Los avances en la Vol los recursos hdricos.

1 N
5,

Krjging en el Hidrociencias

SECRETARIA de Recursos Hidrulicos

re 1RECCI 0N DE INFORMACIO'N Y Divulgacin IP .- 'ELHOMME
B I B L J O T E V U > A

^ Ep.tre D'lnformatique gologique Ecole Nationale Suprieure des Mines de Paris Fontainebleau, Francia Entregado

en diciembre 1977 Revisado y aceptada puede 1978

VOSL de los mtodos utilizados actualmente en Hdricas para la interpolacin y promediado espacial fallan para
cuantificar la exactitud de las estimaciones.
La teora de las variables regionalizadas permite a uno para sealar la relacin betiveen la correlacin espacial o
campos hidrometeorolgicos o hidrogeolgicas y la precisin de la interpolacin, o la determinacin de los valores
medios, en estos campos de avena.
4 mtodo de estimacin UEU llamada kriging ha demostrado ser muy iveil adaptada a la resolucin de los recursos
hdricos problemas. El autor presenta una. serie de estudios de casos en el contorno automtico, entrada de datos para
los modelos numricos, la estimacin de precipitacin promedio sobre un rea de influencia determinada, y el diseo
netivork medicin.

INTRODUCCIN sovitica de la hidrometeorologa. Durante los aos

Desde Hdricas son ciencias aplicadas, una gran
cantidad de datos de diversos tipos deben ser recogidos:
v niveles ITER en pozos de observacin, transmisividad
determinados por pruebas de bombeo, las elevaciones del
lecho rocoso cuando alcanzado por la perforacin,
profundidades de lluvia medida en medidores de lluvia.
Los datos numricos primas tienen que ser procesados
con el fin de dirigir la atencin a las caractersticas
estructurales de las variables en estudio.
Una manera fcil de tener una idea de las variaciones
espaciales de una variable a partir de un muestreo
fragmentaria es dibujar un mapa de contorno con la
mano. A medida que se dispone de una cantidad limitada
de informacin, los datos se tienen que someterse a una
cierta cantidad de interpretacin subjetiva con el fin de
producir un mapa legible. Debido a que el grado de
interpretacin puede variar dentro de un solo mapa, la
precisin de un mapa tal no se puede especificar.
Con el fin de obviar la subjetividad de los mapas
dibujados a mano, tcnicas de mapeo automticos se
han desarrollado. Como regla general, el dibujo de lneas
de contorno se simplifica por un cuadriculado
preliminar: este * primera etapa consiste en la estimacin
de los valores tomados por la variable bajo estudio en
cada nodo de una red regular. Con la ayuda de
ordenadores, varias tcnicas se han utilizado para
gridding, la ponderacin de los datos, la interpolacin
polinmica, o por ejemplo, mnimos cuadrados de
distancia.
B'ct todos estos mtodos, de hecho, dar 'confeccionada' c;
ponderaciones ATA, sin tener en cuenta los aspectos
fsicos f el problema. Lo mismo es cierto para Thiessen
de po! Yg0ns Mtodo [22j que se utiliza actualmente
para la esiimation de los valores medios a lo largo reas.
Y, lo que es peor ls, ninguno de estos mtodos puede
ayudar a conseguir l, v * la indicacin por lo menos en
cuanto a la precisin de la
resultados.
^ Importante contribucin ha sido hecha por la escuela
cuarenta, Drozdov [9], y posteriormente Gandn [LoJ y
Kagan [13], hizo hincapi en la necesidad de un
reconocimiento previo de la variabilidad espacial, cuando
se est buscando un sistema de ponderacin ptima y
una cuantificacin del error de estimacin se requiere.
Por desgracia, este trabajo ha atrado poca atencin fuera
de la escuela que lo desarroll ..
Al mismo tiempo, al comienzo de los aos sesenta,
G. Matheron construy su teora de las variables
regionalizadas [14], [17] y propuso un mtodo de
estimacin a la que llam "kriging". Esta palabra que
puede sonar extrao, estaba compuesta por el nombre de
un geologist- especializada en la estimacin de la
minera, DGKrige. El alcance del mtodo, que
originalmente se limita al campo de la minera, se ha
ampliado considerablemente en los ltimos aos para
cubrir mbitos tan variados como los de la batimetra y
la silvicultura. Ha demostrado ser especialmente
adecuado para el problema encontrado en Hdricas de
[6].
En las primeras secciones, vamos a echar un vistazo a
los dos aspectos de la teora de las variables
regionalizadas: inferencia estadstica y estimacin
ptima.
variables regionalizadas
El trmino "regionalizado" -. Fue propuesto por G.
Matheron para describir un fenmeno que se propaga en
el espacio (y / o en el tiempo) y que muestra una cierta
estructura. Una variable que caracteriza a este fenmeno
se le llama "variable regionalizada '(en forma abreviada.
Re.V.). En realidad, todas las variables que describen el
metro o el ambiente (EAI con el ciclo del agua) puede ser
considerado como Re.V.
Desde un punto de vista matemtico, un Re.V. es
simplemente una funcin z (x) que proporciona el valor
 Los avances en la Vol los recursos hdricos. 1 N
5,

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.

Fijgtorre 1. Registro de la profundidad de la capa

fretica (en metros) en un pozo de observacin
(Korhogo n 3, Costa de Marfil).

