Disponible con una licencia de Geostatistical Analyst.
Antes de realizar el kriging de ventana móvil, se debe crear una capa de estadísticas geográficas a partir de un método de kriging distinto del cokriging y del kriging bayesiano empírico.
Los parámetros de kriging se pueden ajustar o dejar como los valores predeterminados iniciales determinados automáticamente por el método de kriging. La lógica del kriging de ventana móvil es recalcular los parámetros de semivariograma de rango, nugget y meseta parcial en función de una vecindad más pequeña.
Cuando los datos son no estacionarios, se puede estimar un semivariograma heterogéneo. En otras palabras, utilice una ventana móvil centrada en la ubicación que se va a predecir y cree un semivariograma para cada vecindad local.
La predicción de cada punto del área de estudio se puede representar cartográficamente de manera secuencial a medida que la ventana se mueve a través del área de estudio (figura 1). En este ejemplo, los datos son isotrópicos o invariantes a rotaciones. Para representar cartográficamente todas las ubicaciones del área de estudio de forma exhaustiva, se calculan semivariogramas para cada ubicación que se va a predecir. Dentro de cada vecindad, se considera que los datos son localmente estacionarios para que no se infrinjan las suposiciones del algoritmo de kriging.
A medida que la ventana se mueve por el área de estudio, se calculan nuevos parámetros de semivariograma utilizando puntos vecinos. En el caso de la ubicación s1, los puntos azules y verdes están correlacionados espacialmente o dentro de la distancia de rango, como indica el radio del círculo centrado en ese punto. En el caso de la ubicación s2, los puntos verdes y rojos están correlacionados espacialmente y, en el caso de la ubicación sn, los puntos amarillos están correlacionados espacialmente. Este método le permite ver cómo cambia la estructura espacial de los datos a lo largo del área de estudio. Si el semivariograma no cambia mucho en diferentes ventanas, significa que los datos son casi estacionarios y es apropiado usar modelos de kriging estacionarios. Sin embargo, si el semivariograma cambia significativamente entre las ventanas móviles, significa que los datos son no estacionarios y no es apropiado usar modelos de kriging estacionarios.
