Una posibilidad subyacente al pobre rendimiento del krigeaje podría ser que las parcelas de campo (ubicación e intensidad de muestreo) no logran capturar la autocorrelación espacial (o dependencia espacial) en los datos.
Sería necesario observar qué tan bien se ajusta el semivariograma teórico a los datos (semivariograma experimental) (Figura 1). Si es el caso, una posibilidad es probar otros tipos de semivariogramas teóricos (parece que utilizaste el tipo "esférico", pero hay otros: Gaussiano, exponencial, circular, etc).
![introduce descripción de la imagen aquí]()
Figura 1. Ilustración de los parámetros del semivariograma: meseta, pepita y rango (A). Ejemplo de variograma experimental y semivariograma (teórico) esférico (B). Fuente: adaptado de Sanz et al. (2012).
El mejor método de krigeaje depende de la naturaleza de la variable que se está estudiando y del tipo de datos auxiliares disponibles. Por ejemplo: si los datos son estacionarios (es decir, tienen una media constante), el krigeaje simple (media conocida) y el krigeaje ordinario (media desconocida) son opciones adecuadas. Por otro lado, si los datos no son estacionarios, una opción puede ser el krigeaje universal. Estos son tipos de krigeaje univariante.
Un enfoque alternativo sería el krigeaje multivariante (por ejemplo: co-krigeaje o krigeaje de regresión). Estos métodos utilizan información de datos auxiliares para mejorar la capacidad de modelado espacial. En el caso de la biomasa forestal, ejemplos de datos auxiliares (y variables auxiliares) son: imágenes de satélite (NDVI) y LiDAR (percentiles de altura).
La técnica de krigeaje de regresión, por ejemplo, tiene una ventaja que es realizar mejores predicciones fuera de la muestra (extrapolación), porque parte del modelo dependerá solo de la relación entre la variable de respuesta y la variable auxiliar (es decir, no dependerá completamente de la variación espacial de los datos).
Un artículo interesante sobre este tema (biomasa forestal y diferentes enfoques de krigeaje) es:
Meng, Q., Cieszewski, C., & Madden, M. (2009). Large area forest inventory using Landsat ETM+: A geostatistical approach. ISPRS Journal of Photogrammetry and Remote Sensing, 64(1), 27–36. doi:10.1016/j.isprsjprs.2008.06.006
Referencias:
David Sanz, Santiago Castaño y Juan José Gómez-Alday (2012). SIG aplicado a la Caracterización Hidrogeológica - Ejemplos para el Acuífero de la Mancha Oriental (SE España), Aplicación de Sistemas de Información Geográfica, Dr. Bhuiyan Monwar Alam (Ed.), ISBN: 978-953-51-0824-5, InTech, DOI: 10.5772/47967.
Figura 1. Ilustración de los parámetros del semivariograma: meseta, pepita y rango (A). Ejemplo de variograma experimental y semivariograma (teórico) esférico (B). Fuente: adaptado de 
1 votos
Quizás ayudará a otros si mencionas qué software estás utilizando. También explícando qué quieres decir con "no se ve bien". ;)
1 votos
Estoy usando ArcGIS y soy muy nuevo en esta herramienta. Estoy tratando de enseñarme a mí mismo. El pronóstico y la medición no son 1:1, he adjuntado la salida. Cualquier sugerencia será apreciada.
1 votos
Le recomendaría encarecidamente que explore una metodología diferente. La biomasa forestal es, por naturaleza, un proceso altamente no estacionario, violando así las suposiciones del Kriging. Además, la biomasa no es un proceso puramente espacial y requiere covariables para modelar correctamente. Hay una muy buena razón por la cual no se ve esta metodología aplicada en la literatura de mensuración forestal. Me gustaría señalar que el trabajo de Meng et al., (2009) utiliza datos espectrales de Landsat como covariables para modelar un campo aleatorio utilizando diversos enfoques geoestadísticos, lo cual no es un método adoptado en los esfuerzos de inventario forestal.