GEOESTADSTICAAPLICADACONSGeMS

Guadelusuario

ElsoftwaredemodeladogeoestadsticodeStanford(SGEMS)EsunpaqueteinformticodecdigoabiertoprrLa
SolucindeProblemasRelacionadosconlasvariablesdeespacialmenteRelacionados. Proporciona profesionales
estadsticos con una interfaz fcil de usar, una visualizacin 3D interactiva y una amplia seleccin de algoritmos.
Con ms de 12.000 descargasenmenosde2aos,SGeMSseutilizaenvariosgruposdeinvestigacinyempresas.

EstelibroprcticoofreceunaguapasoapasoparaelusodealgoritmosSGeMS.En lseexplicalateora
subyacente,demuestralaaplicacindelasdiversas algoritmos, analiza sus posibles limitaciones, y ayuda al usuario
tomar una decisin informada acerca de la eleccin de un algoritmo sobre otro.Los usuarios pueden completar tareas
complejas usando el lenguaje de scripting integrado, y los nuevos algoritmos pueden ser desarrollado e integardo
mediante el mecanismo de plug-in SGeMS.

SGeMS es el primer software para proporcionar algo-ritmos para las estadsticas de varios
puntos y el libro presenta una discusin actualizada de la teora y las aplicaciones
correspondientes.

LaincorporacindeunCDROMconelsoftwareSGeMScompleto,estelibroesunusuarioguaesencialpara
lospracticantesprofesionalesdelmedioambiente,lamineraylaingenieradepetrleo,ascomoestudiantesde
postgrado e investigadores en campos comola teledeteccin,la geografa, la ecologa, los recursos hdricos e
hidrogeologa.Tanto los principiantes como los usuarios ms avanzados encontrarn respuestas en el libro sobre
cmo utilizar el software y en general sobre la prctica geoestadstico.
'

NICOLASREMYrecibiunalicenciaturaenMatemticasyFsicadelaEscuelaNacionalSuperieure'desMines,
Nancy,Francia,unamaestraeningenierapetroleradelaUniversidaddeStanfordyundoctoradoGeoestadsticaenla
UniversidaddeStanford.ActualmenteesEstadsticoSeniorde Yahoo!,lderdemineradedatosyelgrupodemodelado
del comportamiento del usuario para el Yahoo! Medios y Comunicaciones Yahoo! y Comunidades unidades de
negocio.Sus intereses de investigacin incluyen estadsticasmltiples de puntos, aprendizaje automtico, la teora de
grafosylamineradedatos

ALEXANDRE BOUCHER recibiounaB.Eng.enIngenieraGeolgicadelaEcolePolytechniquedeMontreal",

Montreal,QC,Canad,UnaMaestraenFilosofa.gradodelaUniversidaddeQueensland,Brisbane,Australia,

Ph.D.ONUydelaUniversidaddeStanford,Stanford,CA.ELenseogeoestadsticaenelDepartamentodeMedio
AmbienteyCienciasdelSistemaTerrestredelaUniversidaddeStanford,yhaimpartidocursosdecortaDuracin
SobreeltemaenlosEE.UU.yJapn. Sus intereses de investigacin incluyen la geoestadstica, la integracin de
datos, teledeteccin, incertidumbre modelado, aprendizaje automtico, y el modelado probabilstico de los
fenmenos espacio-temporales.

JIANBING WUrecibiosuPh.D.enIngenieradePetrleoen2007porlaUniversidaddeStanford,ysuM.E.y
B.S.enIngenieraMecnicadelaUniversidaddeCienciayTecnologadeChina.l es un ingeniero de yacimientos
con el grupo Aplicada Ingeniera de Yacimientos en ConocoPhillips, y su investigacin se centra en el modelado de
yacimientos estticos y dinmicos. En la actualidad es miembro de SPE, IAMG y SEG.

GEOESTADSTICAAPLICADA

CONSGeMS
Guadelusuario

NICOLASREMY

Yahoo!MediosyComunicacionesYahoo!yComunidades

ALEXANDREBOUCHER

UniversidadStanford

JIANBINGWU

ConocoPhillips

CAMBRIDGEUNIVERSITYPRESS

Cambridge,NuevaYork,Melbourne,Madrid,CapeTown,Singapur,Sao~Paulo,Delhi

CambridgeUniversityPress
ElEdificioEdimburgo,CambridgeCB28RU,ReinoUnido

PublicadoenlosEstadosUnidosdeAmricaporCambridgeUniversityPress,NuevaYork

www.cambridge.org
Lainformacinsobreestettulo: www.cambridge.org/9780521514149

N. Remy, A. Boucher y J. Wu 2009

Estapublicacinestenelderechodeautor.Sujetoaexcepcinlegalydelodispuestoenlos
acuerdosdelicenciacolectivospertinentes,sinlareproduccindecualquierpartepuedetenerlugar
sin
elpermisoescritodeCambridgeUniversityPress.

Publicadoporprimeravez2009

ImpresoenelReinoUnidoenelUniversityPress,Cambridge

UnregistrodecatlogodeestapublicacinestdisponibleenlaBibliotecaBritnica

ISBN9780521514149

CambridgeUniversityPressnotieneningunaresponsabilidadporlapersistenciaolaexactituddelas
direccionesURLexternasoterceraspginasdeinternetmencionadasenestapublicacin,ynogarantiza
quecualquiercontenidoendichossitioswebes,osemantendr,precisooapropiado.

TodoelmaterialcontenidoenelCDROMestprotegidoporderechosdeautoryotrasleyesdepropiedadintelectual.El cliente adquiere

nicamente el derecho a utilizar el CD-ROM y no adquiere ningn otro derecho, expresa o implcita, salvo que estuvieran sealadas
expresamente en una licencia independiente.

Enlamedidapermitidaporlaleyaplicable,CambridgeUniversityPressnosehaceresponsableporlosdaosdirectosoprdidadecualquiertipo
queresultendelusodeesteproductoodeloserroresofalloscontenidosenelmismo,yencada

casoCambridgeUniversityPressderesponsabilidadselimitaralacantidadefectivamente
pagadaporelclienteparaelproducto.

Contenido

Prlogo por Albert Tarantola

Prefacio

pgina xi

xi

Listade
programas

Listade
smbolos

xiii

xv

1 Introduccin

2 PanoramaGeneral

2.1

Unavisitarpidadelainterfazgraficadelusuario

UnanlisisgeoestadsticotpicausandoSGEMS

2.2.1CargadedatosenunprojecSGeMSt

2.2.2anlisisdedatosexploratorio(EDA)

10

2.2.3 Variogramamodeling

10

2.2.4 Creacindeungrid

12

2.2.5Ejecucindeungeoestadsticaalgorithm

13

2.2.6 Viendolosresultadoss

14

2.2.7PostprocesamientodelosresultadosconPython

19

2.2.8 Cmoguardarlosresultados

21

2.2.9 Automatizacindetareas

21

2.3

Formatosdearchivosdedatos

23

2.4

Archivosdeparmetros

24

2.5

Ladefinicindeunelipsoide3D

26

2.2

3Geoestadstica:unretirodeconceptos

3.1

Variablealeatoria

29

30

3.2

3.3

Funcinaleatoria

33

3.2.1 Realizacionessimulados

34

3.2.2 Mapasestimadas

37

Distribucionescondicionalesysimulaciones

38

3.3.1 SimulacinSecuencial

40

3.3.2Estimacindelasdistribucionescondicionales
locales

42

vi

Contenido

3.4

Inferenciayestacionariedad

44

3.5

Elvariograma,unaestadsticade2puntos

48

3.6

Elparadigmakriging

50

3.6.1 Krigingsimple

51

3.6.2krigingordinarioyotrasvariantes

54

3.6.3Krigingconvariablepromediolineal

57

3.6.4 Cokriging

59

3.6.5 Indicadorkriging

61

3.7

Unaintroduccinapfestadsticas

62

3.8

Algoritmosdesimulacindedospuntos

65

3.8.1 Simulacingaussianasecuencial

66

3.8.2 Simulacinsecuencialdirecta

67

3.8.3 Simulacinerrordirecta

68

3.8.4 SimulacinIndicador

69

Algoritmosdesimulacinmltipledepunto

71

3.9.1Individualsimulacinecuacinnormal(SNESIM)

