Todo lo expresado hasta aquí tiene un
único objetivo,
conocer la información disponible para realizar
estimaciones (Journel y Huijbregts, 1978; David, 1977;
Armstrong y Carignan, 1997), es decir, estimar valores
desconocidos a partir, no sólo de los conocidos, sino
también de su estructura
de continuidad espacial. A diferencia de otra gran variedad
de métodos de interpolación que no
utilizan estas características y que se emplean
actualmente con diferentes fines. Sin pretender hacer una
comparación profunda de las características y
ventajas de éstos métodos, veamos algunos
ejemplos.Este método consiste en ajustar un plano
que pase por las tres muestras más cercanas y
adyacentes a la localización que se desea
estimar.La ecuación del plano es:
Z = a x + b y + c
Cada muestra tiene coordenadas (x, y) y z
representa el valor
muestreado.Con el objetivo de obtener la ecuación
del plano que pase por las tres muestras se construye el
siguiente sistema de ecuaciones lineales:a x1 + b
y1 + c = z1a x2 + b
y2 + c = z2a x3 + b
y3 + c = z3y así obtenemos los coeficientes a, b y
c, entonces el valor de z en cualquier
localización dentro del triángulo
correspondiente se puede obtener sustituyendo sus
coordenadas en la ecuación de Z.- Triangulación
Este método se basa en una
combinación lineal dada por: Z*(x)
= å
l i
Z(xi)En la que l i son los pesos
proporcionales al inverso de la distancia euclidiana
entre las localizaciones muestreadas y la que se desea
estimar, éstos pesos son calculados
por:l
i = (1/doi)/
å
1/dojdonde: doi es la distancia entre la
localización a estimar y la localización de
la muestra i.Generalizando obtenemos:
Z*(x) = [å i+1,n
1/doi Z(xi)] / å
i=1,n1/dojSe pueden obtener distintos estimadores si
escribimos la ecuación anterior como:Z*(x) = [å i=1,n
(1/doi)w Z(xi)] / å
i=1,n(1/doj)wNote que si w = 1 se obtiene la ecuación
anterior.Estas dos técnicas de estimación
utilizan directamente los
valores muestreados en el proceso de estimación y refieren
pesos de acuerdo a las distancias entre los datos,
sin tener en cuenta la continuidad espacial de la
información disponible. Veamos ahora el
krigeaje, interpolador de la
geoestadística, que sí utiliza los
resultados que discutidos del análisis estructural.Inicialmente, Matheron denominó a esta
técnica Krigeage (en francés) que en
ingles se convierte en Kriging y en español se escribe Krigeaje.
Este término que tiene su origen en el apellido de
D.G. Krige, reconociendo de esta forma su aporte. El
krigeaje es una técnica de estimación que
proporciona el mejor estimador lineal imparcial (BLUE, en
ingles, Best Linear Unbiased Estimator), (Schaug et
al.,1993; Christensen et al.,1993; Abasov et al., 1990),
y que además proporciona una error de
estimación conocido como varianza de
krigeaje que depende del modelo
de variograma obtenido y de las localizaciones de los
datos originales (Armstrong y Carignan, 1997; Journel y
Huijbregts, 1978; David, 1977; Abasov et al., 1990). Esto
brinda la posibilidad de hacer análisis sobre la
calidad de las estimaciones (Weerts y
Bierkens, 1993; Haas, 1992). - Inverso de la distancia
Como resultado de los trabajos de
búsqueda y exploración de yacimientos
minerales, se obtiene información
del análisis químico de los testigos de
perforación y/o rocas
de afloramiento. Cualquiera sea la forma en que se
organice esta información, debe ser regularizada,
de modo que se obtengan los valores de la
característica estudiada (contenido mineral en el
caso minero), acompañadas de las coordenadas de
las localizaciones correspondientes.En términos mineros, el problema de
krigeaje consiste en encontrar la mejor estimación
lineal posible del contenido mineral de un panel,
teniendo en cuenta la información disponible,
mediciones que han sido obtenidas tanto en el interior
como externamente al panel que se desea estimar. El
krigeaje consiste en efectuar una ponderación, es
decir, atribuir un peso a cada valor observado, los pesos
son calculados de manera que minimice la varianza de
estimación resultante, teniendo en cuenta las
características geométricas del problema
(Matheron, 1970). Al minimizar la varianza de
estimación se garantiza el uso óptimo de la
información disponible (Zhang, 1996).Se dispone de los valores muestreados Z(xi),
i=1,…,n, y deseamos estimar un valor de la
característica observada en el panel Z(v) por
una combinación lineal de Z(xi).Z*(v) = å l i Z(xi)
donde Z*(v) es el valor estimado y
l i son los
peso de krigeaje, de modo que los l i sean obtenidos de
tal forma que proporcione un estimador: insesgado
E[Z*(v) – Z(v)] = 0 y de varianza mínima
Var[Z*(v) – Z(v)]La geoestadística exige como primera
etapa y fundamental el
conocimiento del comportamiento estructural de la
información, es decir, se debe contar
además, con el modelo de semivariograma
teórico que refleje fielmente las
características de variabilidad y
correlación espacial de la información
disponible, discutido anteriormente. En el caso
minero, particularmente, por la forma en que se
presenta la información, de estar condicionada
en una dirección por diversos
parámetros (Rivoirard y Guiblin, 1997), se
debe obtener modelos de variogramas verticales y
horizontales, el primero, que caracteriza la
correlación espacial en esta dirección,
es decir a través de los estratos, y el
segundo en los estratos, obteniéndose un
modelo conjunto para la estimación de bloques
(Pan y Arik, 1993; Armstrong y Carignan, 1997). Los
bloques a estimar son definidos con dimensiones
convenientes a la unidad de selección minera, teniendo en
cuenta el espaciamiento entre muestras y el alcance
estructural, es decir, la distancia hasta la cual las
muestras se encuentran correlacionadas espacialmente.
