135050
135050
135050
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Rodolfo Bongiovanni / Evandro Mantovani / Stanley Best / Alvaro Roel<br />
De esta manera, y tal como se ha mencionado en el punto anterior, el proceso de llevar los puntos<br />
discretos a una representación de superficie, o modelaje de superficie, implica la obtención de un<br />
mapa a partir de un muestreo puntual (discreto) en un mapa que representa la distribución<br />
geográfica continua de los datos. Es preciso destacar, que la estadística tradicional (no espacial)<br />
señala un supuesto fundamental en los análisis, que es que los datos están distribuidos en el<br />
espacio al azar. Por esto, si los datos presentan autocorrelación (según el concepto ya presentado),<br />
muchos de los análisis estadísticos tradicionales no presentan validez. La estadística espacial o<br />
geoestadística, por otra parte, utiliza los patrones geográficos de los datos para explicar de mejor<br />
forma su variabilidad.<br />
Técnicas de caracterización de distribución de datos e interpolación espacial<br />
Como ya se ha indicado, cuando se realiza un muestreo discreto la estimación de los valores en<br />
aquellos lugares donde no se ha muestreado, implica utilizar técnicas de interpolación, que<br />
finalmente nos lleva a la caracterización de la distribución de los datos en un mapa.<br />
Hay numerosas técnicas para caracterizar o modelar (interpolar) la distribución espacial implícita<br />
en un conjunto de datos, entre otras contamos con:<br />
• La técnica “Nearest Neighbor” o del “vecino más próximo”, en donde se asigna el<br />
valor del punto más cercano al lugar donde se requiere realizar la estimación;<br />
• La “Inverse Distance to a Power— weighted” (o IDW), corresponde al método más<br />
simple de interpolación, en el cual se realiza un promedio de las muestras en una<br />
ventana de resumen, de tal manera que la influencia de un punto de muestreo declina<br />
con la “simple” distancia cuadrática, desde un valor desconocido hasta valores<br />
conocidos (Figura 8.6).<br />
Figura 8.6: Esquema de operación de la interpolación por la metodología de la distancia inversa.<br />
Por otra parte, también es necesario considerar los siguientes métodos:<br />
• “Modified Shepard’s Method” o Método Modificado de Shepard, en donde se utiliza<br />
un método de “mínimos cuadrados” de distancia inversa, el cual presenta la ventaja<br />
de reducir el efecto de “ojos de buey” alrededor de los puntos de muestreo, que<br />
generalmente se presentan con el modelo de IDW;<br />
• “Radial Basis Function”, en donde se utilizan funciones no lineales de “distancia<br />
simple” para determinar la ponderación;<br />
154