Professional Documents
Culture Documents
1 N
5,
Krjging en el Hidrociencias
^ Ep.tre D'lnformatique gologique Ecole Nationale Suprieure des Mines de Paris Fontainebleau, Francia Entregado
espacio de 2 3 dimensiones) de
una caracterstica Z del fenmeno
natural en estudio. Sin embargo,
como
de una variable aleatoria (RV) en el
resultado numrico base (por ejemplo,
33) de un nico ensayo
Por lo tanto, la inferencia estadstica
requerir que h hiptesis sobre la rfbE aaden, por lo que
esta bilidad podra superarse. Estas hiptesis, sin
embargo, ser lo suficientemente dbil como para cubrir
elmayor ^ nmero posible de problemas prcticos.
y (hj -2 var
^ Z (X + h) "Z (x)] (6)
y
'La Figura 4. Cuatro ejemplos de variogramas que ilustran los cuatro tipos de comportamiento cerca del origen:
sal
a es
po-
sola
men
te
(4)
(5)
,es
F.
II- (a) variogramof evolucin thedaily de la altura piezomtrica en un profundo Ivell
Cerm (Korhogo n 28, IvoryCoast)
(b) variogramof variacin thespatial del espesor de una formacin geolgica (Chemery, Francia)
(c) variogramof variacin thespatial de lluvia durante una tormenta dada (Kadjemeur, Chad)
(d) theseries variogramof de profundidades de lluvia anual en una estacin (Mettman, TFG)
de manera stansrical, la forma en que la informacin de una Aparte de la conducta en el origen, otra caracterstica
medicin de punto xen-f se deteriora como uno XITSS lejos del importante de la variograma es su comportamiento a grandes
punto de medicin. distancias. Dado que slo los incrementos se supone que es
estacionaria, el variograma puede aumentar indefinidamente.
Sezzavior en el origen Bat se puede estabilizar en torno a un valor lmite, llamado la
la ixiging, el comportamiento de la variograma en el vela, que es entonces igual a la varianza de los datos en m
Beigrborhood del origen es muy importante porque caracteriza campo. La distancia a la que se alcanza el umbral se llama la
la continuidad de la Re. V. Ejemplos de me cuatro tipos clsicos gama. El rango muestra la extensin de la zona de influencia de
de comportamiento se pueden encontrar en la Fig. 4. un punto experimental: a distancias ms all del rango, las
fa | forma parablica: este caracteriza una correlaciones entre los puntos son nulas.
variables regulares raely (differentiabLe por la media Podemos pensar en la ampliacin de la interpretacin de un
convergencia jagnare) Como la cabeza en una profunda ' = R . variograma obtenido sobre la base de los valores experimentales
p o c i l l o s como una funcin en el tiempo. y tratando de explicar cada fluctuacin que aparece en el
w forma lineal:esto corresponde a un habitual ess variable que grfico. Algunos fenmenos muestran realmente zeriodicity,
en (a) (continua en media cuadrtica: mvergence, pero no estructuras anidadas (superposicin de las variaciones en
diferenciable); que es el espesor del lazo caso de la formacin diferentes escalas) o efectos agujero (existencia de correlaciones
geolgica de nuestra escala de trabajo. negativas debido a la presencia de
cay Discontinuidad en t \ es decir, origen(Efecto de pepita): este zonas ricas '' rodeados de zonas pobres ''). Sin embargo, la
significa que la variable es muy irregular (no conti- a: ns en mayora de las veces, las fluctuaciones de la grfica son meras
la convergencia cuadrtica media). Dos puntos distintos, a fluctuaciones de muestreo; los valores del variograma
pesar de que estn muy cerca uno del otro, se mostrar una experimental son slo estimaciones que a veces se basan en un
diferencia con una variacin, al menos, igual al "efecto pepita pequeo nmero de puntos de datos pairsnsf. Por lo tanto,
'C. Este trmino tiene su origen en los estudios de tasas de antes de la etapa de estimacin, es necesario para adaptarse a
depsitos pepita de oro, donde la gracia de oro vara mucho, variogramas experimentales a modelos tericos sencillos. Es la
dependiendo de si el pramt est dentro o fuera de una pepita. El nica manera de asegurar la consistencia matemtica requerida
trmino tiene teet siept para describir una discontinuidad para los clculos kriging.
