UFU/FAMAT

Geoestatística Básica e Aplicada

UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA NÚCLEO DE ESTUDOS ESTATÍSTICOS E BIOMÉTRICOS

GEOESTATÍSTICA BÁSICA E APLICADA

EDNALDO CARVALHO GUIMARÃES

Fevereiro - 2004 Uberlândia - MG

1

Prof. Dr. Ednaldo Carvalho Guimarães

UFU/FAMAT

Geoestatística Básica e Aplicada

SUMÁRIO
1. INTRODUÇÃO........................................................................................................... 2. ANÁLISE EXPLORATÓRIA DE DADOS............................................................. 2.1. Distribuição de freqüências e histograma............................................................... 2.2. As estatísticas............................................................................................................. 2.3. Outras análises descritivas........................................................................................ 2.4. Amostragem...........................................................................................................................................

2.5. Exemplos de análise exploratória aplicando o programa GS+............................. 3. PRINCÍPIOS DA ANÁLISE GEOESTATÍSTICA.................................................. 3.1. Um breve histórico.................................................................................................... 3.2. Estacionaridade......................................................................................................... 3.3. Krigagem universal................................................................................................... 4. ANÁLISE DA DEPENDÊNCIA ESPACIAL............................................................ 4.1. Autocorrelação e Autocorrelograma....................................................................... 4.2. Semivariograma......................................................................................................... 4.3. O uso do software GS+ na determinação do semivariograma.............................. 4.4. Exemplos de aplicação............................................................................................... 5. KRIGAGEM................................................................................................................. 5.1. O interpolador........................................................................................................... 5.2. A krigagem no programa GS+................................................................................. 6. SEMIVARIOGRAMA CRUZADO E COKRIGAGEM.......................................... 6.1. Semivariograma cruzado.......................................................................................... 6.2. Co-krigagem.............................................................................................................. 6.3. Variância da estimativa............................................................................................ 6.4. Número de vizinhos das estimativas........................................................................ 6.5. O uso do programa GS+ na determinação do semivariograma cruzado, da co-krigagem e no mapeamento da variável....................................................... 6.6. Exemplos de aplicação no GS+................................................................................ 7. VALIDAÇÃO DE MODELOS DE SEMIVARIOGRAMAS................................... 8. BIBLIOGRAFIA RECOMENDADA.........................................................................

2 3 3 3 7 7 8 14 14 15 20 21 21 25 36 41 50 50 52 55 55 56 60 62 64 67 70 74

1

Prof. Dr. Ednaldo Carvalho Guimarães

UFU/FAMAT

Geoestatística Básica e Aplicada

1. INTRODUÇÃO Métodos clássicos de análise estatística de dados geralmente supõem que, as realizações das variáveis aleatórias são independentes entre si, ou seja, que observações vizinhas não exercem influências umas sobre as outras. Fenômenos naturais apresentam-se freqüentemente com uma certa estruturação nas variações entre vizinhos, desta forma pode-se dizer que as variações não são aleatórias e, portanto, apresentam algum grau de dependência espacial. A análise espacial de dados apresenta-se como uma alternativa e/ou como uma complementação da análise clássica de dados, sendo que este tipo de análise considera as correlações entre as observações quando se faz estimativas. A literatura apresenta alguns procedimentos de análise espacial de dados, sendo que, nos últimos tempos, uma metodologia de análise denominada “geoestatística” ganhou ênfase neste tipo de estudo. Neste trabalho serão abordados aspectos básicos da metodologia geoestatística para a análise espacial de dados, com ênfase na análise do semivariograma como ferramenta de determinação da dependência espacial. Inicialmente serão abordados aspectos básicos de uma análise exploratória de dados; em seguida serão introduzidos conceitos básicos da geoestatística e da análise da dependência espacial por meio de semivariograma e também de interpolação utilizando a metodologia da krigagem e, por fim serão abordados conceitos básicos de semivariogramas cruzados e co-krigagem. Sempre que possível os tópicos serão acompanhados de exemplos de aplicação.

