Kriging es un conjunto de métodos de interpolación espacial que estiman valores en ubicaciones no muestreadas minimizando el error cuadrático medio de predicción. El kriging asigna pesos a las muestras cercanas y lejanas para estimar valores, transfiriendo influencia entre muestras. El kriging provee la mejor estimación posible y permite evitar errores sistemáticos al considerar muestras externas e internas al área estimada.
Kriging es un conjunto de métodos de interpolación espacial que estiman valores en ubicaciones no muestreadas minimizando el error cuadrático medio de predicción. El kriging asigna pesos a las muestras cercanas y lejanas para estimar valores, transfiriendo influencia entre muestras. El kriging provee la mejor estimación posible y permite evitar errores sistemáticos al considerar muestras externas e internas al área estimada.
Kriging es un conjunto de métodos de interpolación espacial que estiman valores en ubicaciones no muestreadas minimizando el error cuadrático medio de predicción. El kriging asigna pesos a las muestras cercanas y lejanas para estimar valores, transfiriendo influencia entre muestras. El kriging provee la mejor estimación posible y permite evitar errores sistemáticos al considerar muestras externas e internas al área estimada.
Kriging es un conjunto de métodos de interpolación espacial que estiman valores en ubicaciones no muestreadas minimizando el error cuadrático medio de predicción. El kriging asigna pesos a las muestras cercanas y lejanas para estimar valores, transfiriendo influencia entre muestras. El kriging provee la mejor estimación posible y permite evitar errores sistemáticos al considerar muestras externas e internas al área estimada.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 7
Kriging
Definición
La palabra kriging3 (expresión anglosajona) procede del nombre del geólogo sudafricano D. G. Krige, cuyos trabajos en la predicción de reservas de oro, realizados en la década del cincuenta, suelen considerarse como pioneros en los métodos de interpolación espacial. Kriging encierra un conjunto de métodos de predicción espacial que se fundamentan en la minimización del error cuadrático medio de predicción. En la tabla 5 se mencionan los tipos de kriging y algunas de sus propiedades. En la secciones 4.3 y 4.4, se hace una presentación detallada de ellos.
Varianza de kriging
La varianza mínima del error de estimación en el sitio x0, llamada varianza de kriging, se simplifica de la siguiente forma:
donde σ2= C(0) es la varianza a priori de la función aleatoria Z. Se puede mostrar que la
varianza de kriging simple siempre es menor o igual a la varianza a priori:
La varianza de kriging ordinario (varianza del error cometido en el sitio x0) se expresa de la siguiente forma:
donde σ 2 = C(0) es la varianza a priori de la función aleatoria Z, o sea, la meseta de su
variograma. Ahora, la segunda igualdad muestra que la varianza de kriging no depende de este valor σ 2 , por lo cual el kriging ordinario sigue aplicable incluso cuando el variograma no presenta meseta (por ejemplo, cuando es un modelo potencia). El krigeado
Introducción En términos mineros, el krigeado consiste en encontrar la mejor estimación lineal
insesgada de un bloque o zona V considerando la información disponible; es decir, las muestras interiores y exteriores a V.
El krigeado atribuye un peso λi a la muestra z(xi ). Estos pesos λi se calculan de manera de
minimizar la varianza del error cometido. Interés del Krigeado El interés del krigeado proviene de su misma definición: al minimizar σE2 estamos seguros de obtener la estimación más precisa posible de V o equivalentemente, de sacar el mejor provecho posible de la información disponible.
El nombre krigeado proviene de los trabajos de Daniel Krige en las minas de oro sudafricanas de Rand, en los años 50. La teoría fue formalizada una década más tarde por el geomatemático francés Georges Matheron.
El interés práctico más importante del krigeado, proviene, no del hecho que asegura la mejor precisión posible, sino más bien porque permite evitar un error sistemático. En la mayoría de los depósitos mineros, se deben seleccionar, para la explotación, un cierto número de bloques, considerados como rentables y se deben abandonar otros bloques considerados no- explotables. Daniel Krige demostró que, si esta selección se realizara considerando exclusivamente las muestras interiores a cada bloque, resultaría necesariamente (en promedio) una sobre-estimación de los bloques seleccionados. La razón de este problema es que el histograma de las leyes reales de los bloques tiene menos leyes extremas, ricas o pobres, luego tiene más leyes intermedias que el histograma calculado con las muestras interiores, y, si se calcula el efecto de una selección sobre este último histograma, los paneles eliminados serán en realidad menos pobres que lo que se había previsto, y los paneles conservados menos ricos (figura V.2). De acuerdo a lo expresado anteriormente, el krigeado define el estimador lineal:
con la condición de insesgado (llamada también condición de universalidad
Los pesos λi se calculan de manera de minimizar la varianza σE2 del error ε = ZK - ZV, en que ZV es la ley media desconocida de V. Como es natural, el krigeado atribuye pesos altos a las muestras cercanas a V y pesos débiles a las alejadas. Sin embargo, esta regla intuitiva puede fallar en ciertas
situaciones en las cuales se habla de efecto de pantalla o de transferencia de influencia.