inicial de la waricgram que puede ser debido a un
microregionaliza-OGB: R. una escala mucho menor que la
separacin de laritaifapuntos: a microregionalizacin como se Ajuste de un modelo terico
ha serred en datos de lluvia durante mucho tiempo por hidro - Varianzas de combinaciones lineales de Z (x) se utilizarn ms
e: e: r ilogists, que explican por perturbaciones locales, adelante en la derivacin de las ecuaciones de kriging. Un
estabilidad del aire cerca de la tierra y la lluvia ~ ga lo largo de modelo terico para y (h) debe ser tal que por cada
los pluvimetros en rfagas irregulares. El efecto immgget conjunto de n puntos X; y n coeficientes arbitrarios A .; que
n
tambin puede ser debido a errores de medicin; verificar 7] Ai = 0 (con el fin de obtener una lineal
la ausencia de informacin adicional, no es posible comparar combinacin j i = i
las magnitudes de tanto posible eposes.
de incrementos, que son las nicas cantidades withi
idi! variograma plana (Puro efecto de pepita o 's blancos S : que se puede trabajar en el marco de la hiptesis intrnseca), el
este es el caso puramente aleatoria Z (x) y I x + h:. No estn clculo de la expresin:
correlacionados para cualquier no-cero del vector fa Tal es el
caso de lnea de frontera, con total falta -de estructura IMT se
pueden encontrar en la sucesin de las profundidades de lluvia var (2 AIZ (xi)) = - J] AiAjy (xi-Xj) (9) i = i i=ij=i
anual en una estacin determinada.
siempre conduce a un resultado positivo.
3 ehavior en el infinito Los modelos de variograma ms comnmente utilizados son
culos ^ cribed en la Tabla 1 y sus grficos se muestran en la
figura-n-
La existencia de un efecto de pepita C da como resultado la
ADCII j cin de un constante C a otro modelo y0, excepto en el
origen:
y (h) r =
gaussiano [1-exp (- | h | 2 / a2)] 0 AV3 (U
Ct>
Eso a veces es posible sustituir el efecto de pepita C por un modelo tambin incluye el caso sin deriva (iewith una
componente esfrico de alfizar de C y de una gama ms
pequea que la distancia ms corta entre los puntos de datos. expectativa constante) donde la nica funcin bsica ser una
En tales casos, se supone que mientras que la variable en funcin idnticamente igual a 1. Por lo tanto, en la siguiente,
estudio es continua y no existe ningn error de medicin, el
muestreo ha sido demasiado flojo para revelar aumento rpido utilizaremos una sola derivacin de las ecuaciones kriging para
de troquel en el variograma cuales9Pallars Sobir indicar un ambos casos, con o sin deriva.
microregionalizacin. Por ltimo, vamos a err v. en que los
modelos descritos en la Tabla 1 no son los: los r_ly posibles y La segunda parte de la hiptesis intrnseca se mantendr (es
que tambin es posible probar una combinacin lineal (con decir, la ecuacin (5)), la cuestin de la inferencia del
coeficientes positivos)x diferentes modelos con el fin de obtener variograma cuando la ecuacin (4) no se cumple se pospuso
un mejor ajuste. temporalmente a la siguiente seccin.
Lo anterior proporciona herramientas para la caracterizacin
de la variabilidad espacial de un fenmeno. La conexin con los Las derivaciones de las ecuaciones
problemas de estimacin se har por la teora de kriging.
( el valor de z en el z0 = z X0) (14)
UNA MIRADA A LA TEORA DE Kriging El modelo interpretativo u punto x = x0 (
El marco de la hiptesis intrnseca debe extenderse primero un n
(
poco, con el fin de que sea posible tratar con variables para las s el valor medio de
que la hiptesis de la media constante no puede efectuarse z (x) sobre el s0 de 1
-
razonable (por ejemplo, carga hidrulica o altura de lluvia en malla de rea s, 0
s fz (x) dx b0
una regin montaosa). x = x0 punto (15)
Vamos a suponer que la expectativa de la RF (
Z (x) (del cual se toma la variable en estudio para ser una d el valor medio de z (x) 1
realizacin) es una funcin m (x) = E [Z (x) j que vara o sobre el dominio S z
o-s fz (x) ds (16)
lentamente con respecto a la escala de trabajo. Esta funcin m Los valores de la variable z (x) bajo estudio son conocidos en el
(x), llam a la deriva (Matheron [16]), se asumir que ser lo n experimental puntos x1, x2 ,. ..., Xn, y el problema es estimar
suficientemente regular para ser expresado localmente como: un z0 cantidad que puede ser cualquier funcional lineal de la
variable. A continuacin, mencionaremos slo para zQ los
m (x) = a ^ f ^ (x) (11) siguientes casos, por el que se mostrarn las aplicaciones en
l=i las siguientes secciones:
donde el f ^ se dan funciones bsicas y la a ^ son coeficientes En aras de la simplicidad, los clculos sern derivados para el
desconocidos. Las funciones bsicas se denotan con un tercer caso. El primer caso puede ser visto como un caso de
exponente, y f ^ simplemente indica el uno. En la prctica lnea de frontera en el que el dominio se reduce a un punto y el
comn, estas funciones son casi siempre monomios. Si yr \ segundo caso es idntica a la tercera ^.