2

Prof. Dr. Ednaldo Carvalho Guimarães

No presente texto faremos uma revisão dos principais instrumentos de análise exploratória de dados. este tipo de análise se baseia em construção e interpretação gráfica e cálculos e interpretação de estatísticas. Basicamente. o desvio padrão. 2. entre outros. coeficiente de assimetria e coeficiente de curtose. o GS+. A distribuição de freqüências e o histograma A distribuição de freqüências consiste em agrupar as observações de uma variável em classes ou categorias e o histograma é uma das representações gráficas dessa distribuição. Esta tendência. A distribuição de freqüências e o histograma podem ser obtidos em programas computacionais comercias com o Excel. A ANÁLISE EXPLORATÓRIA DE DADOS A análise exploratória de dados é um procedimento de grande importância na análise estatística e aplica-se para qualquer metodologia que se queira utilizar. com relação à tendência de concentração de dados (tendência simétrica ou assimétrica). Ednaldo Carvalho Guimarães . A finalidade da distribuição de freqüências e do histograma é a de permitir uma visualização do comportamento da variável em estudo.2. como. As estatísticas O cálculo de estatísticas como a média. Triola (1999). pode direcionar procedimentos diferenciados de análise. por exemplo. Passaremos a rever rapidamente estas estatísticas.1. principalmente na análise não espacial de dados. colaboram na descrição da variável. 2. valor máximo.UFU/FAMAT Geoestatística Básica e Aplicada 2. Dr. Nesta análise preliminar dos dados tem-se o objetivo de conhecer a variável em estudo e resumila. sendo que estes procedimentos podem ser encontrados em cursos de estatística básica e em livros de estatística básica como Costa Neto (1979). a variância. 3 Prof. Bussab e Morettin (1987). Statistica e em programas específicos para análise geoestatística. Lopes (1999). valor mínimo. o coeficiente de variação.

geralmente. Ednaldo Carvalho Guimarães . - Coeficiente de variação (CV) O coeficiente de variação fornece a dispersão relativa dos dados. facilitando visualizar a dimensão da dispersão dos valores observados em relação à média.UFU/FAMAT Geoestatística Básica e Aplicada - A média aritmética ( X ) A média aritmética é uma medida de posição bastante utilizada na estatística e tem como características principais à facilidade de cálculo. precisa. eficiente e suficiente. xi é cada valor observado. A fórmula para o cálculo da média é: X= ∑x i =1 n i n em que: X é a média aritmética. na análise descritiva a média aritmética deve estar sempre acompanhada do desvio padrão para que possamos visualizar a dispersão média dos valores. Vale ressaltar que nem sempre a média aritmética é a medida de posição que melhor representa uma variável. é uma medida não tendenciosa. n é o número total de observações. respectivamente: ∑ - n s 2 = i =1 ( xi − X )2 n −1 s = + s2 Note que em interpretações de dados. em dados com assimetria à direita acentuada a moda ou a média geométrica pode representar melhor a variável em estudo. também. por exemplo. ou seja. Dr. O coeficiente de variação é dado por: 4 Prof. Variância (s2) e desvio padrão (s) A variância e o desvio padrão são estatísticas que nos fornece uma idéia de variabilidade das observações em torno da média aritmética. As fórmulas de cálculo são. a sua adaptabilidade ao tratamento algébrico e.

