Disponible con una licencia de Geostatistical Analyst.
Los modelos de estadísticas geográficas (kriging) constan de varios componentes: examinar los datos, calcular los valores de semivariograma o covarianza empíricos, ajustar un modelo a los valores empíricos, generar las matrices de ecuaciones de kriging y resolverlas para obtener un valor predicho y el error (incertidumbre) asociado a este por cada ubicación en la superficie de salida.
Calcular el semivariograma empírico
El kriging, al igual que la mayoría de las técnicas de interpolación, se basa en el principio básico de que los elementos cercanos entre sí son más parecidos que los que están más alejados entre sí (cuantificados aquí como autocorrelación espacial). El semivariograma empírico es un medio para explorar esta relación. Los pares próximos en distancia deberían tener una diferencia menor que los más alejados entre sí. La medida en que esta suposición es verdadera se puede examinar en el semivariograma empírico.
Ajustar un modelo
El ajuste se realiza definiendo un modelo que proporcione el mejor ajuste a través de los puntos. Es decir, debe encontrar una línea tal donde la diferencia cuadrada ponderada entre cada punto y la línea sea lo más pequeña posible. Esto se conoce como ajuste de mínimos cuadrados ponderado. Este modelo cuantifica la autocorrelación espacial de sus datos. La siguiente imagen muestra las semivarianzas empíricas (puntos rojos) y el modelo que mejor representa los puntos (línea azul):
Crear las matrices
Las ecuaciones de kriging están contenidas en matrices y vectores que dependen de la autocorrelación espacial entre las ubicaciones de muestra medidas y la ubicación de predicción. Los valores de autocorrelación provienen del modelo de semivariograma. Las matrices y los vectores determinan las ponderaciones de kriging asignadas a cada valor medido en la vecindad de búsqueda.
Realizar una predicción
A partir de las ponderaciones de kriging para los valores medidos, el software calcula una predicción para la ubicación con el valor desconocido.