Las ecuaciones del krigeaje se obtienen entonces de
acuerdo las hipótesis de la
geoestadística que deben ser asumidas y
verificadas como ya se indicó.Teniendo en cuenta las hipótesis de la geoestadística se
pueden obtener las ecuaciones del krigeaje para los
siguientes casos: función aleatoria estacionaria
de esperanza nula o conocida, método conocido
como Krigeaje Simple, para una función
aleatoria estacionaria de esperanza desconocida, y
una función aleatoria intrínseca,
método conocido para los dos últimos
casos como Krigeaje Ordinario.A continuación se presenta el sistema
krigeaje para estos casos:- Ecuaciones del
krigeaje
En términos de la
covarianzaEstimador: Z*(v) = å l i Z(xi)
Sistema: å l
i C(xi, xj) – m = C(xj, v) i,j =
1,…,nå
l i =
1Varianza de krigeaje: s 2 = C(v,v)
– å
l i C(xi, v)
+ mEn términos del
semivariogramaEstimador: Z*(v) = å l i Z(xi)
Sistema: å l
i g
(xi, xj) + m = g (xj, v) j = 1,…,nå
l i =
1Varianza de krigeaje: s 2 =
å l i (xi, v) –
g (v,v)
+ mEn todos los casos el sistema puede ser escrito
matricialmente de la forma: K l = CAl sistema krigeaje es necesario hacer algunas
observaciones según Journel y Huijbregts
(1978):1.- El sistema krigeaje tiene solución
única si y solo sí la matriz
de K es definida estrictamente positiva, es
decir:å
i=1,nå j=1,n
l
il j C(xi,
xj) ³ 0o en términos de variograma:
– å
i=1,nå j=1,n
l
il j g (xi,
xj) ³ 0y no existen datos con las mismas
coordenadas.2.- El krigeaje, el cual es un estimador
imparcial, es también un interpolador exacto, es
decir, para iguales soportes de observación va (a =1,…,n) y de
estimación V, Los valores real Za y estimado Z* son
iguales, además de que la varianza de
krigeaje s
2k es cero.3.- Las expresiones del sistema krigeaje y de la
varianza de krigeaje son completamente generales, es
decir, son aplicables cualquiera sean los soportes de
observación y estimación y el modelo
estructural empleado.4.- El sistema krigeaje y la varianza de
krigeaje dependen sólo: del modelo estructural
C(h) o g
(h) obtenido y de la geometría del soporte de
observación. Esta característica da la
posibilidad de que la varianza de krigeaje sea usada
cuidadosa y convenientemente para el estudio de redes y
la clasificación de recursos.En el proceso de krigeaje, la matriz que se
obtiene tiene dimensiones de hasta (N+1) x (N+1), cuando
existen muchos datos en el área de influencia
definido por los alcances esta matriz es grande, lo que
implica tiempo
para la solución del sistema, sin embargo (Myers,
1991c), excepto para las localizaciones vecinas de la
localización a estimar, los pesos son ceros o
próximos a cero, conocido como el efecto
pantalla del krigeaje. En la práctica, se
establece una vecindad de búsqueda para evitar
el
trabajo con grandes sistemas, el cual es recomendado en la
totalidad de la literatura básica de
geoestadística. Todos los sistemas que implementan
la estimación por krigeaje, permiten la
definición de una vecindad de búsqueda, la
cual debe ser obtenida con reducciones proporcionales en
cada unos de los alcances, o la estimación por
cuadrantes u octantes, limitando el número de
muestras a usar en el proceso de krigeaje. De modo que
los pesos asignados a las muestras más lejanas a
la localización a estimar y dentro de la vecindad
de búsqueda no sean negativos, nulos o
próximos a cero. En ocasiones por esta
razón se realizan compensaciones por el sistema de
krigeaje que pueden arrojar pesos negativos y por
consiguiente valores negativos en la
estimación. - Planteamiento del problema del
krigeaje - El caso no estacionario, Krigeaje
Universal (KU)
Uno de los problemas
encontrados al modelar semivariogramas según Krajewski
y Gibbs (1993) y ASCE Task (1990) es la existencia de
tendencia en los datos, es decir, que los valores medidos
aumentan o diminuyen en alguna dirección en el
área de estudio. Este es el caso de un fenómeno
no estacionario, lo que hace imposible la aplicación
del krigeaje presentado hasta aquí. Con el objetivo de
solucionar este problema Matheron propuso dos aproximaciones,
primero el Krigeaje Universal (KU) (Matheron, 1970), que
consiste en extraer de la variable original Z(x) la parte no
estacionaria por medio de una componente
determinística m(x) que representa la deriva, hasta
encontrar la parte estacionaria del fenómeno,
obteniéndose un componente estocástico R(x)
relacionados por la siguiente expresión:Z(x) = m(x) + R(x).
