ricostruzione tridimensionale delle caratteristiche idrogeologiche ...
ricostruzione tridimensionale delle caratteristiche idrogeologiche ... ricostruzione tridimensionale delle caratteristiche idrogeologiche ...
6 Ricostruzione 3D delle caratteristiche idrogeologiche nel bacino tra Ticino e Oglio dell’errore (per errore si intende la differenza tra il valore stimato e il valore reale misurato). ll kriging stima una proprietà in posizioni non note, risolvendo una serie di equazioni lineari che minimizzano la varianza di stima. Nel realizzare una stima accurata il kriging tiene conto del numero di osservazioni e della qualità dei dati, della posizione dei punti all’interno del dominio, della distanza dei punti e della regolarità della variabile da stimare (bassa dispersione). Nel calcolo è naturale assegnare un peso maggiore ai valori osservati che sono localizzati nelle vicinanze del punto da stimare (Ciotoli, 2007). Per assegnare questi pesi a ciascun punto il kriging utilizza il modello variogramma. L’utilizzo di una funzione pesata, il variogramma, è la differenza principale tra il kriging e gli altri metodi geostatistici. Questo tiene in considerazione la distanza, la direzione che è presente tra il punto da stimare e i punti in cui si conoscono i valori, e la presenza di eventuali anisotropie del fenomeno che si sta studiando. In geologia tutte le direzioni non sono uguali, non hanno lo stesso peso, oltre alla distanza, conta il trend geologico locale, infatti, ad esempio, esiste una differenza se il punto noto si trova ad Est o a Sud del punto da stimare (Paradigm, 2008). L’equazione del kriging è: f(X0 * ) = Σ i=1,…,n λi (X * ) f(Xi), ossia si tratta della stima di una grandezza distribuita nello spazio, per il punto generico X0 per cui la grandezza non è misurata, conoscendo i valori fi = f (Xi), misurati in n punti. Xi= 1, 2…,n. λi (X * ) è un coefficiente che serve per minimizzare la varianza dell’errore di stima. Il kriging ha però dei limiti e può provocare delle leggere incongruenze: produce un effetto di appiattimento (smoothing), ossia tende a smussare i valori estremi, sovrastimando i più bassi e sottostimando quelli più alti. Questo effetto di appiattimento è particolarmente evidente a distanze elevate dai punti noti della variabile interpolata. Esso è direttamente proporzionale alla varianza calcolata dal kriging: lo smoothing non esiste nei punti in cui la varianza è zero, al contrario la stima ottenuta è completamente appiattita nei punti molto lontani dai dati noti. In queste posizioni i valori stimati sono tutti pari alla media e la varianza è costante (Deutsch Clayton, 2002). 102
6 Ricostruzione 3D delle caratteristiche idrogeologiche nel bacino tra Ticino e Oglio 6.4.2 Procedimento di interpolazione in Gocad I pesi utilizzati dall’interpolatore vengono calcolati dalla curva modello che meglio approssima il variogramma sperimentale. L’equazione è essenzialmente la stessa dell’inverso della distanza solo che, mentre in quest’ultimo i pesi sono calcolati secondo una funzione arbitraria, nel Kriging sono basati sul modello di continuità spaziale definito del variogramma. Il comando utilizzato da Gocad è SGrid_Geostatistics_Kriging, attraverso cui si imposta il set di dati puntuali e la relativa proprietà da interpolare, l’area in cui effettuare l’elaborazione e la legge da seguire secondo il variogramma calcolato in precedenza (paragrafi 6.3.6 e 6.3.7). E’ importante spuntare l’opzione Advanced Options_ No data assigment: in questo