Documente Academic
Documente Profesional
Documente Cultură
SURFER
JIMMY JOHAN ESTUARDO MORALES YAT
INDICE
RESUMEN............................................................................................................i
INTRODUCCION................................................................................................1
OBJETIVOS........................................................................................................2
General.........................................................................................................2
Especficos...................................................................................................2
1. MARCO TEORICO..........................................................................................3
1.1. Que es el Surfer....................................................................................3
1.1.1. Funcionamiento.......................................................................4
1.2. Que es kriging.......................................................................................4
1.2.1. Funcionamiento.......................................................................5
1.2.2. La frmula de kriging...............................................................6
1.2.3. Mapa de la superficie de prediccin con el mtodo kriging....6
1.2.4 Mtodos Kriging.......................................................................7
1.3. Variografa.............................................................................................8
1.3.1 Variograma...............................................................................8
1.3.2. Uso del Variograma.................................................................8
1.3.3. Semivariograma......................................................................9
1.3.4. Comprender un semivariograma: rango, meseta y nugget....9
1.3.5. Rango y meseta......................................................................9
1.3.6. Nugget...................................................................................10
1.3.7. Modelos de semivariograma.................................................11
1.3.8. Grficos de semivariograma.................................................11
1.3.8.1 Modelos matemticos...............................................11
BIBLIOGRAFA.................................................................................................14
TABLA DE ILUSTRACIONES
Ilustracin de componentes de rango, meseta y nugget.....................................10
Ilustracin de modelo de semivarianza esfrica..................................................12
Ilustracin de modelo de semivarianza circular...................................................12
Ilustracin de modelo de semivarianza exponencial............................................13
Ilustracin de modelo de semivarianza gaussiana...............................................13
Ilustracin de modelo de semivarianza lineal.......................................................13
RESUMEN
Ya se han cumplido ms de cuatro dcadas del nacimiento de la
Geoestadstica Matheroniana (MATHERON 1962a, 1963); por lo que estos
mtodos, basados en la Teora de la Variables Regionalizadas, estn lo
suficientemente difundidos en la actualidad. Es por este motivo que la mayor
parte de paquetes importantes de Software que se aplican a la minera,
presentan mdulos de evaluacin por krigeage, que es el mtodo de estimacin
geoestadstico (MATHERON 1962b; DAVID 1976; DELFINER & DELHOMME
1973) superior a cualquier otro por sus caractersticas de no sesgo y mnimo
error. Sin embargo en la actualidad todava se realizan evaluaciones con
mtodos tradicionales. Las principales razones son: la simplicidad y rpida
aplicacin de estos ltimos, en comparacin con el mayor grado de dificultad
que implica la evaluacin por krigeage; adems de la necesidad de tener un
mnimo conocimiento especializado para aplicar el mtodo geoestadstico.
INTRODUCCION
La Geo estadstica es una rama de la estadstica que se especializa en el
anlisis y la moderacin de la variabilidad espacial en ciencias de la tierra. Su
objeto de estudio es el anlisis y la prediccin de fenmenos en espacio y/o
tiempo, como: leyes de metales, porosidades, concentraciones de un
contaminante, etc.
El prefijo geo- es asociado con la geologa, sin embargo esta tiene sus
orgenes en la minera.
La geoestadstica nace como una herramienta para resolver problemas
prcticos en Ingeniera de Minas. La utilidad potencial de los mtodos
geoestadsticos en Edafologa fue reconocida por primera vez en la dcada de
los aos setenta por los grupos de trabajo de las universidades de Davis
(California) y Oxford (Inglaterra) interesados en estudiar la variabilidad del suelo.
OBJETIVOS
General:
Asimilar vocablos y distintas herramientas y/o software de uso en la
Geoestadstica.
Especficos:
a. Conocer el funcionamiento de Surfer
b. Identificar los trminos ms frecuentes en el uso de la geoestadstica
1. MARCO TEORICO
1.1. Que es el Surfer
Surfer es un software completo para la visualizacin en 3D, la creacin de
isolneas, y el modelado de superficies que se ejecuta bajo Microsoft Windows.
Surfer se utiliza ampliamente para el modelamiento 3D del terreno,
modelamiento batimtrico, la visualizacin del paisaje, anlisis de superficies,
cartografa de curvas de nivel, la cartografa de superficie 3D, grillado, la
volumetra, y mucho ms.
El sofisticado motor de la interpolacin de Surfer transforma los datos
XYZ en mapas con calidad de publicacin. Surfer ofrece ms mtodos de
grillado y ms control sobre los parmetros de grillado, incluyendo variogramas
personalizados, que cualquier otro paquete de software en el mercado. Tambin
puede utilizar los archivos de la red procedentes de otras fuentes, tales como
archivos USGS DEM o archivos ESRI GRID. Muestra tu grilla como mapas
topogrficos, mapas de pendientes en 3D, 3D wireframe, vector, imagen,
relieves y sombreados, y los mapas de puntos. Aade mapas de base y combina
distintos tipos de mapas para crear la presentacin ms informativa posible.
Prcticamente todos los aspectos de los mapas se pueden personalizar para
producir exactamente la presentacin que desea. La generacin de mapas de
calidad de publicacin nunca ha sido ms rpida o ms fcil.