digitação. x2. etc. com K ≠ 0 é definido como: M tK = ∑ (x i =1 n i − K)t n 5 Prof.. A obtenção desses valores se faz a partir da ordenação das observações. O coeficiente de curtose mostra a dispersão (achatamento) da distribuição em relação a um padrão.. esta relação não é observada. Dr. Se a distribuição é assimétrica.UFU/FAMAT Geoestatística Básica e Aplicada CV (%) = 100 s X - Valor Mínimo e Valor Máximo Estes valores permitem visualizar a menor ocorrência e a maior ocorrência e podem ser um primeiro indicativo de erros de amostragem. . O momento de ordem t centrado em uma constante K .xn são os n valores assumidos pela variável X. Se x1. a média aritmética é igual ao primeiro momento em relação à origem. ou seja. definimos o momento de ordem t dessa variável como: Mt = ∑x i =1 n t i n Note que se t=1 temos a média aritmética. Ednaldo Carvalho Guimarães .. . geralmente a curva normal. - Coeficiente de assimetria (Cs) e coeficiente de curtose (Ck) O coeficiente de assimetria mostra o afastamento da variável em relação a um valor central. Estes dois coeficientes são utilizados para inferências sobre a normalidade da variável em estudo. na distribuição simétrica tem-se 50% dos valores observados acima da observação central e 50% abaixo. Antes de definirmos estes dois coeficientes e tecermos comentários sobre eles vamos definir os momentos estatísticos. ou seja.

Em alguns programas computacionais como o Excel. Statistica e GS+ existe uma padronização do valor de Ck e o valor de comparação é o zero. Para verificar o termo de comparação é necessário consultar o manual ou a "ajuda" do programa.UFU/FAMAT Geoestatística Básica e Aplicada Observe que: se t = 1 e K = X . entretanto. portanto. sendo que: se Cs > 0 temos a distribuição assimétrica à direita. o segundo e o terceiro momento centrados na média. e se Cs = 0 a distribuição é simétrica. 6 Prof. se Ck < 0 temos a platicúrtica e se Ck > 0 temos a leptocúrtica. Dr. O coeficiente de curtose é utilizado para caracterizar a forma da distribuição de freqüências quanto ao seu “achatamento”. A fórmula para cálculo de Ck é : Ck = m4 (m 2 ) 4 sendo que: m4 é o quarto momento em relação à média aritmética. se t =2 e K = X . respectivamente. O coeficiente de assimetria é utilizado para caracterizar como e quanto à distribuição de freqüências se afasta da simetria. O momento centrado na média de ordem 3 pode ser utilizado como medida de assimetria. e se Ck > 3 a distribuição é leptocúrtica. Vamos definir agora o coeficiente de assimetria (Cs) e o coeficiente de curtose (Ck). A classificação da distribuição quanto à curtose recebe a seguinte denominação: se Ck = 3 a distribuição é mesocúrtica (distribuição normal). Ednaldo Carvalho Guimarães . se Ck = 0 temos a mesocúrtica. temos M 2X = m2 = σ2. O termo médio de comparação é a distribuição normal e esta apresenta o valor de Ck = 3. é mais conveniente a utilização de uma medida admensional e que será chamada de coeficiente de assimetria: Cs = m3 (m 2 ) 3 Em que m2 e m3 são. se Cs < 0 a distribuição é assimétrica à esquerda. se Ck < 3 a distribuição é platicúrtica. temos M 1X = m1 = 0 (propriedade da média aritmética) e.

