Diseño de una red de muestreo espacial que optimiza la estimación de parámetros de la función de covarianza para la medición pluviométrica en el departamento de Cundinamarca

  • Luis Fernando Santa Guzman
  • Roverth Steven Pinzón Rodríguez
  • Juan Sebastián Pulido Ávila
  • Luis Fernando Gómez Rodríguez
Palabras clave: Kriging, Matriz de Fisher, Redes de muestreo, Simulación Annealing (es_ES)

Resumen (es_ES)

El muestreo espacial óptimo busca obtener una configuración de puntos en una región dada, que brinde la mayor y más confiable información acerca de la variable medida. En esta investigación se llevó a cabo una metodología que diseñó una red de muestreo espacial a través de la optimización de la estimación de los parámetros de la función de covarianza usando datos de pluviosidad del departamento de Cundinamarca obtenidos por el IDEAM para el año 2007. Se construyó un modelo de variabilidad mediante un análisis de dependencia espacial que sirvió de base para simular varios tamaños de muestra mediante el algoritmo de simulación Annealing cuyas matrices de Fisher y de covarianza de los parámetros estimados por máxima verosimilitud (ML) fueron comparadas con el fin de obtener la mejor estimación de los parámetros del proceso espacial. Para el proceso se implementaron rutinas en el software R 3.0.0. A pesar de que la matriz de Fisher no fue una buena aproximación a la matriz de covarianza de los estimadores ML, puede ser usada como criterio de diseño si la relación entre ellas es monótona, como resultado se encontró una mejor red de muestreo con estimación de parámetros óptima y que cumple con las recomendaciones establecidas por la Organización Mundial Meteorológica (OMM), sirviendo como base para reubicar estaciones de la red actual cuya implementación no satisface los propósitos de muestreo óptimo por la falta de criterios técnicos durante su diseño que provocaron defectos de traslape y discontinuidades espaciales de muestreo.

Descargas

La descarga de datos todavía no está disponible.

Referencias

BAUME, O., MELLES, SJ. y SKOIEN, J. Package ‘intamapInteractive’. Software R. 1.1-7 Version. INTAMAP. April 19 2003.

BERTSIMAS, Dimitris y TSITSIKLIS, Jhon. Simulated Annealing. Statistical Science. Vol. 8, No. 1, Report from the Committee on Applied and Theoretical, Statistics of the National Research Council on Probability and Algorithms. Feb. 1993.

CRESSIE. Noel. Statistics for Spatial Data. Wiley. 1991.

GIRALDO, Ramón. Definiciones Básicas de Geoestadística. Introducción a la geoestadística, Teoría y Aplicación. Universidad Nacional de Colombia. Bogotá. 17 p.

MARDIA K.V., MARSHALL R.J. Maximum likelihood estimation of models for residual covariance in spatial regression. Biometrika (1984). 135-46 p.

MYUNG, Jay y NAVARRO, Daniel. Matrix Information. Department of Psychology. Ohio State University. Mar 11, 2004.

SAMPER, F.J. y CARRERA, J. Geoestadística: Definición y Alcance. En: Geoestadística: Aplicaciones a la Hidrogeología. edit. Centro Internacional de Métodos Numéricos en Ingeniería, Universidad Politécnica de Catalunya, Barcelona, España, 1990. 1 p.

ZEA MAZO, Jorge. Diseño de una red optima de estaciones para medir la precipitación. Colombia Atmosfera. ISSN: 0120-6958. Edit. Socolmet. v.23 fasc. p.57 - 62. 1995.

ZHU, Zhengyuan y STEIN, Michael. Spatial sampling design for parameter estimation of the covariance function. University of North Carolina at Chapel Hill and University of Chicago, Chicago. Available online: www.sciensedirect.com.

Cómo citar
Santa Guzman, L. F., Pinzón Rodríguez, R. S., Pulido Ávila, J. S., & Gómez Rodríguez, L. F. (2014). Diseño de una red de muestreo espacial que optimiza la estimación de parámetros de la función de covarianza para la medición pluviométrica en el departamento de Cundinamarca. UD Y La geomática, (7), 75-85. https://doi.org/10.14483/udistrital.jour.udgeo.2013.7.a08
Publicado: 2014-10-17
Sección
Artículo de investigación científica y tecnológica