2.4.2. Aplicación de interpolación en el análisis de información

33

observaciones. Por otro lado, se encuentra el Kriging es un método estadístico que estudia la distribución espacial de las observaciones y su autocorrelación, mediante semivariogramas para realizar las predicciones correspondientes. Varios estudios realizados demuestran que en el ámbito agrícola las variables obtuvieron un mejor grado de efectividad en la interpolación utilizando el método geoestadístico ya que permite la verificación de los parámetros de interpolación a diferencia del método matemático (Henríquez et al., 2013).

De acuerdo al estudio realizado por Bertsch en Costa Rica, se puede demostrar que los mapas de interpolación de variables químicas del suelo son de gran utilidad para definir necesidades de fertilización de acuerdo a las variaciones del suelo, aquí se generó un plan de fertilización para cultivos de café y caña de azúcar en función de las necesidades de cada sitio estudiado (Bertsch et al., 2002).

Aunque el análisis ha demostrado tener un alto grado de confiabilidad, siempre es necesario realizar validaciones de los datos estimados que se obtienen del proceso de interpolación, esto se puede realizar básicamente de dos formas, la primera consiste en tomar datos en campo donde exista un valor estimado y realizar una comparación. La segunda forma se realiza a nivel de escritorio donde se elimina un dato al azar y se realiza el análisis de interpolación para después comparar con el valor obtenido de la estimación. Esto antes de tomar cualquier acción producto del análisis realizado (Henríquez et al., 2013).

2.4.2.Aplicación de interpolación en el análisis de información

Un proceso de interpolación pretende básicamente estimar el valor de una variable “Z” en sitios donde esta no fue medida a partir de los valores obtenidos en ubicaciones conocidas “X, Y”. Los métodos interpoladores se clasifican de varias maneras como; en exactos y no exactos, además de globales y locales. En cuanto a la mantención de la exactitud del dato levantado son exactos si mantiene el valor y no exactos si pasan por alto esta condición. En relación a la extensión de aplicación son globales los que aplican la interpolación con todos los datos

34

existentes, y locales los que utilizan solo cierta parte de los datos que queda a discreción del analista el escogimiento de los datos; por otro lado en función de la variable a estudiar los interpoladores pueden obtener superficies discretas o continuas (Fallas, 2007).

Según Vargas, la interpolación espacial estima el valor de un atributo en una zona a través de un procedimiento matemático basándose en mediciones puntuales, para obtener una capa continua de la variable (Vargas et al., 2011).

La interpolación a partir de puntos permite generar superficies digitales de una variable, para lo cual se necesita las ubicaciones “X, Y” con sus respectivos atributos, por ejemplo; temperatura, pH, conductividad eléctrica, compactación del suelo, etc. Estos puntos pueden muestrearse de forma aleatoria y con un patrón sistemático que permita una mejor distribución de las observaciones en el área de trabajo. Más allá del método de interpolación utilizado ya sea Kriging o IDW la calidad de la información resultante dependerá que la cantidad y calidad de puntos muestreados, cuantos más puntos y mejor distribuidos sean las observaciones los resultados serán más confiables (Fallas, 2007).

Cada método de interpolación busca definir de forma adecuada el fenómeno que se estudia sobre una superficie continua y así poder disminuir el volumen de datos que se levantan a nivel de campo, hay varias técnicas entre las cuales el IDW y el Kriging (Murillo et al., 2012).

El proceso de interpolación de distancia inversa ponderada o Inverse Distance Weighting (IDW) utiliza los valores medidos que rodean la ubicación de predicción para predecir un valor para cualquier ubicación sin muestrear, basándose en la suposición de que las cosas que están cerca unas de otras son más parecidas que las que están más separadas. Este método hace explícitamente la suposición de que las cosas que están cerca unas de otras son más parecidas que las que están más separadas, para predecir un valor para cualquier ubicación no medida, IDW usa los valores medidos que rodean la ubicación de predicción. Los valores

35

medidos más cercanos a la ubicación de predicción tienen más influencia en el valor predicho que los que están más lejos. IDW asume que cada punto medido tiene una influencia local que disminuye con la distancia. Da mayor peso a los puntos más cercanos a la ubicación de la predicción y los pesos disminuyen en función de la distancia, de ahí el nombre de distancia inversa ponderada (ESRI, 2020).

Kriging es un procedimiento geoestadístico avanzado que genera una superficie estimada a partir de un conjunto de puntos dispersados con valores z. A diferencia de otros métodos de interpolación del conjunto de herramientas Interpolación, utilizar la herramienta Kriging de forma efectiva implica una investigación interactiva del comportamiento espacial del fenómeno representado por los valores z antes de seleccionar el mejor método de estimación para generar la superficie de salida.

Kriging presupone que la distancia o la dirección entre los puntos de muestra reflejan una correlación espacial que puede utilizarse para explicar la variación en la superficie. La herramienta Kriging ajusta una función matemática a un número específico de puntos o a todos los puntos dentro de un radio especificado, para determinar el valor de salida para cada ubicación. Kriging es un proceso que tiene varios pasos, entre los que se incluyen, el análisis estadístico exploratorio de los datos, el modelado de variogramas, la creación de la superficie y (opcionalmente) la exploración de la superficie de varianza. Este método es más adecuado cuando se sabe que hay una influencia direccional o de la distancia correlacionada espacialmente en los datos. Se utiliza a menudo en la ciencia del suelo y la geología (ESRI, 2020).

El Kriging bayesiano empírico por sus siglas en ingles EBK, es un procedimiento de interpolación de estadísticas geográficas que automatiza los aspectos más complejos de la creación de un modelo kriging válido. Otros métodos kriging requieren el ajuste manual de los parámetros para obtener resultados precisos, pero EBK calcula automáticamente esos parámetros por medio de un proceso de creación de subconjuntos y simulaciones. Se diferencia además de otros métodos kriging en que tiene en cuenta el error introducido al estimar el semivariograma