).5 com erro padrão de 0. podese concluir se os dados tem distribuição normal ou não. gráfico h-dispersão. Não é necessário utilizar coordenadas geográficas. calcula também o erro padrão desses coeficientes e a partir dos valores dos coeficientes associados com seus respectivos erros padrão.UFU/FAMAT Geoestatística Básica e Aplicada Para uma melhor interpretação do coeficiente de assimetria e do coeficiente de curtose. mas algum tipo de referenciação deve existir. etc. 2. Os procedimentos para este tipo de análise são encontrados em programas de estatísticas. Por exemplo: Se o valor obtido na amostra para Cs = 0. ou seja.80. mediana. c) amostras coletadas em uma área cada observação será identificada por um par ordenado de coordenadas pertencente ao espaço (Ex: amostras coletadas em uma área X). testes de normalidade (Shapiro – Wilk. Entretanto outros recursos podem ser aplicados como.80. b) amostras coletadas ao longo de uma linha reta em uma certa cultura agrícola   cada observação é referênciada por um único ponto no espaço (Ex: amostras coletadas   em transeções). 7 Prof.65 e se o valor de Ck = 2. que as amostras sejam referenciadas. por exemplo: gráfico box-plot. etc.). alguns programas. 2.3±0.5±0. podemos dizer que a distribuição tende a normal (simétrica e mesocúrtica). gráficos da distribuição normal. respectivamente. etc.4. Kolmogorov – Smirnov.. pois 0. moda. outras estatísticas (quartil. como o GS+. Amostragem Um requisito básico na amostragem para fins de análise de dependência espacial utilizando métodos geoestatísticos é que as observações.   Exemplos de referenciações são: a) amostras coletadas ao longo do tempo cada observação é referenciada com relação ao tempo (Ex: Estudo da precipitação anual na região X). incluem os valores zero e três.65 e 2. Dr. Tais resultados também contribuem para a descrição e conhecimento da variável em estudo.30 com erro padrão de 0. Ednaldo Carvalho Guimarães .3. Outras análises descritivas As análises descritas acima são as mais comuns e as que freqüentemente são usadas como análise exploratória dos dados.

basta que se tenha a referenciação dos dados para se proceder a análise espacial. entretanto isso não é regra e sim recomenndação. Nestes exemplos será utilizado a Versão Beta do GS+ (5. maior será o número de pares para o cálculo das semivariâncias e. Neste tipo de amostragem os pontos avaliados (amostras) são obtidos de forma equidistantes. quer seja no espaço ou no tempo. da escala (ou seja da dimensão). 2. de maneira geral. É sabido que quanto maior o número de pontos. Dr. Outro questinamento básico da geoestatística é "Quantas amostras devo utilizar para a análise geoestatística?". existem trabalhos com bons resultados de ajuste de semivariogramas usando 45 pontos de amostragem. Ednaldo Carvalho Guimarães .5. Outro aspecto relacionado com o ajuste de semivariograma e indiretamente com o tamanho da amostra é a presença de tendência da variável e/ou o uso de duas populações distintas que abordaremos em tópicos seguintes. Exemplos de análise exploratória aplicando programa GS+ Passaremos a descrever exemplos de análise exploratória de dados do GS+. Um exemplo típico de amostragem não sistemática é para variáveis climáticas. geralmente. não são equidistantes mas apresentam a referencia geográfica. dificultam o ajuste de semivariogramas com dados originais.UFU/FAMAT Geoestatística Básica e Aplicada Um tipo de amostragem bastante utilizado em geoestatística é a amostragem sistemática. teoricamnte. formando uma malha de pontos no caso bidimensional. No entanto esse não é um procedimento obrigatório. 8 Prof. entre os outros fatores que devem ser avaliados pelo pesquisador. mas que. Pode-se dizer que o número de observações dependerá dos objetivos que se tem no trabalho. Alguns autores recomendam que seja utilizados pelo menos 100 pontos amostrais.3) que é de domínio publico.0. maior será a precisão das estimativas das semivariâncias. onde as estações climatológicas. conforme mostra a Figura 1. mesmo que o volume de observações seja grande.

3 Como ponto de partida vamos descrever a estrutura de arquivos de dados com vistas a posterior análise geoestatística. A Figura 2 mostra o aspecto básico do arquivo de dados. pois. 9 Prof. esta referenciação não se faz necessária e ainda ressaltamos que a estrutura de dados apresentada neste tópico é válida para diversos programas de análise espacial. na análise geoestatística necessita-se que os dados observados estejam referenciados. se o objetivo do estudo não for a geoestatística ou a análise espacial. neste caso de uma importação de dados ou do famoso "copiar" e "colar". O arquivo pode ser criado no próprio programa GS+ ou em outro programa como o Excel.0. Vale ressaltar que. tenham coordenadas. teremos as coordenadas X e Y para cada observação. Dr. necessitando. Trabalharemos com a análise bidimensional e.UFU/FAMAT Geoestatística Básica e Aplicada Figura 1. Programa GS+ Versão 5. ou seja. portanto. Ednaldo Carvalho Guimarães .