Fir.-re 2. Los valores de las muestras de transmisividad (en
10 ~ 2 m2 / s) en un acufero aluvial (loiver
Durance, Francia).
si la evolucin diaria del nivel de agua en un dentado :::
pozo poco profundo (Fig. 1) o los diversos datos de
transmisividad recogidos en una llanura aluvial (Fig. 2),
estas nous fano puede tener una espacial (o temporal)
rancho de comportamiento demasiado complejo para ser
descrito por las expresiones analticas habituales.
La teora de las variables regionalizadas cubre todas las
posibilidades de las variables ms suaves a las ms duras.
Su objetivo es doble:
(1 establecer las bases tericas para la expresin de las
propiedades estructurales de los fenmenos
naturales en una forma matemtica til;
(2) proporcionar un medio prctico para la solucin de
diversos problemas de la estimacin.
Es conveniente, tanto desde el punto de vista conceptual y
las prcticas, para hacer frente a las variables
regionalizadas mediante el uso de la teora probabilstica de
la funcin aleatoria ::; ns [abbr.RF). Un Re.V. denotada por z
(x) por lo tanto se interpreta como una realizacin de una
funcin aleatoria tendido por Z (x)1. Pero debemos ser
capaces de reconstituir la ley de distribucin de este RFfrom
los datos. Una dificultad surge del hecho de que muchas
variables regionalizadas (por ejemplo, la superficie de roca
de fondo o el campo de la transmisividad de un acufero)
tienen una existencia nica, y es tan imposible deducir los
momentos de una RFfrom slo una realizacin, ya que es
para calcular la expectativa, la varianza o la funcin de
densidad de probabilidad
1 En este texto, las letras maysculas se refieren a
cantidades aleatorias.
Los avances en la Vol los recursos hdricos. 1 N
5,
Estacionariedad Y EL Hypothec INTRNSECO
Mencionemos aqu que, en lo que sigue, Shai
consideramos Re.V. slo dos dimensiones,a no ser
que se da una indicacin en contrario.
loscondensar* notacin x se referir a un punto de
coordenadas ({ r y h = x-x 'sern en consecuencia, ser
un vector.
La hiptesis que se utiliza generalmente en RFtheoi
es el de estacionariedad: a RF se dice que es la
estacin de: si su pdf conjunta en puntos arbitrarios
K es T invariante; traduccin simultnea de todos
estos puntos. La mayor parte del tiempo, la hiptesis
est restringido a la de w (estacionariedad de orden 2,
en el que slo los dos primeros momentos son para
ser invariante bajo la traduccin.
La expectativa es entonces una constante,
independiente de E [Z (x) j = m (x) = m
Adems, la covarianza entre dos puntos x y x 'C no
depende por separado en X y X', pero slo en el vector
(x-x '):
S'
E [Z (x) - m] [Z (x ') - m] = K (x-x')
En particular, la varianza es independiente de x:
E [(Z (x) -m) 2] = var [Z (x)] = K (0)
Entonces, suponiendo que la RF Z (x) es ergdico (\
vh es difcil de comprobar con slo una reali / cin
disponible "!), Hemos de basar cualquier inferencia
sobre el futuro p; metros de Z (x) sobre promedios
espaciales de la z realizacin singl (x).
Sin embargo, esta asuncin de stationarif dbil puede
ser todava demasiado restrictiva. Supondremos fo
momento y en aras de la simplicidad que la tesis de
HY mantiene constante expectativa. Pero, a medida
que s ver ms adelante, la derivacin de la
krigingequatio requiere estacionariedad dbil no para Z
(x) en s, sino por sus incrementos. Por lo tanto,
necesitaremos solamente la hiptesis de que, para
cualquier vector h, el incremento Z (x + h) -Z (x) tiene
cero expectativa y unadiferencia que es independiente
del punto x. Esto puede ser expresado por escrito:
( E [Z (x + h) - Z (x)] = 0
j var [Z (x + h) - Z (x)] = 2 / (h)
\
Esta hiptesis, ms dbil que la orden 2 stationarit.
llamada la "hiptesis intrnseca '. UnRF que satisface
esta hiptesis se llama una intrnseco (Abr. IRF). La
funcin y (h) se llama el variograma sei (de acuerdo
con confirmadouso, el variograma ', aunque
inexacta, se utilizar).
 tH E variogramas

SEen anteriormente, el variograma de una funcin

aleatoria intrnseca se define como:

y (hj -2 var
^ Z (X + h) "Z (x)] (6)

a partir de (4), esto tambin se

puede escribir: y (h) = j E [(Z (x + h)

(7)

lo que significa que 2 y (h) es- la

Z diferencia
(x)) 2] de medias al
cuadrado para dos puntos separados por una distancia
h. En consecuencia, el variograma es comparable a la
1), funcin de la estructura introducida por Drozdov [9].
Estimacin del variograma
Si el Re.V. en estudio es tal que la hiptesis intrnseca
puede hacerse razonablemente, a continuacin, y (h)
puede estimarse fcilmente sobre la base de las
diferencias al cuadrado calculados en una sola
realizacin disponible.
Cuando el fenmeno en estudio es unidimensional if.z es
una funcin del tiempo solamente), el retraso h es una
mera cin del mdulo | h \, que es la distancia entre los
Lo mismo es cierto si se trata de dos puntos, y del ngulo polar 6. Cuando los puntos
dimensiones, pero samp-lei sljng un perfil. Si los puntos experimentales estn espaciados irregularmente en el
experimentales se ed regularidad, el variograma se plano, que se reagrupan por clases de distancia y el
puede ssmnaiei.f: r valores de h que son mltiplos de la ngulo de modo que cuadrtico medio diferencias pueden
lag auto ,, con: ser calculado. Por ejemplo, tomamos todos los pares de
N (n) puntos de datos separados por una distancia (1) de
7, (z (xf + h) - z (xi)) 2 (8) menos de 1 km, (2) vara de 1 a 2 km, etc.. . . , Todo el
2N h i = i
tiempo que separa los pares orientados
2) aproximadamente NS de los EW orientado.
donde z x. son los valores experimentales en los puntos
de Xj tal que los datos estn disponibles tanto en x ^ y xi Una comparacin de los variogramas obtenidos para
+ h, y N (h:. s thenumber de pares de puntos de datos diferentes direcciones revelar las anisotropas del
separados por un espacio igual a h Un ejemplo de este fenmeno. En el caso isotrpico, y (h) es una funcin del
clculo se muestra en la Fig. 3. mdulo | h | solamente. La grfica de y (h) representa
frente | h | debe ser cuidadosamente estudiada. Siempre
ch Cuando se estudia un fenmeno que existe en un plano, pasa por el origen, como incrementos son obviamente
un- h es un vector. El variograma es entonces una funcin nulo a una distancia cero; entonces, se aumenta. Este
ira- de sus dos componentes o, en coordenadas polares, una ms o menos rpida crecientes caracteriza, en
funcin