son las coordenadas de un punto x, podemos escribir, por Para estimar zQ, vamos a considerar un promedio ponderado
ejemplo: de los n datos disponibles:
m (4,77) = a + a2 + a3 77 (12) norte
ZG = ^ xyo z (xyo)( 17
)
om (|, RJ) =ax + a2 + a37? + una4t, 2+ A- ^ 77 + a6772 y i=i
hablaremos un de- lineal (12) o una (13) deriva cuadrtica. Este
El problema es encontrar el conjunto de pesos que dan la mejor
estimacin posible.
C anansi * 'AAAC ITOE; ar ; .MBD ..ssr ^ erpreon. * x Jm~ 13tai * FCF 'minimizando la forma cuadrtica en
a- namder las limitaciones k (22), la siguiente Ujj ^
& ELir_ :: sistema, llamado "sistema de kriging' es coche
obtained-
- 18) E + E ^ Ajrij fi ns =
j=i C=i i = 1.
Zifas,
ij = f ^ (Xj y f | f = ^ (x) dx
nor
te U (27)
jyij - yis
Co
m
la mayora se haya cumplido, cualesquiera que
sean los valores desconocidos a- la que, por cierto, no
2 N
:=
o- j=i I
tiene que ser e: sotm.o: ~ T puede ser, el resultado es:
1
m = Yar [Z * - Z0] = E + E AiYis -YSS
g -ji -H 0 1=
<= (22) 1 (28)
aspectos
- Un ttrg r1 = 3, obtenemos como primera computacionales
Para la estimacin de valores de puntos, como para el de
restriccin: n los valores promedio de ms de mallas, hay tantos
fX|-1=0 (23) sistemas kriging, ya que hay puntos (o mallas) a estimar.
Pero si todos los puntos de datos disponibles son. tenido
en cuenta cada vez, parece que slo los cambios del lado
Fr: m 23j.it es posible escribir el error (Zg - Z0) OS z derecho y la matriz de los sistemas de kriging necesitan
combinacin lineal de incrementos de la RF Z: ser invertidas slo una vez. En tal situacin, hablamos
de un barrio nico. Sin embargo, muy a menudo, el
nmero de puntos experimentales es demasiado grande
Zo - Ai _ Z (x ^) Zq - 7] Xj (Z (x j) Zq) para permitir que un procedimiento de este tipo,
i = ii = i mientras se mantiene el tiempo de clculo aceptable y
(24) precisin de los resultados. Luego, para cada punto o
malla que se estima, solamente se utilizarn los 10 a 20
As. la varianza de este error puede ser expresado,
puntos de datos situados en su vecindad inmediata, y
despus de algunos clculos, en trminos de la
hablaremos ^ de un barrio en movimiento.
variograma:
nn Propiedades de kriging
T2X [ZQ ZQ] - EE AiAjyij + 2 E AiZis rss
1 = 1] = El sistema de kriging toma realmente en cuenta (1) las
1=
i 1 (25) distancias entre el punto estimado (o dominio) y los
: es el valor ol variograma puntos de datos con el iO (o) los trminos, (2) las
ante entre dos puntos distancias entre los puntos de datos con los trminos ij,
sYdeij - Y (x j xi) experimentales Xj y XJ. y (3 ) la estructura de la variable a travs de la
es la media de la variograma y (ver Fig. 6).
