Una revisión de las nuevas aplicaciones metodológicas del cokrigeaje en Ciencias de la Tierra
DOI:
https://doi.org/10.21701/bolgeomin.122.4.007Palabras clave:
condiciones de contorno, derivada direccional, desagregación, gradiente, problema inversoResumen
El cokrigeaje es el interpolador geoestadístico multivariante que además puede utilizarse para estimar factores espaciales (cokrigeaje factorial) y para estimar la función de densidad local (cokrigeaje de indicatrices). Sin embargo, estas no son las únicas extensiones que permite el cokrigeaje, sino que su gran versatilidad se muestra en este trabajo con la revisión de nuevas aplicaciones. La primera extensión es el cokrigeaje de desagregación que se ha utilizado satisfactoriamente en Teledetección para la fusión de imágenes de diferente resolución espacial y espectral. En segundo lugar está el uso del cokrigeaje como solución al problema inverso en hidrogeología donde se estima la transmisividad haciendo uso de las abundantes medidas existentes del nivel piezométrico y teniendo en cuenta la ecuación del flujo subterráneo que relaciona la transmisividad y el nivel piezométrico. En tercer lugar tenemos el cokrigeaje adaptado para estimar la derivada direccional de una variable escalar e ilustrado con la estimación del gradiente hidráulico en un acuífero. Finalmente el cokrigeaje se puede adaptar para introducir las condiciones de contorno en el problema de estimación, como por ejemplo, en la estimación del nivel piezométrico de un acuífero teniendo en cuenta los bordes impermeables. Se ilustra toda la anterior metodología con datos del acuífero de la Vega de Granada.
Descargas
Citas
Ahmed S. and De Marsily, G., 1993. Cokriged estimation of aquifer transmissivity as an indirect solution of the inverse problem: a practical approach. Water Resources Research, 29 (2), 521-530. https://doi.org/10.1029/92WR00226
Atkinson, P. M., Webster, R., & Curran, P. J. (1994). Cokriging with airborne MSS imagery. Remote Sensing of Environment, 50, 335−345. https://doi.org/10.1016/0034-4257(94)90083-3
Atkinson P., Pardo-Igúzquiza, E. and Chica-Olmo, M., 2008. Downscaling cokriging for super-resolution mapping of continua in remotely sensed images. TGARS Transactions on Geoscience and Remote Sensing, 46 (2), 573-580. https://doi.org/10.1109/TGRS.2007.909952
Bradley, G. L. and Smith, K. L., 1989. Calculus. Prentice Hall, 1239 p.
Brochu, Y. and Marcotte, D., 2003. A simple approach to account for radial flow and boundary conditions when kriging hydraulic head fields for conditioned aquifers. Mathematical Geology 35 (2), 111-139. https://doi.org/10.1023/A:1023231404211
Castillo Martín, A. (1986). Estudio Hidroquímico del acuífero de la Vega de Granada. Servicio de Publicaciones. Universidad de Granada. 658 p.
Chiles, J.-P., Delfiner, P., 1999. Geostatistics: Modelling Spatial Uncertainty. Wiley, New York, 695 pp. https://doi.org/10.1002/9780470316993
Dagan, G., 1985. Stochastic modelling of groundwater flow by unconditional and conditional probabilities: the inverse problem. Water Resources Research, 21 (1), 65-72. https://doi.org/10.1029/WR021i001p00065
Deutsch, C. V., and Journel, A. G., 1992, GSLIB. Geostatistical software library and user's guide: Oxford University Press, New York, 340 p.