71

3.9.2 Algoritmobasadoenfiltro(FILTERSIM)

72

3.9

3.10

Laexpresinnu/tauparacombinarcondicional

probabilidades

74

3.11 Problemainverso

4conjuntosdedatosyherramientasSGeMSEDA

4.1

4.2

80

Losconjuntosdedatos

80

4.1.1Elconjuntodedatos2D

80

4.1.2Elconjuntodedatos3D

81

LasherramientasSGeMSEDA

84

4.2.1 Parmetroscomunes

85

4.2.2 Histograma

85

4.2.3QQparcelayPPtrama

87

4.2.4 Grficodedispersin

87

5variogramaclculoymodelizacin

5.1

79

90

CmputovariogramaenSGeMS

92

5.1.1Seleccindelaspropiedadesdecabezaycola

92

5.1.2 Parmetrosdeclculo

93

5.2

5.1.3Visualizacindelosvariogramascalculados

98

ModeladovariogramaenSGeMS

98

6interfacesdeentradadeparmetroscomunes

101

6.1

PanelAlgoritmo

101

6.2

Seleccindeunarejillaylapropiedad

102

6.3

Seleccindemltiplespropiedades

103

6.4

Bsquedabarrio

104

Contenido

vii

6.5

Variograma

104

6.6

Kriging

105

6.7

Entradadelnea

105

6.8

Ladistribucinnoparamtrica

106

6.9

Loserroresenlosparmetros

108

7 Algoritmosdeestimacin

7.1

Kriging:krigingunivariado

109

109

7.2

INDICADORkriging

113

7.3

Cokriging:krigingcondatossecundarios

119

7.4

BKRIG:bloquedeestimacinkriging

122

8 Algoritmosdesimulacinestocstica

8.1

132

Simulacionesbasadasenvariograma

132

8.1.1

SimulacinLU: LUSIM

133

8.1.2

SGSIM:simulacingaussianasecuencial

135

8.1.3

COSGSIM:cosimulacingaussianasecuencial

139

8.1.4

DSSIM:simulacinsecuencialdirecta

143

8.1.5

Sisim:simulacinindicadorsecuencial

147

8.1.6COSISIM:indicadorsecuencial

cosimulacin

153

8.1.7

BSSIM:bloquedesimulacinsecuencial

157

8.1.8

BESIM:simulacindeerrordebloque

163

8.2

Algoritmosdesimulacinmltipledepunto

168

8.2.1SNESIM:simulacinecuacinnormaldeunsolo

169

8.2.2

191

Simulacinbasadaenfiltro: FILTERSIM

9 Utilidades

215

9.1

TRANS:transformacinhistograma

215

9.2

TRANSCAT:transformacincategrica

218

9.3

POSTKRIGING:postprocesamientodekriging

estimaciones

222

9.4

POSTSIM:postprocesamientodelasrealizaciones

224

9.5

NUTAUMODELO: lacombinacindecamposde
probabilidad

227

9.6

BCOVAR:clculodelacovarianzabloque

228

9.7

PROCESAMIENTODEIMGENES

233

9.8

MOVIMIENTODELAVENTANA: moverestadsticas
ventana

234

9.9

Generadordeimagenbasadaobjeto: TIGENERATOR

237

9.9.1

239

Lainteraccindeobjetos

10secuenciasdecomandos,loscomandosylosplugins

10.1 Comandos

245

245

10.1.1 Listasdecomandos

246

10.1.2 Ejecutararchivodecomandos

248

viii

Contenido

10.2 ScriptPython

249

10.2.1 MdulosSGeMSPython

250

10.2.2 EjecucindescriptsdePython

250

10.3 Plugins

252

Bibliografa

254

ndice

260

Prefacio

Geoestadsticaesunaciencia.Estambinunarte.

Geoestadsticanoessimplementelaaplicacindemtodosestadsticosparadistribucionesespaciales
geologaimpulsado,tambinproporcionaunmarcoconceptualparahacerinferenciasapartirdedatosde
lascienciasdelaTierradatosqueson,msamenudoqueno,incompleta.

Algunospuedendecir,comolohara,quelamayoradelosproblemasabordadosengeostatisticsson
problemasinversos,enelsentidodequelosdatosseutilizanparainferirparmetrosdelmodeloanterior.
Sinembargo,existeunabrechaentrelosproblemasinversosyproblemasgeostatistico:en problemas en
versoquemodelanlasobservacionespuedenserequipointensiva,peroelmodeloaprioriestpicamente
sencilla(osimplista);enunasolucindecalgeostatistilosdatosestndirectamenterelacionadosconlos
parmetrosdelmodelo,estopermiteconsiderarmodelosanteriorestha tencapsularpropiedadesdela
verdaderaTierra,avecesconunrealismoimpresionante.Labrechaseestreduciendoydesapareceren

unfuturoprximo.Porelmomento,debemostratardehacerlomejorquepodamosencadaunodelos
doscampos.

Lamayoradelassolucionesgeoestadsticasi nvolvefuncionesaleatorias,yunlargocaminosehapisado
yaquelosmodelosGaussianossimplesutilizadosenelprincipio.ElequipodeStanfordhaestadoenelorigen
demuchosdesarrollosnoGaussianosqueahorasehanconvertidoennorma.Ellosestnotravezconel
conceptogeoestadsticomixto de varias p
yalgoritmosrelacionados,quepermitendefinirfuncionesaleatoriasverdaderamentecomplejos.

Siunpintornotieneescobillas,onohaypinturas,l/ellanopuedeproducirarte.Lomismosucede
aqu:conelfindehacerfrenteaproblemasdifcilespidiendo prioresno simplisticylaelaboracinde
soluciones prcticas (el arte), se necesita el software de ordenador.Las ecuaciones de suscripcin
geoestadsticasepuedencolocarenelpapel,sinoqueinclusolaaplicacinsimplestrequieresoftware
dedicado.Aquesdondeel dGeostatisticalModelingSoftwareStanfor (SGeMS)brilla.Conestelibroel
lectoraprendercmoutilizarelsoftwarehacialasolucindeproblemasnotriviales.

ix

Prefacio

NadapuedereemplazarmisestanciasrepetidasenStanfordylainteraccinconelpeoplehayenel
CentrodePrediccindeldepsitocon,entreotros,losautoresdeestelibroymiqueridoamigoAndre'
Journel.Tenerestelibroconmigoeslomsparecido aestarenStanford.

AlbertTarantola

Pasadena

Prefacio

Estelibronoesunaintroduccinalageoestadsticaysuteora.Aunquealgunoselementosdelateora
geoestadstica se recuerdan, el texto supone un nivel razonable de familiaridad con los conceptos
principales de la geoestadstica: nociones de una funcin aleatoria, aridad estacin
ovariogramanodebendejarpreguntndose.

ElobjetivoprincipaldeestelibroesunacopiadeseguridaddelStanfordGeostatisticalModelingSoftware
(SGeMS)y,consuerte,ampliarlacomprensindellectordegeostatisticsmsalldesuteoraensusmuy
diversas aplicaciones.Enesaperspectiva,sehacehincapienlosaspectosprcticos(enqucontextosedebe
preferir una herramienta sobre otro) y consideraciones de implementacin (En qu medida el algoritmo
implementacionessedesvandelateora,culesson losehiptesisylimitacionesdelaimplementacin)
.Sin embargo, este libro no es un manual de referencia para el programa-ming en SGeMS y no hay detalles
sobre el cdigo fuente de SGeMS o sus APIs se dan. Si usted est interesado en aprender cmo contribuir
cdigo para SGe

MSconsulteelsitiowebSGeMS,http://sgems.sourceforge.net,dondeunadescripcindelas
APISGeMSyvariostutorialesestndisponibles.

LasherramientasgeoestadsticasdeSGeMSfuerondiseadosparaproporcionarsuficienteflexibilidad
paraadaptarseadiferentesproblemas.Comoresultado,elnmerodeparmetrosdecontroldisponibles
puedeparecerdesalentadorparaelpracticanteprincipiante.Nosedejeintimidar!Lamayoradelos
parmetros advanc
edtienenvalorespordefecto,ylamejormaneradeconstruirsucomprensindeesosparmetroses
repetirlosejemplosdecarrerasyexperimentoporsucuenta.

MientrasquelamayoradelasherramientasenSGeMSsebasanengeoestadsticaclsicos(kriging,
simulacindeGauss,simulacinindicador,etc.),unagranpartedellibroestdedicadaalconceptode
mltiplespuntosestadsticas.Mltiplespuntosestadsticassonunnuevoun ndreaprometedoradela
geoestadstica,suteorasubyacenteseexponeconmayordetalle,ydosalgoritmosdemltiplespuntosse
describenafondo.

