Sunteți pe pagina 1din 17

TRATAMIENTO DE DATOS CON GSLIB

Supongamos que conocemos la realidad de un episodio de contaminacin sobre un rea de 50*50


metros cuadrados. Se considera una malla regular (gran problema de GSLIB), de 50*50 pxeles cuadrados
de un metro de lado.

En primer lugar dibujamos las 2500 medidas, dispuestas en el centro de cada una de las celdas. Para ello
utilizaremos el programa CSCALE.EXE, cuyo archivo de parmetros se lista a continuacin. El resultado
del mismo se puede apreciar en la Figura 2.

Figura 1. Archivo de parmetros para el programa CSCALE.EXE

Parameters for CSCALE


*********************

START OF PARAMETERS:
MEDIDAS_REALES.DAT \data file
MEDIDAS_REALES. PS \output PostScript file
1 \column number
50 1.0 \nx, xsiz
50 1.0 \ny, ysiz
1 1.0 \nz, zsiz
1 1 \igrid,iz
0.0 110.0 \cmin,cmax
MEDIDAS REALES \title
ESTE \X label
NORTE \Y label

Figura 2. Campo real

Como puede observarse, la escala utilizada no es demasiado afortunada, dado que la gran mayora de los
datos se concentra en valores muy pequeos. Debiera cambiarse el valor mximo de la escala (cmax) a
30, ms o menos. El resultado se presenta en la Figura 3

Puede observarse como las concentraciones ms altas se concentran en las esquinas nordeste y suroeste
del dominio, siguiendo aproximadamente una diagonal a travs del mismo. Asimismo, por ser este un
caso excepcional en el que conocemos la realidad, podemos conocer sus estadsticos univariados. Para
llevar a cabo esta tarea, utilizaremos el programa HISTPLT.EXE, cuyo archivo de parmetros se lista a
continuacin (ver Figura 4). Obsrvese que el archivo MEDIDAS_REALES.DAT no se corresponde con
el usado anteriormente, dado que el programa CSCALE.EXE utiliza una geometra regular, mientras que
HISTPLT.EXE no. Por tanto, debemos introducir las coordenadas del punto de medida. El histograma se
presenta en la Figura 5.
Figura 3. Campo real, sin considerar los valores extremadamente altos.

Figura 4. Archivo de parmetros para el programa HISTPLT.EXE

Parameters for HISTPLT


**********************

START OF PARAMETERS:
MEDIDAS_REALES.DAT \data file
3 0 \column for variable and weight
HISTOGRAMA_REAL.PS \output PostScript file
-0.99 999999. \trimming limits
0.0 110.0 \histogram minimum and maximum
55 \number of classes
0 \1=log scale, 0=arithmetic
HISTOGRAMA Y ESTAD. REALES \title

Figura 5. Histograma de las medidas del campo real

De nuevo hemos cometido el mismo error, dado que el lmite superior del histograma se corresponde con
el mximo en los datos. Si lo dibujamos cambiando ese lmite superior a 20 (la frecuencia de muestras es
inapreciable a partir de este valor), se obtiene el histograma de la Figura 6.
Figura 6. Histograma de las medidas del campo real, reduciendo su lmite mximo

Obsrvese que en la figura anterior aparecen los estadsticos univariados de la variable. Estos no
dependen del mximo escogido para el dibujo del histograma, ni del nmero de clases utilizadas. En este
caso, se confirma lo antes dicho. Los datos reales se acomodan entorno a valores muy bajos, con una
desviacin bastante baja. Esto quiere decir que el campo es bastante uniforme, como se observ en los
dibujos del campo (de hecho, en el 75% de los puntos - cuartil superior -, la concentracin es menor que
2.56. No obstante, hay una serie de valores extremos que, al estudiar un episodio de contaminacin, por
ejemplo, son los de mayor inters, con valores mayores que 100.

Una vez obtenida una visin global del campo real, pongamos a prueba nuestros conocimientos.
Imaginemos que ahora no conocemos el campo real, sino que disponemos de 97 puntos muestreados. De
esos 97, se seleccionan los de mayor concentracin y se obtienen 43 muestras adicionales entorno a ellos.
Finalmente se cuenta con un total de 140 medidas. Para dibujar su posicin y su valor, utilizaremos el
programa SCATPLT.EXE, cuyo archivo de parmetros se muestra en la Figura 7.