Doyen, P. M., 1988. Porosity from seismic data: A geostatistical approach. Geophysics, 53, 1263-1275. https://doi.org/10.1190/1.1442404
Gelhar, L. (1986). Stochastic subsurface hydrology: from theory to applications. Water Resources Research, 22 (9), 135S-145S. https://doi.org/10.1029/WR022i09Sp0135S
Goovaerts, P., 1997. Geostatistics for Natural Resources Evaluation. Oxford University Press, New York, NY 483p. https://doi.org/10.1093/oso/9780195115383.001.0001
Goulard, M. and Voltz, M., 1992. Linear coregionalization model: tools for estimation and choice of cross-variogram matrix. Mathematical Geology, 24 (3), 269-286. https://doi.org/10.1007/BF00893750
Hoeksema R. J., Clapp R.B., Thomas A.L., Hunley A.E., Farrow N. D. and Dearstone K. C., 1989. Cokriging model for estimation of water table elevation. Water Resources Research, 25 (3), 429-438. https://doi.org/10.1029/WR025i003p00429
Hoeksema R. J. and Kitanidis P. K., 1984. An application of the geostatistical approach to the inverse problem in two-dimensional groundwater modelling. Water Resources Research, 20 (7), 1003-1020. https://doi.org/10.1029/WR020i007p01003
Isaaks, E. H., and Srisvastava, R. M., 1989, Applied Geostatistics: Oxford University Press, New York, p. 561.
Joumel, A., y Huijbregts, C., 1978. Mining Geostatistics: Academic Press, New York, p. 600.
Journel, A. G., 1983. Nonparametric estimation of spatial distributions. Mathematical Geology, 15 (3), 445-468. https://doi.org/10.1007/BF01031292
Kuhlman K. and Pardo-Igúzquiza E., 2010. Universal cokriging of hydraulic heads accounting for boundary conditions. Journal of Hydrology. 384 (1-2), 14-25 https://doi.org/10.1016/j.jhydrol.2010.01.002
Lesch, S. M., Strauss D. J. and Rhoades J. D., 1995. Spatial prediction of soil salinity using electromagnetic induction techniques: 1. Statistical prediction models: A comparison of multiple linear regression and cokriging. Water Resources Research, 31 (2), 373-386. https://doi.org/10.1029/94WR02179
Luque-Espinar, J. A., 2001. Analisis geoestadistico espacio-temporal de la variabilidad piezometrica. Aplicacion a la Vega de Granada. Tesis Doctoral. Departamento de Geodinamica. Universidad de Granada. 313 p.
Matheron, G., 1963. Traité de Géostatistique Appliquée. Tome 2. París, Editions Technip.
Matheron, G., 1975. Random sets and integral geometry. Wiley & Sons. New York.
Myers, D. E., 1982. Matrix formulation of co-kriging. Mathematical Geology, 14 (3), 249-257. https://doi.org/10.1007/BF01032887
Matheron, G., 1982. Pour une analyse krigeante des données regionalisées, Rep. N-732, Centre de Géostatistiques, Fontainebleau, France, 21pp.
Meyer, T. H., Eriksson, M. and Maggio, R. C., 2001. Gradient estimation from irregularly spaced data sets. Mathematical Geology, 33 (6), 693-717. https://doi.org/10.1023/A:1011026732182
Myers, D. E., 1983. Estimation of Linear Combinations and Co-Kriging. Mathematical Geology, 15 (5), 633-637. https://doi.org/10.1007/BF01093416
Myers, D. E., 1991. Pseudo-Cross Variograms, Positive-Definiteness, and Cokriging. Mathematical Geology, 23, (6), 805-816. https://doi.org/10.1007/BF02068776
Olea R. A., 1999. Geostatistics for Engineers and Earth Scientists. Kluwer Academic Publishers, Boston, 303 p. https://doi.org/10.1007/978-1-4615-5001-3
Papoulis, A. (1984). Probability, random variables and stochastic processes. 2nd Edition. Singapore: McGraw-Hill International Editions.