Para el componente determinístico se sugiere
utilizar una función polinomial de las coordenadas
para modelar la tendencia, es decir:donde al son coeficientes y fl
es la función que describe la tendencia. Así
pueden obtenerse derivas simples, lineales,
cuadráticas, etc., (Jones y Vecchia, 1993;
Maisonneuve, 1998). Para una deriva simple el KU se reduce al
Krigeaje Ordinario (Christensen, 1993; Renard,
1998).Obteniéndose finalmente el sistema Krigeaje
Universal.Con varianza de estimación.
Una variante de krigeaje que tiene en cuenta esta
situación, fue desarrollada por Goldberger, A, S. en
1962 y descrita por Matheron en 1969, para tratamiento de
datos débilmente estacionarios y con tendencia. La
aplicación de KU puede resultar difícil por la
indeterminación de la tendencia y del semivariograma
(Carr, 1990; Armstrong y Carignan, 1997; Renard,
1998).Una aproximación más general es el
estudio del modelo de Funciones Aleatorias
Intrínsecas de orden K, la cual consiste en
construir incrementos de orden creciente hasta alcanzar un
orden K para el cual dichos incrementos son estacionarios
(Christensen, 1990).- Estimación
Los conceptos presentados hasta aquí,
extendidos a más de una variable, se denominan
Geoestadística Multivariada (Wackernagel, 1995). Es
posible encontrar casos de variables
de interés que están
insuficientemente muestreadas, pero que se conoce su
correlación con otras variables en la zona de
interés. Utilizando esta correlación es posible
estimar una variable de interés a partir de la
información de la propia variable además de las
correlacionadas con ellas (Journel y Huijbregts, 1978; David,
1977; Myers, 1991a; Wackernagel, 1995; Myers, 1991d; ASCE
Task, 1990; Christakos y Bogaert, 1996; Almeida y Jounel,
1994; Carr y Mao, 1993). Esto es, el Co-Krigeaje, una
extensión o generalización del krigeaje cuando
más de una de las variables disponibles guardan
relación entre sí. En este caso, se requiere
conocimiento no sólo del modelo de
semivariograma de cada una de las variables, sino
además, del semivariograma cruzado entre las variables
(Zhang et al.,1992; Myers, 1991a; D'Agostino y Zelenka, 1992;
Pawlowsky et al.,1994; Myers, 1992; ASCE Task, 1990; Myers,
1991a; Carr y Myers, 1990; Wackernagel, 1994). Existen
variantes de Co-Krigeaje más generales para la
integración de datos (Almeida y Jounel,
1994)En este proceso, se pueden distinguir las siguientes
situaciones (Wackernagel, 1995 y 1998):Isotopía: Se produce cuando todas las
variables poseen valores medidos en todas las localizaciones.
En este caso no es de interés aplicar el procedimiento
multivariado, porque el Co-Krigeaje en este caso puede
resultar equivalente al krigeaje, se dice variables
autokrigeables.Heterotopía total: Cuando las
variables poseen valores medidos en localizaciones
diferentes. En este caso no es de interés tampoco
aplicar procedimiento multivariado, además, de que no
es posible obtener el semivariograma cruzado
experimental.Heterotopía parcial: Esta
situación se produce cuando algunas (la mayor parte)
de las localizaciones muestreadas poseen valores medidos de
todas las variables, un caso importante es cuando las
muestras de la variable de interés están
incluidas como un subconjunto de las demás variables.
En este caso pueden ser calculados los semivariogramas
cruzados y resulta ventajoso utilizar el procedimiento
Co-Krigeaje.El semivariograma cruzado se obtiene por la
ecuación:donde ZA y ZB son
variables correlacionadas, ZA la variable de
interés y ZB la variable auxiliar o
secundaria.Los criterios para el cálculo del semivariograma cruzado
son análogos al caso univariado, mientras el
semivariograma directo toma sólo valores
positivos, el cruzado puede tomar valores negativos, lo
que indica correlación inversa entre las
variables. Un aspecto importante en el modelado de los
semivariogramas cruzados es que deben satisfacer la
desigualdad de Cauchy – Schwarz (Wackernagel,
1995):Una forma de modelar los semivariogramas
cruzados consiste en ajustar independientemente los
semivariogramas de las variables ZA,
ZB y el de la suma ZA +
ZB, los cuales están relacionados por
la siguiente expresión.En Issaks y Srivastava (1989) se presentan
elementos para el cálculo y ajuste de los
semivariogramas en el caso multivariado, además
del Modelo Lineal de Corregionalización como
procedimiento para modelar semivariogramas directos y
cruzados.- Semivariogramas
cruzadosEl sistema Co-Krigeaje Simple se presenta a
continuación.La varianza es:
El sistema Co-Krigeaje Ordinario es:
Para ver el
gráfico seleccione la opción "Descargar"
del menú superiordonde:
y la varianza es:
- Co-Krigeaje.
