Distribucio´n espacial: interpolacio´n espacial · Variograma Sobre la direccio´n de la...
Transcript of Distribucio´n espacial: interpolacio´n espacial · Variograma Sobre la direccio´n de la...
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Dinamica de poblaciones marinas
Distribucion espacial: interpolacion espacial
Francisco J. Gomariz Castillo1
[email protected]; [email protected]
Febrero 2013
1 Interpolacion espacialIntroduccionModelos de interpolacion espacial
IDWGeoestadıstica
Modelos linealesMRLMGLM
Testeo y seleccion de los modelosReferencias Ejercicios propuestos
1 Interpolacion espacialIntroduccionModelos de interpolacion espacial
IDWGeoestadıstica
Modelos linealesMRLMGLM
Testeo y seleccion de los modelosReferencias Ejercicios propuestos
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
INTRODUCCION
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Introduccion
¿Por que?: Muchas de las variables en el espacio se conocen conpuntos de muestreo y se pretende predecir valores en zonas nomuestreadas.
Principio (Burrough y McDonnell, 1998): Todas las cosas estanrelacionadas entre si y es muy probable que los valores de puntoscercanos sean mas similares entre si, que con valores de puntos maslejanos.
Por tanto,la interpolacion espacial se centra en el analisis y simulacion de una
muestra de datos, ası como su comportamiento en el espacio einfluencia en otros puntos
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Tipos
Existen decenas de metodos de interpolacion en funcion de sunaturaleza, tipo de datos, etc.:
Geoestadısticos vs no geoestadısticos
Globales (utilizan los datos de toda la region) vs locales(utilizan un subconjunto).
Exactos vs inexactos
Determinısticos vs estocasticos (incorporan el concepto dealeatoriedad mediante una parte determinista y otra estocasticao errores asociados)
Graduales vs abruptos
Univariantes vs multivariantes
Irregulares vs regulares
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Tipos
Ejemplos:
TIN: Univariante no geoestadıstico, determinıstico, local, exacto yabrupto.
IDW: Univariante no geoestadıstico, determinıstico, local,inexacto/exacto y gradual.
LM: Uni/multivariante no geoestadıstico, estocastico, global, inexactoy gradual.
Modelos kriging: univariante/multivariante geoestadıstico,estocastico, local, exacto y gradual.
Comparativa de tecnicas de interpolacion (Li y Heap, 2008)
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Ejemplos de uso
Podrıamos necesitar estimar el valor de una variable secundaria encualquier punto del espacio:
Curvas de nivel del BCN25 y batimetrıas. Mar Menor
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Ejemplos de uso
Podrıamos necesitar estimar el valor de una variable secundaria encualquier punto del espacio:
Interpolacion mediante IDW
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Ejemplos de uso
Interpolacion mediante TIN
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Ejemplos de uso
Podrıamos necesitar estimar el valor de una variable primaria encualquier punto del espacio en funcion de la distancia de puntosconocidos:
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Ejemplos de uso
O relacionada con una serie de variables secundarias:
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Algunos programas
Algunos programas y metodos de interpolacion (Li y Heap, 2008)
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Exploracion de los datos y seleccion de modelos
Analisis previo de los datos:
Debemos analizar los datos objeto de estudio,
saber el tipo de distribucion (normal, lognormal, binomial,poisson, ...),
analizar la distribucion en el espacio (mapas) y
analizar la correlacion espacial: Uso de correlogramas ovariogramas.
¿Y que modelo podemos utilizar?. Debemos tener en cuenta:
Tipo de variable
Densidad y distribucion espacial de los datos
tipo de superficie
estructura espacial
¿existe informacion secundaria? ¿conocemos los procesos queintervienen?