Surfer es ideal para hidrlogos, ingenieros, gelogos, arquelogos,
oceangrafos,
bilogos,
ingenieros
forestales,
geofsicos,
investigadores
1.1.1. Funcionamiento
SURFER
es
una
extensin
basada
en
Java
del
programa
1 (S.A, 2016)
2 (Germany, 2016)
4
interactiva
del
comportamiento
espacial
del
fenmeno
1.2.1. Funcionamiento
Las herramientas de interpolacin IDW (Distancia inversa ponderada) y
Spline son consideradas mtodos de interpolacin determinsticos porque estn
basados directamente en los valores medidos circundantes o en frmulas
matemticas especificadas que determinan la suavidad de la superficie
resultante. Hay una segunda familia de mtodos de interpolacin que consta de
mtodos geoestadsticos, como kriging, que est basado en modelos
estadsticos que incluyen la auto correlacin, es decir, las relaciones estadsticas
entre los puntos medidos. Gracias a esto, las tcnicas de estadstica geogrfica
no solo tienen la capacidad de producir una superficie de prediccin sino que
tambin proporcionan alguna medida de certeza o precisin de las predicciones.
Kriging presupone que la distancia o la direccin entre los puntos de
muestra reflejan una correlacin espacial que puede utilizarse para explicar la
variacin en la superficie. La herramienta Kriging ajusta una funcin matemtica
a una cantidad especificada de puntos o a todos los puntos dentro de un radio
especfico para determinar el valor de salida para cada ubicacin. Kriging es un
proceso que tiene varios pasos, entre los que se incluyen, el anlisis estadstico
exploratorio de los datos, el modelado de variogramas, la creacin de la
superficie y (opcionalmente) la exploracin de la superficie de varianza. Este
mtodo es ms adecuado cuando se sabe que hay una influencia direccional o
3 (Pro, 2016)
5
Donde:
4 (Pro, 2016)
5 (Pro, 2016)
6
pasos:
de
dependencia
estadstica
(denominada
autocorrelacin
modelo).
Prev los valores desconocidos (hacer una prediccin).
Se dice que en este mtodo los datos se utilizan dos veces, debido a
estas dos tareas bien distintivas: la primera vez, para calcular la autocorrelacin
espacial de los datos, y la segunda, para hacer las predicciones. 6
1.3. Variografa
El ajuste de un modelo, o modelado espacial, tambin se conoce como
anlisis estructural o Variografa. En el modelado espacial de la estructura de los
puntos medidos, se comienza con un grfico del semivariograma emprico,
calculado con la siguiente ecuacin para todos los pares de ubicaciones
separados por la distancia h:
Semivariogram(distanceh) = 0.5 * average((valuei valuej)2)
La frmula implica calcular la diferencia cuadrada entre los valores de las
ubicaciones asociadas.7
1.3.1 Variograma
El Variograma o semivariograma es una herramienta que permite analizar
el comportamiento espacial de una variable sobre un rea definida, obteniendo
como resultado un variograma experimental que refleja la distancia mxima y la
forma en que un punto tiene influencia sobre otro punto a diferentes distancias.
El resultado de este anlisis no puede ser aplicado directamente en los
diferentes mtodos de interpolacin que lo ocupan como informacin base, es
por esto que una vez calculado el variograma experimental, debe ser realizado
un modelo matemtico que modele de la mejor forma posible al variograma
experimental, el cual es conocido como variograma terico. 8
7 (Pro, 2016)
8 (Jimmy Wales, 2016)
8
1.3.3. Semivariograma
El semivariograma representa la autocorrelacin espacial de los puntos
de muestra medidos. Una vez que se ha trazado cada par de ubicaciones, se
ajusta un modelo a travs de ellas. Hay ciertas caractersticas que se utilizan
normalmente para describir estos modelos.9
1.3.6. Nugget
En teora, a una distancia de separacin cero (por ej. intervalo = 0), el
valor del semivariograma es 0. No obstante, a una distancia de separacin
infinitamente inferior, el semivariograma a menudo muestra un efecto nugget,
que es un valor mayor que 0. Si el modelo de semivariograma intercepta el eje Y
en 2, entonces el nugget es 2.
El efecto nugget puede atribuirse a errores de medicin o a fuentes
espaciales de variacin a distancias que son menores que el intervalo de
muestreo (o a ambas cosas). Los errores de medicin ocurren debido al error
inherente a los dispositivos de medicin. Los fenmenos naturales pueden variar
espacialmente en un rango de escalas. La variacin a micro escalas ms
pequeas que las distancias de muestreo aparecern como parte del efecto
nugget. Antes de recopilar datos, es importante lograr comprender las escalas
de variacin espacial en las que est interesado.
Ilustracin 1 Ilustracin de componentes de rango, meseta y nugget
10 (Pro, 2016)
10
Fuente: ArcGisPro.com
Circular
Esfrica
Exponencial
Gaussiana
Lineal
cuando
la
forma
de
la
curva
cercana
al
origen
difiere
11
11 (Pro, 2016)
11
Fuente: ArcGisPro.com
12
Fuente: ArcGisPro.com
Fuente: ArcGisPro.com
Ilustracin 5 Ilustracin de modelo de semivarianza gaussiana
Fuente: ArcGisPro.com
Ilustracin 6 Ilustracin de modelo de semivarianza lineal
13
Fuente: ArcGisPro.com
14
BIBLIOGRAFA
Germany, I. (15 de Septiembre de 2016). Imaginary. Obtenido de Imaginary:
https://imaginary.org/es/program/surfer
Jimmy Wales, L. S. (15 de Septiembre de 2016). Wikipedia. Obtenido de
Wikipedia: https://es.wikipedia.org/wiki/Variograma
Pro,
15