Pardo-Igúzquiza, E., 1997. MLREML: a computer program for the inference of spatial covariance parameters by maximum likelihood and restricted maximum likelihood. Computers and Geosciences, v. 23, no. 2, pp. 153-162. https://doi.org/10.1016/S0098-3004(97)85438-6
Pardo-Igúzquiza, E., 1998. Comparison of geostatistical methods for estimating the areal average climatological rainfall mean using information of precipitation and topography. International Journal of Climatology, v. 18, p. 1031-1047. https://doi.org/10.1002/(SICI)1097-0088(199807)18:9<1031::AID-JOC303>3.0.CO;2-U
Pardo-Igúzquiza, E., 1999. VARFIT: a Fortran-77 program for fitting variogram models by weighted least squares. Computers and Geosciences, v. 25, no.3, p. 251-261. https://doi.org/10.1016/S0098-3004(98)00128-9
Pardo-Igúzquiza, E. and Dowd, P. A., 2001. VARIOG2D: a computer program for the inference of the variogram and its uncertainty. Computers and Geosciences, v. 27, p. 549-561. https://doi.org/10.1016/S0098-3004(00)00165-5
Pardo-Igúzquiza, E. and Dowd, P. A., 2002. FACTOR2D: a computer program for factorial cokriging. Computers and Geosciences, 28, p. 857-875. https://doi.org/10.1016/S0098-3004(02)00003-1
Pardo-Igúzquiza, E. and Chica-Olmo, M., 2004. Estimation of gradients from sparse data by universal kriging. Water Resources Research, 40, W12418, pp. 1-17 https://doi.org/10.1029/2004WR003081
Pardo-Igúzquiza, E. and. Dowd, P.A., 2005. Multiple indicator cokriging with application to optimal sampling for environmental monitoring. Computers and Geosciences, 31, (1), p. 1-13. https://doi.org/10.1016/j.cageo.2004.08.006
Pardo-Igúzquiza, E., Chica-Olmo, M. and Atkinson P., 2006. Downscaling cokriging for image sharpening. Remote Sensing of Environment, 102, 86-98. https://doi.org/10.1016/j.rse.2006.02.014
Pardo-Igúzquiza, E. and Chica-Olmo, M., 2007. KRIGRADI: a cokriging program for estimating the gradient of spatial variables from sparse data. Computers and Geosciences, v. 33 (4), p. 497-512. https://doi.org/10.1016/j.cageo.2006.08.004
Pardo-Igúzquiza E., Chica-Olmo M. and Mardia K. V., 2009. MLMATERN: A computer program for maximum likelihood inference with the spatial Matérn covariance model. Computers & Geosciences, 35, 1139-1150. https://doi.org/10.1016/j.cageo.2008.09.009
Pardo-Igúzquiza E., Chica-Olmo M., Luque-Espinar, J. A., and García-Soldado, M.J., 2009. Using semivariogram parameter uncertainty in hydrogeological applications. Groundwater, Groundwater, 47 (1), 25-34. https://doi.org/10.1111/j.1745-6584.2008.00494.x
Pardo-Igúzquiza E., Atkinson P. M. and Chica-Olmo M., 2010. DSCOKRI: a library of computer programs for downscaling cokriging in support of remote sensing applications. Computers & Geosciences, Computers & Geosciences, 36, 881-894. https://doi.org/10.1016/j.cageo.2009.10.006
Parzen, E., 1972. Stochastic Processes. Holden-Day Inc., San Francisco, (Spanish edition, Editorial Para info, Madrid), 370 p.
Philip, R. D. and Kitanidis, P. K., 1989. Geostatistical estimation of hydraulic head gradients. Ground Water, 27, (6), 855-865. https://doi.org/10.1111/j.1745-6584.1989.tb01049.x
Remy N., Boucher A. and Wu J., 2009. Applied Geostatistics with SGeMS: A user's Guide, Cambridge University Press, Cambridge, UK, 264 p. https://doi.org/10.1017/CBO9781139150019
Rivoirard, J., 1994. Introduction to Disjunctive Kriging and Non- Linear Geostatistics. Oxford University Press, USA, 192 p.
Wackernagel, H., 2003. Multivariate Geostatistics. An introduction with applications. 3rd revised edition. Springer Verlag, Berlín, 386 p. https://doi.org/10.1007/978-3-662-05294-5_1
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Consejo Superior de Investigaciones Científicas (CSIC)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Consulte la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
