Un tutorial de variograma amigable para científicos de datos para cuantificar la continuidad espacial

Tutorial de variograma para cuantificar continuidad espacial en ciencia de datos

Aplicado en un Conjunto de Datos de Minería Sintética utilizando la librería de código abierto GSLib y Python

Foto de Sebastian Pichler en Unsplash

Introducción

Los variogramas se utilizan para demostrar la variabilidad basada en la distancia de los datos espaciales. Comprender y modelar la continuidad espacial con variogramas es importante, ya que se utilizan para estimar mediciones de puntos en bloques prácticos en una amplia gama de aplicaciones como la gradación de minerales en la minería, las concentraciones de petróleo o los contaminantes ambientales.

A pesar de que existen opciones de código abierto disponibles para generar variogramas, debido a su complejidad, la mayoría de los usuarios dependen de paquetes de software costosos que abstraen muchos de los detalles. Este tutorial tiene como objetivo brindar una breve introducción a los variogramas y cómo utilizar la librería de geostadística de código abierto (GSLib), que se puede utilizar de forma independiente o con Python para desarrollar variogramas.

Aquí se desarrolla un modelo de variograma en un conjunto de datos de minería sintética, pero el flujo de trabajo se puede utilizar para cualquier tipo de datos espaciales, como aplicaciones meteorológicas como la temperatura o aplicaciones ambientales como el seguimiento de contaminantes.

Requisitos del Tutorial

Necesitaremos GSLib, que está disponible aquí para su descarga gratuita, y algunas de las librerías de Python más básicas y comúnmente utilizadas, que también se encuentran en el código completo subido a GitHub:

import pandas as pdimport numpy as npimport matplotlib.pyplot as plt

Conceptos Básicos del Variograma

La idea general de los variogramas es que los puntos de datos que están más alejados entre sí son más propensos a ser más distintos que los puntos de datos cercanos entre sí. La varianza de los puntos de datos que están cada vez más lejos eventualmente alcanza un punto en el que es igual a la varianza global de los datos.

Comenzamos con un conjunto de datos espaciales y podemos generalizar el flujo de trabajo de modelado de variogramas en unos pocos pasos, como se muestra a continuación. Primero necesitamos determinar parámetros de búsqueda adecuados para el variograma. Luego, identificar los ejes de continuidad mayor y menor. Finalmente, los variogramas pueden ser modelados y posteriormente utilizados para fines de estimación o simulación. Cada uno de los pasos se explicará más detalladamente en las siguientes secciones…

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Sorprendente descubrimiento magnético revelado en el grafeno de ángulo mágico

Los imanes y los superconductores normalmente no se llevan bien, pero un nuevo estudio muestra que el grafeno de 'áng...

Inteligencia Artificial

Investigadores de Meta IA publican como código abierto Pearl una biblioteca de agentes de IA de aprendizaje por refuerzo lista para la producción.

Aprendizaje por refuerzo (RL) es un subcampo del aprendizaje automático en el cual un agente toma acciones adecuadas ...

Inteligencia Artificial

Limpieza con TidyBot

Un equipo multinstitucional de ingenieros acopló un brazo robótico móvil a un modelo de visión y a un gran modelo de ...

Inteligencia Artificial

Análisis y optimización del rendimiento del modelo PyTorch - Parte 3

Esta es la tercera parte de una serie de publicaciones sobre el tema de analizar y optimizar modelos de PyTorch utili...

Investigación

El sistema de IA puede generar proteínas novedosas que cumplan con los objetivos de diseño estructural.

Estas proteínas ajustables podrían ser utilizadas para crear nuevos materiales con propiedades mecánicas específicas,...