Disponible con una licencia de Geostatistical Analyst.
Las capas de estadísticas geográficas se pueden convertir al formato ráster con las herramientas de geoprocesamiento GA Layer to Grid y GA Layer to Rasters de la caja de herramientas de Geostatistical Analyst (consulte Descripción general del conjunto de herramientas Trabajar con capas de estadísticas geográficas).
La interpolación de bloques se utiliza al crear un ráster a partir de una capa de estadísticas geográficas. La interpolación de bloques es un método de interpolación que predice el valor medio de un fenómeno dentro de un área especificada. Para el kriging bayesiano empírico y todos los demás métodos que no son de kriging, la interpolación de bloques funciona calculando predicciones para una serie de ubicaciones especificadas dentro de un área; los valores se promedian y el promedio se asigna como predicción de toda el área. Por ejemplo, si especifica que se predigan 10 ubicaciones dentro de un área, se realizarán predicciones para cada una de las 10 ubicaciones mediante un modelo de interpolación identificado y los puntos de muestra originales recopilados para el fenómeno.
Para los métodos de kriging (distintos del kriging bayesiano empírico), el valor de la celda ráster se calcula según las ecuaciones de kriging de bloques estándar (consulte la referencia al final de este tema). Si se utiliza una transformación, las ecuaciones de kriging de bloques estándar se aplican a los datos transformados y se aplica una corrección al volver a transformarlos. Sin embargo, después de volver a transformarlos, estas predicciones de bloques pueden estar sesgadas y, en este caso, la metodología recomendada es utilizar simulaciones con la herramienta de geoprocesamiento Simulaciones de estadísticas geográficas gaussianas.
Al convertir una capa de estadísticas geográficas en un ráster, las formas de los bloques que realizan el promedio están dentro de celdas ráster individuales. En el siguiente diagrama aparecen puntos de muestra con la configuración de bloques (el ráster) que se utilizará en la interpolación de bloques:
En la conversión, se especifica cuántas ubicaciones de predicción de puntos de cada celda se usarán en el cálculo de promedios. Por ejemplo, puede especificar predicciones para dos puntos en la dirección x y tres puntos en la dirección y para cada celda. Los puntos de predicción se distribuirán dentro de cada celda de modo que representen (o influyan en) la misma cantidad de área. Por tanto, no se producirá ninguna ponderación para ninguno de los puntos de predicción. Los puntos de predicción se encuentran en el centro de cada subunidad; en este caso, en el centro de cada uno de los seis bloques.
En el siguiente diagrama, la celda resaltada se usará para demostrar la interpolación de bloques de una única celda (o bloque) en el ráster. Este procedimiento se aplica a cada celda del ráster de salida.
El siguiente diagrama es un primer plano del bloque resaltado del diagrama anterior. Se realizará una predicción para cada uno de los seis puntos de la celda usando el modelo de interpolación identificado en la capa de estadísticas geográficas y los puntos de muestra originales. Las seis predicciones se promediarán y asignarán a esa celda.
Si solo especifica un punto en la dirección x y otro en la dirección y, realizará la predicción para el centro de cada celda de salida. Los tiempos de procesamiento se incrementarán a medida que aumente el número de puntos de predicción.
La razón por la que podría tener más puntos de predicción en la dirección x o y sería para tener en cuenta las tendencias direccionales. En el ejemplo de 2 por 3 anterior, el espaciado de los puntos de predicción en la dirección norte-sur es menor que en la dirección este-oeste. Tener más puntos de predicción en la dirección norte-sur aumenta el muestreo en esa dirección para capturar la mayor variabilidad. Es decir, los valores del fenómeno cambian más rápidamente en la dirección norte-sur que en la dirección este-oeste. Para capturarla, necesitará más puntos de muestra en esa dirección.
Referencias
- Chiles, J.P. y Delfiner, P., Geostatistics: Modeling Spatial Uncertainty, John Wiley & Sons, Nueva York (1999), Sección 3.5 (pp. 203-211)