EN
← Volver al Portafolio
Investigación y Tesis febrero de 2016

Muestreo Espacial Óptimo vía Teoría de la Información

Implementa el algoritmo AdSEMES para muestreo espacial óptimo en campos aleatorios binarios — específicamente reservorios geológicos canalizados. Código acompañante de artículos publicados en Mathematical Geosciences y Natural Resources Research.

Estrategias
6 métodos de muestreo
Aproximación
63.2% del óptimo global
Reconstrucción
3 métodos
Financiamiento
Fondecyt 1140840
Muestreo Espacial Óptimo vía Teoría de la Información — Arquitectura
#information-theory#entropy#sampling#geostatistics#python#fastapi

Contexto de Negocio

En exploración mineral y geoestadística, cada sondaje o ubicación de sensor cuesta tiempo y dinero significativos. La pregunta de dónde ubicar la siguiente medición para maximizar información geológica es un problema de optimización combinatoria con C(H×W, K) configuraciones posibles — computacionalmente intratable para tamaños de campo del mundo real.

Valor Estratégico

Esta implementación del algoritmo AdSEMES provee muestreo espacial óptimo con una garantía de aproximación demostrable de (1-1/e) ≈ 63.2% vía submodularidad. Seis estrategias de muestreo se comparan sistemáticamente (aleatorio, estratificado, multiescala, oráculo, entropía adaptiva, grilla regular) con funciones de penalización espacial que previenen agrupamiento de mediciones. Tres métodos de reconstrucción (vecino más cercano, kriging indicador, distancia inversa ponderada por entropía) recuperan el campo completo desde observaciones dispersas. Código acompañante de artículos publicados en Mathematical Geosciences y Natural Resources Research. Desarrollado bajo Proyecto Fondecyt 1140840.

El Desafío

Dadas K mediciones en un campo binario H×W, minimizar incertidumbre posterior. La búsqueda combinatoria sobre C(H×W, K) candidatos es NP-hard, requiriendo aproximación eficiente con cotas de calidad demostrables.

Nuestro Enfoque

Selección secuencial greedy explotando submodularidad logra garantía de aproximación de 63.2%. Compara seis estrategias de muestreo (aleatorio, estratificado, multiescala, oráculo, entropía adaptiva, grilla regular) con funciones de penalización espacial. Tres métodos de reconstrucción: vecino más cercano, kriging indicador, distancia inversa ponderada por entropía.

Indicadores Clave de Rendimiento

KPILínea BaseResultadoImpacto
Estrategias de MuestreoGrilla regular o aleatorio6 estrategias con optimización de entropíaUbicación basada en teoría de información
ReconstrucciónMétodo único3 métodos comparados sistemáticamenteMejor método por escenario

Arquitectura

ids owp

ids owp

Stack Tecnológico

PythonFastAPINumPySciPyInformation TheoryIndicator KrigingShannon Entropy

Capturas de la Aplicación

Muestreo Espacial Óptimo vía Teoría de la Información

Diagramas Técnicos

owp adsemes

owp adsemes

owp information theory

owp information theory

owp resolvability

owp resolvability

owp sampling comparison

owp sampling comparison