Figura 7. Archivo de parmetros para el programa SCATPLT.EXE

Parameters for SCATPLT


**********************

START OF PARAMETERS:
MEDIDAS.DAT \data file
1 2 3 \column for X, Y, and weight
MEDIDAS.PS \output Postscript file
-1.0 1.0e21 \min and max variable X
-1.0 1.0e21 \min and max variable Y
0.0 50.0 \xmin and xmax
0.0 50.0 \ymin and ymax
Medidas de dos campaas \title

El resultado de este programa se presenta en la Figura 8. Obsrvese la agrupacin entorno a ciertos puntos
(como cruces). No obstante, este grfico no ofrece ninguna informacin sobre los valores de las medidas.
Ciertamente, resulta ms cmodo el uso de otros programas, tipo Grapher o Surfer. El resultado del uso
de Surfer se presenta en la Figura 9..
Figura 8. Disposicin y estadsticos de las medidas de las dos campaas

Figura 9. Marcados con crculo los datos del primer muestreo y con cruz los del segundo. Tamaos de
smbolo proporcionales al valor de la concentracin medida. Realizada con la herramienta POSTMAP de
SURFER.

45

40

35

30

25

20

15

10

5 10 15 20 25 30 35 40 45

No obstante, no se observan los valores de las medidas. En cambio, utilizando la herramienta CLASSED
POST MAP de Surfer se obtiene el siguiente resultado (ver Figura 10). En el se observan los smbolos,
con tamao proporcional al valor de la medida, as como el valor de la misma.
Figura 10. Detalle de las medidas con sus valores asociados. Realizada con la herramienta CLASSED
POST MAP de Surfer.
0.34
1.96
0.4 0.83 15.77
0.81 5.54
7.53
10.2 4.6 2.75
45 5.05 5.38 3.35
0.51 0.18 1.37
5.15 2.7621.08
2.33 0.67 58.32
17.19
22.75
11.08 0.24
40 0.99
0.34 3.51
0.32 3.21 9.08
4.29
6.41
7.71 3.64
5.31
2.22
2.33 3.59
35 1.78 1.36 2.84 1.82 3.81
1.1 2.82
1.71 9.42
18.76
5.26 2.28
1.988.48 18.64
8.34
2.51
0.65 3.56 1.21 7.94
30 9.01
8.03
2.52 0.46 1.21
9.27 0.57
1.02
0.45 2.13
0.16 0.11 4.89 0.94
25 0.84 3.04
1.38 0.79
2.34 1.38 0.93
0.33 0.11 0.1
2.17
20 0.17
1.01 0.16 0.06
0.22
2.97
2.74 1.11 19.44
9.08
4.92
15 5.54
10.27
3.61 2.96 0.09 0.99 0.62
8.71 2.99 1.66
0.71 1.27
1.34 0.28
2.55 0.96 2.47
15.77
10 7.56
6.26
7.92 1.7
6.49
20.35
8.9
12.74 0.280.26 0.92 0.19
0.34 1.89
0.19 0.08
5 1.81
0.19 0.1
3.33 0.06 0.09 0.89
0.31
5 10 15 20 25 30 35 40 45

0.06 to 0.45
0.45 to 1.37
1.37 to 2.96
2.96 to 7.56
7.56 to 58.33

EL hecho de usar un sistema de informacin geogrfica nos permita asimismo, dibujar mapas en color de
nuestros datos, que ayudan sobremanera a la comprensin de los mismos (ver Figura 11)

Figura 11. Mapeado a color de las medidas. Realizada con la herramienta CONTOUR PLOT de Surfer.
Pese a que en ningn caso vamos a conocer la realidad del campo (si en ste), pueden compararse los dos
mapas presentados en las Figuras 11 y 3. As, puede verse que las medidas reproducen aproximadamente
la forma de la pluma de contaminacin.

Conozcamos ahora los estadsticos univariados de nuestras medidas. Para ello, volvemos a aplicar el
programa HISTPLT, con el que obtenemos el histograma de nuestros datos. El archivo de datos se
muestra en la Figura 12. Naturalmente, ahora se fijado el lmite superior del histograma a 20, por lo que
se coment anteriormente. El resultado (histograma y estadsticos) se muestra en la Figura 12.