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
medicin de punto xen-f se deteriora como uno XITSS lejos del
punto de medicin.
Sezzavior en el origen
la ixiging, el comportamiento de la variograma en el
Beigrborhood del origen es muy importante porque caracteriza
la continuidad de la Re. V. Ejemplos de me cuatro tipos clsicos
de comportamiento se pueden encontrar en la Fig. 4.
fa | forma parablica: este caracteriza una
variables regulares raely (differentiabLe por la media
convergencia jagnare) Como la cabeza en una profunda ' = R .
p o c i l l o s como una funcin en el tiempo.
w forma lineal:esto corresponde a un habitual ess variable que
en (a) (continua en media cuadrtica: mvergence, pero no
diferenciable); que es el espesor del lazo caso de la formacin
geolgica de nuestra escala de trabajo.
cay Discontinuidad en t \ es decir, origen(Efecto de pepita): este
significa que la variable es muy irregular (no conti- a: ns en
la convergencia cuadrtica media). Dos puntos distintos, a
pesar de que estn muy cerca uno del otro, se mostrar una
diferencia con una variacin, al menos, igual al "efecto pepita
'C. Este trmino tiene su origen en los estudios de tasas de
depsitos pepita de oro, donde la gracia de oro vara mucho,
dependiendo de si el pramt est dentro o fuera de una pepita. El
trmino tiene teet siept para describir una discontinuidad
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
ha serred en datos de lluvia durante mucho tiempo por hidro -
e: e: r ilogists, que explican por perturbaciones locales,
estabilidad del aire cerca de la tierra y la lluvia ~ ga lo largo de
los pluvimetros en rfagas irregulares. El efecto immgget
tambin puede ser debido a errores de medicin;
la ausencia de informacin adicional, no es posible comparar
las magnitudes de tanto posible eposes.
idi! variograma plana (Puro efecto de pepita o 's blancos S :
este es el caso puramente aleatoria Z (x) y I x + h:. No estn
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
anual en una estacin determinada.
3 ehavior en el infinito
Aparte de la conducta en el origen, otra caracterstica
importante de la variograma es su comportamiento a grandes
distancias. Dado que slo los incrementos se supone que es
estacionaria, el variograma puede aumentar indefinidamente.
Bat se puede estabilizar en torno a un valor lmite, llamado la
vela, que es entonces igual a la varianza de los datos en m
campo. La distancia a la que se alcanza el umbral se llama la
gama. El rango muestra la extensin de la zona de influencia de
un punto experimental: a distancias ms all del rango, las
correlaciones entre los puntos son nulas.
Podemos pensar en la ampliacin de la interpretacin de un
variograma obtenido sobre la base de los valores experimentales
y tratando de explicar cada fluctuacin que aparece en el
grfico. Algunos fenmenos muestran realmente zeriodicity,
estructuras anidadas (superposicin de las variaciones en
diferentes escalas) o efectos agujero (existencia de correlaciones
negativas debido a la presencia de
zonas ricas '' rodeados de zonas pobres ''). Sin embargo, la
mayora de las veces, las fluctuaciones de la grfica son meras
fluctuaciones de muestreo; los valores del variograma
experimental son slo estimaciones que a veces se basan en un
pequeo nmero de puntos de datos pairsnsf. Por lo tanto,
antes de la etapa de estimacin, es necesario para adaptarse a
variogramas experimentales a modelos tericos sencillos. Es la
nica manera de asegurar la consistencia matemtica requerida
para los clculos kriging.
Ajuste de un modelo terico
Varianzas de combinaciones lineales de Z (x) se utilizarn ms
adelante en la derivacin de las ecuaciones de kriging. Un
modelo terico para y (h) debe ser tal que por cada
conjunto de n puntos X; y n coeficientes arbitrarios A .; que
n
verificar 7] Ai = 0 (con el fin de obtener una lineal
combinacin j i = i
de incrementos, que son las nicas cantidades withi
que se puede trabajar en el marco de la hiptesis intrnseca), el
clculo de la expresin:
var (2 AIZ (xi)) = - J] AiAjy (xi-Xj) (9) i = i i=ij=i
siempre conduce a un resultado positivo.
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) = C ( l - 6 ) + y0(marido) (10)
.
donde 6 se puede definir como una medida de Dirac en el
origen.
Tabla 1. Modelos de Variogramas en el uso ms amplio
pendien
te en
Tipo Frmul la Cordillera de Um
a origen bral
Pepita
efecto y (h) = C (1-5) 00 0 do
,,, A (0 <x < 1 00
Monomio y (h) - U) I * 1 'A = 1 cu cc co
2 0
t | (IR) 3] HSA
3 Cu /
Esfrico y (h) = \ ^ 2a un c0
leu h <a

Exponencia [1-exp (- | h [/ a)] co / a 3a 0)

l
S)
II
3

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,

misma ife-e-w .. rigr.ts debe ser tal que este estimador

del sed (es decir, dando ningn error sobre o inniijer- Z ^ = Ff * = 1 ,.
J=i
cstm, y (2) ptima (es decir, con mmm mnimos
cuadrados sistemtica. Matemticamente, estos mineral
de OS condicin expresado como: Para llegar al caso en el que el dominio se reduce a
punto, slo tenemos que sustituir por:
EZ? - Z0] = 0 (19) f | por f ^ = f ^ (XO)
TST _Z * - MNIMO ZR (20 ) ns por ningn = y (xi - ~ x0)
yss por yoo = r (-x0 xo) =
Y C. nabiasedness condicin (19) lleva en la LO
La solucin de este sistema de n + k ecuaciones y n + k
deriva "* ecocces:
incgnitas da la n pesos Aj y los multiplicadores de
KF \ k Lagrange k. Los pesos Aj se introducen posteriormente
k ^ ) - l en (17) para dar la estimacin de Kriging (o valor
V*= (21 )
krigeados). Como un subproducto, la varianza de
estimacin (o la varianza kriging) se obtiene
sustituyendo:

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.

VOLVER A INFERENCIA ESTADSTICA Y ESTRUCTURA DE

RECONOCIMIENTO

variograma prima y variograma subyacente

Las ecuaciones kriging proporcionan un medio para estimar los
valores asumidos en cualquier momento por un fenmeno, ya sea
con o sin la deriva. Sin embargo, la inferencia del variograma y (h)
cuando una deriva que se observa es una cuestin an por
resolver: el mtodo propuesto en el anterior supone una media
constante.
En un acufero, este supuesto no se cumple para los valores de
carga, debido a las leyes fsicas que rigen el flujo. Si examinamos
el variograma en bruto (es decir, experimental) obtenido a partir
de datos del cabezal de la Crau acufero [4] (Fig. 7), nos damos
cuenta de que la media al cuadrado diferencias aumentan con la
distancia parablica en la direccin del gradiente hidrulico
promedio (es decir, NE- SO). Esto no es ms que el resultado de la
deriva que se descuiden. El clculo de la variograma de acuerdo
con (7) se obtiene en realidad:

yraw (h) = yreai O ') + [E {Z (x + h) - Z (x)} f

(29)
en lugar del variograma subyacente (es decir, real).
En algunos casos, la deriva no es aparente en una direccin y el
variograma se puede deducir considerando slo pares de puntos
de datos orientadas adecuadamente. Cuando hay un simple
desplazamiento a gran escala, podemos tambin sub stract de la
Z (x) una estimacin m * (x) de la deriva y trabajamos con los
residuos. Se sabe que el variograma de los residuos es una
estimacin sesgada de la variograma subyacente, pero este sesgo
puede despreciarse para pequeas distancias. Sin embargo, en
los casos ms complejos, la identificacin del variograma
subyacente de la de los residuos (Huijbrechts [11]) resulta ser
demasiado complicado un trabajo y se ha abandonado.

La hiptesis intrnseca generalizada

Parece preferible empezar de nuevo desde la misma definicin del
variograma: y (h) es una variacin de incrementos (es decir, de la
diferencia de orden uno): el

