Geoestadística: Introducción con R

4. Predicción Kriging

Ramón Giraldo H
PhD Estadística
Profesor Departamento de Estadística
Universidad Nacional de Colombia
Métodos de Interpolación Espacial
• Determinísticos: Inverso de la distancia
n
1
di0
Z ( x0 )   i Z ( xi ), i  n
i 1

i 1
1
d ip

• Probabilísticos (Geoestadísticos): Kriging

n
Z ( x0 )   i Z ( xi ), i dependen de la autocorrelación
i 1
 Predicción Espacial Kriging
Propiedades

Son los mejores

Simple predictores si hay
Lineal Ordinario normalidad
Universal multivariada,

TIPO DE
KRIGING

Indicador Son mejores

Log-Normal predictores así no
No Lineal haya normalidad
Gaussiano
multivariada,
 Predicción óptima

Theorem.
Let Y=(Y1,…,Yn) be any set of random variables whose realised
values y = (y1,…,yn) are observed. Let T be any other random variable
and Tˆ  f (Y )be any function of Y. Then MSE Tˆ takes its minimun when
Tˆ  E T / Y 

 X (1)     (1)   11 12  

X   ( 2)  ~ MVN   ( 2) ,     
      
 X    21 22 

  
X (1) X ( 2) ~ MVN  (1)  12 221 X ( 2)   ( 2) , 11  12 221 21 
 Predicción óptima bajo normalidad



T Ynx1 ~ N   ( x0 )   2 r   2 R   2 I 
1
~


~ 

 Y   ,  2   2 r   2 R   2 I 
1 
 2r 
 

Tˆ  Sˆ ( x)  E T Y    ( x0 )   2 r   2 R   2 I   1 Y   
~


~ 

ˆ  2 1 2
V T Y     r  R   I  r
2 2 2
 
 Kriging Ordinario
n
Z ( x0 ) 
*
 Z (x )
i 1
i i

• Coincide con la esperanza condicional

anterior cuando hay normalidad y por tanto
es OPTIMO bajo este modelo. En otros casos
es solo MPLI.
Ilustración del Kriging Ordinario
Suponga que tiene observaciones en los puntos y quiere predecir en el
asterisco

Región de estudio.
Y
3 -  (10)  (12)  (13)

2 -  (15)  (?1)  (14)

1 -  (12)  (14)

1 2 3 X
 7
Z (?1 ) i Z ( xi )
i 1

Z (?)1 (10)2 (12)3 (12)4 (13)5 (14)6 (14)7 (15)

 Obtención de los ponderadores (KO)

V Z x   Z x  sujeto a    1
n
*
0 0 i
i 1

n n n  n 
 k2  2

i 1 j 1

i  j Cij  2 i Cio  2 
i 1



i 1
i  1


Estimación de los ponderadores (KO)

  11 . . .  1n 1  1    10 
    
 . . .  .   . 
 . . .  .   . 
    
 . . .  .   . 
  nn 1     
 n1  n   n 0 
 1 0    
 . . . 1     1 
Varianza de Predicción (KO)

n
2
o    i  io  
i 1
 Validación Cruzada
• Valores Observados contra Predicciones
• Error Cuadrático Medio.


i 1
2
ei
ECM 
n
 Kriging Ordinario. Datos Simulados

18

19 19

8
20
17
21

18

18
22
6

21

20
North

23
4

20
22

21

19
17
2

17
19

18

20
18

16 17
0

0 2 4 6 8

East
 Kriging Simple
n
Z * x0   m    Z x   m
i 1
i i

 C11  C1n  1   C10  n

    
 
C
      
    C 
 2
k   2
  C
i 1
i i0

 n1  C nn  n   n 0 
 Kriging Universal

n
Z * ( x0 )   Z (x )
i 1
i i

Z ( x )  m( x )   ( x )
E ( z ( x ))  m( x )
P
m( x )  a
i 1
l f l ( x)
 Tendencia Lineal

m( x)   0  1 X ( x)   2Y ( x)
f1 ( x )  1
f 2 ( x)  X
f 3 ( x)  Y
 Obtención de los ponderadores (KU)

 
n
V Z x0   Z x0  sujeto a
*
 f (x )  f (x )
i 1
i l i l 0

n n n P  n 
 k2  
i 1 j 1

i  j  ij  2 i io 
i 1
 
l 1
l 

 i 1
i f l ( xi )  f l ( x0 ) 


 Estimación de los Ponderadores (KU)

  11   1n 1 x1 y1  1    10 
    
           
   nn 1 xn yn      
 n1  n    no 
 1  1 0 0 0  1   1 
    
 x1  xn 0 0 0  x
 2   0 
 y      y 
 1 yn 0 0 0  3   0 
 Varianza de Predicción (KU)

n P
 k2       f (x )
i 1
i io
l 1
l l 0

Si P  1 y f l ( xo )  1

n
 k2   
i 1
i io 
 Kriging Universal. Datos Simulados

45 45

8 40

30
20
35
6
North

15 25

10
2

5
0
0

0 2 4 6 8

East
 Kriging Residual

Z x   mˆ ( x)  ex 
n
e ( x0 ) 
*

i 1
i e( xi )

Z ( x0 )  mˆ ( x0 )  e ( x0 )
* *
 KRIGING NO LINEAL

1 si Z ( x )  Z
I ( x, z )   Indicador
0 si Z ( x )  Z

Y ( x)  Log Z ( x) Log normal

U ( x)   1
Fn Z ( x) MultiGauss
Geoestadística Bivariada

Z v1 ( x) : xD  R m

Z v2 ( x ) : xD  R m

 Correlación Espacial Bivariada

Semivarianza Cruzada

nh
 v v ( h) 
1 2
1
2n h
   
Z v ( x  h)  Z v ( x) Z v ( x  h)  Z v ( x)
1 1 2 2
Modelo Lineal de Corregionalización (MLC)

 v ( h ) 
1 0 0( h )... m m ( h )

 v ( h ) 
2 0 0( h )...  m m ( h )

 v v ( h ) 
1 2 0 0( h )... m m ( h )
 Cokriging
n1 n2
Ẑ ( xo )
*
v1 a Z
i 1
i v1 ( xi ) b Z
j 1
j v2 ( xj )

n1 n2
Sujeto a  a i  1,  b j  0
i 1 j 1
 Estimación de Pesos del Cokriging

 γ v1 (1,1)  γ v1 (n,1) γ v1v2 (1,1)  γ v1v2 (m,1) 1 0   a1   γ v1 (0,1) 

    
             
 γ (1, n)  γ v1 (n, n) γ v1v2 (1, n)  γ v1v2 (m, n) 1 0   a n   γ (0, n) 
 v1    v1 
 γ v1v2 (1,1)  γ v1v2 (n,1) γ v2 (1,1)  γ v2 (m,1) 0 1   b1   γ v1v2 (0,1) 
    
             
 γ v1v2 (1, m)  γ v1v2 (n, m) γ v2 (1, m)  γ v2 (m, m) 0 1   bm   γ v1v2 (0, m) 
    
 1  1 0  0 0 0   μ1   1 
   0 0   μ2   
 0 0 1 1  0 
 Varianza de Predicción del Cokriging

 k2  CovZ v1 x0 , Z v1 x0 

n
  1   ai CovZ v1 xi , Z v1 x0  
i 1

 b j CovZ v 2 x j , Z v 2 x0 
m

j 1

donde CovZ vi x k , Z vi xl    vi2   vivi k ,l 