Figura 12. Archivo de parmetros para el programa HISTPLT.EXE

Parameters for HISTPLT


**********************

START OF PARAMETERS:
MEDIDAS.DAT \data file
3 0 \column for variable and weight
HISTOGRAMA_MEDIDAS.PS \output PostScript file
-0.99 999999. \trimming limits
0.0 20.0 \histogram minimum and maximum
40 \number of classes
0 \1=log scale, 0=arithmetic
HISTOGRAMA DE MEDIDAS \title

Figura 13. Histograma y estadsticos de las medidas

Como se puede observar, el hecho de considerar medidas adicionales alrededor de las de mayor
concentracin, aade ruido a nuestros resultados. Comparemos los estadsticos (ver Tabla 1). As, la
media es 4.35, cuando la real era de 2.58. Lo mismo ocurre con la desviacin estndar, que es 6.7,
cuando la real era 5.15. El mnimo prcticamente no vara (hay tantos puntos con baja concentracin que
es muy fcil muestrear uno de ellos). En general, ningn cuartil vara ostensiblemente, salvo el mximo,
que cae en picado, debido a que, dada la poca densidad de puntos con muy alta concentracin, resulta
difcil muestrear en uno de ellos.

Tabla 1. Comparacin de los estadsticos reales y los de las medidas

n Media Desv. St. Mnimo Q. 25 Q. 50 Q. 75 Mximo


Reales 2500 2.58 5.15 0.01 0.34 0.96 2.56 102.7
Medidas 140 4.35 6.7 0.06 0.69 2.12 5.35 58.32
As, resulta conveniente realizar una desagrupacin de los datos. Para ello puede procederse de dos
formas distintas: 1) Rpidamente (pero muy poco elegante), considerando nicamente las 97 muestras de
la primera campaa.
2) Usando el algoritmo de desagrupacin (declustering) de GSLIB. Este algoritmo
calcular un peso asociado a cada medida, en funcin de su proximidad a las dems. As no se
desaprovechan datos que, ciertamente, aportan informacin pero no demasiada. En zonas donde los datos
estn muy agrupados (las de la segunda campaa) recibirn menor peso que zonas con poca densidad de
datos.

- Posibilidad 1. Considerar nicamente los datos de la primera campaa

Procedemos de igual modo, calculando el histograma y los estadsticos. Los resultados se presentan en la
Figura 14 y en la Tabla 2.

Figura 14. Histograma y estadsticos de los datos de la primera campaa

Tabla 2. Comparacin de los estadsticos reales y los de las medidas totales y slo las de la primera
campaa.

n Media Desv. St. Mnimo Q. 25 Q. 50 Q. 75 Mximo


Reales 2500 2.58 5.15 0.01 0.34 0.96 2.56 102.7
Medidas 140 4.35 6.7 0.06 0.69 2.12 5.35 58.32
M. 1C 97 2.21 3.17 0.06 0.33 1.02 2.54 18.78

Como se puede observar, el hecho de haber eliminado valores extremos ha hecho que los estadsticos de
primer y segundo orden se parezcan ms a los reales. Sin embargo, obsrvese el mximo. ste es ahora de
18.78, an menor. Esto sugiere que las muestras de la segunda campaa deben ser consideradas. Por
tanto, consideraremos la opcin 2, de desagrupamiento.

- Posibilidad 2. Desagrupamiento de los datos

Para ello utilizaremos el programa DECLUS.EXE. Este programa asocia un peso a cada posicin de
medida. Si el peso es <1, quiere decir que ese punto est agrupado con otros, y por tanto, no ofrece
demasiada informacin. Un peso >1 implica que el punto tiene una especial relevancia. El archivo de
parmetros para este programa se muestra en la Figura 15.
Figura 15. Archivo de parmetros para el programa DECLUS.EXE

Parameters for DECLUS


*********************

START OF PARAMETERS:
MEDIDAS.DAT \Archivo de datos
1 2 0 3 \Columnas de x,y,z y variable
0.0 1.0e21 \Valores minimo y maximo a considerar
OUTPUT.SUM \Output con resumen
OUTPUT.OUT \Output con datos y pesos
1.0 1.0 \Anisotropia: y,z. Si sizex=10, entonces sizey=1.0*sizex
0 \0=look for min, 1 max
24 1.0 25.0 \num, min and max size
5 \num of origin offsets

Los parmetros de anisotropa marcan el tamao de las celdas. Si las celdas son cbicas (cuadradas en
este caso), deben fijarse a 1.0. Las dos ltimas filas marcan donde (o mejor, hasta donde) deben buscarse
agrupamientos. Tal y como est fijado, se buscan a lo largo de todo el dominio.

