Disponible con una licencia de Geostatistical Analyst.
Las geoestadísticas, como se explica en el tema de introducción ¿Qué son las geoestadísticas?, son un conjunto de métodos que permiten estimar valores para ubicaciones en las que no se han tomado muestras y también valorar la incertidumbre de esas estimaciones. Estas funciones son esenciales en muchos procesos de toma de decisiones, ya que es imposible en la práctica tomar muestras en todas las ubicaciones de un área de interés.
Es importante recordar, no obstante, que estos métodos son un medio que permite crear modelos de la realidad (es decir, del fenómeno de interés). Corresponde al usuario crear modelos que se adapten a sus necesidades específicas y que proporcionen la información necesaria para tomar decisiones bien fundamentadas y defendibles. Un aspecto importante de la creación de un buen modelo es la comprensión del fenómeno, como se han obtenido y qué representan los datos de muestra, y qué se espera que proporcione el modelo. Los pasos generales del proceso de creación de un modelo se describen en El flujo de trabajo de estadísticas geográficas.
Hay numerosos métodos de interpolación. Algunos de ellos son muy flexibles y pueden reflejar diversos aspectos de los datos de muestra. Otros son más restrictivos y requieren que los datos se ajusten a unas condiciones específicas. Los métodos kriging, por ejemplo, son muy flexibles, pero dentro de la familia kriging hay distintos grados de condiciones que se deben cumplir para que la salida sea válida. Geostatistical Analyst ofrece los siguientes métodos de interpolación:
- Polinómico global
- Polinómico local
- Ponderación por distancia inversa
- Funciones de base radial
- Interpolación de difusión con barreras
- Interpolación Kernel con barreras
- Kriging ordinario
- Kriging simple
- Kriging universal
- Kriging indicador
- Kriging de probabilidad
- Kriging disyuntivo
- Simulaciones gaussianas de estadísticas geográficas
- Interpolación de área
- Kriging bayesiano empírico
Cada uno de estos métodos tiene su propio conjunto de parámetros, lo que permite personalizarlos para un dataset concreto y para los requisitos de la salida que se genere. Para ayudar a seleccionar el más adecuado, los métodos se han clasificado en función de varios criterios diferentes, como se muestra en Árboles de clasificación de los métodos de interpolación que se ofrecen en Geostatistical Analyst. Una vez que haya definido con claridad el objetivo de desarrollar un modelo de interpolación y de examinar los datos de muestra, estos árboles de clasificación pueden ayudarle a elegir el método más adecuado.
¿Algún comentario sobre este tema?