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
A modo de ejemplo se puede seguir el siguiente arbol de decision(Hengl, 2009):
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
MODELOS DE INTERPOLACION ESPACIAL
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
IDW
El metodo de la media ponderada por el inverso de la distancia(Inverse Distance Weighting) estima la variable Z a partir de mediasponderadas mediante la funcion:
z(xj) =
∑ni=1 z(xi ) · d
−α
ij∑ni=1 d
−α
ij
donde:
z: Valor estimado en el punto xj .xj : Punto en los que se estima el valor de la variable.xi : Puntos muestrales vecinos.z: Valor observado de la variable en el punto muestral dentro de la region devecindad.n: Numero de puntos muestrales utilizados en la estimacion.dij : Distancia euclidiana entre xj y xi .α: Exponente de ponderacion. Normalmente α = 2.
Regla: la autocorrelacion disminuye con el incremento de la distanciadij de acuerdo a una funcion de ponderacion d−α
ij
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
IDW
Decisiones a tomar:
a) Los n puntos mas cercanos al punto a interpolar o
b) el umbral r al punto a interpolar
Criterios para aplicar IDW (Alonso˜Sarrıa, 2012)
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Geoestadıstica
Aplicacion del formalismo de las funciones aleatorias alreconocimiento y estimacion de fenomenos naturales (Matheron,1963)
Se basa en la Teorıa de las variables regionalizadas (Matheron,1971): La variacion espacial de una variable (variable geografica)puede ser obtenida mediante tres componentes:
Estructural: Valor medio constante o tendencia constante(parte determinista)
Aleatoria: Componente estocastica espacialmentecorrelacionada
Ruido aleatorio: Error residual gausiano, espacialmenteindependiente y con µ = 0
Z (x) = m (x) + ǫ′ + ǫ′′
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Geoestadıstica
Por otro lado, el proceso se dice que es homogeneo si (estacionariode 2o orden):
Los puntos tienen el mismo valor esperadoE [Z (x)] = E [Z (x + h)] = µ y misma varianza σ2
Existe autocorrelacion en toda el area de estudio y la covarianzaC (x) = C [Z (x) ,Z (x + h)] es funcion de h
Si se cumplen ambos se puede calcular la semivarianzaγ (x) = σ2 − C (x)
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Variograma
Variograma experimental: Funcion estadıstica para caracterizar lavariabilidad espacial a partir de puntos de muestreo:
2γ =1
|N (h)|
∑
N(h)
[Z (xi )− Z (xj)]2
|N (h)| = Numero de pares distintos
Se podrıa definir como la media de los cuadrados de las diferenciasentre pares de puntos separados por una distancia h.
El variograma se define por tres parametros:
Meseta C0: Valor maximo que alcanza el semivariogramacuando la variable es estacionaria. Un buen estimador es lavarianza experimental de los datos.Rango a: Distancia h a la que se alcanza la meseta; zona deinfluencia de un punto sobre el resto, por encima autocorrelacionnula.Pepita C0: Discontinuidad de salto en el origen. Se puedetraducir en la ausencia de correlacion entre dos puntos muyproximos.
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Variograma
Sobre la direccion de la variabilidad:
El comportamiento es isotropico si la variacion es igual en todasdirecciones (variograma omnidireccional)
El comportamiento es anisotropico si la variacion cambia con ladireccion.
Variograma omnidireccional y variogramas direccionales (Gallardo, 2006)
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Variograma
Variograma teorico: Modelo parametrico para ajustar los datosmuestrales. La estimacion de los parametros se puede realizar de formavisual o con metodos como MVL, mınimos cuadrados, etc.
tiny Algunos modelos:
Esferico
γ(h)=
C0 + C1
(
32
(
ha
)
−12
(
ha
)3)
h ≤ a
C0 + C1 h > a
Exponencial
γ(h)=C0+C1(1−exp(−3ha ))
Gausiano
γ(h)=C0+C1
(1−exp
(−h2
a2
))
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Kriging
Si suponemos la medicion de la variable Z en los puntos xi yqueremos predecir Z (x0) no conocido se puede hacer comocombinacion lineal de las variables:
Z∗ (x0) =
n∑
i=1
λiZ (xi )
Siendo λi la ponderacion de los valores originales, con suma igual a1, que pueden ser estimados mediante γ (h)Propiedades:
Proceso estacionario de media media desconocida
Estimador lineal
Insesgado
Optimo (minimiza la varianza de la estimacionV (Z∗ (x0)− Z (x0)))
Exacto
Puede incluir infor. sec (CK)
Proporciona la varianza de la estimacion
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
MODELOS LINEALES
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
MRLM
Los Modelos de Regresion Lineal Multiple (MRLM) intentan analizaruna relacion entre una variable dependiente Y y otrasindependientes, dependencia relacional matematica y no causal.
