P. 1
Pratica em Geoestatistica

Pratica em Geoestatistica

|Views: 291|Likes:
Publicado porRoberto Menin
Pratica em Geoestatistica
Pratica em Geoestatistica

More info:

Categories:Types, Research
Published by: Roberto Menin on Jan 03, 2013
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

06/28/2015

pdf

text

original

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA - PPGEM

Roberto Quadros Menin

MMD00073 - Introdução à Geoestatística

Porto Alegre, 2012

Roberto Quadros Menin

MMD00073 - Introdução à Geoestatística Relatório apresentado como requisito para obtenção de aprovação na disciplina Introdução à Geoestatística no Programa de Pós Graduação em Engenharia de Minas, Metalúrgica e de Materiais, na Universidade Federal do Rio Grande do Sul. Prof. PhD. João Felipe Coimbra Leite Costa

Porto Alegre, 2012

com o auxílio dos softwares SGeMS e GsLib. Estatísticos. Software. utilizando a técnica de krigagem ordinária. bem como seus respectivos dados estatísticos.RESUMO O objetivo deste relatório é apresentar a distribuição estimada dos teores da Variável 5 para toda a área em estudo. Estimada. . Palavras chave: Relatório. Krigagem.

..............4 ANÁLISE BIVARIADA............. 5 Objetivos específicos.....................................................................................5 VARIOGRAMA...................................................2 2................................3......................3..........................6 KRIGAGEM.............................................................11 2........................................................................................................SUMÁRIO 1 2 2................3... 7 2...........................................19 REFERÊNCIAS.........................................3 INTRODUÇÃO....................3................10 2..........................................2 MAPA DE LOCALIZAÇÃO.................................... 5 METODOLOGIA...................................................3 DESAGRUPAMENTO AMOSTRAL...........................................................................9 2....................................................................................3.........................................................................7 ANÁLISE DE DERIVA......................................3.......................20 .......... 6 RESULTADOS.....................1 HISTOGRAMA..7 2..................................14 2................... 4 OBJETIVO GERAL.....8 2.................................................................1 2..............................................................17 3 CONCLUSÕES E RECOMENDAÇÕES..............................3.

Através disso. A geoestatística com base em princípios teóricos bem fundamentados permite a obtenção de um modelo de depósito considerando suas particularidades. desta continuidade podemos gerar estimativas de valores para locais não amostrados com uma grande confiabilidade. Segundo Isaaks&Srivastava (1989. assim. . não são independentes.1 INTRODUÇÃO A denominação para Geoestatística dar-se ao grupo de técnicas estatísticas utilizadas na análise e estimativa de valores. A quantificação de um depósito mineral não é determinada de forma exata. pois envolve determinadas incertezas relacionadas à geologia e ao método empregado.3) “Geoestatística oferece uma forma de descrever a continuidade espacial que é uma característica essencial de muitos fenômenos naturais e proporciona adaptações de técnicas clássicas de regressão para tirar proveito desta continuidade. podendo. obtidos através da amostragem. levando-se em conta a anisotropia da mineralização do depósito e o desagrupamento de valores amostrais próximos. existe uma continuidade espacial/temporal do fenômeno. transformar. o conhecimento físico de um fenômeno em uma quantificação do mesmo. gerados a partir da colheita de dados em campanhas de sondagem. p.” A geoestatística nos mostra que os dados.

O Dataset utilizado contém 1000 pontos de amostragem. totalizando 3.2 OBJETIVO GERAL Através do banco de dados fornecido. Figura 1.96 Km². Mapa de localização das amostras .1 OBJETIVO ESPECÍFICO O presente trabalho tem como objetivo específico ilustrar a geoestatística aplicada a amostra de número 5. Tendo como meta principal os seguintes quesitos:     Análise estatística preliminar. realizados em uma área de 1990m X 1990m. apresentar a distruibuição estimadas de seus teores e posteriormente utilizaremos a amostra número 3 do banco de dados fornecido. Análise da continuidade espacial. utilizamos como parâmetros de X e Y mínimos 0 e 2000. Simulações. para verificar a existência ou não de uma relação entre as amostras. temos como objetivo geral apresentar um estudo geoestatístico aplicado. 2. Para melhor visualização. Previsões.

