UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

CENTRO UNIVERSITARIO DEL NORTE

INGENIERIA EN GESTION AMBIENTAL LOCAL
TRABAJO DE INVESTIGACION

SURFER
JIMMY JOHAN ESTUARDO MORALES YAT

COBAN, ALTA VERAPAZ SEPTIEMBRE 2016

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,

mdicos, climatlogos etc.

ingenieros

forestales,

geofsicos,

investigadores

Posee los siguientes algoritmos de interpolacin:

Inverse Distance, Kriging, Minimum Curvature, Polynomial Regression,

3

Triangulation, Nearest Neighbor, Shepards Method, Radial Basis

Functions, Natural Neighbor, Moving Average, y Local Polynomial. 1

1.1.1. Funcionamiento
SURFER

es

una

extensin

basada

en

Java

del

programa

SURFER2008creado para la exposicin IMAGINARY en el Ao de las

Matemticas en Alemania.
De forma matemtica, el programa visualiza la geometra algebraica a
tiempo real. Las superficies que se muestran son las que estn dadas por una
ecuacin polinmica en las variables x, y, z igualada a 0. Todos los puntos que
resuelven la ecuacin se representan, y forman la superficie. Como ejemplo,
consideremos x2+y2+z2-1=0, la ecuacin de la esfera. Se puede ver fcilmente
que el punto (x, y, z) = (0,0,0) no est en la esfera, mientras que, por ejemplo,
los puntos (1,0,0), (0,1,0) y (0,0 , -1) son solucin de la ecuacin. El programa
incluye una gran galera de muestras con explicaciones y un tutorial. Est
disponible en varios idiomas, incluyendo alemn, espaol, ruso, serbio y
portugus.
Lo fabuloso de SURFER es que, a priori, no es necesario entender las
matemticas que hay por debajo (geometra algebraica), se puede experimentar,
probar, seguir la intuicin y creatividad de uno mismo y crear una obra de arte
nica, como imgenes o animaciones.2

1.2. Que es kriging

1 (S.A, 2016)
2 (Germany, 2016)
4

Kriging es un procedimiento geoestadstico avanzado que genera una

superficie estimada a partir de un conjunto de puntos dispersados con valores z.
A diferencia de otros mtodos de interpolacin en el conjunto de herramientas de
Interpolacin, utilizar la herramienta Kriging en forma efectiva implica una
investigacin

interactiva

del

comportamiento

espacial

del

fenmeno

representado por los valores z antes de seleccionar el mejor mtodo de

estimacin para generar la superficie de salida. 3

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

de la distancia correlacionada espacialmente en los datos. Se utiliza a menudo

en la ciencia del suelo y la geologa.

1.2.2. La frmula de kriging

El mtodo kriging es similar al de IDW en que pondera los valores
medidos circundantes para calcular una prediccin de una ubicacin sin
mediciones. La frmula general para ambos interpoladores se forma como una
suma ponderada de los datos:

Donde:

Z(si) = el valor medido en la ubicacin i

i = una ponderacin desconocida para el valor medido en la ubicacin i
s0 = la ubicacin de la prediccin
N = la cantidad de valores medidos

En IDW, la ponderacin, i, depende exclusivamente de la distancia a la

ubicacin de la prediccin. Sin embargo, con el mtodo kriging, las
ponderaciones estn basadas no solo en la distancia entre los puntos medidos y
la ubicacin de la prediccin, sino tambin en la disposicin espacial general de
los puntos medidos. Para utilizar la disposicin espacial en las ponderaciones, la
correlacin espacial debe estar cuantificada. Por lo tanto, en un kriging ordinario,
la ponderacin, i, depende de un modelo ajustado a los puntos medidos, la
distancia a la ubicacin de la prediccin y las relaciones espaciales entre los
valores medidos alrededor de la ubicacin de la prediccin. En las siguientes
secciones se describe cmo se utiliza la frmula general de kriging para crear un
mapa de la superficie de prediccin y un mapa de la precisin de las
predicciones.5

4 (Pro, 2016)
5 (Pro, 2016)
6

1.2.3. Mapa de la superficie de prediccin con el mtodo kriging

Para llevar a cabo una prediccin con el mtodo de interpolacin de
kriging, es necesario realizar dos tareas:

Descubrir las reglas de dependencia.