Objetivos:
Conocer la relacion entre la variable respuesta y la(s)variable(s) regresora(s)
Utilizar el modelo de regresion ajustado para predecir el valor dela variable respuesta Y cuando la(s) variable(s) regresora(s)toma(n) un valor determinado
¿Se pueden considerar modelos de interpolacion?:
Si consideramos como variables predictoras las coordenadas X eY y otras variables espaciales (como la profundidad) leconferimos al modelo una dimension espacial (modelos globalesestocasticos)
En algunos estudios espaciales, si se concluye que los residuosaleatorios poseen autocorrelacion, es posible modelizarlos yagregarlos al modelo para disminuir su error
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
MRLM
Y = β0 + β1X1 + β2X2 + ....+ βkXk + ǫ
Supuestos a cumplir:
Linealidad entre la variable dependiente y las independientes.
Independencia de los residuos ǫi .
Homocedasticidad de ǫi .
La esperanza de ǫ debe ser 0 (E (ǫ) = 0).
Normalidad de la distribucion condicional (ǫ ≈ N(0, σ2
)).
Ausencia de colinealidad entre las variables independientes einclusion de aquellas relevantes (principio de parsimonia).
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
MRLM
Se puede abordar este tipo de estudios a partir de:
Estudio de la asociacion
Estimacion del modelo de regresion (Mınimos Cuadrados,M.verosimilitud)
Contraste de hipotesis y analisis del modelo
Prediccion puntual o por intervalos
Los contrastes de hipotesis sirven para analizar los parametros.Pueden ser:
Significacion individual de los parametros (t-Student)
Significacion global: ANOVA, basado en Fexpt mediante ladescomposicion de variabilidades:
Fuentes Suma cuadrados g.l. Estimadores F
VE∑(yi−y)2 2 − 1 S2
VE = VE2−1
S2VE
S2R
≈ F1,n−2
VNE∑(yi−y)2 n − 2 S2
R = VNEn−2
VT∑(yi−y)2 n − 1 S2
y = VTn−1
Como medida de bondad de ajuste se puede utilizar R2 = 1− SCE
SCT,
proporcion de variabilidad de Y explicada por las var. independientes.
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Interpretacion de los residuos
−2 −1 0 1 2
−10
010
20
Normal Q−Q Plot res. lm(formula=Arcilla~Prof,data=datos2)
Theoretical Quantiles
Sam
ple
Qua
ntile
s
Normalidad: Contrastes de normalidad (K-S, Shapiro) o grafico
(qqplot res. observados frente a teoricos)
10 20 30 40 50 60
−10
010
20
lm(formula = Arcilla ~ Prof, data = datos2)
fitted(modelo)
resi
dual
s(m
odel
o)
Homocedasticidad: Grafico del valor de los residuales frente a
observados o contrate de Breusch-Pagan
A tener en cuenta tambien:
Valores anomalos (outliers)
Valores influyentes
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
GLM
Generalizacion flexible de los MRLM que relacionan la distribucionaleatoria de la var. dependiente con la parte sistematica medianteuna funcion enlace
Y = g−1 (Xβ) + ǫ
donde Y es el vector de respuesta n-dimensional, β los coeficientesestimados y ǫ el vector de residuos del modelo. g−1 es el inverso dela funcion link o enlace, que relaciona los valores esperados de lavariable respuesta con los predictores lineales.
Componentes de los GLM:
Aleatoria que identifica la variable respuesta Y y su distribucionde probabilidad
Sistematica de las variables explicativas
Funcion link o vınculo especıfica de EY que la expresa comocombinacion lineal de las variables predictoras (linealiza larelacion entre Y y las var. predictoras)
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
GLM
Ventajas GLM frente a MRLM:
Manejo de gama de funciones de la familia exponencial,
como conteos (Y ≈ Bin (1, φ)) o presencia-ausencia(Y ≈ Pois (ρ) , siendo EY = ρ = µ).