Estelibrohatenidounalargagestacin.Laideadeungeoestadsticagenricosprogramacinbiblioteca(el
libr aryGSTL), acompaado de un software simple escaparate

xi

xii

Prefacio

datade2001yseiniciconlacolaboracindelprofesorArben
'

Schtuka,acontinuacin,un tEcoleNationaleSuperieure'deGeologie'(Francia),yelapoyodelprofesor
JefCaersenlaUniversidaddeStanford.Loquesesuponequeesunsoftwaredesimple,sinembargo,se
convirti en un esfuerzo de programacin muy involucrado. SGeMS ahora es un software de pleno
derecho enel XX proporciona unaplataforma moderna, cmoda yde gran alcance para los nuevos
desarrollosdelageoestadstica.GraciasalapoyodeJefCaersyAndre'Journel,elsoftwareSGeMSgan

fuerza en el Centro Stanford de Previsin Embalse (SCRF), y luego con su i ndustrial afiliados y
universidadescolaboradoras.

EstelibronohabraexistidosinelapoyodeAndre'Journel,suincansablesupervisinalegralder,
dedicadaysuobsesivacorreccindepruebas.TambinestamosmuyagradecidosconelDr.Mohan
Srivastav una,elDr.RicardoOleayelDr.PierreGoovaertsquiencuidadosamenterepaslosprimeros
borradoresdelmanuscritoymeticulouslyrastrelasinconsistenciasymuchoserroresdesoftware.El
textoyelsoftwaresebeneficiaronenormementedesusmuchassugerenciasy RKSrema.Nos gustara
agradecer al Dr. Sebastien' Strebelle, el profesor Sanjay Srinivasan y el profesor Guillaume Caumon, que
revis cuidadosamente las versiones finales del manuscrito. Por ltimo, estamos muy agradecidos con el
profesor
Jef
Caers
para
iniciar
y
creyendo firmemente enelproyectoGSTL:sinsuapoyo,SGeMSnohabransidoescritos.

Pordiseo,SGeMSnoesunsoftwaredeestticaycompleta.SeaadirnnuevosalgoritmosysuAPI
subyacentepuedencambiar.Damoslabienvenidaaloscomentariossobreella,informesdeerrores,valu
lasideasdemejoraquepuedanocdigofuente.PuedeenviarsuscomentariosalosSGeMSlistasde
correo y consulte el sitio web SGeMS en http://sgems.sourceforge.net para las
actualizacionesydocumentacindecdigo.

Listadeprogramas

Anlisisexploratoriodedatos

Histograma:histogramaylasestadsticas, 85 QQ/pagerefparcela: QQoPPtramayestadsticas, 87

Dispersindeparcelas: parceladiagramadedispersinylasestadsticas, 87 variograma:cmputo
variogramaymodelado, 90

Estimacin

BKRIG:Bloquedekriging, 122

Cokriging: kriging con datos secundarios, 59 INDICADOR Kriging: kriging indicador, 113
Kriging:kriging, 109

Simulacin

BESIM:simulacindeerrordebloque, 163 BSSIM:simulacinsecuencialbloque, 157

COSGSIM:cosimulacingaussianasecuencial, 139 COSISIM:indicadorsecuencialcosimulacin,

153 DSSIM:simulacinsecuencialdirecta, 143 FILTERSIM:simulacinbasadaenelfiltro, 191

LUSIM:simulacindeLU, 133

SGSIM:simulacingaussianasecuencial, 135 Sisim:simulacinindicadorsecuencial, 147 SNESIM:

simulacinecuacinnormal,solo, 169

xiii

xiv

Listadeprogramas

Utilidad

Clculocovarianzabloque,: BCOVAR Lamanipulacindeimgenes,: 228 PROCESAMIENTODE

IMGENES 233 MOVIMIENTODELAVENTANA: moverlasestadsticasdelasventanas, 234

NUTAUMODELO: lacombinacindeprobabilidadescondicionales, 227 POSTKRIGING:post

procesamientodelasestimacioneskriging, 222 POSTSIM:postprocesamientodelasrealizaciones, 224
TIGENERATOR:entrenargeneradordeimgenes, 237

TRANS:histogramatransformacincontinua, 215 TRANSCAT:transformacinhistogramacategrico,

218

Listadesmbolos

cdf

Etype

Funcindedistribucinacumulativa

Estimacinexpectativacondicionalobtenidaporpuntoagota

unpromedioderealizacionessimulados

EDA

Anlisisdedatosprimaria

FFT

GSLIB

TransformadaRpidadeFourier

Bibliotecadesoftwaregeoestadstico,comoen DeutschyJournel

(1998)

IK

Indicadorkriging

KT

Krigingconunatendencia

LVM

DetipoM

Krigingconunamediaquevaralocales

Estimacinmedianacondicional

MM1

MarkovModel1

MM2

MarkovModel2

mp

Mltiplespuntos

OK

Krigingordinario

PPtrama

pdf

QQparcela

Probabilidadprobabilidadtrama

Funcindedensidaddeprobabilidad

ParcelaCuantilcuantil

RF

Funcinaleatoria

RV

Variablealeatoria

SGeMS

SK

StanfordGeostatisticalModelingSoftware

Krigingsimple

Ti

ImagenEntrenamiento

Ortogonal

LoQueSea

xv

xvi

, ,
(H)

(Z (u

),

(L)

ij

Z (u

(h)

(u)

))

(H)

lti

()

() (h)

(u)

TJ

SK

uti

BB

PB,

, C(V, V)

(, ())

CC u V s h

hj

DD

Kkprot
~

La

Listadesmbolos

ngulosderotacinparaazimuth,dipyrastrillosemivariogrammodeloPapelera

Valorsemivariogramentredosvariablesaleatorias
Z (u

) y Z (u

SemivariogramExperimental

l componentedeunmodelosemivariogramanidada

Crossmodelosemivariogramaentrecualquier Z i dosalazarvariables (U) y Z j (U + h)

Kriging peso asociado a la ubicacin de referencia u -cin para Estima en la ubicacin u.Los
superndices(SK),(OK),(KT)seutilizancuandoesnecesariodiferenciarentrelosdistintostiposde
kriging

PesosKrigingmatrizEscalamatriz

Matrizdelacolumnadelamatrizde n (u) pesoskrigingRotacin

nuparmetroparaelatributo i

Parmetrodeunafuncindepotencia;ounafuncindeextrapolacinbajofactordecola
servosistema

FuncinsuperiorextrapolacincolacorrelogramPapelera [-1, + 1]
Varianza

VarianzadeKriging Z (U).Lossubndices(SK),(OK),(KT)seutilizancuandoesnecesariodiferenciar
entrelosdistintostiposdekriging

Plantilladebsquedaampliadaenel nd parmetromltipletaurejillaparaelisimoatributo

Unaplantilladebsquedacon J nodos

Bloqueabloquemodelodecovarianzamodelodecovarianzapuntoabloque
Coordenadascompensadovectorounvectorlag

Desplazamientodelajnodoenlaplantilladebsquedadesucentromatrizcolumnade n (u) datos

residualesvalores z (u ) - m vectordedatosqueinvolucra i mltiplesubicacionesdedatos
{D i = d i , i = 1,. . . , n}

Dataalosdatosdelamatrizdecovarianzacuadradosdedatosadesconocidos
PrototipomatrizdecovarianzadeunacategricavariablesNo A

Listadesmbolos

Coordinavectorial

,U

LugaresdeDatos

Volumendelbloque,ounconjuntodepuntos

xvi
i

un

ParmetroRange

un i
(U)

Coeficientedenmero k componentedelmodelode
tendencia

Bloquededatos

B (v

B V (S)

Unvalorpromediolinealdentrodeunvolumendebloque v

Unvalorpromediolinealdentrodeunbloque V centrada
enlalocalizacin

C (0)

Valordecovarianzaenlaseparacindelvector h =
0.Tambinesel

varianzaestacionariadeazarvariable Z (U)

C
(h)

Covarianzaentredosvariablesaleatorias Z (U) y

Z (u + h) separadasporvector h

cl

ContribucinVarianzadela l anidadomodelosemi
variograma

CR

Matrizdecovarianzadeerror

C ij (H)

Covarianzacruzadaentredosvariablesaleatorias Z i (U)

y Z j (U) separadosporelvector h

cmin

Nmeromnimoderepeticionesdepatrones

de
v

Localeventodataacondicionado

de v

Localeventodataacondicionadoencontradoporplantilla

debsqueda T J

E
{}

Valoresperado

Exp ()

Funcinsemivariogramaexponencial

Nmerodefiltros

f (h j )