Este procedimiento es un simple y eficiente
algoritmo para incorporar una segunda
variable Y(x) en la estimación de una primaria
Z(x) (Deutsch y Journel, 1998). Consiste en una
extensión del Krigeaje con Modelo de Tendencia o
Krigeaje Universal que integra condiciones de
universalidad suplementarias relativas a una o varias
variables externas Yi(x) i = 1, …, N medidas de forma
exhaustiva en todo el dominio donde se desea estimar la variable
de interés (Wackernagel, 1993). Si la variable
Y(x) que llamaremos secundaria tiene un comportamiento
lineal con la variable de interés Z(x) que
llamaremos primaria, es decir, si se cumple la
relación: u otra relación polinomial con sentido
físico, es posible incorporar ésta en el
sistema de krigeaje, integrado dos fuentes de
información con diferente grado de
conocimiento. Obteniéndose el siguiente
sistema:=
o en notación matricial
El estimador es:
y la varianza de estimación:
donde: T como superíndice denota matriz
transpuesta,: covarianza de la variable primaria entre las
localizaciones i y j. - Krigeaje con Deriva
Externa - Co-Krigeaje con Variable
Colocalizada (Collocated CoKriging)
Otro modelo que incorpora una o varias variable
externa para al estimación de una primaria consiste en
una forma reducida de sistema de Co-Krigeaje (Deutsch y
Journel, 1998), que incluye a la variable de interés y
la variable secundaria conocida en todo el dominio donde
será estimada la variable primaria.El sistema de Collocated Cokriging es
=
o en notación matricial:
El estimador es:
la varianza de estimación es:
Donde:
es
el valor colocado de la variable secundaria en la
localización a estimar .(i =
1,…,N): pesos asignados a los datos experimentales de la
variable primaria.:
peso asignado a la variable secundaria.:
esperanza matemática de la variable
secundaria.:
esperanza matemática de la variable
primaria.:
covarianza de la variable secundaria entre las localizaciones
i y j.:
covarianza cruzada entre la variable primaria y secundaria en
las localizaciones iyj.y lo
mismo para la variable primaria.y
:
multiplicadores de Lagrange.Los valores pueden aproximarse por la expresión
= B , donde:B = , ,
son las
varianzas de las variables Z y Y, es el coeficiente de
correlación entre las variables Z y Y. - Geoestadística
MultivariadaEn ocasiones nos encontramos situaciones con
características que las técnicas lineales no
permiten modelar, datos con alta asimetría por
ejemplo. En estos casos se pueden realizar
transformación a los datos, y obtener configuraciones
de estos que si pueden ser explicados por el krigeaje, para
lo que se han adoptado variantes como el Krigeaje Lognormal,
Krigeaje de Indicadores, El Krigeaje Disyuntivo (Carr y
Mao, 1993), El Krigeaje de Probabilidades (Carr, 1994; Carr y
Mao, 1993), etc. La idea de estos procedimientos es realizar transformaciones en
los datos originales hasta encontrar homogeneidad en la
información, utilizar la técnica Krigeaje
descritas hasta aquí y posteriormente realizar la
transformación inversa. Un estudio más
detallado en este sentido puede ser encontrado en Chica
(1987), Deutsch y Journel (1998), Rivoirard (1991), entre
otros. - Geoestadística no
LinealLa estimación en Geoestadística por el
Krigeaje, como todo proceso de interpolación, ofrece
una imagen suave
o lisa de la realidad, existiendo aplicaciones en la que
interesa algo más que simplemente obtener valores
aproximados a una realidad desconocida, es decir,
resultaría útil una representación que
pueda sustituir la realidad. Con tal intención se
propone, la Simulación Geoestadística, a
través de la cual se obtienen realizaciones con igual
comportamiento espacial que la información observada
en las localizaciones muestreadas. La cual puede ser
útil para obtener una representación de una de
las posibles realizaciones de la realidad de un yacimiento
(Lantuéjoul, 1998; Rivoirard, 1998). Esto da la
posibilidad de sustituir un yacimiento real por uno simulado
y realizar estudio de simulación de
explotación, estudio de redes, etc, Un estudio
más detallado puede ser encontrado en Lantuejoul
(1995), Deutsch y Journel (1998), Cuador et al. (2000),
Cuador y Quintero (2001), entre otros. - La Simulación
Geoestadística - Conclusiones
Hasta aquí hemos expuesto los elementos
fundamentales de la geoestadística, ciencia
aplicada que surge como solución a problemas concretos en
la estimación de reservas minerales y que toma auge en
otros campos de las Ciencias de
la Tierra. Es
importante destacar que la estimación a través del
krigeaje, se hace buscando y utilizando las
características de continuidad espacial del
fenómeno estudiado, características que constituyen
la contribución fundamental de la geoestadística a
través de las diferentes variantes de interpolación
que propone. Además de las referencias
bibliográficas utilizadas, quedarían por citar las
magnificas contribuciones de otros autores.