ou seja. Exemplo de mudança de variável para análise 10 Prof.UFU/FAMAT Geoestatística Básica e Aplicada Figura 2. Para selecionar outra variável a ser estudada basta clicar na coluna correspondente e selecioná-la como a variável principal. ou ainda. ou recortar e colar. Na primeira coluna temos a coordenada X. Neste exemplo temos um arquivo de dados editado no GS+. procederíamos da seguinte forma (Figura 3): Figura 3.y) e 4 variáveis para a análise. neste caso estamos trabalhando com 4 variáveis. Ednaldo Carvalho Guimarães . ativar o ícone Import file localizado no canto superior direto da Figura 2. se o objetivo é a análise da terceira variável (usatpc). na segunda coluna temos a coordenada Y e da terceira a sexta colunas temos as variáveis. deve-se importar os dados para o GS+ utilizando o procedimento padrão do Windows de copiar e colar. Se o arquivo for editado em outro programa. Janela inicial do GS+ com exemplo de arquivo de dados contento as coordenadas (x. Por exemplo. Dr.

etc). - Clique em Z (Primary variable) para selecionar esta coluna como sendo sua variável de analise. - Clique em OK para confirmar a opção Pode-se ainda trabalhar com duas variáveis simultaneamente. Voltando à Figura 2 vamos descrever os procedimento da análise exploratória de dados. Ednaldo Carvalho Guimarães . A barra de ferramenta apresenta os seguintes símbolos que são destinados a este tipo de análise: Planilha ativa Principais Estatística s Análise gráfica histograma Posição das observações selecionadas por quartil Os ícones não ativos são destinados a análise com duas variáveis (semivariograma cruzados. Para exemplificar o resultado deste tipo de análise vamos utilizar os dados da primeira variável (usatpd – coluna 3). conforme Figura 4: 11 Prof. neste exemplo). Dr.UFU/FAMAT Geoestatística Básica e Aplicada - clique sobre a coluna de interesse (coluna 5. Ativando o ícone ∑ e teremos o resultado das principais estatísticas. Voltaremos ao assunto no tópico de semivariograma cruzado. co-krigagem. indicando a coluna ativa. A coluna é selecionada e aparece a segunda janela. Neste caso selecionase uma variável Z2 como covariável.

que são respectivamente: 0. Dr. Note ainda que existe a possibilidade de se fazer análises com dados transformados.27 cm3/100cm3) e o maior valor observado (54. Ednaldo Carvalho Guimarães .30 e 0. não temos valores discrepantes que poderiam ser atribuídos a erros de determinação. com uma dispersão média em torno desse valor de 4. portanto. Em um primeiro momento tem-se a visualização do histograma e posteriormente pode-se fazer análises com distribuição de freqüências acumuladas e gráfico da distribuição normal.50.UFU/FAMAT Geoestatística Básica e Aplicada média Desvio padrão variância mínimo máximo Número de dados e Dados perdidos histograma Coeficiente de assimetria e erro padrão Coeficiente de curtose e erro padrão Figura 4. deste modo nota-se que as observações se dispersam relativamente pouco em torno da média.0069 (cm3/100cm3).810 cm3/100cm3) reforçam a idéia de baixa variabilidade das observações e também mostram que. assimetria e curtose próximos de zero indicando distribuição normal aproximada dos dados.81%. 12 Prof. Como uma análise geral desses dados verifica-se que a umidade de saturação do solo no plantio direto (usatpd) apresentou média de 44. Estatísticas da variável “usatpd”.3190 (cm3/100cm3) e.46±0. O histograma mostra uma tendência dos dados à simetria e este fato também pode ser verificado por meio dos coeficientes de assimetria e curtose associados aos seus respectivos erros padrão.34±0. digitação ou de amostragem. conforme mostra a Figura 5. uma variabilidade de 9. provavelmente. Um detalhamento da distribuição da variável pode ser obtida clicando o ícone do histograma na barra de ferramentas. ou seja. O menor valor observado (36.