histplt – Criação de histogramas e histogramas acumulados. Através do software SGeMS também . kt3d – Krigagem em 3-D. ou seja. através da medida em oito direções utilizando um intervalo de 22. Os demais programas utilizados são listados abaixo. através de um arquivo de parâmetros próprio. scatplt – Diagrama de dispersão (scatterplot). Com ele podemos estipular se existe uma continuidade. Para realização da rotina de trabalhos. declus – Desagrupamento de Células. é utilizado o software SGeMS (Stanford Geostatistical Earth Modeling Software). de forma que qualquer pessoa possa aplicar a sua necessidade.5ᵒ entre direções e tolerância angular de 22. O GSLIB (Geoestatistical Software Library) foi criado sob a direção do Prof. a variografia. Para o modelamento da continuidade espacial dos dados. pixelplt – mapa de pixel em 2-D. criado junto à universidade americana de Stanford.2 METODOLOGIA Para desenvolver a análise geoestatistica dos dados utilizaremos um pacote de programas. Journel. A exemplo disso ilustramos a figura do arquivo de parâmetros para execução do programa Locmap que visa criar um mapa de localização das amostras como demonstrado acima nos objetivos específicos: Figura 2: Arquivo de parâmetros do programa locmap. Sucintamente descreveremos suas funções. locmap – Mapa de localização dos dados em duas dimensões.5ᵒ. André G. com intuito de obter a equação de continuidade espacial da nossa variável. de acordo com as características do depósito.2. cada programa deve ser executado e editado separadamente.

Figura 3 – Histograma da Variável 5. realizar krigagem.23. declusterização entre outros. os quartis entre outros parâmetros. A partir do histograma gerado. Scatterplot. O histograma nos fornece a média.3 RESULTADOS 2. 2. Neste caso.podemos desenvolver praticamente as mesmas rotinas e resultados geoestatísticos como os obtidos através das ferramentas provenientes do pacote GSLIB como Histogramas. que nada mais é do que a representação gráfica de uma distribuição de frequências.1 HISTOGRAMA (histplt) Através da utilização da rotina estatística histplt do pacote de programas do Gslib. o coeficiente de assimetria (skewness) é maior que zero. demonstrado em um gráfico do tipo barras vertical. ou seja. verificamos que as amostras caracterizam uma assimetria positiva. pois os dados obtidos como a média.3. e assimetria são altamente influenciadas por valores extremos da amostra. Devemos ter cuidado ao analisar um histograma. com um coeficiente de variação de valor 1. o coeficiente de variação. desvios. a mediana. podemos dizer que poderá haver alguma dificuldade para estimativas locais devido a valores amostrais extremos. . foi gerado o histograma aplicado.

Figura 4 . Figura 5 .2 MAPA DE LOCALIZAÇÃO (locmap) Temos como procedimento de análise estatística.Mapa de Localização da Amostra 5.Parâmetros utilizados no LOCMAP para amostra 5. Para podermos identificar se os dados possuem alguma amostragem preferencial fazemos um detalhamento da distribuição das amostras em um plano XY da variável de interesse número 5 juntamente com a imagem do parâmetro utilizado apenas para representar o seu uso. .3. a partir dos dados recebidos.2. gerar um mapa de localização das amostras com intuito de verificar e observar sua distribuição espacial e de teores com os dados de média e coeficiente de variação. de acordo com as figuras abaixo.