Filtrapesoasociadoconelnodojplantilla

F (u, z)

Funcindedistribucinacumuladadeazarvariable Z (U)

F(z)

HistogramaacumuladodeRV

f(z)

Funcindedensidaddeprobabilidadohistograma

F - (p)

Funcindedistribucinacumuladainversaofuncin
cuantil

paraelvalordeprobabilidad p [0,1]

fx,Fy,Zf

FactordeAffinityencadaX/Y/Zdireccin

FZ

CdfMarginaldeazarfuncin Z

G
()

Funcindedistribucinacumuladanormalestndar

G - (p)

Funcincuantilnormalestndartalque

G(G - (p)) = P [0, 1]

hx,Hy,Hz

VariogramaoscilaensentidoX/Y/Z

I (u; k z )

Funcinaleatoriaindicadorbinarioenlaubicacin u y
para

corte z k

Valordelindicadorbinarioenlaubicacin u ypara
i (u; k z )

corte z k

I
(u

z)

EstimadorIndicadordecorte z

z)

Indicadorkrigingvalorestimadodecorte z k

i*
(u

xviii

Listadesmbolos

I SK * (u)

Indicadorkrigingestimadordelindicadorcategrico I k
(U)

I k (U)

Funcinaleatoriaindicadorbinarioenlaubicacin u ypara

categora k

i k (U)

Valordelindicadorbinarioenlaubicacin u yparala
categora k

Nmerodecategoras

Unafuncindepromediacinlinealconocida

LamedianadeunRF

Elvalormediodeunavariablealeatoria

m (u)

Funcinenlaubicacin u media;valoresperadode
variablealeatoria

Z poder (U);omodelocomponentedetendenciaenla
descomposicin

Z (u) = M (u) + R (u),donde R (u) eselcomponente

residual

modelo

m (u)

Estimacindelcomponentedetendenciaolocalmente
variandomediaal

ubicacin u

N (h)

Nmerodeparesdedatosseparadosporelvector h

n (u)

datos n acondicionadoencontraronenunbarrioconcentro
en u

nk

Nmerodepatronescuyocentrotieneunvalor k especfica

DatosPoint

Valordeprobabilidad

pk

Proporcinactualdecategora k simuladohastael
momento

Proporcindedestinodecategora k

Probabilidadpreviadequeocurraelevento

palmadita

Patrndeentrenamiento

Prob {}

Funcindeprobabilidad

prot

Prototipodeunavariablecontinua

q(p) = F - (p)

Funcincuantilparaelvalordeprobabilidad p [0,1]

R (u)

Residualmodelodefuncinaleatoriaenellugar u enla

descomposicin

posicin Z (U) = m (u) + R (u),donde m (u) esla

tendencia

modelodecomponentes

r (u)

Valorresidualenlaubicacin u

ri

ngulodegiroazimutalenlareginderotacin i

r s (u)

Valorresidualsimuladaenellugar deu

Unconjuntodelugaresu,oundepsito

S T (U)

Elksimovalordelapuntuacindelfiltro + delpatrn pat

(U) encontradoporbsqueda

plantillade T

Sph ()

Funcinsemivariogramaesfrico

t (u)

ImagenEntrenamientovalornodalenlaubicacin u

V,V (u)

Unbloquecentradoenlalocalizacin u

Var {}

Desacuerdo

xi

Antesdedistanciaunaprobabilidaddada,queseutilizaen
elmodelodetau

Z (u)

z (u)

z (u ) Z * (u)

z (u) z

(U)

z * M (U)

z
z

Ks
(l)

(u)

(u) z

LVM

(V

l)

z (u)

(u)

cs

(u) z

cs

(u)

Listadesmbolos

xix

Variablealeatoriagenricaenlaubicacinu,ounafuncinaleatoriagenricodeubicacin u

Genricofuncindevariablesdeubicacin u valordereferencia z enlaubicacin u

EstimadordeKriging Z (U).Lossubndices(SK),(OK),(KT)seutilizancuandoesnecesariodiferenciar
entrelosdistintostiposdekriging

Unaestimacindelvalorde z (u)

Expectativacondicional,odetipoE,queseobtienecomomediaaritmticadepuntoracionalderealizaciones
(l)
mltiples z
(u)

TipoMvalorestimado,donde z
valordesconocidoreal

(U) tieneunaprobabilidaddel50%asermayor(omenor)queel

EstimacinKrigingconstruidoapartirdelvalor z simulada s (u ) Valorestimadocondiferentes

localessignificaraenlaubicacin u l THrealizacindelafuncinaleatoria Z (u)

Elvalorsimuladosobreunbloque V promediodesdeel l z apoyopuntoderealizacin

(l)

(u)

k valorumbralTHparaelatributo z continuavariablealeatoriasimuladacondicionalenla
ubicacin u valorsimuladocondicionalenlugar deu

1
Introduccin

SGeMS, el Stanford Geostatistical Modelado cermica suave, es un software desarrollado en la

Universidad de Stanford que implementa varios algoritmos geoestadsticas para el modeling de los
sistemasdetierraydelosfenmenosmsengeneralelespaciotiempodistribuidos.Fueescritocondos
objetivosenmente.Elprimero,orientadotowar delusuariofinal,esproporcionarunsoftwarefcilde
usar que ofrece una amplia gama de herramientas geoestadsticas: los geoestadstica ms comunes
algoritmosseimplementan, ademsdelosdesarrollos msrecientes,comolas estadsticasdevarios
punto de simulacin .Los EE.UU. er de uso de SGeMS viene de su interfaz grfica de usuario no
intrusiva,ylaposibilidaddevisualizardirectamentelosconjuntosdedatosyresultadosenunentorno
interactivoen3D.

Elsegundoobjetivoeradisearunsoftwarequeatenderalos dsneedelosusuariosavanzados.En
SGeMS,lamayoradelasoperacionesrealizadasmediantelainterfazgrficatambinsepuedeejecutar
mediante programacin. El soporte integrado para el lenguaje de programacin Python permite la
creacin de macros sencillas hasta llegar a completar aplicaciones anidadas con una interfaz grfica
independiente.Lasnuevascaractersticas convenientementese puedenaadirenSGeMStravsde un
sistemadeplugins,esdecir,piezasdesoftwarequenosepuedenejecutarporsmismossinoquese
complementan un programa principal. En SGeMS, plugins se pueden utilizar para agregar nuevas
herramientasgeoestadsticas,aadirnuevasestructurasdedatosderejilla(cuadrculasestratigrficascon
fallosporejemplo)odefinirnuevosfiltrosdearchivodeimportacin/exportacin.SGeMSseutiliza
comounaplataformadedesarrolloparalageoestadsticaenelCentroStanfordparaForecastingEmbalse
(SCRF).

Laestructuradellibro

Captulo 2 comienzaconuntutorialconcisoqueguaallectoratravsdelosprincipalespasosaseguirenun
estudiogeoestadsticosimple.Elobjetivodeestetutorialesparadaruna

Introduccin

visingeneraldelascapacidadesdeSGeMSydirigirallectoralasdiferentespartesdellibroparams
detalles.Lasegundapartedelcaptulo 2 dalasconvencionesutilizadasentodoellibro,porejemplo,
cmoelipsoides3Dsedefinen,cmorejillascartesianassedefinenylosdetallesdelosformatosde
archivodedatos.

Captulo 3 recuerdalos conceptosfundamentalesgeoestadsticasutilizadasenellibro.Apartedelos

aspectosclsicosdelageoestadsticacomovariogramasykriging,estecaptulotambinintroduceel
concepto de mltiples puntosestadsticas, en la raz de dos algoritmos principales presentados en la
Seccin8.2.

Captulo 4 presentalosconjuntosdedatosprincipalesutilizadosentodoelrestodellibro.Todosestos
conjuntosdedatosestndisponiblesenelCDincluidoconestelibro.Comosedescribenlosconjuntosde
datos,seintroducenlasherramientasparalaexploracindedatoselementales:histogramas,diagramasde
dispersin, quan azulejocuantiles y probabilidad de probabilidad parcelas.Variicionales siendo de
particular importancia en la geoestadstica se describen en un captulo aparte: Captulo 5 detalla las
herramientasparacalcularvariogramasexperimentalesymodelarlos.

