Que es Kriging?

Es una interpolacin ptima basada en la regresin contra los valores z observados de los puntos de datos circundantes, medidos de acuerdo al espacio de valores de covarianza. Que es interpolacin? Es la estimacin de una variable en una ubicacin no medida de valores observados en locaciones circundantes. Por ejemplo, estimando la porosidad a u = (2000 m, 4700 m) basado en los valores de porosidad de los seis datos de puntos ms cercanos de nuestra zona.

Parecera razonable estimar la porosidad mediante el promedio ponderado , con pesos dado por algunas funciones de decremento de distancia, , desde al punto de dato . Todos los algoritmos de interpolacin (interpolacin inversa, splines, funciones bsicas radiales, triangulacin, etc.) estiman los valores a una locacin dada como una suma ponderada de valores de datos a locaciones circundantes. Casi todos los pesos asignados de acuerdo a las funciones que dan un decremento de peso con incrementos de distancia de separacin. El Kriging asigna pesos de acuerdo a una funcin medida de datos manejados (moderadamente), en vez de una arbitraria funcin, pero es solo un algoritmo de interpolacin que brindar resultados muy similares a otros en muchos casos (Isaak and Srivastava, 1989). En particular:

Si la locacin de los datos son bastante densos y uniformemente distribuidos a travs del rea de estudio, se obtendrn estimados muy buenos a pesar de los algoritmos de interpolacin. Si la locacin de los datos cae en pocas agrupaciones con largos espaciamientos entre ellos, puede conseguir estimaciones independientes poco confiables de algoritmos de interpolacin.

Algunas ventajas del Kriging: Ayuda a compensar los efectos de la agrupacin de datos, asignando puntos individuales dentro del grupo de menos peso que los puntos de datos aislados (o, tratar grupos ms similar a los puntos simples). Determina un error de estimacin (varianza de Kriging), en conjunto con la estimacin de la variable, Z, consigo mismo (pero el mapa de error es bsicamente una versin escalda de un mapa de distancia al punto mas cercano de datos, as que no es nico). Disponibilidad de la estimacin de error proporciona bases para simulacin estocstica de las realizaciones posibles de Z(u).

ENFOQUE Y TERMINOLOGIA KRIGING Goovaerts, 1997: Todos los estimadores Kriging no son ms que variantes del estimador bsico de regresin lineal Z*(u) definido como:

Con : Vectores de localizacin para puntos de estimacin y uno de los datos de los puntos vecinos, indexado por . : Nmero de puntos de datos en la vecindad local usado para la estimacin de Z*(u). : Valores esperados (promedios) de y .

: Peso de Kriging asignado al dato para la estimacin de la locacin ; mismo dato que recibir diferente peso para la estimacin de locacin diferente. es tratado como un campo aleatorio con un componente tendiente, , y un componente residual, . El Kriging estima el residual en u como la suma ponderada de residuales en puntos de datos circundantes. Los pesos Kriging, , son derivados a partir de la funcin de covarianza o semivariograma, el cual debera caracterizar el componente residual. La distincin entre tendencia y residual algo arbitrario; vara con la escala.

La regin de los seis puntos del ejemplo anterior:

FUNDAMENTOS DE KRIGING La forma bsica del estimador Kriging es:

El objetivo es determinar pesos,

, lo cual minimiza la varianza del estimador.

Bajo la restriccin insesgada:

El campo aleatorio (RF) es descompuesto dentro de componentes de tendencia y residual, , con el componente residual tratado como un campo aleatorio con un promedio estacionario de 0 y una covarianza estacionaria (una funcin de retardo, h, pero no de posicin, u):

La funcin de covarianza residual es generalmente derivado del la entrada del modelo semivariograma, .