Figura 7. variograma AR IV en el caso de una

deriva (Crau acufero, Francia).
aprovechando las diferencias de primer orden es que se
filtran: constantes. Mientras el supuesto de constante
valor esperado E [Z (x) = m j cabe decir, los incrementos
de I x - h) - Z (x) tenan esperanza cero sea cual sea el
valor de m. Por lo tanto, el variograma se podra estimar
sin sesgo de las diferencias al cuadrado experimentales (z
(x + h) - z (x)) 2.
Entonces, para los fenmenos en los que la hiptesis
intrnseca no es relevante, la idea es utilizar diferencias
de segundo, tercero o de orden superior que tienen el
poder para filtrar los polinomios de grados 1 , 2 , , etc.
Este procedimiento se utiliza actualmente en el estudio de
series de tiempo no estacionario: se calcula sucesivas
diferencias finitas hasta que se alcanza un resultado
aproximadamente estacionaria. El mtodo se ha
generalizado para el caso de los datos que estn
distribuidos irregularmente en el plano (Matheron [18],
Delfiner [2]).
Teniendo en cuenta los puntos de n dada
xi de coordenadas (^, 777), n /
que llamaremos T XjZ (x ^) un incremento del orden k
de i = i
la RF Z si los pesos satisface las condiciones del tipo:
norte
Y J FIA ^ (xi) =
0 (30)
1=1
f: r todos los monomios f ^ de grado menor o igual a k (Es
decir, de la forma: 77T con 0 <p + q k.).
En Kriging, con una deriva polinomio de grado k, nos han
visto que las condiciones de sesgo se expresan como:
norte
Y FIA ^ (xi) - f * (x0) = 0 (31)
i=i
Esto se puede escribir en la misma forma que (30)
rastrillando A0 = -1. Por lo tanto, el error de kriging n
A | Z (xi) - Z (x0) es un incremento del orden k. los
i=i
hiptesis mnima requerida para la inferencia estadstica
es, entonces, la estacionariedad de tales incrementos y th
orden. El trmino "funcin aleatoria intrnseca
generalizado de ordenk ' (abbr.IRF k) se utiliza para
denotar una RF que satisface esta nueva hiptesis.
covarianza generalizada: modelo polinomial y la
instalacin automtica
Bajo esta suposicin, la teora muestra que la varianza de
los incrementos del orden k se expresa con una funcin K
(h) llama la covarianza generalizada de orden k. por k - 0,
la covarianza generalizada de orden 0 es, excepto para la
muestra, el variograma.
A condicin de que J] Aj Z (x j) es el incremento de n
1
j
Z
su varianza es: 2 * i (Xi>] = 11 ajaj K (Xj - Xj)
var
Ya que esto es particularmente (32 *
cierto en el error kriging clculos pueden
6
seguir las indicaciones anteriores, sustituyendo K -yY
todo lo dicho anteriormente acerca de la pron ^ lazos de
kriging permanece. ' ei
'
Como era el caso para un variograma, no todos funcio
puede representar una covarianza generalizada; DS debe
satisfacer ciertas condiciones de consistert matemtica
que garanticen que las varianzas de incrementos son ^
siempre positivo. Pero la clase de funciones admisibles es
ms ancha para las covarianzas generalizadas. En parti -
" 'cular, los modelos polinomiales resumidos en la tabla 0
se puede utilizar.
Estos modelos son lo suficientemente ricos como para
estar bien adaptados a la mayora de las aplicaciones, y
tienen la propiedad agradable de depender de forma lineal
en sus parmetros. Por lo tanto, la inferencia estadstica
es posible con la ayuda de un procedimiento automtico:
los parmetros. C, A1, A ,, A- se puede obtener por
regresin de las varianzas experimentales de y th
incrementos de orden en sus valores tericos expresaron
linealmente como una funcin de estos parmetros.
Comprobar la validez del modelo estructural adoptado
Incluso cuando el variograma calculado sobre la base de
los datos ha sido equipado, o cuando se han determinado
el grado de la deriva, as como los coeficientes del
polinomio generalizado de covarianza, la etapa de
reconocimiento de la estructura todava no est
terminado. pruebas de Kriging deben realizarse con el fin
de garantizar la validez de los parmetros estructurales
adoptadas.
El mtodo consiste en un kriging sucesiva de todos los
puntos de datos, haciendo caso omiso de cada uno de
ellos a su vez, uno por uno. A continuacin, se verifica
que no hay una estimacin excesiva o insuficiente
sistemtica, y se comparan los errores (es decir, las
desviaciones experimentales entre los valores
reconstruidos y los valores reales) con las desviaciones
estndar kriging tericos con el fin de asegurarse de su
coherencia. Un anlisis estadstico se lleva a cabo en la
estandarizada (es decir, en relacin con las desviaciones
estndar correspondientes) errores, la comprobacin de
que tienen ^ media cero y varianza unitaria. Los
parmetros estructurales a continuacin, se pueden
reajustar segn sea necesario.
El mtodo puede ser utilizado para la comparacin de
varios modelos estructurales posibles y determinar el
mejor ajuste. El criterio de seleccin es tener primero de
error cuadrtico medio mnimo, el segundo es haber
medias estandarizada squun rojo error lo suficientemente
cercano a 1 (es decir, en el intervalo de 1 2 V2 / n).
 Kriging en el Hidrociencias JP Delhomme
Tabla 2. Posibles modelos polinomiales de covarianza generalizada
Deriva orden modelos
k
Constante 0 K (h) = C6 + A1 ih |

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:

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
reconocimiento de la estructura, el propsito de la
siguiente raro secciones es ilustrar cmo funciona kriging
con estudios de casos de la vida real.
Kriging COMO HERRAMIENTA PARA INTERPOLACIN
Como ejemplo de este primer uso de kriging, tomaremos
el caso del acufero costero Huveaune [1]. La superficie de
la cabeza se observa a travs de 40 pozos. Por per-
frrming el reconocimiento automtico desarrollado
estructura: m la base de la IRF y teora, una deriva lineal
y una covarianza generalizada en | h | 3 (que muestra la
alta regularidad espacial de la superficie de la cabeza)
han sido encontrados. A continuacin, las estimaciones
kriging se han calculado en cada nodo de un 100 m x 100
m cuadrcula. El mapa de la Fig. 8 ha sido dibujado por el
uso de estas estimaciones. Se refiere como el mapa
krigeado.
Hemos visto en lo que antecede que, adems de la
estimacin, kriging proporciona una estimacin de la
varianza. Esta variacin, o su raz cuadrada, la desviacin
estndar kriging, es una buena medida de la precisin de
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
verdadero valor de z x + Q): correspondera a un nivel de
confianza del 95 / 0 bajo la hiptesis de un error de
kriging normalmente distribuida. prcticas actuales Por
supuesto, las parejas del mapa krigeado con el mapa
correspondiente de desviaciones estndar kriging. Aqu,
se puede encontrar en la Fig. 9 a lo largo de las
Figura 9. Ubicacin de los pozos de observacin y mapa
de desviaciones estndar kriging (.Huveaune acufero):
equidistancia de 10 cm.
ubicaciones conel 40 pozos de observacin. A medida que
la parte de aguas abajo del acufero est cubierta por un
gran nmero de pozos, el mapa krigeado es muy precisa
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
datos.
Una palabra acerca de Guess-campos
Cuando un mapa superficie de la cabeza es dibujado por
kriging, vale la pena sealar que la nica informacin que
se tiene en cuenta consiste en las cabezas de medicin.
Como no se ha utilizado ningn otro (por ejemplo
geolgica) informacin, el mapa puede ser ms o menos
fsicamente plausible en algunas regiones (por ejemplo, el
extremo sur del acufero). Por lo tanto, un procedimiento
especial es a veces necesaria para el contorno superficie
de la cabeza. Lo siguiente puede emplearse: (1) un campo
de conjetura se calcula por medio de un modelo numrico
en bruto (con transmisividad uniforme y velocidad de
infiltracin, por ejemplo). Este modelo tendr en cuenta
toda la informacin disponible, a excepcin de los datos
recogidos en los pozos de cabeza (es decir, no hay lmites
en la cabeza de flujo y prescritos, las tasas de bombeo);
conjetura y las cabezas medidos en los pozos de
observacin; (3) en cada nodo de la red, la correccin
apropiada para el campo de conjetura se estima a partir
de estas desviaciones por kriging. Se puede ver que un
procedimiento de este tipo puede tomar de flujo y
condiciones de contorno en cuenta en el kriging.
Kriging en el Hidrociencias JP Delhomme Estimacin