Captulos 6 a travs de manual de referencia ea 9 Constitut a los algoritmos SGeMS

geoestadsticas.Paracadaalgoritmo,aspectosprcticosyCONSIDERAcionesdeimplementacinson
revisados,losparmetrosdeentradanecesariossedescribendeformaexhaustiva,yunbreveejemplode
ejecucinsepresenta. Sealientaal lector a tratar de reproducir las pistas para familiarizarse conel
algoritmoysusparmetros.Captulo6presentalasprincipalesinterfacesgrficasqueseutilizanparalos
parmetrosdeentradaalosalgoritmosSGeMS.Porejemplo,muchosalgoritmoscomokriging,secuencial
de simulacin ussian Ga y simulacin secuencial directa requieren un variograma y un elipsoide de
bsqueda.Lasinterfacesdeentradaelipsoidevariogramybsquedautilizadosporestostresalgoritmos
sedescribenenestecaptulo.

ElCaptulo 7 describelosalgoritmosdeestimacin disponiblesenSGeMS:krigingsimple,kriging

ordinario, kriging con una tendencia o una media, indicador de kriging localmente variando y
cokriging.Lateoradetrsdecadaalgoritmoserecuerdabrevementeysediscutenconsideracionesde
implementacin.Todoslos parmetrosngControlli sedescribenacontinuacinafondo.Consideraciones
prcticasestnaisladosencajasdecolorgrisdefondo.

Captulo 8 se divide en dos partes principales.Seccin 8.1 se dedica a los algoritmos basados en
variogramadesimulacin:simulacingaussianasecuencial,secuenciasyc simulacinindicadorntial,
simulacinsecuencialdirectaysusvariantescosimulacin.Lasegundamitaddelcaptulo 8 (Seccin8.2)
presenta dos algoritmos simulacin recientemente desarrollados: SNESIM yFILTERSIM. Estos dos
algoritmossebasanenelparadigmamltiplespuntosestadsticaspresentadasenelCaptulo 3.Debidoa
queestosalgoritmossonrecientes,unagranpartedeltextoestdedicadoaladescripcindelasmejores
prcticasyelimpactodelosparmetrosdeentradaenelrendimientodeltiempodeejecucinylacalidad
de

los
resultados

finales.

Elcdigofuenteycompilacin

Captulo 9 presentaalgoritmosdeservicio,denominadoutilidades,tilesparaprepararlosdatosdeentrada
delosalgoritmosdeestimacinysimulacin,yluegoanalizarsusalida.

El ltimo captulo (captulo 10) ensea al usuario avanzado cmo automatizar tareas en SGeMS,
utilizandosusistemade comandos oenellenguajedeprogramacinPythonincrustado.Describiendo
Pythonserauntemadellibrodesupropia;estecaptulosedescribecmoacabaSGeMS yPython
cooperan,ydirigeallectorquequieraaprenderPythonafuentesexternas.Porltimo,unacaracterstica

importante de SGeMS se introduce: SGeMS apoya un mecanismo de plugin para aumentar sus
funcionesrealidades,loquepermite,porejemplo,laadicindenuevos algoritmosticsgeostatisoaadir
soporteparanuevostiposderedesenlaquesepodranrealizargeoestadstica.EncuantoaPython,un
tutorialsobreC++ySGeMSpluginsdedesarrolloestmsalldelalcancedeestelibro,yelusuario
avanzadoserefiriavariasoficinasResourenlnea.

Contenidodeldisco

Eldiscodistribuidoconestelibroestorganizadoencuatrocarpetas:

losSGeMSejecutablesyelcdigofuentecorrespondiente

losconjuntosdedatos,archivosdeparmetrosysecuenciasdecomandosutilizadoseneltutorial
delcaptulo 2

losconjuntosdedatosintroducidosenelcaptulo 4 yseutilizanentodoellibro

archivosdecomandosparagenerarlamayorpartedelascifrasincluidasenellibro.Cadasub
carpetacorrespondeaunaseccindellibroycontieneunasecuenciadecomandosque,cuandose
ejecutaatravsdeSGeMS,crealasfigurasdeesaseccin.

Elcdigofuenteycompilacin

S GemsesactualmentedisponibleenambasplataformasLinuxyMicrosoftWindows.Aunquetambinse
hacompiladoconxitoenotrasplataformasUnix(BSDySolaris)yMacOSX,nohaybinariosestn
disponiblesactualmenteparaesossistemasoperativos.ElcdigoesD istributedbajolaLicenciaPblica

GNUGen eral (GPL).Para obtener ms informacin acerca de la GPL, consulte

http://www.gnu.org/copyleft/gpl.html.

El cdigo fuente yejecutable deMicrosoft Windows se distribuyenen el discoque acompaa, y

tambinsepuedendescargardesdelaweben http://sgems.sourceforge.net.

ParacompilarSGeMS,serequierenlassiguientesbibliotecasdeterceros.

GSTL(TemplateLibraryGeoestadstica)

Qt(bibliotecadeinterfazgrficadeusuario)versin3.x(versin4ysuperiornoseadmitetodava)

Coin3D(bibliotecaOpenInventor),laversin2.x

Introduccin

SoQt(bindingsQtparaOpenInventor),laversin1.x

SimVoleon(extensinderepresentacindevolumenparaCoin3D),laversin2.x

TambinserequiereuncompiladorquesoportacorrectamentelasplantillasdeC++(porejemplo,
plantillasmiembrosyplantilladeespecializacin).SGeMShasidocompiladocorrectamentecongcc
2.96,gcc3.3.4,gcc4,IntelcompiladordeC++,VisualC++2003yVisualC++2005.

Visingeneral

2.1Unrpidorecorridoporlainterfazgrficadeusuario

Lainterfazgrficadeusuario(GUI)deSGeMSsedivideentrespartesprincipales,verFig.2.1.

ElPanelAlgoritmo Elusuarioseleccionaenestepanelquherramientageoestadsticaa utilizare

introducelosparmetrosnecesarios(Fig. 2.2).Lapartesuperiordedichopanelmuestraunalistade
los algoritmos disponibles, por ejemplo, kriging, secuencial gaussiana simmento. Cuando i s
selecciona
un
algoritmo
de
esa
lista,
unformularioquecontienelosparmetrosdeentradacorrespondientesaparecedebajodelalistade
herramientas.

ElPaneldeVisualizacin Estepanelesunentornointeractivoen3Denelque unoovariosobjetos,por

ejemplo,unacuadrculacartesianaycomo etdepuntos,sepuedenvisualizar.Opcionesdevisualizacin

talescomocolormapastambinseestablecenenelPaneldeVisulizacin.ElPaneldeVisualizacinse
muestraconmsdetalleenlaFig. 2.3.

ElPaneldeComando Estepaneldalaposibilidaddecontrolarelsoftware desdeunalneade

comandos en lugar de desde la GUI. Muestra un historial de todos los comandos ejecutados
anteriormente y proporciona un campo de entrada donde los nuevos comcomandos se pueden
escribir (Fig. 2.4).Ver tutorial seccin 2.2 y el captulo 10 para ms detalles sobre el panel de
comandos.N otaqueelGrupodecomandosnosemuestrapordefectocuandoseiniciaSGeMS:
seleccione Paneldecomando enelmen Ver paramostrarlo.

2.2UnanlisisgeoestadsticotpicausandoSGeMS

EstebrevetutorialdaunavisingeneraldelascapacidadesdeSGeMSypuede servircomounagua"Getting
Started".Msbienesderitmorpidoyalgunosprincipiantespuederesultarabrumador.Sieseeselcaso,le
sugerimosqueleerloatravsdelyvolveraellamstarde.EltutorialdescribeunasesinSGeMSenelque
unavariable, ty porosi roca,
seestimaenvariasubicacionesnomuestreadasutilizandoel"krigingsimple"algoritmo.

Visingeneral

Figurainterfazgrficade2,1SGeMS.Sedestacanlostrespanelesprincipales.Elpanelsuperiorizquierdo
eselPanelAlgoritmo,arribaaladerechaeselpaneldevisualizacinyelpanelinferioreselpanelde
comandos

Elconjuntodedatosutilizadosenestetutorialserefiereaun(sinttico)depsitodeaceitequemuestra
canalesdearenaalineadosen ladireccinNorteSur,conunaproporcindearena(relacindenetoa
bruto)del33%.Eldepsitosediscretizaen100 130 10bloquesidnticosparallelipedic (clulas)en
losejesX,YyZrespectivamente.Enelrestodellibro,estetipodedis concretizacinseconocecomo
unacuadrculacartesiana.LosVaricionesdelaporosidaddelarocadentrodeunaclulaseconsideran
insignificantes, y el problema de estimar la porosidad de la roca en cada bloque se simplifica a la
estimacindeporosidadenelcentrodelasclulas (clulas de rejilla centrada).