Por lo tanto, el semivariograma alimentamos al programa Kriging que debe representar el componente residual de la variable. Los tres principales variantes de Kriging, Simple, Ordinario y Kriging con una tendencia, difiere en sus tratamientos de componente de tendencia, . SIMPLE KRIGING Para kriging simple, asumimos que la tendencia del componente es un promedio constante y conocido, , de modo que:

Este estimado es automticamente insesgado, desde que

de modo que

. El error de estimacin es una combinacin lineal de variables aleatorias representando residuales en los puntos de datos, , y el punto de estimacin, :

Usando reglas para la varianza de una combinacin lineal de variables aleatorias, la varianza de error es luego dado por:

Para minimizar la varianza de error, tomaremos la derivada de la expresin anterior con respecto a cada peso de kriging y se pone cada derivada a cero. Esto induce al siguiente sistema de ecuaciones:

Debido a que el promedio es constante, la funcin de covarianza para es el mismo que para el componente residual, , de modo que podemos escribir el sistema de kriging simple directamente en trminos de :

Esto puede ser escrito en forma de matriz como:

Donde es la matriz de covarianza entre los puntos de datos, con elementos , k es el vector de covarianza entre los puntos de datos y el punto de estimacin, con elementos dados por ,y es el vector de pesos de simple kriging para los puntos de datos circundantes. Si el modelo de covarianza es licito (es decir, el modelo semivariograma subyacentes es lcito) y no hay dos puntos de datos que sean colocalizadas, luego la matriz de covarianza de datos es definida positiva y podemos resolver para los pesos de kriging usando:

Una vez que tenemos los pesos de kriging, podemos calcular la estimacin kriging y la varianza de kriging, el cual es dado por:

Despus substituyendo los pesos de kriging dentro de la expresin de varianza de error anterior. Qu hace toda esta matemtica? Esto encuentra un set de pesos para estimar el valor de variabilidad en la locacin de valores en un set de puntos de datos vecinos. El peso en cada punto de datos generalmente decrece con el incremento de la distancia a ese punto, en concordancia con las decrecientes covariazas de datos de estimacin especificado en la mano derecha del vector, k. Sin embargo, el set de pesos es tambin diseado para tener en cuenta la redundancia entre los puntos de datos, representados en las covarianzas de punto de datos punto a dato en la matris K, Multiplicando k por K-1 (en la izquierda) disminuir los pesos de los puntos cayendo en relativos grupos a puntos aislados a la misma distancia. Aplicaremos Kriging simple a nuestros datos de porosidad, usando el variograma esfrico que ajustamos anteriormente, con cero nugget, un sill de 0.78, y un rango de 4141m:

Ya que estamos usando un semivariograma esfrico, la funcin de covarianza es dado por:

Para distancias de separacin, h, arriba de 4141m, y 0 ms all de ese rango. El grfico de abajo muestra los elementos de la mano derechas del [ ] , obtenido de conectar las distancias del dato a vector, punto de estimacin dentro de esta funcin de covarianza:

La matriz de distancias entre pares de puntos de datos (redondeando al metro ms cercano) es dado por:

Esto se traslada dentro de una matriz de covarianza de datos:

(redondeado a lugares de 2 decimales). Note en particular la correlacin relativamente alta entre los puntos 5 y 6, separado por 447m. El vector resultante de los pesos de kriging es:

Observe que el punto 6 es asignado a muy pequeos pesos relativo al punto 1 de datos, aunque ambos estn a la misma distancia desde el punto de estimacin y tienen aproximadamente la misma covarianza de puntos de datos para la estimacin de puntos ( ). Esto es por que el punto 6 de datos es efectivamente screened por el e cercano punto 5 de datos. Los puntos de datos 5 y 6 bastante estrechamente correlacionada con cualquiera y 5 tiene mas fuerte correlacion con el punto estimado, vemos que el punto 6 de datos es efectivamente ignorado. Tenga en cuenta que las covarianzas y por lo tanto los pesos kriging son determinados enteramente por la configuracin de los datos y el modelo de covarianza, no los valores actuales de los datos.

Las porosidades en los puntos 5 y 6 podran de hecho ser muy diferentes y este no tendra influencia en los pesos de kriging. El valor de porosidad promedio para 85 pozos es 14.70% y los valores de porosidad en los seis pozos del ejemplo son 13.84%, 12.15%, 12.87%, 12.68%, 14.41% y 14.59%. El residual estimado del promedio en u es dado por el producto escalar de los pesos de kriging y los vectores residuales en los puntos de datos:

Aadiendo el promedio de nuevo dentro de este residual estimada nos da una porosidad estimada de .