Abasov, M.T., Djafarov, I.S. y Askerov, G.I.,
1990, Computer Based System for Exploration, Optimization,
and Reserve Estimation at the Bakhar Field, South Apsheron,
Azerbaijan, SSR, Computers & Geosciences, Vol. 16, No. 2,
pp. 245-249
Almeida, A.S. y Jounel, A.G., 1994, Joint
Simulation of Multiple Variables with a Markov-Type.
Coregionalization Model, Mathematical Geology, Vol. 26, No. 5,
pp. 565-588.
Annels, A.E., 1991, Mineral Deposit Evaluation,
Practical Approach, Chapman & Hall, 431 p.
Arik, A., 1990, Effects of Search Parameters on
Kriged Reserve Estimates, International Journal of Mining and
Geological Engineering, Vol. 8, No.12, pp. 305-318.
Armstrong, M., 1994, "Bon Sens et
Géostatistique", Bulletin de Liaison des Anciens
Stagiaires du Centre d’Etudes Superioures des Matieres
Premieres CESMAT, No.40 Novembre 1994, 8 p.
Armstrong, M. y Roth, C., 1997, Notas del curso
Geoestadística Lineal, en el CFSG "Ciclo de
Formación Especializada en Geoestadística",
Curso: 1997-98, Centro de Geoestadística de la Escuela
Nacional Superior de Minas de Paris, Fontainebleau, Francia.
Armstrong, M. y Carignan, J., 1997,
"Géostatistique Linéaire,
Application au Domaine Minier.", École de Mines de
Paris, 112 p., "Géostatistique Linéaire,
Application au Domaine Minier.", École de Mines de
Paris, 112 p.
ASCE Task, 1990, Committed on Geostatistics
Techniques in Geohydrology of the Ground Water Hydrology
Committee ofthe ASCE Hydraulics Division, , Review of
Geostatistics in Geohydrology II: Aplicatioms, Journal of
Hydraulic Engineering, Vol.116, No. 5, pp. 633-658.
Bacchi, B. y Kottegoda, N.T., 1995,
Identification and Calibration of Spatial Correlation Patterns
of Rainfall, Journal of Hydrology 165, Elsevier Science B.V.,
pp. 311-348.
Carr, J.R., 1990, UVKRIG: A Frotram-77 Program
for Universal Kriging, Computers & Geosciences, Vol.16,
No.2, pp. 211-236.
Carr, J.R., 1994, Order Relation Correction
Experiments for Probability Kriging, Mathematical Geology, Vol.
26, No. 5, pp. 605-621.
Carr, J.R., 1995, Numerical Analysis for the
Geological Sciences, Prentice Hall Inc, 592p.
Carr, J.R. y Mao, N., 1993, A General Form of
Probability Kriging for Estimation of the Indicator and Uniform
Transforms, Mathematical Geology, Vol. 25, No. 4, pp.
425-437.
Carr, J.R. y Myers, D.E., 1990, Efficiency of
Different Equation Solvers in CoKriging, Computers &
Geosciences, Vol. 16, No. 5, pp. 705-716.
Carrasco-Castelli, P. y Jara-Salame, E., 1998,
Information Impact in Mining Decisions Case Study Radomiro
Tomic, Journees de Geostatistique, Centre de
Géostatistique, Ecole des Mines de París,
Fontainebleau, France, 25 et 26 Mai 1998, 14 p.
Chauvet, P., 1994, "Aide-Memoire de
Géostatistique Miniere", École des Mines de
Paris, 210 p.
Chica-Olmo, M., 1987, Análisis
Geoestadístico en el Estudio de la Explotación de
Recursos Minerales, Tesis Doctoral, Universidad
de Granada, España,
387 p.
Christakos, G., y Raghu, V.R., 1996, Dynamic
Stochastic Estimation of Physical Variables, Mathematical
Geology, Vol. 28, No. 3, pp. 34-365.
Christensen, R., 1990, The Equivalence of
Prediction from Universal Kriging and Intrinsic Random Function
Kriging, Mathematical Geology, Vol. 22, No. 6, pp.
655-664.
Christensen, R., 1993, Quadratic Covariance
Estimation and Equivalence of Predictions, Mathematical
Geology, Vol. 25, No. 5, pp. 541-558.