Lafigura 2.5 muestraunavista3Ddelmodelodereferenciaconloscanalesdearenaennegro.

SGeMSproporcionavariasherramientasdeestimacin,lamayoradeellosbasadoenel algoritmo
kriging.Eneste krigingsencillo tutorial
seutilizaparaestimarlaporosidaddeloscanalesdearena.Seinvitaallectornofamiliarizadoconsencillo
krigingparareferirsealaSeccin 3.6 paraunabrevepresentacindekrigingyreferencias.

Aqu,serecogieron563muestrasdevaloresdeporosidadenlasreasdearena. Lospasosimplicados
enlaestimacindelaporosidadenloscanalesdearenasonlossiguientes.

2.2UnanlisisgeoestadsticotpicausandoSGeMS

Figura 2.2 se destacan las tres partes del Panel Algoritmo. La parte superior muestra la lista de los
algoritmos disponibles. La seccin central es donde se introducen los parmetros de entrada para el
algoritmo seleccionado. La parte inferior contiene los controles a loa d / guardar parmetros de los
algoritmos",yejecutarelalgoritmoseleccionado

1.

Carguelas563muestrasestablecidosenSGeMSdatos.

2.

Anlisis de datos primaria: visualizar la distribucin experimental porosidad y calcular

estadsticascomocuartiles,mediaylavarianzaexperimental.

3.

Calculeelvariogramaexperimentaldeporosidadymodelarlo.

4.

Crearlacuadrculacartesianaenelqueserealizarkriging.Laporosidadseestiacopladoen
cadanododeesared,sielnodoperteneceauncanaldearena.

5.

Seleccionelaherramientakrigingsencillaeintroduzcalosparmetrosnecesarios.

6.

Mostrarlosresultados.

7.

Postprocesodelosresultadosparaconservarslolaregindeinters(canalesdearena).

8.

Guardelosresultados.

Visingeneral

Figura2.3Elpaneldevisualizacin.Loscontroleslateralesizquierdasquobjetos(porejemplo,rejillas)
sonvisiblesenlaventanaderecha.Tambinseutilizaparadefinirlasopcionesdevisualizacin,comoqu
colordemapadeusar

Figura2.4Elpaneldecomandos

2.2.1CargadedatosenunproyectoSGeMS

LlamadasSGeMS proyectan elconjuntodetodoslosobjetoscargadosactualmenteensubasededatosde

objetos.Cuando SGeMS inicia, crea un proyecto vaco de forma predeterminada. Cualquier objeto
(cuadrculacartesianaoconjuntodepuntos)mstardecargadoenSGeMSseaadeaeseproyecto.

Archivo de muestra data.gslib enlaC DcontienelosejesX,Y,Zycoordenadasdelaporosidadde

cadaunadelas563muestrasaleatorias.EsunarchivoASCII,siguiendoelformatoGSLIB.Consultela
Seccin 2.3 paraunadescripcindelformatodearchivoGSLIByotrosformatosdearchivodelosdatos
disponibles.

2.2UnanlisisgeoestadsticotpicausandoSGeMS

Figura2.5Vista3Ddeldepsitodeaceitetutorial

Figura2.6CargaasistentearchivoGSLIBpuntoset

Paracargarelarchivo,hagaclicen Objetos ObjetoCargar ybusquelaubicacindelarchivo(oarrastrar

ysoltarelarchivoenelpaneldevisualizacin).DadoqueelformatodearchivoGSLIBnoproporcionatodala
informacinrequeridaporSGeMS,unasistentesolicitalainformacinadicionalaparece(verFig. 2.6).La
primerapantalladelasistentesolicitaeltipodeobjeto,unconjuntodepuntosounacuadrculacartesiana,
descritoporelarchivo.Seleccionelaopcin"SetPoint"yhagaclic enSiguiente.Enlasegundapantalla,
darleunnombreparaelpuntofijo,porejemplo, datos de la muestra, eindicarqucolumnascontienen
losejesX,YyZcoordenadasdelospuntos(enestecaso,lascolumnas1,2y3).

Unavezquesecargaelobjetodeunanuevaentradallamada de datos
seccin Objetos delpaneldevisualizacin,comosemuestraenlaFig.2.7.

10

de ejemplo

Visingeneral

Figura2.7listadeobjetosdespusdequeelconjuntodedatosescargado

apareceenla

El ojo indica

El ojo indica

ese objeto "datos de la

muestra"

que la propiedad
"porosidad"

Se muestra actualmente

Se muestra
actualmente

Figura2.8Mostrar/ocultarunobjetoounapropiedad

Cli ckenlaplazaantesdequeelnombredelpuntodesetparavisualizarlo.Objetosmostradostienenun
pocodeojopintadodentrodelrectnguloantesdesusnombres.Elsignomsantesdequeelcuadrado

indica que el objeto contiene propiedades. Haga clic en el signo ms para mostrar la lista de
propiedades.Hagaclicenlaplazaantesdelnombredelapropiedadparapintarelobjetoconlapropiedad
correspondiente(verFig. 2.8).

2.2.2anlisisdedatosexploratorio(EDA)

SGeMSofrecevariosdatosexploratoriosherramientasdeanlisis,talescomohistogramas,diagramasde
dispersinycuantilcuantilparcelas. Estasherramientasestndisponiblesenel men de anlisisde
datos.Seccin4.2proporcionaejemplosdelaEDAparavariosdatosconjuntos,conmsdetallessobrelas
herramientasdeanlisisdedatosdeSGeMS.

ElhistogramadelosdatosdemuestraporosidadsemuestraenlaFig.2.9.

2.2.3modeladovariograma

Estimacindelaporosidadconunasimplekrigingrequiereelconocimientodelamediaylasemi
variograma de la variable porosidad. Este semivariograma puede ser modelado del variograma
experimentalcalculadoapartirdelos563puntosdemuestreode datos de la muestra de puntoset.

Elsemivariogramamideladisimilitudpromedioentredosvariables,porejemploentrelaporosidadenla
ubicacin U yenlaubicacin u + h.EstacionariedadAssumcin,los semi-variograma
(Z (U), Z (U + h)) dependeslodelag
2.2Unanlisisgeoestadsticotpicausando
SGeMS

0.16

1
1

0.14
Recuento de
datos:

563

La media de:

0.28755

Varianza:

0.000549915

Mximo:

0.3537

0.12

0.1

0.08
Cuartil superior: 0,303

Mediana:

0.29

Baja cuartil:

0,273

Mnimo:

0.2026

0.06

0.04

0.02

0.22 0.24 0.26 0.28 0.3 0.32 0.34

porosidad

Figura2.9Histogramadelaporosidaddelamuestra

vector h: (Z (U),
(h) secalculacomo:

(U

h))

(h).Los

semi-variograma

experimental

N (h)

(h) =

(h)

[Z (u

) - z (u

+ h)]

donde z (u) esel(porosidad)devalorenlaubicacin u y N (H) eselnmerodeparesdedatosseparadaspor

vectorh.

Enelrestodeltexto,eltrmino variograma liberalmenteserutilizadoenlugardelamsprecisa

semivariograma.MsantecedentesyreferenciassobrevariogramasseproporcionanenlaSeccin 3.5 y
enelcaptulo5.

Paracalcularelvariogramaexperimentaldeporosidad,abraelvariogramacomputacinyasistentede
modeladohaciendoclicen AnlisisdeDatos Variograma.Elasistentedecmputovariogramase
describeafondoenelcaptulo 5.

Seleccionar datos de la muestra y la porosidad como las propiedades de cabeza y

cola.Seleccioneingdospropiepropdiferentesparalacabezaylacolasecalculelacruzvariograma
entre las dos propiedades.En la siguiente pantalla cargar los parmetros variograma de archivo
variogram.par,utilizandolosparmetrosdecarga...Botn.AlhacerclicenSiguiente,SGeMScalcula

elvariogramaporosidadendosdirecciones,acimut0 y90 acimutdelnorte,ascomounvariograma

omnidireccional.TodosestosparmetrossediscutenenelCaptulo5.

Laltimapantalladelasistente(verFig. 2.1 0) muestralosvariogramasresultantesyproporciona

controlesparaajustardeformainteractivaunmodelodevariograma.Latramapartesuperiorizquierda

12

Visingeneral

Figura2.10ltimapantalladelasistentedemodeladovariograma

muestrajuntoslostresvariogramasexperimentales.Cadavariogramaexperimentaltambinsemuestraen
su propia ventana grfica. Los controles en el panel lateral de la derecha se actualizan de forma
interactivaelajustedelmodelodevariograma,superpuestoencadaparcela.