El resultado del programa es un archivo, de formato anlogo al de medidas, cuya ltima columna contiene
los pesos asociados a cada medida. Si ahora dibujamos el histograma de los datos desagrupados,
obtenemos el resultado de la Figura 16 y la Tabla 3.

Figura 16. Histograma y estadsticos de los datos desagrupados

Tabla 3. Comparacin de los estadsticos reales, los de las medidas totales, las de la primera campaa y
las de ambas con los datos desagrupados.

n Media Desv. St. Mnimo Q. 25 Q. 50 Q. 75 Mximo


Reales 2500 2.58 5.15 0.01 0.34 0.96 2.56 102.7
Medidas 140 4.35 6.7 0.06 0.69 2.12 5.35 58.32
M. 1C 97 2.21 3.17 0.06 0.33 1.02 2.54 18.78
M-DES 140 2.52 4.56 0.06 0.34 1.19 2.75 58.32

Obsrvese que la media en ste caso es prcticamente la real, la desviacin se parece mucho y hemos
recuperado el mximo de los datos. As, queda demostrado que sta es mucho mejor opcin que la
primera.

Por el momento, slo se ha hablado de estadsticos de la variable considerada. No obstante, siempre


conviene obtener el modelo de distribucin estadstico (funcin de probabilidad) que mejor ajusta los
datos disponibles. De esta forma, siempre podremos conocer la probabilidad del suceso en los puntos no
muestreados.

Dado que, en este caso, conocemos la realidad, comenzaremos obteniendo la distribucin de los valores
reales de la variable. Es conveniente siempre comenzar suponiendo que se trata de una variable con
funcin de densidad de probabilidad normal (Gaussiana) o log-normal. En casos en los que el ajuste de un
modelo Gaussiano no sea apto, deben probarse otras distribuciones (beta, geomtrica, triangular, etc.).

Para verificar que la realidad obedece a un proceso Gaussiano, dibujaremos los valores en un papel de
probabilidad lognormal, mediante el programa PROBPLT.EXE, cuyo archivo de parmetros se presenta
en la Figura 17.

Figura 17. Archivo de parmetros para el programa PROBPLT.EXE

Parameters for PROBPLT


**********************

START OF PARAMETERS:
MEDIDAS_REALES.DAT \Archivo de datos
4 5 \Columna de variable y peso
0.0 1.0e21 \Limites de datos a considerar
PROBREAL.PS \output PostScript file
1 \0=aritmetico, 1=log
0.0 25.0 5.0 \minimo,maximo,incremento en eje x: si aritmetico
0.01 4 \valor inicial,numero de ciclos : log
Prob Gauss REAL \Titulo

Figura 18. Representacin en papel de probabilidad lognormal de las probabilidades del suceso real

Como se observa en la Figura anterior, la variable real obedece perfectamente a un proceso Gaussiano,
dado que los puntos se agrupan sobre una linea a 45. Veamos si las medidas desagrupadas siguen el
mismo proceso. Para ello repetimos el procedimiento. El resultado se observa en la Figura 19.

Como se observa, tambin lo sigue, pero de forma ms aproximada. De esta forma, podemos concluir que
lo mejor que se puede hacer con estos datos es desagruparlos. Resumiendo, parar representar la realidad,
contamos con 140 datos y sus respectivos pesos, siguiendo una funcin de densidad de probabilidad
Gaussiana, con los estadsticos que se muestran en la Tabla 4.

Tabla 4. Estadsticos y datos disponibles.

n Media Desv. St. Mnimo Q. 25 Q. 50 Q. 75 Mximo


M-DES 140 2.52 4.56 0.06 0.34 1.19 2.75 58.32
Figura 19. Representacin en papel de probabilidad lognormal de las probabilidades del suceso
muestreado, una vez desagrupados los datos.
EL VARIOGRAMA EN GSLIB

El variograma es una medida muy general de la variabilidad espacial, y mide las diferencias entre un
punto no muestreado y un con medida que le sea cercano. De una forma ms matemtica, mide la
variabilidad de una variable aleatoria en dos posiciones distintas (de la varianza del cambio a una
distancia h). Para el ajuste del variograma, en primer lugar debe calcularse (y dibujarse) el variograma
muestral, analizarlo concienzudamente. Acto seguido, se propone un modelo de variograma, el cual
deber validarse (este ltimo punto queda fuera del alcance del presente tutorial).