Vis Jsy dx (XRX) variograma entre el punto En cierto modo, los pesos kriging se adaptan a la
de Xj y un punto variabilidad del fenmeno. Con una variable regular,
describiendo el dominio S. Kriging da mayor peso a los puntos de datos ms
es el valor medio de la cercanos, ya que precisamente la continuidad significa
variograma entre dos que dos puntos cercanos entre s tienen valores
similares. Cuando el fenmeno es irregular, esto no es
-.5S = - Fj y (x-x ') dxdx' seala de forma cierto y el peso dado a la experimentacin ms cercano
independiente
S2 barriendo sobre el
nnintc oro HamnonoH
's-de dominio S.
Cuando x0 coincide con un punto de datos xi; verificamos que la
solucin del sistema es Aj = 1, Aj = 0 para j ^ i. Tenemos = Z (x ^)
(iekriging es un "interpolador exacto), y | = 0.
Una dificultad puede surgir en la presencia de un efecto de
pepita. El componente catico del fenmeno (errores
instrumentales o microregionalizacin), que es modelizado por el
efecto pepita, no se puede predecir, ya que no se correlaciona
espacialmente. En los puntos experimentales, kriging restaura el
valor de medicin, ya que es un interpolador exacto. Pero, fuera
de estos puntos, y, en particular, en los nodos de la red, el
sistema de kriging conduce a una estimacin en el que el
componente catica, de hecho imprevisible, se filtra.
Por ltimo, vale la pena tener en cuenta que el sistema de kriging
y en consecuencia la varianza kriging CT |solamente poner en
juego la estructura y la configuracin geomtrica de los puntos de
datos y el punto (o dominio) a estimar. Ellos no dependen de los
valores reales de las mediciones z (x ^. Esta notable propiedad se
utilizar ms adelante para la optimizacin de redes de medicin.
Lineal 1 K (h) = Ax + C6 ih | + A3 [h | 3
Cuadrtico 2 K (h) = Ax + C6 | H | + A3 | h 1 + 3 A5
|h|5
restriccion C ^ 0, Ax <0, A5 <0, A3 3 "Vaxa5
es:
Figura 9. Ubicacin de los pozos de observacin y mapa
de desviaciones estndar kriging (.Huveaune acufero):
equidistancia de 10 cm.
Fir'd re 8. mapa piezomtrico obtenidos por kriging (.Huveaune acufero aluvial, Francia): equidistancia de
100 cm.
Despus de este mirar a la teora y en los problemas de ubicaciones conel 40 pozos de observacin. A medida que
reconocimiento de la estructura, el propsito de la la parte de aguas abajo del acufero est cubierta por un
siguiente raro secciones es ilustrar cmo funciona kriging gran nmero de pozos, el mapa krigeado es muy precisa
con estudios de casos de la vida real. en esta regin: las desviaciones estndar son de menos de
10 cm. Por el contrario, en la regin aguas arriba donde
hay as solamente una nica observacin, la precisin
disminuye rpidamente con la distancia de los puntos de
Kriging COMO HERRAMIENTA PARA INTERPOLACIN
datos.
Como ejemplo de este primer uso de kriging, tomaremos
el caso del acufero costero Huveaune [1]. La superficie de Una palabra acerca de Guess-campos
la cabeza se observa a travs de 40 pozos. Por per- Cuando un mapa superficie de la cabeza es dibujado por
frrming el reconocimiento automtico desarrollado kriging, vale la pena sealar que la nica informacin que
estructura: m la base de la IRF y teora, una deriva lineal se tiene en cuenta consiste en las cabezas de medicin.