Realizar las predicciones.
A fin de completar estas dos tareas, kriging atraviesa un proceso de dos

pasos:

Crea los variogramas y las funciones de covarianza para calcular los

valores

de

dependencia

estadstica

(denominada

autocorrelacin

espacial) que dependen del modelo de autocorrelacin (ajustar un

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

1.2.4 Mtodos Kriging

Existen dos mtodos kriging: ordinario y universal.
El kriging ordinario es el ms general y ms utilizado de los mtodos
kriging y es el predeterminado. Presupone que el valor medio constante es
desconocido. Esa es una presuposicin razonable a menos que haya una razn
cientfica para rechazarla.
El kriging universal presupone que hay una tendencia de invalidacin en
los datos, por ejemplo, un viento prevaleciente, y puede modelarse a travs de la
funcin determinstica polinmica. Esta funcin polinmica se resta de los puntos
6 (Pro, 2016)
7

medidos originalmente y la autocorrelacin se modela a partir de los errores

aleatorios. Una vez que el modelo se ajusta a los errores aleatorios y antes de
realizar una prediccin, se vuelve a sumar la funcin polinmica a las
predicciones para obtener resultados significativos. El kriging universal solo se
debe utilizar si se conoce una tendencia en los datos y se puede dar una
justificacin cientfica para describirla.

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

1.3.2. Uso del Variograma

El variograma permite conocer el alcance, es decir, la distancia mxima a
la que una muestra tiene influencia sobre otra muestra, una aplicacin de esta
informacin es conocer la vecindad en que se pueden buscar muestras para
estimar el valor de un punto especfico. La aplicacin de esta herramienta
tambin permite, a partir de los datos proporcionados por el variograma terico,
realizar una estimacin por medio de la metodologa del krigeaje, la cual utiliza el
modelo matemtico para definir el ponderador que se aplica a cada una de las
muestras encontradas al momento de asignar un valor al punto buscado.

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

1.3.4. Comprender un semivariograma: rango, meseta y nugget

El semivariograma muestra la autocorrelacin espacial de los puntos de
muestra medidos. Tal como lo expresa un principio bsico de la geografa (las
cosas ms cercanas son ms parecidas), los puntos medidos que estn cerca
por lo general tendrn una diferencia cuadrada menor que la de aquellos que
estn ms distanciados. Una vez diagramados todos los pares de ubicaciones
despus de haber sido colocados en un bin, se ajusta un modelo para estas
ubicaciones. El rango, la meseta y el nugget se utilizan, generalmente, para
describir estos modelos.

1.3.5. Rango y meseta

9 (Pro, 2016)
9

Al observar el modelo de un semivariograma, notar que, a una

determinada distancia, el modelo se nivela. La distancia a la que el modelo
comienza a aplanarse se denomina rango. Las ubicaciones de muestra
separadas por distancias ms cortas que el rango estn auto correlacionadas
espacialmente, mientras que las ubicaciones que estn ms alejadas que el
rango, no lo estn.
El valor en el cual el modelo de semivariograma alcanza el rango (el valor
en el eje y) se denomina meseta. Una meseta parcial es la meseta menos el
nugget.10

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

1.3.7. Modelos de semivariograma

La herramienta Kriging proporciona las siguientes funciones para elegir el
modelado del semivariograma emprico:

Circular
Esfrica
Exponencial
Gaussiana
Lineal

El modelo seleccionado influye en la prediccin de los valores desconocidos, en

particular

cuando

la

forma

de

la

curva

cercana

al

origen

difiere

significativamente. Cuanto ms pronunciada sea la curva cercana al origen, ms

influirn los vecinos ms cercanos en la prediccin. Como resultado, la
superficie de salida ser menos suave. Cada modelo est diseado para
ajustarse a diferentes tipos de fenmenos de forma ms precisa.

1.3.8. Grficos de semivariograma

Kriging se basa en una teora de variables regionalizadas que presupone que la
variacin espacial en el fenmeno representado por los valores z es
estadsticamente homognea a lo largo de toda la superficie (por ej., se puede
observar el mismo patrn de variacin en todas las ubicaciones sobre la
superficie). Esta hiptesis de homogeneidad espacial es fundamental para la
teora de variables regionalizadas.

11

11 (Pro, 2016)
11

1.3.8.1 Modelos matemticos

A continuacin se presentan las formas generales y las ecuaciones de los
modelos matemticos utilizados para describir la semivarianza.

Ilustracin 2 Ilustracin de modelo de semivarianza esfrica

Fuente: ArcGisPro.com

Ilustracin 3 Ilustracin de modelo de semivarianza circular

12

Fuente: ArcGisPro.com

Ilustracin 4 Ilustracin de modelo de semivarianza exponencial

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,

A. (15 de Septiembre de 2016). Arcgis. Obtenido de Arcgis:

https://pro.arcgis.com/es/pro-app/tool-reference/3d-analyst/how-krigingworks.htm#ESRI_SECTION1_E112B7FAED26453D8DA4B9AEC3E4E9B
F

S.A, S. (15 de Septiembre de 2016). Geo Soluciones. Obtenido de Geo

Soluciones: http://www.geosoluciones.cl/surfer/

15