Estudiaremos estos conceptos con un ejemplo: La figura siguiente muestra un bloque que debe ser estimado a partir de 8 muestras S1, S2, . . . , S8.
El krigeado encontrará en este caso, suponiendo isotropía espacial:
i) λ1 ≥ λi (i = 2, 3, . . . , 8) La muestra S1 es la de mayor peso.
ii) λ2, λ3 ≥ λi (i = 4, 5, . . . , 8) Las muestras S2 y S3 tienen mayor peso que las muestras S4, S5 , . . . , S8 iii) λ6 ≅ 0 Se dice que la muestra S5 hace pantalla a la muestra S6. iv) λ4 ≅ λ5 + λ6 + λ7 + λ8
Se dice que hay una transferencia de influencia; es decir, la influencia de la muestra S4 se
reparte entre las muestras S5, S6, S7 y S8. Se puede afirmar que el krigeado “desagrupa” la información. La menor o mayor intensidad de los efectos anteriores depende, evidentemente, del variograma (efecto de pepita, meseta, alcance). Por ejemplo, si se tiene un variograma lineal isótropo, γ(h)=ω|h| , se tienen los pesos siguientes para estimar el bloque B:
Propiedades del Krigeado
Las propiedades más importantes del método de krigeado son: a. Propiedad de simetría Si γ(h) es isótropo, entonces datos que son simétricos respecto de V y con respecto a los otros datos tienen pesos iguales En el ejemplo de la figura V.10:
λ1 = λ1
λ2 = λ4 = λ6 = λ8
λ3 = λ5 = λ7 = λ9
Esta propiedad era útil cuando se resolvían los sistemas de krigeado “a mano” b. Composición de krigeados Sean dos volúmenes disjuntos V1 y V2; sean z1 y z2 los estimadores de krigeado respectivos:
Entonces el krigeado z de V1 ∪ V2 es: 11 2 2 1 2 ˆ Vz Vz z V V + = + Es decir una ponderación
por volúmenes o por tonelajes. Esta relación no es válida para las varianzas: si se desea conocer la varianza es necesario krigear el bloque V1 ∪ V2 o bien utilizar una aproximación.
Vecindad de Estimación. En estricto rigor, el krigeado de un bloque V debería realizarse considerando todos los datos disponibles (krigeado completo). Sin embargo, esta situación implica cálculos muy largos; por otra parte, las muestras alejadas tendrían un peso casi nulo. Por esta razón la práctica recomienda restringirse a una vecindad de estimación que puede ser una esfera o círculo, o bien un elipsoide o elipse (3D y 2D). Como recomendación práctica, el radio de búsqueda en una cierta dirección no debe ser inferior al alcance en esa dirección. La práctica ha demostrado que, en el espacio de dos dimensiones, con una vecindad que contenga un promedio del orden de 8 muestras, los resultados son buenos. En el espacio de tres dimensiones la situación es más compleja y debe ser analizada en cada caso particular.
Estrategia de búsqueda.
Esta estrategia establece los parámetros que hay que utilizar para la búsqueda de compósitos a utilizar en la estimación del bloque. Dependiendo del software utilizado, estos parámetros son:
• Radios de búsqueda (Rx, Ry, Rz). En primera aproximación se pueden utilizar los alcances del variograma en las direcciones (x, y, z), en una vecindad con forma de elipsoide.
• Mínimo k de muestras para krigear. Sirve para controlar el caso en que solo una muestra cae en la vecindad. Si, por ejemplo, se pone k = 2, solo se krigearán los bloques que tengan dos o más datos en la vecindad. • Máximo r de muestras para krigear. Si se pone, por ejemplo r = 32, entonces cuando en la vecindad de un cierto bloques existan más de 32 compósitos, solo se utilizarán en la estimación los 32 compósitos más cercanos al centro del bloque. Este parámetro se usa para mayor velocidad de los cálculos. • Máximo l de muestras por octante. Si se pone, por ejemplo l = 2, en cada octante se utilizarán las 2 muestras más cercanas al centro del bloque: El objetivo de este parámetro es “desagrupar” (pero, dadas las propiedades del krigeado ¿se justifica su uso?)
• Máximo s de compósitos por sondaje. Si se pone, por ejemplo s = 2, en cada sondaje se
utilizará un máximo de 2 compósitos, los más cercanos al centro del bloque. El objetivo de este parámetro es forzar la interpolación entre sondajes. Los parámetros l y s deben ser utilizados con precaución. Para no introducir artefactos, es recomendable que estos valores sean altos, lo que hace que su uso no sea interesante (ver figuras V.16, V.17 y V.18). La figura V.18 ilustra un perfil de una mina estimado con octantes (máximo 2 compósitos) y con máximo de compósitos por sondaje (máximo 2 compósitos) y el mismo perfil estimado con un máximo de 32 compósitos en la vecindad (sin octantes y sin máximo de compósitos por sondaje)