ptima de los valores medios

Aplicaciones de la kriging no estn limitados para el
contorno de mapeo. El mtodo tambin proporciona
una herramienta para la estimacin de las medias de
malla y promedios de las regiones de forma irregular.
Los valores promedio de ms de mallas de rejilla
Los modelos numricos han ganado importancia en
hidrogeologa lo largo de los ltimos diez aos. Un
esquema de discretizacin en diferencias finitas por lo
general se ha utilizado en los modelos de grandes
cuencas sedimentarias. En estos modelos,: re valor
atribuido a cada malla de rejilla es ms un valor medio
sobre la malla de un valor puntual en su centro. Una
estimacin de la cabeza media de cada malla, y las
primeras estimaciones de las medias de malla de
transmisividad y otros parmetros que entran en el
modelo, se necesitan antes de iniciar el proceso de
calibracin. Kriging est siendo utilizado como una
herramienta rutinaria para realizar dichas
estimaciones. Mencionemos que los intervalos de
confianza del kriging pueden proporcionar los rangos
dentro de los cuales los parmetros del modelo pueden
variar sin dejar de ser consistente con las mediciones
de campo. En cuanto a los valores de la cabeza,
valor medio sobre una regin
El ltimo uso de kriging en Hdricas est en el:
aiculation de la profundidad promedio de lluvia en una
regin dada. Se ilustra aqu por el estudio de caso wadi
Kadjemeur [7]. Las profundidades medias de
precipitaciones han sido estimados para los trece
tormentas que se produjeron en el ao 1966. El
nmero de medidores de lluvia era pequea. Algunas
veces las mediciones fueron desaparecidos. Por lo
tanto, era difcil obtener la inferencia estadstica del
variograma, tormenta por la tormenta.
T: tomar el variograma media de todas las duchas
directamente habra constituido una simplificacin
excesiva debido a que estas lluvias varan en intensidad Figura 10. Comparacin entre los pesos de Thiessen
y dispersin. Una hiptesis ms razonable es creado (a) y los pesos ptimos obtenidos por kriging (b)
TIR admitiendo que los variogramas de los diferentes (cuenca .Kadjemeur, Chad).
duchas son proporcionales entre s. Esto puede expresarse Higo. 10-b muestra los valores de los pesos kriging
como: _ correspondientes a la configuracin experimental
completo. Hemos encontrado que es interesante comparar-
< con los pesos dados por el mtodo de Thiessen (Fig. 10-
rk(H) = (s | / s2) 7 (h) (33)
a). Uno puede notar una similitud entre los dos conjuntos
de pesos. Ya que no hay grandes diferencias en las alturas
donde y ^ (h) es el variograma de la k ^ tormenta, S |
de la cuenca y las precipitaciones no muestran ninguna
la varianza experimental de la altura de lluvia para la tendencia sistemtica, slo una funcin bsica f1 = 1 fue
tormenta k-, S2 de la media de la s2 e y (h) el tomada por kriging. Sin embargo, mientras que la
variograma promedio (y (h) (en mm2) = 16. 2 (1-6) + ponderacin Thiessen no puede tener en cuenta una
8. 91 h (en km)). desviacin sistemtica (por ejemplo, debido a la orografa)
Entonces, uno slo necesita escribir el sistema de kriging sin recurrir a transformaciones en los datos, el formalismo
para cada ducha y resolverlo con el fin de obtener los de kriging hace esto posible. Hemos calculado los pesos
pesos ptimos para ser atribuidos a los pluvimetros y los ptimos que corresponderan a la existencia de una deriva
multiplicadores de Lagrange necesarios para el clculo de lineal y una cuadrtica deriva con el mismo variograma.
la varianza. Sin embargo, un estudio de estos sistemas Estos ltimos pesos son considerablemente diferentes de
kriging revela que si el variograma se multiplica por una los pesos de Thiessen.
constante de los pesos se mantienen sin cambios,
mientras que los multiplicadores de Lagrange, as como la ADAPTACIONES POSIBLES DE Kriging a problemas
varianza de estimacin se multiplican por lo tanto, con particulares
variogramas proporcionales, el clculo debe ser realizado
solamente una vez , siempre, por supuesto, que la red de La heterogeneidad estructural
ancho de lluvia siguen siendo los mismos. En hydroscTences, uno a menudo se ven obligados a
trabajar con un pequeo nurhber de datos. As, un solo
variograma se adopta para todo el dominio. El kriging
desviaciones estndar mapa principalmente representa la
configuracin geomtrica de los puntos de datos, as como,
posiblemente, sus respectivas calidades como se mostrar
ms adelante.
Cuando la informacin ms completa est disponible, el
dominio en estudio puede dividirse en subdominios y un
variograma ajustado diferente para cada uno. Entonces, la
posible heterogeneidad de la variabilidad espacial se tiene
en cuenta en kriging. Supongamos que el variograma local
es en todas partes de la forma y (h) = cu yQ(H), el valor de
la d3 factor que aumenta con la variabilidad local. Una
mirada al sistema de kriging muestra que, con una
configuracin geomtrica idntica, la varianza kriging es
proporcional a CD. A continuacin, los mapas de
desviacin estndar se muestran simultneamente la
configuracin experimental y la variabilidad local: con una
densidad igual de puntos de medicin, los intervalos de
confianza sern ms amplios en una zona muy turbulento
que en uno suave.
 muestra en la Fig. 11-A fue construido a partir de los 86
puntos de datos disponibles, su aspecto indicaba que la
transmisividad se estructur mal espacialmente. La
distribucin logartmica normal de la transmisividad
sugiri una logartmica irraation transformacin f. El
variograma construido sobre la base de los logaritmos de
AICA se muestra en la Fig. 11-b: esta vez, un modelo lineal
con una ligera discontinuidad en el origen :: _ld estar
equipado. Una peculiaridad mencionado por G. Mzifaeron
[19] ayuda a explicar este fenmeno: si Y x) = log Z (x) es
un IRFwith gaussiano un variograma sin lmitesy (H) (por
ejemplo, un variograma en h * -), el variograma
experimental de Z (x) tiene un valor esperado de la forma a
(l-e - ^ * 1)) y muestra una gama aparente.
A medida que el logaritmo de la transmisividad result ser
tetter estructurado que el propio transmisividad, kriging se
realiz en la primera. En cada nodo de la red (o ms de
cada malla), una estimacinZFI, una desviacin estndar
de la estimacin De acuerdo, y, en consecuencia, un
intervalo de confianza z * Q 2a ^ relativa a la
transformacin logartmica se calcul. El retorno a los
valores de transmisividad para la impresin de los
resultados conduce a una estimacin promedio de T igual
a 10zo. El intervalo de confianza se especifica a
continuacin, en forma de un coeficiente multiplicativo
igual a102oK:
10zo / 102CTK <T <10z2 102CT *