y una covarianza generalizada en | h | 3 (que muestra la Como no se ha utilizado ningn otro (por ejemplo
alta regularidad espacial de la superficie de la cabeza) geolgica) informacin, el mapa puede ser ms o menos
han sido encontrados. A continuacin, las estimaciones fsicamente plausible en algunas regiones (por ejemplo, el
kriging se han calculado en cada nodo de un 100 m x 100 extremo sur del acufero). Por lo tanto, un procedimiento
m cuadrcula. El mapa de la Fig. 8 ha sido dibujado por el especial es a veces necesaria para el contorno superficie
uso de estas estimaciones. Se refiere como el mapa de la cabeza. Lo siguiente puede emplearse: (1) un campo
krigeado. de conjetura se calcula por medio de un modelo numrico
en bruto (con transmisividad uniforme y velocidad de
Hemos visto en lo que antecede que, adems de la
infiltracin, por ejemplo). Este modelo tendr en cuenta
estimacin, kriging proporciona una estimacin de la
toda la informacin disponible, a excepcin de los datos
varianza. Esta variacin, o su raz cuadrada, la desviacin
recogidos en los pozos de cabeza (es decir, no hay lmites
estndar kriging, es una buena medida de la precisin de
en la cabeza de flujo y prescritos, las tasas de bombeo);
la interpolacin. Por ejemplo, podemos tomar [z $ -2crK,
z (2) se calculan las desviaciones entre el campo de la
O + 2CR #] como un intervalo de confianza para el
conjetura y las cabezas medidos en los pozos de
verdadero valor de z x + Q): correspondera a un nivel de
observacin; (3) en cada nodo de la red, la correccin
confianza del 95 / 0 bajo la hiptesis de un error de
apropiada para el campo de conjetura se estima a partir
kriging normalmente distribuida. prcticas actuales Por
de estas desviaciones por kriging. Se puede ver que un
supuesto, las parejas del mapa krigeado con el mapa
procedimiento de este tipo puede tomar de flujo y
correspondiente de desviaciones estndar kriging. Aqu,
condiciones de contorno en cuenta en el kriging.
se puede encontrar en la Fig. 9 a lo largo de las
Kriging en el Hidrociencias JP Delhomme Estimacin
var M z (x j) - z
_i = l
Entonces, la incertidumbre en los datos slo se introduce Tal adaptacin de kriging se ha aplicado al estudio de los
una ligera modificacin en el sistema de kriging. Como no campos de transmisividad de varios acuferos [5], [8]. Los
son los datos de la verdadera valores z (x j), pero slo datos fueron llegando ya sea directamente de ensayos de
sumas de los valores verdaderos y los errores z (x ^) +e (xf), bombeo o por regresin lineal a partir de los valores de
el estimador kriging ahora tiene la forma: capacidad especficos.
norte
aj = 2 ^ (Z (X J) + E (Xi)) (38) Presencia de fallos
i=i Los fenmenos estudiados hasta ahora desarrolladas en el
Desde E [e (x ^)] = 0, las condiciones insesgamiento no son espacio sin saltos. No siempre es el caso. En geologa, por
ejemplo, fallos pueden encontrarse. En tal caso, un punto
modificados, pero la varianza del error de estimacin se
de medicin no da ninguna informacin sobre un punto
convierte en:
var - * 0] que est situado en el lado opuesto de un fallo. Durante el
procedimiento de kriging, un fallo es simplemente
considerada como una pantalla entre los puntos rrollo
+ F (39) experimental que deben o no deben ser tomados en
Vi = i cuenta.
Las diversas aplicaciones de kriging descrito
Cuando minimizar esta expresin, obtenemos el sistema de
anteriormente han demostrado su capacidad para hacer
kriging clsica a excepcin de los trminos diagonales = 0 frente a toda la gama de
que son sustituidos por -a ?.
Kriging en el Hidrociencias JP Delhomme
problemas de estimacin que aparecen en Hdricas.
Ahora veremos su importancia en la optimizacin de las
redes de medicin.
17
Figura 13. Correspondencia de contorno de kriging desviaciones estndar con una Ivell observacin adicional (.Huveaune
acufero, Francia).
medidos en los puntos experimentales con el fin de
garantizar una buena coincidencia con lo que se sabe
sobre el fenmeno.
t OMBTHONAL SIMULACIONES
Por lo tanto, una simulacin condicional puede definirse
e ZAVE visto que, cuando se aplica para el contorno como una superficie que 1) tiene la misma variabilidad
de la cartografa, el etiquetado ofrece en todos los puntos como el fenmeno estudiado, 2) pasa a travs de los puntos
del mapa de la mejor estimacin lineal posible y la experimentales.
desviacin estndar de una " e de error en cuestin. una simulacin de este tipo es, obviamente, no es la
Los intervalos de confianza han sido brut para los realidad, pero slo una versin del mismo. Las diferentes
verdaderos valores que siguen siendo desconocidos. es simulaciones condicionales representan posibles
interesante para visualizar la libertad que lei: a la variaciones del mapa cierto. Si uno genera un gran
superficie y mirar las diferentes estribo que pueden ser nmero de estas variaciones, el promedio de sus valores en
asumidas por las isolneas More- wer.. Zhemapa un momento dado se mostrar el valor estimado por
krigeado es ms suave que el "verdadero mapa 'iecamse Kriging, y su varianza de la varianza de estimacin
un estimador, incluso uno ptima, no puede ffestfiute correspondiente.