desvio ou coeficiente de assimetria. Através da utilização do declus podemos proporcionar menos peso para quem estiver mais próximo e mais peso para que estiver mais afastado de uma determinada amostra. a amostra 5 não possui nenhum agrupamento preferencial significativo. através do histograma. percebemos que não há um . Com esta rotina os valores extremos não terão tanta influencia direta.3.Como podemos verificar com este mapa de localização. causando a redução do erro associado a ele. 2. Podemos verificar através da obtenção do histograma desagrupado que as medidas estatísticas não variaram após a declusterização. Figura 6 – Histograma Desagrupado Variável 5. ou seja. de corrigir este efeito que o agrupamento amostral causa utilizou-se a ferramenta declus do software Gslib90. A fim de verificar se existe ou não algum valor extremo que possa estar alterando o resultado final dos dados como a média. já que é considerado que todas as amostras estão distribuídas uniformemente no espaço. logo. as estatísticas podem ser facilmente tendencionadas por valores extremos.3 DESAGRUPAMENTO AMOSTRAL (declus) Quando calculamos as variáveis estatísticas. não é levado em consideração que possa existir um agrupamento preferencial em zonas de alto ou baixo teor.

2. Este método nos permite a determinação da correlação entre as duas variáveis. onde correlacionaremos à amostra de interesse número 5. utilizaremos a ferramenta Scatter-plot.agrupamento preferencial de amostras. com a amostra número 3. podemos inferir uma tendência da variável que falta através das medidas já existentes da outra variável.3. O CV é o parâmetro estatístico com maior frequência de utilização para sumarizar a 1 n i 1 ( xi  mx )( yi  my ) relação entre as variáveis. a v ariância entre outros parâmetros estatísticos. Para tanto. do software SGeMS demonstrado abaixo: Figura 7 – Gráfico de dispersão (scatter-plot) dos teores 5 e 3. sendo muito útil quando o banco de dados possui uma variável que não foi amostrada em todos os pontos onde outra variável foi. que não existe agrupamento de valores extremos que possam tornar tendenciosa nossa análise. o coeficiente de .  x y Assim como a média. Sendo ele calculado pela fórmula:   n .4 ANÁLISE BIVARIADA A seguir iremos apresentar dados referentes à análise bivariada de amostras. logo para o caso de haver uma correlação entre as duas.

as concentrações de dois elementos principais são muitas vezes negativamente correlacionadas. Como podemos observar através do gráfico de dispersão nosso valor de a. desde que a outra variável seja conhecida. não há um controle dos processos físicos e químicos sobre o depósito. assumimos que uma variável está dependente da outra. um aumento na quantidade de cálcio geralmente resulta em uma diminuição na quantidade de magnésio. p. Podemos dizer que quanto maior o nosso efeito pepita. e consequentemente a 90ᵒ a direção de menor alcance. mais futuramente a nossa krigagem converterá para uma média aritmética. A idéia base é ajustar o variograma a uma curva que honre a maior parte possível dos pontos no gráfico. ou seja. Requisitamos uma busca em 8 direções diferentes de azimutes que variaram entre 0ᵒ e 157. O intuito é realizar nossas estimativas através de uma elipse de busca que possui como azimute a nossa direção de maior alcance. essencial no estudo geoestatístico.5 VARIOGRAMA (SGeMS) O nosso próximo passo. por exemplo. maior será a perda da continuidade espacial. também chamado por coeficiente de correlação de Pearson. O gráfico de dispersão dos teores das variáveis Cinco e Três nos mostra que o coeficiente de correlação entre as duas variáveis é negativo de -0.30) Duas variáveis são negativamente correlacionadas se os valores maiores de uma variável tendem a ser associados com os valores menores do outra. A seguir mostraremos o variograma obtido através do omni direcional. é de -0.variação.3669 e o coeficiente linear. o qual utilizamos para definir o nosso nugget effect. . Uma boa relação entre as variáveis pode ajudar a inferir uma variável em um ponto desconhecido. podendo ser descrita pela equação da reta: y  ax  b . ou efeito pepita. uma previsão simples dos dados.3. 2.9814. Em banco de dados geológicos. num calcário. pois quanto mais ele influenciar no nosso variograma. Utilizaremos os variogramas produzidos através do software SGeMs.66. ou do coeficiente angular. De acordo com Isaaks&Srivastava (1989.5ᵒ. A variografia é um procedimento utilizado para medir a continuidade espacial do banco de dados. é sensível a pontos plotados afastados do aglomerado principal dos pontos. é de 63. ou b. Devemos utilizar o menor nugget effect possível. Pois através da regressão linear. é a definição de um modelo variográfico que represente a variabilidade do fenômeno que estamos interessados.

