Combinar modelos de semivariograma

Disponible con una licencia de Geostatistical Analyst.

A menudo, hay dos o más procesos que dictan la distribución espacial de algún fenómeno. Por ejemplo, la cantidad de vegetación (la biomasa) puede estar relacionada con la elevación y la humedad del suelo. Si se conoce esta relación, es posible utilizar cokriging para predecir la biomasa. Puede utilizar los valores medidos de biomasa como dataset uno, de elevación como dataset dos y de humedad del suelo como dataset tres. Puede ajustar distintos modelos de semivariograma a cada dataset, dado que cada uno presenta una estructura espacial diferente. Es decir, el modelo esférico puede ajustarse mejor a la elevación, el modelo exponencial puede ajustarse mejor a la humedad del suelo y una combinación de los modelos puede ajustarse mejor a la biomasa. Los modelos pueden combinarse, por tanto, de forma que se ajuste mejor a la estructura de los datos.

Sin embargo, a veces no se conocen las relaciones causales de los factores que determinan la estructura espacial de algún fenómeno. Siguiendo con el mismo ejemplo de biomasa anterior, puede que solo tenga los puntos de muestra que miden la biomasa. Al examinar el semivariograma, se observan distintos puntos de inflexión.

Los puntos suben hacia arriba, se enderezan y se curvan de nuevo para nivelarse con la meseta. Presupone que hay dos estructuras distintas en los datos y que un único modelo no los capturará. Puede modelar el semivariograma con dos modelos separados (por ejemplo, esférico y exponencial) y combinarlos en un solo modelo. Si es necesario, también se pueden combinar tres modelos.

Se desaconseja representar varios procesos aleatorios distintos mediante un único semivariograma; es mejor separar los procesos espaciales siempre que sea posible. Sin embargo, no siempre se comprenden las relaciones causales. La elección de varios modelos agrega más parámetros para estimar y es un ejercicio subjetivo que se hace a ojo y luego se cuantifica mediante estadísticas de validación cruzada.

Más información sobre la validación cruzada