modo tutte le celle subiscono il processo di kriging (Paradigm, 2008) e il risultato dell’interpolazione ha un aspetto continuo. L’interpolazione operata dal Kriging trasforma la distribuzione discreta di ciascuna proprietà in una distribuzione continua 3D di essa, all’interno dell’intero volume del sistema indagato, in corrispondenza della regione Data. 6.4.3 Risultati delle interpolazioni dei dati puntuali all’interno delle griglie di calcolo In Gocad è possibile visualizzare i prodotti dell’elaborazioni attraverso sezioni parallele ai tre assi della griglia oppure nell’intera regione Data. Nei seguenti paragrafi verranno mostrate: sezioni Nord-Sud, Ovest-Est e sezioni incrociate (rappresentazione più significativa), attraverso le quali è possibile apprezzare in dettaglio il comportamento deposizionale delle percentuali litologiche e dei parametri idraulici secondo specifiche direzioni e osservare le variazioni di spessore a livello dell’intera area di studio e per singoli settori di essa. Tutte le sezioni sono affiancate da una legenda cromatica che associa i colori freddi ai valori minimi di una proprietà, mentre i calori caldi ai massimi. In ciascuna immagine è visualizzata anche la base del modello in grigio chiaro, come riferimento spaziale. In figura 6.50 è riprodotta una visione in pianta delle sezioni longitudinali (in rosso, identificate dall’indice i), latitudinali (in grigio, identificate dall’indice j) e incrociate della griglia all’interno della regione Data, corrispondente all’area di studio indagata. E’ visualizzata una sezione ogni 20, 103
- Page 60 and 61: 6 Ricostruzione 3D delle caratteris
- Page 62 and 63: 6 Ricostruzione 3D delle caratteris
- Page 64 and 65: 6 Ricostruzione 3D delle caratteris
- Page 66 and 67: Figura 6.10 - Sezione Ovest-Est j=9
- Page 68 and 69: Figura 6.12 - Sezione Nord-Sud 123
- Page 70 and 71: 6 Ricostruzione 3D delle caratteris
- Page 72 and 73: 6 Ricostruzione 3D delle caratteris
- Page 74 and 75: 6 Ricostruzione 3D delle caratteris
- Page 76 and 77: 6 Ricostruzione 3D delle caratteris
- Page 78 and 79: 6 Ricostruzione 3D delle caratteris
- Page 80 and 81: 6 Ricostruzione 3D delle caratteris
- Page 82 and 83: Figura 6.25 - Sezione Nord-Sud i=28
- Page 84 and 85: 6 Ricostruzione 3D delle caratteris
- Page 86 and 87: 6 Ricostruzione 3D delle caratteris
- Page 88 and 89: Figura 6.30 - Dettaglio della sezio
- Page 90 and 91: 6 Ricostruzione 3D delle caratteris
- Page 92 and 93: 6 Ricostruzione 3D delle caratteris
- Page 94 and 95: 6 Ricostruzione 3D delle caratteris
- Page 96 and 97: 6 Ricostruzione 3D delle caratteris
- Page 98 and 99: 6 Ricostruzione 3D delle caratteris
- Page 100 and 101: 6 Ricostruzione 3D delle caratteris
- Page 102 and 103: 6 Ricostruzione 3D delle caratteris
- Page 104 and 105: 6 Ricostruzione 3D delle caratteris
- Page 106 and 107: 6 Ricostruzione 3D delle caratteris
- Page 108 and 109: 6 Ricostruzione 3D delle caratteris
- Page 112 and 113: 6 Ricostruzione 3D delle caratteris
- Page 114 and 115: 6 Ricostruzione 3D delle caratteris
- Page 116 and 117: 6 Ricostruzione 3D delle caratteris
- Page 118 and 119: Figura 6.54 - Distribuzione di mate
- Page 120 and 121: 6 Ricostruzione 3D delle caratteris
- Page 122 and 123: Figura 6.59 - Distribuzione di mate
- Page 124 and 125: 6 Ricostruzione 3D delle caratteris
- Page 126 and 127: Figura 6.64 - Distribuzione di mate
- Page 128 and 129: 6 Ricostruzione 3D delle caratteris
- Page 130 and 131: 6 Ricostruzione 3D delle caratteris
