Generar una superficie continua utilizada para representar un atributo concreto es una función clave requerida en la mayoría de las aplicaciones de los sistemas de información geográfica (SIG). El tipo de superficie más utilizado es probablemente un modelo de elevación digital del terreno. Estos datasets están disponibles a pequeñas escalas para distintas partes del mundo. Sin embargo, prácticamente cualquier medición realizada en diversas ubicaciones de un paisaje, el subsuelo o la atmósfera se pueden usar para generar una superficie continua. Uno de los principales retos a los que se enfrentan los creadores de los modelos SIG es generar la superficie más precisa posible a partir de los datos de muestras existentes, además de determinar el error y la variabilidad de la superficie predicha. Las nuevas superficies generadas se usan en otros modelos y análisis SIG, y también en la visualización 3D. Entender la calidad de estos datos puede mejorar considerablemente la utilidad y el propósito del modelado SIG.
Geostatistical Analyst usa los puntos de muestra tomados en distintas ubicaciones de un paisaje y crea (interpola) una superficie continua. Los puntos de muestra son mediciones de un fenómeno, como la radiación emitida por una central nuclear, un vertido de petróleo o alturas de elevación. Geostatistical Analyst deriva una superficie usando los valores de las ubicaciones medidas para predecir los valores de cada ubicación del paisaje.
Geostatistical Analyst proporciona dos grupos de técnicas de interpolación: determinísticas y de estadísticas geográficas. Todos los métodos se basan en la similitud de los puntos de muestra cercanos para crear la superficie. Las técnicas determinísticas usan funciones matemáticas para la interpolación. Las geoestadísticas se basan en métodos estadísticos y matemáticos que se pueden usar para crear superficies y valorar la incertidumbre de las predicciones.
Además de proporcionar varias técnicas de interpolación, Geostatistical Analyst también incluye muchas herramientas de soporte. Por ejemplo, antes de realizar una representación cartográfica, se pueden usar herramientas de análisis de datos espaciales exploratorio (ESDA) para evaluar las propiedades estadísticas de los datos. Tras explorar los datos, puede crear diversos tipos de mapas de salida (por ejemplo, de predicción, de error de predicción, de probabilidad y cuantiles) usando numerosas variantes de los algoritmos kriging y cokriging (Bayesiano ordinario, simple, universal, indicador, de probabilidad, disyuntivo y empírico) y de las herramientas asociadas (por ejemplo, transformación de datos, declustering y eliminación de la tendencia). Si los datos se han capturado en polígonos, la interpolación de áreas tendrá en cuenta la forma y el tamaño del polígono en la creación de una predicción continua o una superficie de error estándar.
Comprender los métodos de estadísticas geográficas
Los métodos de estadísticas geográficas se basan en modelos estadísticos que incluyen la autocorrelación (las relaciones estadísticas entre los puntos medidos). Estas técnicas tienen la capacidad de producir superficies de predicción y, además, pueden dar una medida de la precisión de estas predicciones.
Los principales pasos implicados en la creación de un modelo de estadísticas geográficas son:
- Examinar los datos (distribución, tendencias, componentes direccionales, valores atípicos).
- Calcular el semivariograma empírico o los valores de covarianza.
- Ajustar un modelo a los valores empíricos.
- Generar las matrices de las ecuaciones de kriging.
- Resolverlas para obtener un valor predicho y el error (incertidumbre) asociado con él para cada ubicación de la superficie de salida.