A soma do nugget effect com a contribuição do Sill nas duas estruturas deve ser igual a variância.Figura 8 – Variograma Omni Direcional da variável 5. largura de banda de 1000metros e tolerância 180ᵒ para indicar o omni direcional. Verificamos então que a maior continuidade estava por volta de 500 metros. a fim de evitarmos o efeito de borda. Utilizamos o mesmo número de 20 lags com espaçamento de 50m e tolerância igual a metade do valor do lag. 25m. ou seja o valor onde o semivariograma se estabiliza. totalizando 1000 metros. Com isso o melhor nugget effect que adequou-se ao variograma foi de 280. Para modelarmos adequadamente a curva foram utilizadas duas estruturas que foram ajustadas por curvas esféricas. O range (alcance) da estrutura 2 deve ser sempre superior que o da 1. A largura de banda utilizada foi de 25 metros e tolerância de 35. . ou metade da malha. Em seguida procedemos com a construção dos variogramas em oito direções. Aplicamos um refinamento utilizando oito lags com espaçamento de 60 metros. Para a construção do variograma omni direcional para determinação do efeito pepita utilizamos o 20 lags com espaçamento de 50.

Figura 9 – Variograma de maior continuidade espacial (45ᵒ). . Figura 10 – Variograma de menor continuidade espacial (135ᵒ).

que a direção de maior continuidade foi no azimute 45ᵒ. Utilizamos 12 lags com espaçamento de 60 metros. pois a krigagem simples necessita da média do depósito.6 KRIGAGEM O objetivo da krigagem é de estimar os teores nas regiões onde não se tem amostragem a partir do conhecimento prévio da continuidade espacial do fenômeno. . largura de banda 30 e sua tolerância em 35. os parâmetros obtidos através dos variogramas das direções principais. a krigagem atribui os pesos conforme a distância estatística dos nós do grid a amostra. após construção dos variogramas. com intuito de determinar com maior precisão as contribuições e ranges que serão futuramente utilizados na krigagem. após isso efetuamos um refinamento dos parâmetros utilizados. que atribuem pesos a um nó de grid conforme a distância geométrica deste nó a amostra. O método utilizado foi de Krigagem ordinária (Ordinary Kriging). Medida dos variogramas das direções principais Efeito Pepita 280 Estrutura 1 Contribuição do Sill Alcance Máximo Alcance Médio 235 80 80 Estrutura 2 Contribuição do Sill Alcance Máximo Alcance Médio 160 570 350 2.Percebemos.3. Listamos na tabela abaixo. e o de menor continuidade foi em 135ᵒ. tolerância do lag com valor igual a metade do valor do lag (30 metros). recebem maiores pesos os nós nas direções de menor variabilidade do fenômeno em questão. onde os teores que serão utilizados para estimar o teor de um bloco estão inseridos no elipsóide de busca citado anteriormente. mas o depósito em questão não possui média constante. Diferentemente dos interpoladores clássicos. ou seja.

Abaixo apresentamos o mapa de distribuição dos teores estimados e da variância. Figura 11 – Mapa de distribuição dos teores estimados por OK – Variável 5 Figura 12 – Mapa da variância por OK – Variável 5. foi feito a estimativa.Através dos parâmetros gerados pelo variograma das direções principais. através da rotina pixelplt e visualizado no GSview. .

