =
iui +
ivi = 398
0
i=1
i=1
2
CKO = 681549
El estimador es igual a 398 y la varianza del error 681549.
18
Geoestadstica
8 Cokrigeado colocalizado
Cuando la informaci
on secundaria esta muy densamente muestreada el algoritmo de CK
tiene los siguientes inconvenientes:
1 El contraste entre la densidad de muestreo de la variable principal y la secundaria hace
que el sistema de ecuaciones de CK tienda a ser muy inestable.
2 Los datos secundarios que estan muy cerca de la localizacion de la variable principal a
ser estimada apantallan el efecto de los demas datos blandos.
Una soluci
on a estos problemas es construir un estimador de la variable principal en
una dada localizaci
on reteniendo s
olo el dato colocalizado de la variable secundaria,
aproximaci
on conocida como cokrigeado colocalizado.
19
Geoestadstica
n1
X
1 [Z1(u1 ) m1(u1 )] +
1 =1
Nv
X
i [Zi(u) mi(u)]
i=2
(1)
20
Geoestadstica
ZCKCO (u) =
n1
X
1 =1
1 =1
= C1(u1 u),
1 = 1, ..., n1
n1
P
1 C12(u u1 ) + 2 C2(0) + = C12(0)
1 =1
n1
1 + 2 = 1
1 =1
21
Geoestadstica
22
Geoestadstica
2
1
=1
1
n1
P
1=1
1(u1 u),
1 = 1, ..., n1
n1
23
Geoestadstica
Casos particulares
Si 12(0) = 0 entonces 2 = 0 y el dato secundario colocalizado es ignorado, esto es:
n1
(1)
X
ZCKCSM (u) m1
[Z1(u1 ) m1]
=
1
1
1
=1
1
24
Geoestadstica
Media
12.7
2495.0
Desviaci
on estandar
1.7
1313.0
Correlacion
0.7
25
Geoestadstica
Amplitud
15.5
6465.62
9.3
-527.395
Krigeado ordinario
Cokrigeado colocalizado
15.5
15.5
9.3
9.3
26
Geoestadstica
= 0.0
case 1
case 4
case 7
= 0.5
case 2
case 5
case 8
= 0.9
case 3
case 6
case 9
Excepto la correlaci
on y el modelo de variograma, los demas parametros permanecen
identicos para los 9 casos considerados.
27
Geoestadstica
Caso 2
Caso 3
15.5
15.5
15.5
9.3
9.3
9.3
= 0.0
= 0.5
= 0.9
28
Geoestadstica
Caso 5
Caso 6
15.5
15.5
15.5
9.3
9.3
9.3
= 0.0
= 0.5
= 0.9
29
Geoestadstica
Caso 8
Caso 9
15.5
15.5
15.5
9.3
9.3
9.3
= 0.0
= 0.5
= 0.9
30
Geoestadstica
Bibliografa
Isaaks, E. y Srivastava, R. (1989). An Introduction to Applied Geostatistics, Oxford
University Press, New York.
Goovaerts, P. (1997). Geostatistics for Natural Resources Evaluation, Oxford University Press, New York.
Froidevaux, R. (1998). Geostatistics for Petroleum Reservoir Characterization.
Workshop Notes, FSS International.
31
Geoestadstica
32