Disponible con una licencia de Geostatistical Analyst.
Tres de los métodos de kriging (ordinario, simple y universal) utilizan modelos de error de medición. El error de medición se produce cuando es posible tener varias observaciones diferentes en la misma ubicación. Por ejemplo, puede extraer una muestra del suelo o el aire y dividir esa muestra en varias submuestras que se van a medir. Es posible que desee aplicar este método si el instrumento que mide las muestras presenta alguna variación. Como otro ejemplo, puede enviar muestras parciales de una muestra de suelo a diferentes laboratorios para su análisis. En otras ocasiones, se documenta la variación de la precisión de los instrumentos. En este caso, es posible que desee introducir la variación de medición conocida en su modelo.
El modelo de error de medición
El modelo de error de medición es
Z(s) = µ(s) + ε(s) + δ(s),donde δ(s) es un error de medición y µ(s) y ε(s) son la media y la variación aleatoria. En este modelo, el efecto nugget está compuesto por la varianza de ε(s) (denominada variación de microescala) más la varianza de δ(s) (llamada error de medición). En Geostatistical Analyst, puede especificar una proporción del efecto nugget estimado como variación de microescala y variación de medición, hacer que Geostatistical Analyst estime el error de medición por usted si tiene varias mediciones por ubicación, o introducir un valor para la variación de medición. Cuando no hay ningún error de medición, el kriging es un interpolador exacto, lo que significa que, si predice en una ubicación en la que se han recopilado datos, el valor predicho es el mismo que el valor medido. Sin embargo, cuando existen errores de medición, se quiere predecir el valor filtrado, µ(s0) +ε(s0), que no tiene el término de error de medición. En las ubicaciones en las que se han recopilado datos, el valor filtrado no es el mismo que el valor medido.
En versiones anteriores de ArcGIS, la variación de la medición predeterminada era 0%, de modo que el kriging era un interpolador exacto. En ArcGIS 10, la variación de medición predeterminada se establece en un 100 %, por lo que las predicciones predeterminadas en las ubicaciones medidas se basarán en la correlación espacial de los datos y los valores medidos en ubicaciones cercanas. Muchos orígenes pueden introducir los errores de medición, incluida la incertidumbre en el dispositivo de medición, la ubicación y la integración de datos. En la práctica, es altamente improbable contar con datos perfectamente precisos.
El efecto del modelo
El efecto de elegir modelos de error de medición es que el mapa final puede ser más suave y tener errores estándar más pequeños que la versión de kriging exacta. Es posible ilustrarlo con un ejemplo en las figuras siguientes, donde se muestran el kriging exacto y el kriging suave cuando solo hay dos ubicaciones de datos (en 1 y 2) con valores -1 y 1 para un modelo sin variación de la medición y otro en el que el efecto nugget es toda la variación de la medición.