pode ser considerado uma validação da estimativa. O método da krigagem tem a característica de suavizar as distribuições dos dados. 25999 dados foram estimados e representados. sendo assim é esperado que a média dos dados estimados esteja próxima dos reais. variável 5. A figura acima. Para tal utilizamos a rotina pixelplot do GSLib com o banco de dados do arquivo de saída da krigagem. significando que um valor foi descartado por estimativa inexistente.05 enquanto a média dos estimados é de 21. histograma dos dados estimados. Podemos observar que o mapa de distribuição apresenta teores muito semelhantes ao mapa de localização das amostras gerados pela rotina locmap. Como podemos verificar.168. com isso podemos dizer que as estimativas condizem com os valores verdadeiros. apresentado abaixo: Figura 13 – Histograma dos dados estimados. servindo também como validação pois a estimativa permanece com distribuição parecida em relação a proporção dos valores. A média dos dados reais é de 21. mas ainda é menor. diminuindo assim a sua variância. através dos dados gerados com o histograma estimado. . Outra observação muito importante é que agora a mediana esta mais próxima da média.Para evidenciar as zonas de maior variabilidade plotamos mapas de distribuição da variância. pois existem mais dados com valores baixos do que altos. Para análise estatística dos dados estimados pela krigagem construímos um novo histograma.

.2. característico da krigagem. e em zonas de baixo elas diminuam. os pontos azuis no mapa de localização das amostras foram representados por regiões em azul no mapa de distribuição dos teores.3. Podemos perceber que a distribuição dos teores estimados seguiu a tendência dos teores amostrados. o mapa de localização de amostras e o mapa da distribuição dos teores estimados pela krigagem.7 ANÁLISE DE DERIVA A análise de deriva é realizada comparando as médias locais entre os dados verdadeiros e os dados estimados. Figura 14 – Mapa de localização e Mapa de distribuição de teores estimados por krigagem. Estas médias são feitas entre faixas de espaçamento. O que se espera como validação dos dados estimados é que as curvas aqui plotadas possuam a mesma tendência. Reparamos também que os pontos com altos teores existentes no mapa de localização das amostras foram suavizados no mapa de estimativa. lado a lado. assim na determinação da média no modelo de blocos em cada faixa espaçamento utilizamos 2560 blocos (10% do total) Para tal foi utilizado o software Microsoft Excel e os bancos de dados das variáveis originais e estimadas com a adição das coordenadas cartesianas a este último feita pela rotina do GSLib. O que consideramos é o comportamento da curva. Para fins de comparação apresentaremos abaixo. addcord. ou seja. aqui utilizamos um espaçamento de duzentos metros. ou seja. em zonas de teor mais elevado as médias aumentem.

. No eixo X notamos que por volta de 1200 metros os teores foram superestimados. tanto dados quanto estimativas seguem uma mesma tendência. por sua vez nos 1250 metros foram subestimados.Em seguida apresentaremos os gráficos obtidos para a análise de deriva. Figura 15 – Gráfico da Análise de deriva em X. enquanto em torno dos 1500 metros foram subestimados. variável 5. em torno dos 700 metros os teores foram superestimados. Já no eixo Y percebemos uma suavização da curva de estimativa em relação a curva de dados. Figura 16 – Gráfico da Análise de deriva em Y. Através dos gráficos de análise de deriva apresentados. variável 5.

Ainda assim mantiveram seu padrão. Apesar de o histograma apresentar um cv de 1.3 CONCLUSÃO Após a análise dos dados verificamos que não há como classificar os blocos diferentemente de medido. devido a alta densidade e continuidade amostral. . os valores acabaram sendo suavizados pela krigagem ordinária. pois temos um variograma muito contínuo.23 que talvez indicasse que teríamos certas dificuldades para estimativas locas por causa dos valores extremos. as estimativas mostram-se mais fáceis do que quando trabalhamos com uma variável mais errática. Concluímos também ao decorrer do trabalho que para uma variável que possui um comportamento menos errático. confirmado posteriormente pela análise de deriva nos eixos X e Y.

Texto didático . SOUZA. E. ISAAKS. Introdução ao GSLib. OXFORD UNIVERSITY. An introduction to Applied Geostatistics.. SRIVASTAVA. R. M. H. e Journel. GSLIB Geostatistical Software Library and User's Guide (1998) – New York – Oxford University Press.. L. C. E. A.REFERÊNCIAS Deutsch. 1989.. 2002.

You're Reading a Free Preview

Descarregar
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->