En este primer paso, vamos a realizar el anlisis del variograma muestral de la realidad, para conocer
cual debe ser la solucin. Para ello, utilizaremos el programa GAM2M.EXE (clculo) y VARGPLT.EXE
(dibujo). El archivo de parmetro de GAM2M.EXE se presenta en la Figuras 20. En la Figura 21 se
presenta parte del archivo de resultados. El programa GAM2M.EXE opera sobre mallas regulares, como
es el caso real. El programa VARGPLT.EXE no precisa de archivo de parmetros. En este caso, estamos
pidiendo a GAM2M.EXE que dibuje el semivariograma muestral en las direcciones norte-sur y este-
oeste. El resultado de la aplicacin sucesiva de dichos programas se presenta en la Figura 21, mientras
que en la Figura 22 se muestra parte del archivo de salida de GAM2M.EXE.

Figura 20. Archivo de parmetros para el programa GAM2M.EXE

Parameters for GAM2M


********************

START OF PARAMETERS:
MEDIDAS_REALES.DAT \ARCHIVO DE DATOS
1 1 0 0 \NUM. DE VAR Y COLUMNAS DONDE SE ENCUENTRAN
-1.0e21 1.0e21 \LIMITES DE CORTE
VAREXP_REAL.VAR \ARCHIVO DE SALIDA
50 50 1 \nx, ny, igrid
1.0 1.0 \xsiz, ysiz
2 20 \NUMERO DE DIRECCIONES Y NUMERO DE LAGS
1 0 \DIRECCION 1 (X)
0 1 \DIRECCION 2 (Y)
1 \NUMERO DE REPRESENTACIONES
1 1 1 \VAR DE COLA Y CABEZA. TIPO DE REPR.

Figura 21. Semivariogramas muestrales en las direcciones X Y. Medida de la variabilidad espacial de la


variable real.
Figura 22. Extracto del archivo de salida del programa GAM2M.EXE

NLAG SEPA SEMIV PARES


1 1.000 13.03226 2450
2 2.000 16.64981 2400
3 3.000 20.16062 2350
4 4.000 21.73316 2300
5 5.000 22.07451 2250

De la Figura 21 se infiere que el variograma modelo de la realidad puede ser un esfrico, con pepita
9.0, meseta 25.0 y alcance 8.0, bastante istropo. Para corroborar esta primera hiptesis, hecha a mano,
se podra superponer el variograma modelo sugerido en la figura anterior. Para dibujar el variograma
modelo, utilizaremos el programa VMODEL.EXE, cuyo archivo de parmetros se presenta en la Figura
23.

Figura 23. Archivo de parmetros del programa VMODEL.EXE

Parameters for VMODEL


*********************

START OF PARAMETERS:
vmodel.var \output file of variograms
1 20 \ndir, nlag
1.0 0.0 0.0 \xoff(id),yoff(id),zoff(id)
1 9.00 \nst, nugget effect
1 8.0 16.0 n \it,aa,cc:
0.0 0.0 0.0 1.0 1.0 \ang1,ang2,ang3,anis1,anis2:

Con este archivo de parmetros estamos pidiendo la representacin de un variograma esfrico (it=1) con
una nica estructura, con pepita 9, alcance 8 y meseta (16+9=25), completamente istropo.

La Figura 24 muestra la superposicin de este variograma modelo con los experimentales obtenidos
anteriormente. Como se ve, el ajuste es muy bueno.

Figura 24. Ajuste entre variograma modelo y variograma experimental

Debera hacerse ahora lo mismo pero con el juego de medidas desagrupado. Como se va a observar, el
agrupamiento o clustering no solo afecta a la estadstica univariada, sino tambin a la bivariada. Para
ello, vamos a intentar ajustar un modelo de variograma a los 140 datos de las dos campaas (140 en total).
Dado que ahora las medidas se encuentran dispersas y no sobre una malla regular, no podemos utilizar el
programa GAM2M.EXE, sino que utilizaremos el GAMV2M.exe, cuyo archivo de parmetros se muestra
en la Figura 25. Lo nico que los diferencia es la irregularidad en la distribucin de los datos.