La relacion de la var. respuesta a la prediccion lineal a traves dellink g (E (Y )) garantiza linealidad y restringe la prediccion alrango de posibles valores.
Soluciones (como la quasi-verosimilitud) para hacer frente a lasobredispersion
Algunas funciones de vınculo:
Fuente: Cayuela, 2010
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
GLM para datos binomiales y conteos
Si respuesta es binaria (1 o 0) o Y ≈ Bin (1, φ) se utiliza la funcionde vınculo canonica logit (regresion logıstica):
g (µ) = ln
(µ
1− µ
)
Si a respuesta es discreta (conteos) o Y ≈ Pois (ρ) , siendoEY = ρ = µ la funcion canonica sera la logarıtmica
Para analizar la bondad de ajuste se utilizara la cantidad de varianzaexplicada o devianza D2 = Devnull−Devres
Devnull
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
TESTEO Y SELECCION DE LOS MODELOS
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Validacion cruzada
Objetivo:
Evaluar y comparar los metodos de interpolacion y
obtener una estimacion del error cometido por el modelo.
Validacion cruzada Leave-one-out cross-validation: Se validadejando para cada iteraccion una muestra y estimando el modelo y suerror para n − 1 elementos.
Estimacion del error: Analiza el error generado por el modelocomparando el valor observado con el estimado. Un estimador puedeser el RMSE (mınimo error cuadratico medio):
RMSE =
√√√√1
n·
n∑
j=1
(z(xj)− z(xj))2
(1)
donde:n: Numero de puntos de validacion.z(xj): Valores estimados.z(xj): Valores observados.
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Referencias
Alonso Sarrıa, F. (2012). Sistemas de Informacion Geografica. Universidad deMurcia, Murcia.http://fobos.inf.um.es/alonso/SIGCCAA/temario.pdf
Burrough, P.A. y McDonnell, R.A. (1998). Principles of Geographical
Information Systems. Oxford University Press, New York. ISBN978-90-9024981-0.
Hengl, T. (2009). A Practical Guide to Geostatistical Mapping. University ofAmsterdam, Amsterdam, 2nda edicion. ISBN 978-90-9024981-0.http://spatial-analyst.net/book/
Li, J. y Heap, A.D. (2008). A review of spatial interpolation methods for
environmental scientists. Geoscience Australia, Canberra.
Matheron, G. (1963). ✭✭Principles of geostatistics✮✮. Economic Geology, 58, pp.1246–1266.
Matheron, G. (1971). The theory of regionalized variables and its applications.Centre de Morphologic Mathematique de Fontainebleau.
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
EJERCICIOS
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Ejercicio1
Con objeto de iniciar un estudio sobre el comportamiento dediferentes especies en la zona de la playa de la Llana y TorreDerribada (San Pedro del Pinatar, Murcia) se hace necesario disponerde valores de profundidad y biocenosis en la zona de estudio. Paraello se realizo un muestreo aleatorio de 400 puntos, obeniendosecomo informacion secundaria el tipo de biocenosis y profundidad. Apartir de la hoja de calculo datos.xls e informacion secundaria relativaa la distancia a la costa, construye una superficie de profundidades ydistribucion de biocenosis mediantes tecnicas de interpolacion.
Distribucion
espacial:
interpolacion
espacial
Interpolacion
espacial
Introduccion
Modelos deinterpolacionespacial
IDW
Geoestadıstica
Modelos lineales
MRLM
GLM
Testeo yseleccion de losmodelos
Referencias
Ejerciciospropuestos
Ejercicio2
Con objeto de inicar un estudio en Cabo Tinoso (Murcia) sobre elDelfın Mular se requiere estudiar la probabilidad de ocurrencia en suobservacion. Partiendo de informacion espacial relativa a profundidad,distancia a la costa, pendientes del lecho y coordenadas, generar unasuperficie de probabilidad de observacion.