- Page 132 and 133: 6 Ricostruzione 3D delle caratteris
- Page 134 and 135: Figura 6.71 - Distribuzione di cond
- Page 136 and 137: 6 Ricostruzione 3D delle caratteris
- Page 138 and 139: Figura 6.76 - Distribuzione di poro
- Page 140 and 141: 6 Ricostruzione 3D delle caratteris
- Page 142 and 143: 6 Ricostruzione 3D delle caratteris
- Page 144 and 145: 6 Ricostruzione 3D delle caratteris
- Page 146 and 147: 6 Ricostruzione 3D delle caratteris
- Page 149 and 150: 7 Individuazione dei livelli torbos
- Page 151 and 152: 7 Individuazione dei livelli torbos
- Page 153 and 154: 7 Individuazione dei livelli torbos
- Page 155 and 156: 7 Individuazione dei livelli torbos
- Page 157 and 158: 7 Individuazione dei livelli torbos
- Page 159 and 160: Figura 7.9 - Distribuzione di torba
6 Ricostruzione 3D <strong>delle</strong> <strong>caratteristiche</strong> <strong>idrogeologiche</strong> nel bacino tra Ticino e Oglio<br />
dell’errore (per errore si intende la differenza tra il valore stimato e il<br />
valore reale misurato).<br />
ll kriging stima una proprietà in posizioni non note, risolvendo una<br />
serie di equazioni lineari che minimizzano la varianza di stima. Nel<br />
realizzare una stima accurata il kriging tiene conto del numero di<br />
osservazioni e della qualità dei dati, della posizione dei punti<br />
all’interno del dominio, della distanza dei punti e della regolarità della<br />
variabile da stimare (bassa dispersione). Nel calcolo è naturale<br />
assegnare un peso maggiore ai valori osservati che sono localizzati<br />
nelle vicinanze del punto da stimare (Ciotoli, 2007). Per assegnare<br />
questi pesi a ciascun punto il kriging utilizza il modello variogramma.<br />
L’utilizzo di una funzione pesata, il variogramma, è la differenza<br />
principale tra il kriging e gli altri metodi geostatistici. Questo tiene in<br />
considerazione la distanza, la direzione che è presente tra il punto da<br />
stimare e i punti in cui si conoscono i valori, e la presenza di eventuali<br />
anisotropie del fenomeno che si sta studiando. In geologia tutte le<br />
direzioni non sono uguali, non hanno lo stesso peso, oltre alla<br />
distanza, conta il trend geologico locale, infatti, ad esempio, esiste<br />
una differenza se il punto noto si trova ad Est o a Sud del punto da<br />
stimare (Paradigm, 2008).<br />
L’equazione del kriging è:<br />
f(X0 * ) = Σ i=1,…,n λi (X * ) f(Xi),<br />
ossia si tratta della stima di una grandezza distribuita nello spazio,<br />
per il punto generico X0 per cui la grandezza non è misurata,<br />
conoscendo i valori fi = f (Xi), misurati in n punti. Xi= 1, 2…,n. λi (X * ) è<br />
un coefficiente che serve per minimizzare la varianza dell’errore di<br />
stima.<br />
Il kriging ha però dei limiti e può provocare <strong>delle</strong> leggere<br />
incongruenze: produce un effetto di appiattimento (smoothing), ossia<br />
tende a smussare i valori estremi, sovrastimando i più bassi e<br />
sottostimando quelli più alti. Questo effetto di appiattimento è<br />
particolarmente evidente a distanze elevate dai punti noti della<br />
variabile interpolata. Esso è direttamente proporzionale alla varianza<br />
calcolata dal kriging: lo smoothing non esiste nei punti in cui la<br />
varianza è zero, al contrario la stima ottenuta è completamente<br />
appiattita nei punti molto lontani dai dati noti. In queste posizioni i<br />
valori stimati sono tutti pari alla media e la varianza è costante<br />
(Deutsch Clayton, 2002).<br />
102