var M z (x j) - z
_i = l

Figura 11. Influencia de una transformacin logartmica de

los datos de transmisividad (.Aquitaine, Francia): a)
variograma de transmisividad b) variograma de su
transformacin logartmica.
1: transformacin garithmic
La experiencia muestra que a veces es preferible HORApara
trabajar con el Re.V. siendo estudiado, pero con una
transformacin (por ejemplo, una transformacin
logartmica) de l.
En el ejemplo siguiente se tom del
estudio de caso del acufero arenoso
Aquitania eocene [5]. El campo de
transmisividad fue sin cualquier deriva (34)
aparente y variograma experimental se
datos inciertos
A veces tenemos que hacer frente a los datos de diferentes
calidades recogidos de fuentes ms o menos fiables. Una
formulacin adecuada de kriging hace que sea posible el
uso de todos los datos (Delhomme [5]).
Algunos datos pueden haber sido obtenida por una tcnica
de medicin imprecisa o por regresin de otras mediciones.
E [e (x j)] = 0, Vi (35)
(b) no correlacionados entre s mismos:
cov [e (xi), e (x j)] = 0, V i * j (36)
(c) no correlacionada con la variable objeto de estudio:
cov [e (x j), Z ( x ) ] = 0 , V i, V x (37)
Entonces, la incertidumbre en los datos slo se introduce
una ligera modificacin en el sistema de kriging. Como no
son los datos de la verdadera valores z (x j), pero slo
sumas de los valores verdaderos y los errores z (x ^) +e (xf),
el estimador kriging ahora tiene la forma:
norte
aj = 2 ^ (Z (X J) + E (Xi)) (38)
i=i
Desde E [e (x ^)] = 0, las condiciones insesgamiento no son
modificados, pero la varianza del error de estimacin se
convierte en:
var - * 0]
+ F (39)
Vi = i
Cuando minimizar esta expresin, obtenemos el sistema de
kriging clsica a excepcin de los trminos diagonales = 0
que son sustituidos por -a ?.
Supondremos que la incertidumbre en un valor tal se
puede resumir en una cr varianza? ya sea computada por
un mtodo estadstico o incluso ms o menos estimado por
asimilar el rango de incertidumbre de 2oq. Debemos,
adems, asumimos que los errores e (x ^) en los datos
son:
(a) no sistemtica
Tal adaptacin de kriging se ha aplicado al estudio de los
campos de transmisividad de varios acuferos [5], [8]. Los
datos fueron llegando ya sea directamente de ensayos de
bombeo o por regresin lineal a partir de los valores de
capacidad especficos.
Presencia de fallos
Los fenmenos estudiados hasta ahora desarrolladas en el
espacio sin saltos. No siempre es el caso. En geologa, por
ejemplo, fallos pueden encontrarse. En tal caso, un punto
de medicin no da ninguna informacin sobre un punto
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
experimental que deben o no deben ser tomados en
cuenta.
Las diversas aplicaciones de kriging descrito
anteriormente han demostrado su capacidad para hacer
frente a toda la gama de
 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.
OPTIMIZACIN DE REFUERZO DE LA MEDICIN DE UNA
RED
La optimizacin de una red de medicin es un tema sin
sentido, siempre y cuando el objetivo no ha sido
claramente definido: un hidrlogo puede ser
principalmente interesado en la profundidad promedio de
lluvia sobre una determinada cuenca (objetivo general), un
hidrogelogo en valores medios de transmisividad a la
plaza mallas o en valores de carga puntuales (AIM local).
Por lo tanto, tendremos que diferenciar estos dos casos.
Sin embargo, en ambos casos, la varianza kriging puede
dar la cantidad de confianza que puede depositarse en las
estimaciones. Por lo tanto, se puede utilizar como un
ndice con el fin de 1) decidir sobre la conveniencia de
reforzar la red, 2) determinar la ubicacin ptima de un
posible punto de medicin adicional.
El mtodo de punto ficticio
Vamos a hacer uso de una propiedad antes mencionada de
la varianza kriging: a excepcin de la variabilidad espacial
del fenmeno en estudio, slo depende de la configuracin
geomtrica de los puntos de datos {x j, i = l,. .., N} y del
dominio que se estima (x0,S 0 o S); pero que no implica los
valores de datos real z (xj). Por lo tanto, podemos 1) tratar
un punto adicional xn + 1, 2) construir el sistema de
kriging que corresponde al conjunto de los puntos 1 n +
datos {x ^. . ., X, x n + 1}, y 3) calcular la correspondiente
varianza kriging sin tener que hacer ninguna hiptesis
sobre z (x n + 1). Este mtodo de "punto ficticio '[7] puede
ser utilizado en ambos casos mencionados anteriormente.
estimacin global
Cuando el propsito es estimar un valor medio sobre un
dominio S dado, vamos a tratar de determinar dnde
ubicar los n + ls * - punto de medicin con el fin de
conseguir la ms pequea varianza de estimacin
resultante para el valor medio sobre S. La varianza de
estimacin se denota como w ith el n
puntos de datos ya existente y como | (x) cuando el punto
ficticio x se ha aadido al conjunto de puntos de datos. La
reduccin varianza relativa se puede definir como:
K0 ~ 0K'X>
R (x) = (40)-----------
Si la eleccin se limita a un determinado nmero de
puntos seleccionados de acuerdo a un criterio dado (de
fcil acceso, fcil de leer, etc...), El punto de medicin
ficticia se encuentra sucesivamente en cada uno de ellos y
se determinan las reducciones
correspondientes de la varianza .
17
Figura 12. Mtodo punto ficticio: la ubicacin ofo.ctu
pluvimetros y isolneas de la reduccin potencial de la
varianza kriging (.Kadjemeur, Chad).
Si no existen condiciones a priori, el punto ficticio x se
mueve a travs del dominio S y su entorno inmediato, y se
puede contornear la reduccin de la varianza relativa. Una
mirada a la figura. 12 revela que este mtodo es muy
instructivo. Si la existencia de las correlaciones espaciales
no se haba tenido en cuenta, la reduccin de la varianza
correspondiente a un pluvimetro 34 en la cuenca
wouldhave Kadjemeur sido 1/34 - 3% e idntica para
cualquier ubicacin dentro de la cuenca. De hecho, esta
reduccin al varianza es menor quel/0para la parte
occidental de la watershe donde ya hay un gran nmero de
medidores de lluvia, pero la reduccin mxima supera el
13%; contrariamente a lo que se podra pensado, la mejor
ubicacin para un pluvimetro adicional no es el centro de
