Disponible con una licencia de Geostatistical Analyst.
Para crear un semivariograma empírico, determine la diferencia cuadrada entre los valores de todos los pares de ubicaciones. Cuando se trazan, con la mitad de la diferencia cuadrada en el eje y y la distancia que separa las ubicaciones en el eje x, se denomina nube de semivariograma. La escena siguiente muestra los emparejamientos de una ubicación (el punto rojo) con otras 11 ubicaciones.
Uno de los principales objetivos de una variografía es explorar y cuantificar la dependencia espacial, también denominada autocorrelación espacial. La autocorrelación espacial cuantifica la suposición de que los elementos que están más cerca entre sí son más parecidos que los que están más alejados. De este modo, los pares de ubicaciones que están más cerca entre sí (lado izquierdo del eje x de la nube de semivariograma) deberían tener valores más similares (parte inferior en el eje y de la nube de semivariograma). A medida que los pares de ubicaciones se separan (hacia la derecha en el eje x de la nube de semivariograma), deberían ser menos similares y tener una diferencia cuadrada más grande (hacia arriba en el eje y de la nube de semivariograma). La siguiente imagen muestra una nube de semivariograma típica junto con la línea azul que mejor se ajusta a los puntos. Esta línea azul se denomina semivariograma.
Por limitaciones de procesamiento (límites de tiempo y memoria de procesamiento), si el dataset de entrada tiene más de 5.000 observaciones, Geostatistical Analyst seleccionará aleatoriamente 5.000 observaciones para el ajuste del modelo de semivariograma y análisis estructural (lo que proporciona unos 12,5 millones de pares de puntos). Generalmente, el modelo resultante (superficie) no se ve afectado por el muestreo aleatorio, ya que se utilizan todos los datos para generar los valores predichos. Sin embargo, si el dataset tiene algunos valores muy grandes, estos pueden estar o no en el subconjunto utilizado para generar los valores de semivariograma/covarianza empíricos y, en consecuencia, el modelo de semivariograma estimado puede ser distinto de un modelo de semivariograma estimado que utilice todo el dataset.