detalles que no se han observado. Por lo tanto, el inters
tarifa tambin puede estar en la visualizacin de la Procedimiento
variabilidad: zatar fenmeno. El mtodo de simulacin
condicional Matheron [18], Journel [12]) cumple con Vamos a empezar a partir de la siguiente descomposicin
estos dos: ruirements electrnico. trivial:
verdadero valor = estimacin kriging kriging de error
Principio + z (x) = z * (x) + (z (x) - z * (x))
# e han examinado el fenmeno en estudio para ser una
realizacin particular de un determinado RF Este pro- ~ (41)
ted una forma de establecer el problema de una Por desgracia, fuera de los puntos experimentales, el
iranework probabilstico y de hacer uso de herramientas
verdadero valor de z (x) no est disponible y se desconoce
tales como las expectativas, varianzas, variogramas y el error kriging. Por lo tanto, vamos a simular este error al
generalizadas covarianzas . El propsito del trmino lazo
recoger desde otra realizacin s (x) de un RF
'simulaciones condicionales' 'simulacin' aqu debe S (x) que tiene el mismo variograma (o el mismo covarianza
tomarse en su sentido estadstico, que no tiene nada que
generalizada) como Z (x). mtodo de las "bandas de
ver con la simulacin - en tcnicas de iones se utilizan inflexin" [18] que ha sido desarrollado en Fontainebleau
para predecir el comportamiento de los acuferos) es de
nos permite obtener tal realizacin.
sealar otras posibles realizaciones de la misma RF
Por construccin, estas otras realizaciones tendrn la Kriging se puede realizar en s (x) utilizando las verdaderas
misma variabilidad espacial como el verdadero fenmeno posiciones de datos. A medida que el variograma es el
(la misma variograma o misma covarianza generalizada). mismo, la estimacin kriging s * (x) en el punto x se
Adems, se vern obligados a mantener a los valores calcula con los mismos pesos kriging como para z (x) *.
Kriging en el Hidrociencias JP Delhomme
Esta vez, en la descomposicin: los Hdricas. El primer ejemplo consiste en una simulacin
condicional de una tormenta en el lecho de un ro
s (x) = s * (x) + (s (x) - s * (x)) (42) Kadjemeur cuenca [3].
Se demostrar la viabilidad de visualizar la variabilidad
Se conocen todos los trminos. espacial de un fenmeno. Mientras que el mapa krigeado
era bastante suave (ver [3]), esta simulacin condicional
Hay que tener en cuenta: (Fig. 14) tiene una apariencia desigual que est en
consonancia con lo que podra esperarse sobre la
ZS(X) = z * (x) + (s (x) - s * (x)) (43) variabilidad espacial de una tormenta. Este mapa se ha
se puede demostrar [2] que ZS (x) es una simulacin obtenido a partir de datos escasos. Sin embargo, la clula-
condicional en el sentido definido anteriormente. patrn de precipitaciones se muestra de una manera que
Ejemplos es bastante comparable a la que se ha observado en otros
lugares
Ahora examinaremos dos aplicaciones de este mtodo en
19
Figura 14. La simulacin condicional del rgimen de
a) kriging con intervalo de
confianza
1 Ui
0 -J I
S.
s'-
dP
skme
ha
SLI!
lluvias durante una tormenta (Kadjemeur).
10 Uj-;
Figura 15. Comparacin betiveen el mapa krigeado y -J
un
simulaciones condicionales (TiVo Huveaune acuferos). >1
<0 I
s?
oi
UJ
UJ
yo
*2
li
con una red de pluvimetros densa. Sharon [21] dio el permanecer coherente con los datos disponibles (cf.the
nombre de spottiness a esta forma tpica de zonas mitad aguas arriba). La incertidumbre que se deja sobre
aisladas. la superficie de carga real es de hecho una crtica
Para el segundo ejemplo, vamos a volver al estudio de
caso de la Huveaune acufero [1]. Kriging se compara con
dos simulaciones condicionales en Fig. 15 como a las
formas de cuatro isolneas y en la Fig. 16 En cuanto al
aspecto de una seccin transversal a lo largo de un perfil
determinado. Tanto las simulaciones condicionales son
siempre dentro de un rango de 2De acuerdoalrededor
de la estimacin kriging. Cuando la desviacin estndar
de la estimacinDe acuerdoes la ley, todas las
simulaciones condicionales y kriging coinciden
aproximadamente (vase el medio abajo). En particular,
todos ellos pasan a travs de los puntos experimentales
(cf.the piezmetro aislado aguas arriba en la Fig. 15).