la cuenca, pero la franja del sudeste. Un punto de
medicin fuera de la cuenca, pero en la regin sureste
donde no hay pluvimetro en absoluto, sera proporcionar
an ms informacin que uno en el centro de THT.
Tambin se puede observar que estos resultados muestran
una tendencia a '' para aliviar los pluvimetros con la ms
alta Kriging (o Thiessen) pesos. Este tendenc; para igualar
la contribucin de los diferentes puntos de medida Ment
satisface sentido de la fsica de la hidrologa.
la estimacin local
Cuando el propsito es obtener estimaciones locales
(valores puntuales para el modelado automtico o valores
por encima de mallas), el problema es ligeramente
diferente: hay tantas variaciones kriging, ya que hay nodos
o mallas en la parrilla. Un punto de medicin adicional
influir en el kriging diferencia de cualquier nodo de la red
(o malla) en la zona de kriging de los cuales se encuentra
este punto.
En este caso, nos limitaremos a tratar de hacer
desaparecer los mximos locales en el mapa desviacin
estndar mediante la localizacin de los puntos adicionales
ficticios all. Nos dejasuponer que una observacin ms bien
existe en la parte viento norte del acufero Huveaune donde
slo haba un aislado tambin. Al comparar el mapa de
desviaciones estndar kriging obtenidos este tiempo (Fig.
13) a la que corresponde a la red actual (Fig. 9), podemos
ver la mejora que esta observacin adicional as producira.
En ambos casos (objetivos globales y locales), el mtodo del
"punto ficticio 'tambin puede tener en cuenta los datos de
diferentes calidades [8]. A continuacin, es posible elegir
entre dos tipos de medidores o entre dos tcnicas para
obtener los datos adicionales.
En lo anterior, hemos visto aplicaciones de kriging para la
estimacin y el refuerzo de la red. Estas posibilidades se
han incrementado en un desarrollo adicional de la teora
de variables regionalizadas: el mtodo de simulacin
condicional.
Figura 13. Correspondencia de contorno de kriging desviaciones estndar con una Ivell observacin adicional (.Huveaune
acufero, Francia).
t OMBTHONAL SIMULACIONES
e ZAVE visto que, cuando se aplica para el contorno
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
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
verdaderos valores que siguen siendo desconocidos. es
interesante para visualizar la libertad que lei: a la
superficie y mirar las diferentes estribo que pueden ser
asumidas por las isolneas More- wer.. Zhemapa
krigeado es ms suave que el "verdadero mapa 'iecamse
un estimador, incluso uno ptima, no puede ffestfiute
detalles que no se han observado. Por lo tanto, el inters
tarifa tambin puede estar en la visualizacin de la
variabilidad: zatar fenmeno. El mtodo de simulacin
condicional Matheron [18], Journel [12]) cumple con
estos dos: ruirements electrnico.
Principio
# e han examinado el fenmeno en estudio para ser una
realizacin particular de un determinado RF Este pro- ~
ted una forma de establecer el problema de una
iranework probabilstico y de hacer uso de herramientas
tales como las expectativas, varianzas, variogramas y
generalizadas covarianzas . El propsito del trmino lazo
'simulaciones condicionales' 'simulacin' aqu debe
tomarse en su sentido estadstico, que no tiene nada que
ver con la simulacin - en tcnicas de iones se utilizan
para predecir el comportamiento de los acuferos) es de
sealar otras posibles realizaciones de la misma RF
Por construccin, estas otras realizaciones tendrn la
misma variabilidad espacial como el verdadero fenmeno
(la misma variograma o misma covarianza generalizada).
Adems, se vern obligados a mantener a los valores
medidos en los puntos experimentales con el fin de
garantizar una buena coincidencia con lo que se sabe
sobre el fenmeno.
Por lo tanto, una simulacin condicional puede definirse
como una superficie que 1) tiene la misma variabilidad
experimentales.
realidad, pero slo una versin del mismo. Las diferentes
simulaciones condicionales representan posibles
variaciones del mapa cierto. Si uno genera un gran
nmero de estas variaciones, el promedio de sus valores en
un momento dado se mostrar el valor estimado por
Kriging, y su varianza de la varianza de estimacin
correspondiente.
Procedimiento
Vamos a empezar a partir de la siguiente descomposicin
trivial:
verdadero valor = estimacin kriging kriging de error
+ z (x) = z * (x) + (z (x) - z * (x))
(41)
Por desgracia, fuera de los puntos experimentales, el
verdadero valor de z (x) no est disponible y se desconoce
el error kriging. Por lo tanto, vamos a simular este error al
recoger desde otra realizacin s (x) de un RF
S (x) que tiene el mismo variograma (o el mismo covarianza
generalizada) como Z (x). mtodo de las "bandas de
inflexin" [18] que ha sido desarrollado en Fontainebleau
nos permite obtener tal realizacin.
Kriging se puede realizar en s (x) utilizando las verdaderas
posiciones de datos. A medida que el variograma es el
mismo, la estimacin kriging s * (x) en el punto x se
calcula con los mismos pesos kriging como para z (x) *.
 Kriging en el Hidrociencias JP Delhomme
Esta vez, en la descomposicin:
s (x) = s * (x) + (s (x) - s * (x)) (42)
Se conocen todos los trminos.
Hay que tener en cuenta:
ZS(X) = z * (x) + (s (x) - s * (x)) (43)
se puede demostrar [2] que ZS (x) es una simulacin
condicional en el sentido definido anteriormente.
Ejemplos
Ahora examinaremos dos aplicaciones de este mtodo en
19
los Hdricas. El primer ejemplo consiste en una simulacin
condicional de una tormenta en el lecho de un ro
Kadjemeur cuenca [3].
Se demostrar la viabilidad de visualizar la variabilidad
espacial de un fenmeno. Mientras que el mapa krigeado
era bastante suave (ver [3]), esta simulacin condicional
(Fig. 14) tiene una apariencia desigual que est en
consonancia con lo que podra esperarse sobre la
variabilidad espacial de una tormenta. Este mapa se ha
obtenido a partir de datos escasos. Sin embargo, la clula-
patrn de precipitaciones se muestra de una manera que
es bastante comparable a la que se ha observado en otros
lugares
 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