Cressie, N. y Grondona, M.O., 1992, A
Comparison of Variogram Estimation with Covariogram Estimation,
The Art of Statistical Sciences, Chapter 15, pp.
191-208.
Cuador-Gil, J. Q. y Quintero, A., 1999,
Análisis estructural: punto de partida de todo estudio
geoestadístico. Revista
Minería
y Geología, Vol. XVI, No. 3, pp.
16-22.
Cuador-Gil, J.Q., Quintero, A., y Estévez,
E., 2000, La simulación condicional en
Geoestadística. Revista Minería y
Geología, Vol. XVII, No.1, pp. 47-50.
Cuador-Gil, J. Q. y Quintero, A., 2001,
Simulación condicional de variables regionalizadas y su
aplicación al comportamiento de la porosidad efectiva en
un yacimiento fracturado – poroso, Boletín de la
Sociedad
Geológica Mexicana, Tomo LIV, pp. 19-27.
Curran, P.J. y Atkinson, P.M., 1998,
Geoestatistics and Remote Sensing, Progress in Physical
Geography, 22, 1, pp. 61-78.
D'Agostino, V. y Zelenka, A., 1992,
Supplementing Solar Radiation Network Data by Co-kriging with
Satellite Images, International Journal of Climatology, Vol.
12, pp.749-761.
David, M., 1977, Geostatistical Ore Reserve
Estimation, Elsevier, Amsterdam, 364 p.
de Fouquet, C, 1996, Quelques Rappels Sur les
Méthodes Géostatistiques, Centre de
Géostatistique, Ecole des Mines de París,
Fontainebleau, France, 4 p.
Deutsch, C.V., 1994, Kriging With String of
Data, Mathematical Geology, Vol. 26, No.5, pp.
623-638.
Deutsch, C.V. y Journel, A.G., 1998, "GSLIB:
Geostatistical Software
Library and User’s Guide", Second Edition, Oxford
University Press, 369 p.
Dubrule, O., 1994, Estimating or Choosing A
Geostatistical Model, R. Dimitrakopolous (de.), Geostatistics
for the Next Century, pp. 3-14.
Echaabi, J., Trochu, F. y Gauvim, R., 1995, A
General Strength Theory for Composite Materials Based on Dual
Kriging Interpolation, Journal of Reinforced Plastics and
Composites, Vol.14, pp.211-232.
Estévez Cruz, E. y Cuador-Gil, J.Q.,
2002, Yacimiento Oro Castellanos: evaluación y comparación de
técnicas de estimación espacial, Revista
Minería y Geología, Vol. XVIII, Nos.
1-4.
Frykman, P. y Rogon, T.A., 1993, Anisotropy in
Pore Networks Analysed with 2-D Autocorrelation (Variomaps),
Computers & Geosciences, Vol. 19, No. 7, pp.
887-930.
Genton, M.G., 1998a, Highly Robust Variograms
Estimation, Mathematical Geology, Vol. 30, No. 2.
Genton, M.G., 1998b, Variograms Fitting by
Generalized Least Squares Using an Explicit Formula for the
Covariance Structure, Mathematica Geology, Vol. 30., No. 4. pp.
323-345.
Gotway, C.A., 1991, Fitting Semivariogram
Models by Weigmted Least Squares, Short Note, Computers &
Geosciences, Vol. 17, No. 1, pp.171-172.
Haas, T.C., 1992, Redesigning Continental-Scale
Monitoring Networks, Atmospheric Environment, Vol. 26A, No. 18,
pp. 3323-3333.
Homand-Etienne, F., Belen, T., Sabbadini, S.,
Shtuka, A. y Royer, J.J., 1995, Analysis of the evolution
of Rock Joints
Morphology with 2-D autocorrelation (Variomaps), Application of
Statistics and Probability, Lemaire, Favre and Mébarki
(eds.), Balkema Rotterdam, pp. 1229-1236.
Host, G., Omre, H. y Switzer, P., 1995, Spatial
Interpolation Error for Monitoring Data, Journal of the
American Statistical Association, Vol. 90, No. 431, pp.
853-861.
Isaaks, E. H. y Srivastava, R.M., 1989, Applied
Geostatistics, New York Oxford, Oxford University Press, 561
p.
Isaaks & Co., 1999, SAGE2001, A Spatial and
Geostatistical Environment for Variography, San Mateo,
California, http://www.isaaks.com, 67 p.
Jones, R.H. y Vecchia, A.V., 1993, Fitting
Continuous ARMA Models to Unequally Spaced Spatial Data,
Journal of The American Statistical Association, Vol. 88, No.
423, pp. 947-954.
Journel, A. G. y Huijbregts, C. J., 1978,
Mining Geostatistics, Academic Press, New York, 600
p.
Kiyono, J. y Suzuki, M., 1996, Conditional
Simulation of Stochastic Waves by Using Kalman Filter and
Kriging Techniques, Eleventh World Conference on Earthquake
Engineering, Acapulco, Mexico, June 23-28, 8 p.