Figura 25. Archivo de parmetros para el programa GAMV2M.EXE.

Parameters for GAMV2M


*********************

START OF PARAMETERS:
MEDIDAS.DAT \data file
1 2 \columns for x and y coordinates
1 4 \nvar; column numbers...
-1.0e21 1.0e21 \tmin, tmax (trimming limits)
VAREXP_140.VAR \output file for variograms
10 \nlag - the number of lags
4.0 \xlag - unit separation distance
2.0 \xltol- lag tolerance
2 \ndir - number of directions
0.0 90.0 50.0 \azm(i),atol(i),bandw(i)i=1,ndir
90.0 22.5 10.0
1 \number of variograms
1 1 1 \tail, head, variogram type

El resultado es el variograma experimental de los 140 datos, que se muestra en la Figura 26.

Figura 26. Variograma experimental de los datos de las dos primeras campaas.

Como se puede observar, la falta de datos distorsiona terriblemente el variograma experimental (con
respecto al experimental real obtenido anteriormente). Una comparacin entre los valores de ambos se
muestra en la Tabla 5.

Tabla 5. Comparacin de los parmetros de visu de los variogramas experimentales obtenidos con
2500 datos y con los 140 correspondientes a las dos primeras campaas.

Datos Modelo Pepita Alcance Meseta


2500 Esfrico 9 8 25
140 Esfrico 0.3 10 20
Como se puede observar, el variograma modelo se conserva (no tiene porque pasar). La pepita se reduce
sobremanera. Esto es bastante normal si se tiene en cuenta cual es el significado de la pepita del
variograma. Mide la variabilidad a pequea escala. Dado que no se puede cuantificar al eliminar una
ingente cantidad de medidas, esa pepita tiende a desaparecer. El alcance se mantiene, dado que nuestro
juego de medidas esta bastante bien situado. La meseta (anloga, ms o menos, a la varianza muestral es
tambin parecida).

En la Figura 27 se muestra el variograma experimental obtenido, superpuesto con el variograma modelo


sugerido y con el obtenido anteriormente para las 2500 medidas.

Figura 27. Superposicin de variogramas experimentales y modelos.

Una vez se tiene una funcin (el variograma en este caso) que describe la variabilidad espacial del
problema, pueden utilizarse las herramientas que ofrecen informacin sobre el campo: estimacin
condicionada (kriging), simulacin condicionada/ no condicionada.
ESTIMACIN CONDICIONADA (KRIGING)

Una vez se tiene la descripcin del variograma (modelo, alcance, anisotropa, meseta y pepita), puede
llevarse a cabo una interpolacin en los puntos no muestreados, en base a ese/esos variograma/s y a las
medidas disponibles. Como se coment en la clase anterior, el gran problema que tiene GSLIB es el
trabajo en base a una malla regular. Portanto, no vamos a realizar en los puntos que nosotros queramos,
sino en el centro de gravedad de las celdas. El programa que se va a utilizar es KTB3D.EXE para realizar
krigeados de variable nica. Si se desea cokrigear, deber usarse el programa COKB3D.EXE, de
funcionamiento muy similar (simplemente hay que definirle las medidas de las variables secundarias y los
variogramas de estas, adems de los cruzados con la primaria). El resultado de estos programas es doble.
Por un lado, genera el valor de la estimacin en los centros de gravedad de los pixeles, adems de la
varianza de estimacin. Por el otro, genera un archivo de debugging, en el que se lista los puntos de
medida y los pesos asociados utilizados en la interpolacin de un punto determinado.

Para visualizar los resultados pueden usarse los programas CSCALE.EXE (explicado en la clase anterior)
o GSCALE (para mapas de grises,d e funcionamiento anlogo). Veamos el archivo de parmetros del
programa KT3D, mostrado en la Figura 28.