Figura 16. Comparaison lo largo del perfil AB betiveen

kriging {a) y dos simulaciones
condicionales (b) y (c) (acufero
Huveaune).

punto en la identificacin de los parmetros de flujo

del agua subterrnea. Veremos ms adelante cmo
kriging ayuda a arrojar una nueva luz sobre este
problema.

Kriging E IDENTIFICACIN DE PARMETROS flujo de

agua subterrnea

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
proporciona el medio de 1) la estimacin de los valores de
carga de datos de campo que .PAN ser comparados
directamente con los resultados del modelo; 2) que define
un criterio de adecuacin entre el modelo y la realidad.
El error de calibracin, que puede ser definida como la
diferencia entre la cabeza calcula sobre el modelo y el
obtenido por kriging, debe ser consistente con el intervalo
de confianza kriging. Si el rango convencional de 2De
acuerdo que se adopte, se considerar que el montaje
correcto en las zonas wrhere el error de calibracin
estndar (es decir, con respecto a la desviacin estndar
kriging) tiene un valor absoluto de menos de 2. Esto
puede entenderse intuitivamente: uno tiene que pulir el
accesorio en el zonas bien conocido y puede estar
satisfecho con uno aproximado en las zonas menos
conocidas.
El criterio adoptado es:
max
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
AASC mallas z? representa el valor obtenido con el modelo,
r * el krigeados valores, y CM el estndar kriging
: E mento, en la malla i.
Tig.17 muestra errores de calibracin y los errores
estandarizados para la misma etapa durante la calibracin
de la SAE Kairouan modelo acufero. Uno puede notar que
el cambio a los errores estandarizados permite que las
zonas en las que sigue habiendo un problema que destacar
fcilmente.
El accesorio puede considerarse satisfactoria en los lmites
occidentales y en la parte sur de la mimer: hay algunos
errores de calibracin ms grande que yo o 5 metros, pero
la piezometra hay bastante granizoTconocido. Por otro
lado, parece que Nos ha .; t; concentrarse en el lmite
oriental de la rimer i.
Sriging ya se puede utilizar como una gua durante
'ALIBRACIN c -si de un modelo de acufero, pero los r.as
esfuerzo; Continuar en esta rea de la identificacin de
los sistemas de i ~ r imiwater recursos: el uso de t
probabilstico; mtodos pueden ayudar a poner fin a un
perodo de estancamiento relativo, dando un nuevo
impulso.
OBSERVACIONES FINALES
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
escasos. Eso implica incertidumbre en los parmetros del
modelo y cualquier incertidumbre en cuanto a la
transmisividad da lugar a una incertidumbre en la
cantidad de agua que puede ser retirada inmediatamente
de la
acufero. La fiabilidad de los resultados de nuestros
modelos sigue siendo problemtica.
Considerando que, despus de los primeros xitos de los
modelos digitales, hidrogeologa pareca estar regido por
el determinismo, se hace cada vez ms evidente que un
enfoque probabilstico que ahora se necesita para salir
del estancamiento actual. Hasta los ltimos aos, este
enfoque ha sido poco utilizado cuando se trata con el
flujo en medios porosos (por ejemplo Schwydler [20] en
1962, Matheron [15] en 1967). La palabra "estocstico"
slo se acopl con 'la hidrologa' en el sentido limitado de
la hidrologa superficial. Por el momento, somos testigos
de los primeros pasos de un 'hidrogeologa estocstica'.
Referencias
1. Besbes, M., Delhomme, JP y de Marsily, G., "La
precisin de la connaissance de la piezometrie
d'un AQUIFERE: consecuencia sur le calage d'un
modele ', Int. Rep. LHM / RD / 75/23 bis, Escuela
de Minas, Fontainebleau, Francia, 1975.
2. Delfiner, P., estimacin lineal de fenmenos no
estacionario", en La geoestadstica avanzadas en
la industria minera, M. Guarascio et al., Eds.,
Pp. 49-68, D. Reidel Publ. Co., Dordrecht,
Holanda, 1975.
interpolacin por kriging ', en Visualizacin y
anlisis de datos espaciales,JC Davis y MJ
McCullagh, eds., Pp. 96-114, Wiley and Sons,
Londres, 1973.
4. Delhomme, JP, 'Traitement des geostatistique
donnees piezometriques: le krigeage en hidro-
Kriging en el Hidrociencias JP Delhomme
Geologie ', Int. Rep. LHM / R71 / 14, Escuela
de Minas, Fontainebleau, Francia, 1971.
5. Delhomme, JP, 'La cartographie d'une grandeza
fsico A partir de donnees de differentes qualites',
en Memoires de l'Assoc. Int. des Hydrogeologues,
Tomo X {!), Pp. 185-194, 1974.
6. Delhomme, JP, "Aplicaciones de la thorie des
variables de regionalisees dans les Sciences de
l'eau ', Estos de Docteur-Ingenieur, Pars, 1976.
7. Delhomme, JP y Delfiner, P., "Aplicacin du
krigeage un 1'optimisation d'une campagne
pluviometrique en zone aride ', en Actas del
Simposio cm El diseo de los recursos hdricos
Proyectos con datos inadecuados, (2),
pp. 191-210, Unesco, Madrid, 1973.
8. Delhomme, JP y Levassor, A., "Reconocimiento
optimale du champ des transmissivites ', en -
Memoires de l'Assoc. Int. des Hydrogeologues,
Tomo XIII, (1), Pp. 25-39, 1977.
9. Drozdov, OA y Shepelevskii, AA, ' L o s teora de
interpolacin en un campo estocstico de los
elementos meteorolgicos y su aplicacin a los
mapas meteorolgicos y problemas de
racionalizacin de redes '(en ruso), Trudy NIU
GUGMS, 1 {18), 1946.
10. Gandin, LS, Anlisis objetivo de Meteorologa
campos, 242 pp., Israel Programa de Desarrollo
Cientfico Traducciones, Jerusaln, 1965.
11. Huijbrechts, C, 'Le variogramme des Residus', Int.
Rep. CMM / N-200, Escuela de Minas,
22. Thiessen, 'promedios de precipitacin para reas
Fontainebleau, Francia, 1970.
12. Journel, A., "La geoestadstica para la simulacin
condicional de yacimientos ', Geologa Econmica,
69 (5), 673-687, 1974.
13. Kagan, RL, "Algunos problemas relativos a la
interpretacin de los datos de lluvia ', .en ruso!
Trudy operaciones del gobierno general, n 208,
64-75, 1967.
14. Matheron, G., 'Les'Variables Regionalisees et leur
Estimacin', 306 pp., M a s s o n , P a r s , 1 9 5 5
15. Matheron, G., Elementos vierten Toie theorie des *
Milieux poreux,166 pp., Masson, Pars. 1967
16. Matheron, G., 'Le Krigeage Universel', Cahiers du
Centre de MQrphologie Mathematique, l,
82 pp., Escuela de Minas, Fontainebleau, Francia.
1969.
17. Matheron, G., "La teora de variable regionalizada
y sus aplicaciones, Glico, s du Centre de
Morfologa Matemtica, 5, 211 pp., Escuela de Minas,
Fontainebleau, Francia, 1971.
18 Matheron, G., "El intrnseca al azar funciones y
sus Aplicaciones ', Adv. en Appl. Prob., 5, 438-
468, 1973.
19 Matheron, G., "Effet proportionnel et lognormalite
ou le retour du Serpent de mer ', Int. Rep. CMM /
N-374, Escuela de Minas, Fontainebleau, Francia,
1974.
20 Schwydler, MI, "Caractersticas medias el fluir a
travs de medios heterogneos azar '
(en ruso), Izv. Akad. Nauk. SSSR, Mekh. i Mas, 4,
127-129,1963.
21 Sharon D 'La spottiness de las lluvias en desen
'reas', J. Hidrologa., 17, 161-175,1972.
grandes' A. H ", Monthly Weather Rev., o9 (7), 1082-
1084,1911.