Pero cuandoDe acuerdoes grande, las simulaciones
pueden ser muy diferentes, mientras que, sin embargo,
En cuanto a la calibracin del modelo, kriging estndar (es decir, con respecto a la desviacin estndar
proporciona el medio de 1) la estimacin de los valores de kriging) tiene un valor absoluto de menos de 2. Esto
carga de datos de campo que .PAN ser comparados puede entenderse intuitivamente: uno tiene que pulir el
directamente con los resultados del modelo; 2) que define accesorio en el zonas bien conocido y puede estar
un criterio de adecuacin entre el modelo y la realidad. satisfecho con uno aproximado en las zonas menos
El error de calibracin, que puede ser definida como la conocidas.
diferencia entre la cabeza calcula sobre el modelo y el
obtenido por kriging, debe ser consistente con el intervalo El criterio adoptado es:
de confianza kriging. Si el rango convencional de 2De
acuerdo que se adopte, se considerar que el montaje max
correcto en las zonas wrhere el error de calibracin yo
Figztre 17. La adecuacin entre el modelo y la realidad:
errores de calibracin (A) y los errores de calibracin estandarizados (segundo) (Acufero Kairouan, Tnez).
r * antes que el subndice i se desarrolla durante todo el acufero. La fiabilidad de los resultados de nuestros
AASC mallas z? representa el valor obtenido con el modelo, modelos sigue siendo problemtica.
r * el krigeados valores, y CM el estndar kriging Considerando que, despus de los primeros xitos de los
: E mento, en la malla i. modelos digitales, hidrogeologa pareca estar regido por
Tig.17 muestra errores de calibracin y los errores el determinismo, se hace cada vez ms evidente que un
estandarizados para la misma etapa durante la calibracin enfoque probabilstico que ahora se necesita para salir
de la SAE Kairouan modelo acufero. Uno puede notar que del estancamiento actual. Hasta los ltimos aos, este
el cambio a los errores estandarizados permite que las enfoque ha sido poco utilizado cuando se trata con el
zonas en las que sigue habiendo un problema que destacar flujo en medios porosos (por ejemplo Schwydler [20] en
fcilmente. 1962, Matheron [15] en 1967). La palabra "estocstico"
El accesorio puede considerarse satisfactoria en los lmites slo se acopl con 'la hidrologa' en el sentido limitado de
occidentales y en la parte sur de la mimer: hay algunos la hidrologa superficial. Por el momento, somos testigos
errores de calibracin ms grande que yo o 5 metros, pero de los primeros pasos de un 'hidrogeologa estocstica'.
la piezometra hay bastante granizoTconocido. Por otro
lado, parece que Nos ha .; t; concentrarse en el lmite
oriental de la rimer i. Referencias
Sriging ya se puede utilizar como una gua durante
'ALIBRACIN c -si de un modelo de acufero, pero los r.as 1. Besbes, M., Delhomme, JP y de Marsily, G., "La
esfuerzo; Continuar en esta rea de la identificacin de precisin de la connaissance de la piezometrie
los sistemas de i ~ r imiwater recursos: el uso de t d'un AQUIFERE: consecuencia sur le calage d'un
probabilstico; mtodos pueden ayudar a poner fin a un modele ', Int. Rep. LHM / RD / 75/23 bis, Escuela
perodo de estancamiento relativo, dando un nuevo de Minas, Fontainebleau, Francia, 1975.
impulso. 2. Delfiner, P., estimacin lineal de fenmenos no
estacionario", en La geoestadstica avanzadas en
la industria minera, M. Guarascio et al., Eds.,
OBSERVACIONES FINALES Pp. 49-68, D. Reidel Publ. Co., Dordrecht,
Holanda, 1975.