Krajewski, S. A. y Gibbs, B.L., 1993, A
Variaogram Primer, Gibbs Associates, 93 p.
Lajaunie, C., 1997, Iterative Cross Validation,
Centre de Géostatistique, Ecole des Mines de
París, France, 8 p.
Lamorey, G. y Jacobsom, E., 1995, Estimation of
Semivariogram Parameters and Evaluation of the Effects of Data
Sparsity, Mathematical Geology, Vol.27, No.3, pp.
327-358.
Lantuéjoul, Ch., 1994, Cours de
Selectivité, Centre de Geostatistiqué, Ecole des
Mines de París, 72 p.
Lantuejoul, Ch., 1995, Conditional Simulation,
Centre de Geostatistiqué, Ecole des Mines de
París, 141 p.
Lantuéjoul, Ch., 1997, Iterative
Algorithms for Conditional Simulation, E.Y.Baafi and N.A.
Schofields (eds) Geostatistics Wollongong’96, Volume 1,
pp. 27-40.
Lantuéjoul, Ch., 1998, Notas del curso
Simulación, en el CFSG "Ciclo de Formación
Especializada en Geoestadística", Curso 1997-98, Centro
de Geoestadística de la Escuela Superior de Minas de
Paris, Fontainebleau, Francia.
Lepin, O. V. y Ariosa, J. D., 1986,
Búsqueda, Exploración y Evaluación
Geólogo Económica de Yacimientos Minerales
Sólidos, Editorial Pueblo y Educación, Ciudad de La Habana, Primera
Parte, 348 p, Segunda Parte, 191 p.
Madani, H., 1998, Geostatistical Ore Reserves
Estimation of Mehdiarad Barite Mine, Iran, Journees de
Geostatistique, Centre de Géostatistique, Ecole des
Mines de París, Fontainebleau, France, 25 et 26 Mai
1998, 7 p.
Maisonneuve, F., 1998, Essai de
Géostatistique Lineaire, Centre de
Géostatistique, Ecole del Mines de París, 21
p.
Matheron, G., 1970, "La Théorie des
Variables Regionalisées et ses Applications" Les Cahiers
du Centre de Morphologie Mathematique de Fontainebleau,
Fascicule 5, Ecole de Mines de Paris, 212 p.
Matheron, G. y Kleingeld, W.J., 1987, "The
Evolution of Geostatistics", APCOM 87. Proceedings of the
Twentieth International Symposium on the Application of
Computers and Mathematics in the Mineral Industries, Volume 3.
Goestatistics. Johannesburg, SAIMM, pp. 9-12.
Myers, D. E., 1991a, Pseudo-Cross Variograms,
Positive-Definiteness, and Cokriging, Mathematical Geology,
Vol. 23, No.6, pp. 805-816.
Myers, D.E., 1991b, On Variogram Estimation,
The Frontiers of Statistical Scientific Theory Industrial
Applications (Volume II of the Proceedings of ICOSCO-I, The
First International Conference on Statistical
Computing).
Myers, D.E., 1991c, Interpolation and
Estimation with Spatially Located Data, Chemometrics and
Intelligent Laboratory Systems, 11, Elsevier Science Publishers
B.V., pp. 209-228.
Myers, D.E., 1991d, Multidimensional
Multivariable Smoothing, Spatial Statistics Imaging, pp.
275-285.
Myers, D.E., 1992, Kriging, Cokriging, Radial
Basic Functions and The Role of Positive Definiteness,
Computers Mathematical Application, Vol. 24, No.12,
pp.139-148.
Pan, G. y Arik, A., 1993, Restricted Kriging
for Mixture of Grade Models, Mathematical Geology, Vol. 25, No.
6, pp. 713-736.
Pannatier, Y., 1993, Ms-Windows
Program for exploratory variography and variogram modelling in
2D, International Workshop on Statistics of Spatial
Processes-Theory and Applications, Bari, Italy 27-30 September
1993.
Pawlowsky, V., Olea, R.A. y Davis, J.C., 1994,
Additive Logratio Estimation of Regionalized Compositional
Data: and Application to Calculation of Oil Reserves,
Geostatistics for the Next Century, pp. 371-382.
Pawlowsky, V., Olea, R.A. y Davis, J.C., 1995,
Estimation of Regionalized Composition: A Comparison of Three
Methods, Mathematical Geology, Vol.27, No. 1,
pp.105-127.
Peric, M., 1981, Exploration of Burundi
Nickeliferous Lateritic by Electrical Methods, Geophysical
Prospecting, 29, pp. 274-287.
Pitard, F. F., 1994, Exploration of the Nugget
Effect, R. Dimitrakopolous (de.) Geostatistics for the Next
Century, pp.124-136.
Quintero Silverio, A., Cuador Gil, J. Q. y
Estévez Cruz, E., 2000, Simulación no
Condicional, Método de las Bandas Rotantes en 3D.
Revista Minería y Geología, Vol. XVII, No. 1, pp.
51-54.