Figura 28. Archivo de parmetros del programa KTB3D.EXE

Parameters for KTB3D


********************

START OF PARAMETERS:
DATOS.DAT \ARCHIVO CON LAS MEDIDAS
1 2 0 3 \COLUMNAS CON X,Y,Z Y VARIABLE
-1.0e21 1.0e21 \LIMITES DE CORTE
ESTIM.OUT \ARCHIVO DE RESULTADOS
1 \NIVEL DE DEBUGGING: 0,1,2,3
CHECK.DBG \ARCHIVO DE DEBUGGING
50 0.5 1.0 \NX,XMN,XSIZ
50 0.5 1.0 \NY,YMN,YSIZ
1 0.5 1.0 \NZ,ZMN,ZSIZ
1 1 1 \PUNTOS DE DISCRETIZACIN DE UN BLOQUE
4 16 \MIN Y MAX DE DATOS PARA EL SISTEMA DE KRIGING
0 \A RETENER POR OCTANTE (0:NO SE USA)
20.0 \SEMIEJE MAYOR DE BUSQUEDA
0.0 0.0 0.0 1.0 1.0 \ANGULOS Y ANISOTROPIAS DEL ELIPSOIDE DE BUSQUEDA
0 4.35 \0=KRIGING ORDINARIO; 1=KRIG. SIMPLE + MEDIA
000000000 \TENDENCIA POLINOMICA (0:INACTIVA); x,y,z,xx,yy,zz,xy,xz,zy
0 \0, ESTIMAR LA VARIABLE; 1, ESTIMAR LA TENDENCIA
0 \1: CONSIDERAR DERIVA EXTERNA
5 \COL DE LA DERIVA EN DATOS.DAT (SI 1 EN LA ANTERIOR)
NADA.DAT \ARCHIVO CON LA DERIVA CELDAS DE LA MALLA
4 \NUMERO DE COLUMNA EN ESE ARCHIVO
1 0.3 \NUMERO DE ESTRUCTURAS, PEPITA
1 10.0 20.0 \TIPO, ALCANCE MAYOR,(MESETA-PEPITA)
0.0 0.0 0.0 1.0 1.0 \ANG1,ANG2,ANG3,ANIS1,ANIS2

El resultado de la ejecucin de KTB3D.EXE es doble; por un lado, se muestra en la Figura 29 los valores
de la estimacin y de la varianza de estimacin que ofrece el programa.
Figura 29. Estimacin y varianza de estimacin para el archivo de parmetros anterior

KTB3D ESTIMATES WITH: Clustered 140 primary and secondary data


2
Estimate
EstimationVariance
4.693 0.791
4.041 0.642
2.885 0.539
2.255 0.538
1.622 0.537
1.066 0.533
1.200 0.621
1.394 0.738
......

Ntese que, al trabajar sobre una malla regular, debe seguirse la ordenacin de pixeles descrita en la clase
anterior. Por otro lado, la Figura 30 muestra parte del archivo de debugging, correspondiente a la
estimacin del primero de los pixeles

Figura 30. Extracto del archivo de debugging

BLOCK: 1 1 1 at 0.5000000 0.5000000 0.5000000

Lagrange : -0.170163970157926
BLOCK EST: x,y,z,vr,wt
2.500 1.500 0.500 3.330 0.634
5.500 1.500 0.500 0.060 0.118
0.500 7.500 0.500 12.740 0.095
0.500 8.500 0.500 6.490 0.031
1.500 8.500 0.500 20.350 -0.010
2.500 8.500 0.500 8.900 -0.015
0.500 9.500 0.500 15.770 0.049
1.500 9.500 0.500 7.560 0.016
2.500 9.500 0.500 6.260 0.021
3.500 9.500 0.500 7.920 0.062
estimate, variance 4.692778 0.7912890

El resultado grfico de la aplicacin del programa, tras ejecutar CSCALE.EXE se muestra en la Figura
31. Uno de los resultados ms importantes a remarcar es el bajo valor de los valores esperados
(recurdese que el kriging no es ms que un sistema de interpolacin y que el mximo de los datos
utilizados es 58). Otro resultado importante es la suavidad inherente al campo, debido al uso de ste (o
cualquier otro sistema de interpolacin). Si lo que se pretende es obtener un mapa que represente la
variabilidad espacial de manera menos suave, debe utilizarse un algoritmo de simulacin. Obsrvese
adems que hay puntos en blanco. Los valores interpolados en dichos puntos son negativos.

La Figura 32 muestra el campo de la varianza de estimacin. Lgicamente los valores menores de


varianza de estimacin son los asociados a los pixeles prximos (o que contienen) a los puntos de medida.
Figura 31. Resultado grfico del krigeado ordinario

Figura 32. Varianza de estimacin del campo krigeado