Similarmente, conectando los pesos de kriging y el vector k dentro de la expresin para la varianza de estimacin nos da una varianza de 0.238 (cuadrado del porcentaje). Dado estas dos piezas de informacin, podemos representar la porosidad en u = (2000m, 4700m) como una distribucin normal con un promedio de 12.83% y una variacin estndar de 0.49%. Ntese que, al igual que los pesos de kriging, el estimado de la varianza depende enteramente de la configuracin de los datos y la funcin de covarianza, no en los valores de s mismos. La varianza de estimacin Kriging sera el mismo a pesar de si los valores de porosidad actual en la vecindad fueron muy similares o altamente variable. La influencia de los valores de los datos, a travs de la adecuacin del modelo de semivariograma, es muy indirecta. Aqu tenemos los estimados del simple kriging y la desviacin estndar en rejillas 100x80 con 100 metros de espaciamiento usando el modelo de semivariograma esfrico y estimando cada valor de celda de 16 puntos ms cercanos de datos vecinos (locaciones de pozos):

Kriging Ordinario. Para el Kriging ordinario, en lugar de asumir que la media es constante en todo el dominio, se supone que es constante en el vecindario local de cada punto de la estimacin, que es: para cada valor de los datos en las inmediaciones, , que usamos para estimar Z(u). En este caso, el estimador Kriging puede ser escrito

y filtramos la media local desconocida, al exigir que los pesos kriging sumen 1, dando lugar a un estimador kriging ordinario de: con Con el fin de minimizar la varianza del error sujeto a la restriccin de la unidad de suma en los pesos, que en realidad instalamos el sistema para que minimice el error de la varianza ms un trmino adicional que implica un parmetro de Lagrange, : [ ]

As la minimizacin con respecto a las fuerzas del parmetro de Lagrange la restriccin ser: En este caso, el sistema de ecuaciones para los pesos resulta ser: ( )

Donde es una vez ms la funcin de covarianza para el componente residual de la variable. En Kriging simple, podrase igualar y , la funcin de covarianza para la variable en si, debido a la suposicin de un promedio constante. Esta cualidad no es fundamentada, pero en la prctica la sustitucin es generalmente hecho de todos modos, en la suposicin que el semivariograma, a partir del cual C(h) es derivado, efectivamente filtra la influencia de las tendencias de gran escala en la media. De hecho, la restriccin de la unidad de suma en los pesos permite el sistema kriging ordinario para ser declarado directamente en trminos del semivariograma (en lugar de los valores de arriba). En este sentido, el kriging ordinario, es enfoque de interpolacin que sigue naturalmente a partir de un anlisis de semivariograma, ya que ambas herramientas tienden a filtrar las tendencias en la media. Una vez que los pesos kriging (y el parmetro de Lagrange) son obtenidos, el error de varianza del kriging ordinario es dado por:

En los trminos de matriz, el sistema de kriging ordinario es una versin aumentada del sistema kriging simple. Para nuestro ejemplo de seis puntos sera:

Cuya solucin es:

La estimacin kriging ordinario en u =(2.000 m,4.700m)resulta ser 12.93%, con una desviacin estndar de 0,490%, ligeramente diferentes de los valores de kriging simple de 12,83% y 0,488%.

Otra vez, usando 16 vecinos ms cercanos para cada punto de estimacin, la estimacin de porosidad por el kriging ordinario y la desviacin estndar se parecen mucho a las de kriging simple:

Kriging con tendencia El kriging con tendencia (el mtodo formalmente como kriging universal) es ms parecido al kriging ordinario, excepto que en lugar de adecuar justo un promedio local en la vecindad de estimacin de puntos, adecuamos una tendencia lineal o de mayor orden en las cordenadas (x,y) de los puntos de datos. Un modelo de tendencia lineal local (por ejemplo, de primer orden) seria dado por:

Incluyendo el modelo en el sistema de kriging involucra el mismo tipo de estencion como usamos para el kriging ordinario, con la adicin con dos o ms parmetros Lagrange y dos

columnas y filas extras en la matriz K de quien sus elementos (ninguno cero) estn en las cordenadas x y y de los puntos de datos. Tendencias de alto orden (cuadrtica, cubica) podra ser manejado de la misma forma, pero en la prctica esto se raro usar cualquier funcin de tendencia de alto orden que la tendencia de primer orden. Kriging Ordinario es kriking con un modelo de tendencia de orden cero. Si la variable de inters exhibe una tendencia significante, una aproximacin tpica sera intentar estimar un de-tendente semivariograma usando uno de los mtodos descritos en la lectura de los semivariograma y luego alimentar esto dentro de kriging con una tendencia de primer orden. Sin embargo, Goovaerts (1997) advierte contra este enfoque y en su lugar recomienda presentar el kriging simple de los residuales de una tendencia global (con un promedio constante de 0) y luego aadiendo de nuevo los residuales kriging dentro de la tendencia global.