Quintero Silverio, A. y Cuador Gil, J. Q.,
2000, Análisis Estructural de la Porosidad Efectiva
en el Horizonte Tobas Fina del Yacimiento Pina, Ciego de Avila.
Revista Minería y Geología. Vol. XVII, Nos. 3-4,
pp. 19-22.
Renard, D., 1998, Notas del curso
Geoestadística No Estacionaria, en el CFSG "Ciclo de
Formación Especializada en Geoestadística",
Curso: 1997-98, Centro de Geoestadística de la Escuela
Superior de Minas de Paris, Fontainebleau, Francia.
Rivoirard, J. 1991, Introduction au Krigeage
Disjonctif et a la Geostatistique non Lineaire, Centre de
Géostatistique, Ecole des Minea de Paris, 99
p.
Rivoirard, J. y Guiblin, P., 1997, Global
Estimation Variance in Presence of Conditioning Parameters,
E.Y.Baafi and N.A. Schofields (eds) Geostatistics
Wollongong’96, Volume 1, pp. 246-257.
Rivoirard, J., 1998, Notas del curso
Simulación, en el CFSG "Ciclo de Formación
Especializada en Geoestadística", Cursos: 1995-96
y 1997-98, Centro de Geoestadística de la Escuela
Superior de Minas de Paris, Fontainebleau, Francia.
Roth, C., 1998, Notas del curso
Goeestadística No Lineal, en el CFSG "Ciclo de
Formación Especializada en Geoestadística", Curso
1997-98, Centro de Geoestadística de la Escuela Superior
de Minas de Paris, Fontainebleau, Francia.
Sahin, A. y Hassan, H.M., 1998, Enhancement of
Permeability Variograms Using Outcrop Data, The Arabian Journal
for Sciences and Engineering, Vol. 23, No. 1C, pp.
137-144.
Schaug, J., Iversen, T. y Pedersem, U., 1993,
Comparison of Measurements and Model Results for Airborne
Sulphur and Nitrogen Components with Kriging, Atmospheric
Environment, Vol.27A, No. 6, pp. 831-844.
Wackernagel, H., 1994, Cokriging versus Kriging
in Regionalized Multivariate Data Analysis, Geoderma, 62, pp.
83-92.
Wackernagel, H., 1995, Multivariate
Geostatistic, an Introduction with applications, Berlin:
Springer, 256 p.
Wackernagel, H., 1998, Notas del curso
Goeestadística Multivariada, en el CFSG "Ciclo de
Formación Especializada en Geoestadística", Curso
1997-98, Centro de Geoestadística de la Escuela Superior
de Minas de Paris, Fontainebleau, Francia.
Wallace, M.K. y Hawkims, D.M., 1994,
Applications of Geostatistics in Plant Nematology, Supplement
to Journal of Nematology 26 (45), pp. 626-634.
Walpole, R.E. y Myers, R. H., 1996, Probabilidad y
Estadística, Cuarta edición, Ed.
Mc Graw – Hill, México, 218 p.
Webster, A. L., 1996, Estadística
aplicada a la Empresa y a
la Economía. IRWIN, segunda edición.
Madrid..
Weerts, H.J.T. y Bierkens, M.F.P., 1993,
Geostatistical Analysis of Over Bank Deposits of Anatomising
and Meandering Fluvial Systems; Rhine-Meuse Delta, The
Netherlands, Sedimentary Geology, 85, Elsevier Sciences
Publishers B.V., pp. 221-232.
Xie, T. y Myers, D.E., 1995a, Fitting
Matrix-Valued Variogram Models by Simultaneous Diagonalization
(Part I: Theory), Mathematical Geology, Vol. 27, No. 7, pp.
867-875.
Xie, T. y Myers, D.E., 1995b, Fitting
Matrix-Valued Variogram Models by Simultaneous Diagonalization
(Part II: Application), Mathematical Geology, Vol. 27, No. 7,
pp. 877-888.
Zhang, R., Myers, D. E. y Warrick, A. W., 1992,
Estimation of the Spatial Distribution of Soil Chemical Using
Pseudo Cross-Variograms, Soil Science Society of America
Journal, Vol. 56, No. 5, pp.1444-1452.
Zhang, X.F., Van Eijkeren, J.C.H. y Heemink, A.W.,
1995, On the Weighted Least Squares Method for Fitting a
Semivariogram Model, Short Note, Computers & Geosciences,
Vol. 21, No. 4, pp. 605,608.
Zimmerman, D.L., 1993, Another Look at
Anisotropy in Geostatistics, Mathematical Geology, Vol. 25, No.
4, pp. 453-470.
Zimmerman, D.L. y Zimmerman, M.B., 1991, A
Comparison of Spatial Semivariograms Estimators and
Corresponding Ordinary Kriging Predictors, Technometrics,
Vol.33, No.1, pp. 77-91.
Dr. C. José Quintín CUADOR
GIL
Departamento de Informática
Universidad de Pinar del Río
Cuba
Página anterior | Volver al principio del trabajo | Página siguiente |