la gestin del agua moderna se basa en el modelado, tet 3. Delfiner, P. y Delhomme, JP, "Optimum
nuestros modelos siempre se basan en los datos puntuales interpolacin por kriging ', en Visualizacin y
escasos. Eso implica incertidumbre en los parmetros del anlisis de datos espaciales,JC Davis y MJ
modelo y cualquier incertidumbre en cuanto a la McCullagh, eds., Pp. 96-114, Wiley and Sons,
transmisividad da lugar a una incertidumbre en la Londres, 1973.
cantidad de agua que puede ser retirada inmediatamente 4. Delhomme, JP, 'Traitement des geostatistique
de la donnees piezometriques: le krigeage en hidro-
Kriging en el Hidrociencias JP Delhomme
Geologie ', Int. Rep. LHM / R71 / 14, Escuela condicional de yacimientos ', Geologa Econmica,
de Minas, Fontainebleau, Francia, 1971. 69 (5), 673-687, 1974.
5. Delhomme, JP, 'La cartographie d'une grandeza 13. Kagan, RL, "Algunos problemas relativos a la
fsico A partir de donnees de differentes qualites', interpretacin de los datos de lluvia ', .en ruso!
en Memoires de l'Assoc. Int. des Hydrogeologues, Trudy operaciones del gobierno general, n 208,
Tomo X {!), Pp. 185-194, 1974. 64-75, 1967.
14. Matheron, G., 'Les'Variables Regionalisees et leur
6. Delhomme, JP, "Aplicaciones de la thorie des
Estimacin', 306 pp., M a s s o n , P a r s , 1 9 5 5
variables de regionalisees dans les Sciences de
15. Matheron, G., Elementos vierten Toie theorie des *
l'eau ', Estos de Docteur-Ingenieur, Pars, 1976.
Milieux poreux,166 pp., Masson, Pars. 1967
7. Delhomme, JP y Delfiner, P., "Aplicacin du
16. Matheron, G., 'Le Krigeage Universel', Cahiers du
krigeage un 1'optimisation d'une campagne
Centre de MQrphologie Mathematique, l,
pluviometrique en zone aride ', en Actas del 82 pp., Escuela de Minas, Fontainebleau, Francia.
Simposio cm El diseo de los recursos hdricos 1969.
Proyectos con datos inadecuados, (2), 17. Matheron, G., "La teora de variable regionalizada
pp. 191-210, Unesco, Madrid, 1973. y sus aplicaciones, Glico, s du Centre de
8. Delhomme, JP y Levassor, A., "Reconocimiento Morfologa Matemtica, 5, 211 pp., Escuela de Minas,
optimale du champ des transmissivites ', en - Fontainebleau, Francia, 1971.
Memoires de l'Assoc. Int. des Hydrogeologues, 18 Matheron, G., "El intrnseca al azar funciones y
Tomo XIII, (1), Pp. 25-39, 1977. sus Aplicaciones ', Adv. en Appl. Prob., 5, 438-
9. Drozdov, OA y Shepelevskii, AA, ' L o s teora de 468, 1973.
interpolacin en un campo estocstico de los 19 Matheron, G., "Effet proportionnel et lognormalite
elementos meteorolgicos y su aplicacin a los ou le retour du Serpent de mer ', Int. Rep. CMM /
mapas meteorolgicos y problemas de N-374, Escuela de Minas, Fontainebleau, Francia,
racionalizacin de redes '(en ruso), Trudy NIU 1974.
GUGMS, 1 {18), 1946. 20 Schwydler, MI, "Caractersticas medias el fluir a
10. Gandin, LS, Anlisis objetivo de Meteorologa travs de medios heterogneos azar '
campos, 242 pp., Israel Programa de Desarrollo (en ruso), Izv. Akad. Nauk. SSSR, Mekh. i Mas, 4,
Cientfico Traducciones, Jerusaln, 1965. 127-129,1963.
11. Huijbrechts, C, 'Le variogramme des Residus', Int. 21 Sharon D 'La spottiness de las lluvias en desen
'reas', J. Hidrologa., 17, 161-175,1972.
Rep. CMM / N-200, Escuela de Minas,
22. Thiessen, 'promedios de precipitacin para reas
Fontainebleau, Francia, 1970.
grandes' A. H ", Monthly Weather Rev., o9 (7), 1082-
12. Journel, A., "La geoestadstica para la simulacin
1084,1911.