135050

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