‹ volver al glosario de SIG

Interpolación espacial

Definición

La interpolación espacial estima valores en ubicaciones no muestreadas aprovechando las observaciones cercanas y la estructura espacial de una variable. Los métodos comunes incluyen la ponderación de distancia inversa (IDW), splines, superficies de tendencia y técnicas geoestadísticas como el kriging ordinario, el kriging universal y el co-kriging. El kriging modela la autocorrelación espacial explícitamente a través de variogramas y proporciona la incertidumbre de la predicción; los métodos deterministas priorizan la suavidad o la simple disminución de la distancia. La calidad de la interpolación depende de la densidad de muestreo, la anisotropía, la no estacionariedad y el error de medición. Los pasos de preprocesamiento, como transformaciones para distribuciones asimétricas, eliminación de tendencias para gradientes amplios y eliminación de valores atípicos, a menudo mejoran los resultados. Los resultados son superficies continuas (rasters) con capas de error o confianza que siempre deben comunicarse junto con las predicciones.

Solicitud

Los científicos ambientales interpolan la contaminación del aire, las propiedades del suelo, los niveles de agua subterránea y la precipitación. Las agencias de salud pública estiman los campos de exposición a partir de monitores. Los ingenieros llenan vacíos en la elevación o la batimetría. Los planificadores de telecomunicaciones interpolan la fuerza de la señal en los vecindarios. Los arqueólogos interpolan las densidades de artefactos para guiar la excavación. Debido a que los tomadores de decisiones actúan frecuentemente sobre estas superficies, es crucial documentar las suposiciones y el rendimiento de la validación cruzada.

Preguntas frecuentes

¿Cómo se elige entre kriging e IDW para un proyecto con datos escasos?

Si puede estimar un variograma estable y el fenómeno exhibe autocorrelación espacial, el kriging proporciona estimaciones sesgadas con un error cuantificado. Si los datos son muy dispersos o altamente no estacionarios, el IDW o un modelo de tendencia pueden ser más robustos. Realice una validación cruzada de ambos y compare el RMSE y el sesgo antes de decidirse.

¿Por qué es importante la anisotropía y cómo se modela?

Procesos como los contaminantes impulsados por el viento o la temperatura confinada en los valles muestran diferentes longitudes de correlaciu00f3n por direcciu00f3n. Modele la anisotropu00eda en el variograma y, cuando sea necesario, rote el sistema de coordenadas para que los pesos de kriging respeten la estructura direccional.

¿Qué pasos evitan que la interpolación invente valores imposibles?

Aplique transformaciones que mantengan los resultados dentro de los límites físicos (por ejemplo, logaritmo para variables positivas), recorte a rangos plausibles e incorpore covariables mediante regresión-kriging para anclar las predicciones.

¿Cómo se debe transmitir la incertidumbre a audiencias no técnicas?

Publique un mapa de errores y resuma los rangos para las áreas clave. Utilice anotaciones en lenguaje sencillo como "la estimación tiene un error típico de ±X unidades" y evite sugerir una precisión falsa con rampas de degradados de color demasiado suaves.