Un variogramaesfrico isotrpicade rango 20y alfizar 0.00055 ofrece un ajuste aceptable para
demostrarelproceso/krigingestimacin.

2.2.4Creacindeunacuadrcula

Elsiguientepasoescrearlaredenlaqueserealizarsencillakriging.Enestecaso seespecificauna
cuadrcula

cartesiana
3D
con100 130 10clulas.RejillascartesianasenSGeMSsonrejillasregularesen3D,esdecir,todaslas
clulastienenbordesortogonalesymismasdimensiones.Larejillaestcompletamentecaracterizapor
nueveparmetros(vaselaSeccin 2.3 paramsdetalles):

elnmerodeclulasenlaX,YyZ,

eltamaodeunaceldaenlaX,YyZ,

lax,y,zlascoordenadasdelorigendelacuadrcula.

Hagaclicen Objetos Nuevacuadrculacartesiana paraabrireldilogodecreacindered.Introduzcalas

dimensionesdelacuadrcula,lascoordenadasdelorigendecuadrcula,aqu(0,0,0),yel

2.2UnanlisisgeoestadsticotpicausandoSGeMS

13

Figura2.11Listadeobjetosdespusdecrearlacuadrculacartesiana

0.3537

0.3285

0.3033

0.2782

0,253

0.2278

0.2026

Figura2.12Losdatosylaredde rejillakriging 563muestrasenmalladealambre

dimensionesdecadaceldadelacuadrcula.Dunnombreparalanuevarejilla, rejilla kriging porejemplo,

yhagaclicen Crearcuadrcula paracrearlared.Unanuevaentradallamada kriging cuadrcula apareceenla
Objetos Paneldelpaneldevisualizacin,comosemuestraenlafigura. 2.1 1.

Labasededatosdeobjetosahoracontienedosobjetos:unpuntodeajusteconlapropiedaddela
porosidaddelaroca(yotrapropiedad),yunacuadrculacartesianasinembargolapropiedadadjunta.

Figura 2.12 daelcontornodelarejillaconlos563puntosdedatosdelamuestraensuinterior.

2.2.5Ejecucindeunalgoritmodegeoestadstica

Enestepunto,todoestlistoparaejecutarelalgoritmodekrigingsimple:losdatosdelamuestraylared
detrabajoestndisponiblesparaSGeMSyunmodelodevariogramasehacreado.

Seleccionelaherramientakrigingdelalistaenelpaneldealgoritmo.Unaformaquellevalos
parmetroskrigingaparecedebajodelalistadealgoritmos.Losparmetrosnecesariosparalasencilla
krigingson:

14

Visingeneral

elnombredelareddetrabajo, rejilla

elnombredelapropiedadquecontendrlosresultadosdelkriging

kriging

enestecaso

el simple kriging significa.Vamos a utilizar la muestra

= 0.2875,quesecalculadurantelaEDA,verFig. 2. 9

elnombredelobjetoquecontienelosdatosdeejemplo:

datos de la

significar

muestra, lapropiedad

porosidad

eltamaodelaelipsoideenelqueparabuscardatosacondicionado:datossernmar rcheddentro
deunaesferaderadio80,msdeldobledelagamadelavariograma.BuscarelipsoidesenSGeMSse
caracterizanporseisparmetros:tresgamasytresngulos: azimut,inmersin yelrastrillo,verseccin
2.5.Paraunaesferaderadio80,ajustetodoslostres rangosa80ydejarlosngulosa0

el modelo de variograma: variograma esfricoisotrpica de gama 20, ceroefecto de pepita y

alfizarde0,00055.

Captulos 7,8 y 9 proporcionanladescripcindetodaslasherramientasgeoestadsticasdisponiblesen

SGeMSylosparmetrosquerequieren.LateoradekrigingserecuerdabrevementeenlaSeccin 3.6 yla
herramientakrigingSGeMSsedetallaenlaSeccin7.1.

Losparmetrosobiensepuedenintroducirocargardesdeunarchivo.Hagaclicenla carga, pero

toneladas en la parte inferior del panel Algoritmo (Fig. 2.2) y vaya al archivo de parmetros
kriging.par,oarrastrarysoltarelarchivodeparmetrosenelpaneldealgoritmo.ArchivosParameterson
archivos ASCII en el XML (eXtended Markup Language) formato, como se muestra en la figura. 2,1
3.Consulte la Seccin
2.4 paramsdetallessobreXMLyarchivosdeparmetrosSGeMS.

Unavezintroducidostodoslosparmetros,hagaclicenelbotn EjecutarAlgoritmo enlaparteinferiorde

laAlgoritmoPane l.Sialgunosparmetrosnoestnajustadoscorrectamente,quesedestacanenrojo;una
descripcindelerroraparecersielratnsedejaunospocossegundosenelparmetroinfractor.Corrija
cualquiererroryhagaclicenel botn EjecutarAlgoritmo denuevo.

SikrigingsehaejecutadoconlosparmetrosquesemuestranenlaFig. 2,1 3,
laredllamado rejilla kriging ahoracontienedosnuevaspropiedades: porosidad estimada, y se
var krig porosidad, lavarianzakrigingasociado.

estima

2.2.6Viendolosresultados

Losresultadoskrigingsehancolocadoenlapropiedad estimado porosidad.Haga clic en el signo ms

antes de la entrada rejilla kriging enlalistadeobjetosparamostrarlalistadepropiedadesasociadas
alacuadrculayhagaclicenlaplazaantes estimada porosidad paramostrar lanuevapropiedad.Figura
2.14 espectculos unavistasuperiorde rejilla kriging cuadrculaconpropiedad estimado porosidad
pintado.

Elpaneldevisualizacinesunentornointeractivoen3Dquepermitealosobjetosparaservisto(por
ejemplo rejilla kriging rejilla)desdediferentesngulos,zoomin/out,etc.Imagneseunacmaraquese

puedemoverlibrementeenelespacioalrededordelosobjetosestticos.ElGrupoVisulizacinfuncionaen
dosmodosdiferentes:unmododecmara,dondeelratn

2.2UnanlisisgeoestadsticotpicausandoSGeMS

15

<Parmetros> <algoritmo name = "kriging" />

<Valor Grid_Name = "red kriging" /> <nombre_propiedad value =

"porosidad estimado" />

<Kriging_Type type = "Kriging simple (SK)"> <parmetros media =

"0.27" />

</ Kriging_Type>

<Hard_Data rejilla = "datos de la muestra" property = "porosidad" />

<Search_Ellipsoid value = "80 80 80 0 0 0" /> <valor
Min_Conditioning_Data = "0" /> <Max_Conditioning_Data value = "20" />

<Variograma pepita = "0" structures_count = "1"> <contribucin structure_1

= "0.003" type = "esfrica"> <oscila max = "38" media = "38" min = "38" />

<ngulos x = "0" y = "0" z = "0" /> </

structure_1>

</ Variograma>

</ Parmetros>

Figuraarchivodeparmetros2.13 Kriging

0.33

0.31

0.29

0.27

0.25

0.24

0.22

X
Z

Figura2.14ResultadosKrigingvistadesdearriba

16

Visingeneral

controlalosmovimientosdelacmara,yunmododeseleccin,dondeelratnsepuedeutilizarpara
seleccionarunobjetovisualizado.Enelmododecmara,elcursordelratnsevecomodosflechas
curvasqueformanuncrculo,mientrasqueenelmododeseleccin,elcursoresuna flechadepuntero
estndar.Pulsela tecla Esc paraalternarentrelosdosmodos.

Elcontroldelacmara

Lacmarasecontrolaconelratn.

Rotacin: botnizquierdodelclicyarrastreencualquierdireccinpara"vuelven"losobjetosen
que direccin(lacmarasemueveenladireccinopuesta,dandolailusindequelosobjetosse
convirtieronenladireccindelratnsemova).

Traduccin: botncentraldelratn(oMays+clicizquierdo)yarrastreparatraducir losobjetos.

Zoom: ruedadelratn(oShift+Ctrl+clicizquierdo)yarrastreparahacerzoomin/out.

Laparteinferiordelpaneldevisualizacinofrecevariosbotones(verFig. 2,1 5)
paracontrolaranmslacmara:

1.

coloquelacmaradetalmaneraquetodoslosobjetosquesemuestransonvisibles

2.

alinearlacmaraconelejeX

3.

alinearlacmaraconelejeY

4.

alinearlacmaraconelejeZ(vistadesdearriba)

5.

coloquelacmaraenlaposicinguardadapreviamente(vasebotn6)

6.

guardarlaposicinactualdelacmara


7.

tomarunainstantneadelavistaactual.Laimagensepuedeguardarenelmltipleparalos
mates, incluyendo PostScript, PNG o BMP. La imagen capturada es exactamente lo que se
muestraenlavistaactual.