Sea el campo aleatorio {Z(s): s D Rd } donde se ha observado el atributo Z en las ubicaciones n s , s , , s 1 2 y se desear predecir dicho atributo en una ubicacin no observada, basndose en los valores obtenidos en las muestras hechas. Las tcnicas de prediccin espacial son modalidades de una familia de mtodos llamada Kriging. El nombre se debe al Ingeniero minero D.G. Krige, quien desarroll en la dcada de los 50, mtodos empricos para predecir caractersticas de una mina en alguna ubicacin de inters donde no se conocan datos, usando las caractersticas conocidas en lugares cercanos donde si haban sido tomados. Su mtodo original es conocido como Kriging ordinario. El Kriging aparece en muchas formas de acuerdo a si se conocen la media, la distribucin de probabilidad de Z(s), si las predicciones son hechas para puntos o reas y as sucesivamente. Sin embargo, es importante recordar que el Kriging no es el nico mtodo de prediccin espacial; existen mtodos determinsticos como distancia inversa, interpolacin polinomial global, interpolacin polinomial local, triangulacin lineal, funciones de base radial entre otros. La ventaja del kriging sobre los mtodos determinsticos es la estimacin de la varianza del error de prediccin, lo cual permite adems estimar intervalos de confianza para dicha prediccin adems de que el kriging es un mtodo de estimacin que da el mejor estimador lineal insesgado (cuando se cumplen todos los supuestos). Inicialmente, el kriging fue desarrollado para aquellos casos donde hay presencia de estacionariedad y posteriormente fue extendido para casos donde se cumple la hiptesis intrnseca.

Generalidades sobre el kriging

La toma de muestras da la informacin de lo que ocurre en cada punto. Sin embargo, no da informacin acerca de la relacin que pueda existir entre dichos puntos. Se requiere de una forma precisa de estimar valores en puntos intermedios o en el caso de bloques, por ejemplo, estimar el promedio sobre el bloque. La precisin del estimador usado depende de varios factores: El nmero de muestras tomadas La calidad de la medicin en cada punto Las ubicaciones de las muestras en la zona; si las muestras son igualmente espaciadas se alcanza una mejor cobertura, dando mayor informacin acerca de la zona que aquella que se obtendra de muestras muy agrupadas en unos sectores y separadas en otros. Sin embargo, en la prctica, debido a las caractersticas de las regiones de estudio, muchas veces es preciso tomar muestras irregularmente espaciadas. Las distancias entre las muestras; para la prediccin es ms confiable usar muestras vecinas que muestras distantes, esto es, la precisin mejora cuando la cercana de las muestras aumenta, y se deteriora cuando esta disminuye. La extrapolacin no es aconsejable. La continuidad espacial de la variable o atributo en estudio; es ms fcil estimar el valor de una variable bastante regular en una regin que una que presenta grandes fluctuaciones.

Introduccin a la teora del kriging

Supongamos que se tienen las mediciones Z(s1), Z(s2), Z(s3) y Z(s4), en los puntos s1, s2, s3 y s4 respectivamente, y se requiere predecir el valor Z(s0). El valor a predecir se ubica mas cerca de s2 que de cualquier otra ubicacin donde se tenga medicin; por lo tanto, es lgico pensar que Z(s0) es mas parecido a Z(s2) que a cualquiera de los otros tres valores medidos. De acuerdo a lo anterior, se puede optar para la prediccin, por una media ponderada de las cuatro mediciones, en la cual Z(s2) tiene mayor peso que cualquier otra, seguida en su orden por Z(s4), Z(s3) y por ltimo Z(s1).

Donde z(u)* es el mejor predictor lineal de kriging