Figurabotonesdecontrol2.15Cmara

LapestaadePreferenciasdelPaneldevisualizacincontienevarioscontrolesparaCUStomizela
formaenquesemuestranlosobjetos.Las Preferencias listadesplegable para permitelaseleccindel
usuario,queseoponeaestablecerlaspreferenciaspara(verFig. 2,1 6).Hay una entrada para cada objeto
cargado actualmente en los SGeMS objeto de base de datos, as como un
<General> paneldepreferencias.

El <General> paneldepreferenciastienecontrolespara:

2.2UnanlisisgeoestadsticotpicausandoSGeMS

17

Figura2.16Seleccindelobjetoparaelqueparaestablecerlaspreferencias

Figura2.17LaseccinExploradordevolumendelpaneldepreferenciasparaunacuadrculacartesiana

exagerarlaescalaalolargodelejeZ

 cambiarelmododeperspectiva:vistaenperspectiva,lacarafrontaldeuncuboaparecemsgrande
quelacaraposterior,mientrasqueen ortotrpico seconservanVerdistanciasyngulos

cambiarelcolordelfondoentreblancoynegro

mostrarlabarradecoloresutilizadoparaunobjetodado.Aunqueesposiblemostrarvariosobjetos
almismotiempo,slounabarradecolorespuedemostrarse.Pordefecto,labarradecoloressecoloca
enlapartederechadelavistaypuedesermo vedconteclasAlt+flechaocambiardetamaocon
teclasdeflechaCtrl+.

Alvisualizarlosresultadosdenuestrosimpleejecucinkriging,slolascarasexterioresdelaredse
pueden ver de forma predeterminada. Sin embargo, el panel de preferencias para la cuadrcula de
kriging contieneopcionesparamostrarslorodajasopartedelared(utilizando representacinde
volumen).Seleccione rejilla kriging enlas Preferenciasde lalista.Elpaneldepreferenciassedivideen
tressecciones:General,PropiedadesyExploradordeVolumen.LaseccindeExploradordeVolumense
muestra

en

la

Fig.
2,1
7.

18

Visingeneral

Figura2.18Cuatrorebanadasde rejilla kriging

Primerovamosaexplorarlaredporcortedelamisma.Pantalla rejilla kriging y elExplorador de

verificacin Utilizar volumen.Compruebe Ocultar volumen de manera que slo las rebanadas son
visibles.Desde que nosotros no han mostrado ninguna rebanada, sin embargo, no se ve nada en la
vista.Por defectoslotresrebanadas sepuedenver deformasimultnea, los ortogonal aX, YyZ.
Marquelacasillaalladodeunarebanadaparavisualizar y utilizar el cursor para mover la rebanada.Si se
necesitan
ms
rebanadas,
seleccione
el
eje
ortogonal
y
haga
clic
en
el
botn Agregar.Figura 2.1 8 muestracuatrorebanadasde rejilla kriging, dosortogonalesaX,uno
ortogonalaYyunoortogonalesalaZ.

OtraaplicacintildelExploradordevolumenesocultarpartesdelared.Porejemplo,sepuede
utilizarparamostrarslolasceldasdelacuadrculaconvalordeporosidadextremayocultartodaslas
dems.Desactivelaopcin Ocultarvolumen eintroduzcaelintervalode 0. 255, 0. 303enla lnea
Gamastransparente.Todaslasclulasconunvalordeporosidadentre0.255y0.303estnocultoscomo
seilustraenlaFig.2,19.

Esposibleintroducirvariosintervalos;cadaintervalodebeestarseparadoporunpuntoycoma.Por
ejemplo0 2,025;....30,035habraocultartodaslasclulasconunvalordeporosidadenelintervalo
[02,025..]Oelintervalo[03,035..].

2.2UnanlisisgeoestadsticotpicausandoSGeMS

19

Figuraprestacin2.19Volumentodaslasceldasconunvalordeporosidadentre0.255y0.303estn
ocultos(casicompletamentetransparente)

2.2.7PostprocesamientodelosresultadosconPython

Notodaslasclulasde la rejilla kriging puedenserdeinters.Eldepsitomodeladopor rejilla

kriging cuentacondosprincipalestiposderoca:canalesdearenaalineadosenelNorte Dedireccinyde
fondolutitasSur(verFig. 2.5).Todoslos563puntosdedatossetomaronmuestrasdeloscuerposdearena,y
seutilizaronparaestimarlaporosidadenlaarenachanNels.Enestaseccinsemuestracmoaplicaruna
mscarayeliminarlasclulasdelcanalnoarenade rejilla kriging.

archivo contienelosdatosdemscara:esunacuadrculacartesianaenGSLIBparalacolchoneta
conunasolapropiedadadjuntaacadaclula.Lapropiedadesiguala1 silaceldaestenuncanal,0encaso
contrario.Hagaclicen Objetos ObjetoCargar ybusqueelarchivomscaraubicacin(oarrastrarysoltarel
archivo en el panel de visualizacin).Dado que el formato de archivo GSLIB no proporciona toda la
informacinrequeridaporSGeMS,unasistente lesolicitarinformacinadicionalseapareci.Laprimera
pantalladelasistentesolicitaeltipodeobjeto,unacuadrculacartesianaenestecaso.EnlapantallasecOND,
proporcioneunnombreparalared,porejemplo, mscara,eindicarelnmerodeclulasenlared(100 130
10),eltamaodecadacelda(1 1 1)yelorigendela
Mask.gslib

20

Visingeneral

rejilla(0,0,0).ConsultelaSeccin 2.3 paramsdetallessobrelosparmetrosquecaracterizanauna

cuadrculacartesianaenSGeMS.

Paraaplicarlamscara,SGeMSnecesita

1.
2.

buclesobretodaslasclulasu1,. . . ,undelareddekriging
paraunacluladada u k, comprobarsilaceldacorrespondiente u k en la
propiedadfaciesiguala0

mscara tieneuna

3.

encasoafirmativo,retireelvalordeporosidaddeu k.SGeMSutilizavalue-9966699comoun
cdigonodatosvalor.

Esto se puede lograr fcilmente escribiendo un guin. SGeMS pueden ejecutar scripts escritos en
Python, un lenguaje de programacin muy popular y de gran alcance (www.python.org proporciona
antecedentes sobre Python, as comotutoriales).Al pesar de Pythonse introduce brevemente en esta
seccinyenlaSeccin10.2,seinvitaallectoraconsultarlaseccinDocumentacinde www.python.org
paraaprendermssobrecmoescribirscriptsdePython.

Haga clic en Scripts Mostrar Scripts Editor para abrir el editor de scripts.Desde el editor de
secuencias de comandos, archivode script de carga se aplica mask.py.El guin se reproduce a
continuacin:

SGeMS importacin

enmascarar = sgems.get_property ('mscara', 'facies')

porosidad = sgems.get_property ('grid kriging "," porosidad estimada')

for i in range (len (mscara)):

si la mscara [i] == 0:

porosidad [i] = -9966699

sgems.set_property ('grid kriging "," porosidad estimada', porosidad)

Loquesigueeslaexplicacinlneaporlneadelscript.

Lnea1 lediceaPythonparacargarSGeMScomandosespecficos(verSeccin 10.2),tal como

propiedad sgems.get yla propiedad sgems.set.

Lnea3 transfierela facies propiedaddelared enmascarar enunamatrizllamada enmascarar Lnea4

transfierelos porosidad estimada propiedaddelared rejilla kriging en

unamatrizllamada porosidad

Lalnea6 creaunbucle, yo irdesde0altamaodelarray enmascarar - 1 Lnea7

pruebassiel yo THceldadecuadrcula enmascarar eselfondodeesquisto

Lalnea8 siel yo celulareselfondodepizarra,desecheelvalordeporosidadestimada

establecindolaenSGeMSdelnotanmerodecdigo(NaN): - 9966699

Lnea9 transferenciasarray porosidad enpropiedad porosidad

sobrescribiendolosvaloresanteriores de la porosidad estimada

estimada

delared rejilla kriging,

Pulseel botnEjecutarenlaparteinferiordeleditorparaejecutarelscript.Cualquiermessabiodelmensaje
guaoerrorseimprimeenlamitadinferiordeleditor,titulado

Losmensajesdesalidadesecuenciasdecomandos.