por meio da Figura 6. portanto parece não existir tendência nos dados e. esta poderá ser representada por um semivariograma médio (isotrópico). se existir relação espacial. que a princípio não há indícios de concentração de valores altos ou baixos em setores específicos da malha. Este mapa é obtido por meio do ícone exemplo na Figura 6. 13 Prof. provavelmente. Ednaldo Carvalho Guimarães . Análise gráfica dos dados Uma outra análise utilizada no GS+ é a localização espacial dos pontos amostrados com relação a intervalos de ocorrência.UFU/FAMAT Geoestatística Básica e Aplicada Histograma – freqüência simples Gráfico de freqüência acumulada Gráfico da distribuição normal Figura 5. Dr. Localização espacial das observações Verifica-se. Veja o Figura 6. .

UFU/FAMAT Geoestatística Básica e Aplicada 3. A partir desta constatação surgiu os conceitos básicos de geoestatística. Esta solução. Já a independência não pode ser testada por métodos simples e a solução deste problema. A análise espacial de dados. utilizando a geoestatística. Se for observado não normalidade de dados e/ou não homogeneidade de variâncias. a partir da metade do século XX adotou-se a metodologia de análise de dados proposta por Fisher. em seus trabalhos com dados de mineração da África do Sul. procedimentos como a transformação de dados podem ser adotados para que a variável atenda estas hipóteses básicas da metodologia de análise não espacial proposta por Fisher. por exemplo. como a agricultura. não garante a independência entre as observações. é a repetição e a aleatorização das observações.1. Em algumas áreas da ciência. Um breve histórico A preocupação com a dependência espacial ou temporal de observações realizadas para um determinado atributo é bastante antiga. concluiu que a variância dos dados possuía uma estruturação que dependia da distância de amostragem. A normalidade da variável e a homogeneidade de variâncias podem ser testadas facilmente em programas de estatísticas por meio de testes específicos como. proposta pela metodologia não espacial. PRINCÍPIOS DA ANÁLISE GEOESTATÍSTICA 3. Dr. ganhou impulso em áreas distintas da mineração e da geologia a partir de 1980. independência de erros e homocedasticidade de variância (homogeneidade de variância). no seu desenvolvimento e aplicação. Os fundamentos teóricos da geoestatística podem ser encontrados nos trabalhos desenvolvidos por Matheron (1963) e Matheron (1971). Ednaldo Carvalho Guimarães . as seguintes suposições: normalidade da variável. em muitos casos. Shapiro-Wilk (W teste) para normalidade e F máximo de Hartley para homogeneidade de variâncias. conforme mostra Vieira (1995). Esta metodologia considera. Krige (1951) citado por Vieira (1995). sendo comprovado este fato por trabalhos científicos datados do início do século XX. com grande aplicabilidade na ciência 14 Prof. isto porque algumas variáveis apresentam forte dependência espacial (autocorrelação entre as observações) que não é desfeita com este procedimento.

Dr.. Ainda na década de 80.y2).... No Brasil destaca-se trabalhos pioneiros nesta área desenvolvidos pelos pesquisadores Sidney Rosa Vieira.tk) ou no espaço (unidimensional. 3.. Cressie e Hartfield (1996). Paulo Libardi e Klaus Reichardt. Ao falarmos da variável Z(t) estaremos falando de ocorrências da variável Z com uma referenciação t. Atualmente a aplicabilidade e a utilização da geoestatística como metodologia de análise de dados no espaço ou no tempo esta difundida em vários ramos da ciência. por exemplo: x1. Estacionaridade Antes de iniciarmos a discussão sobre a estacionaridade da variável vamos adotar uma simbologia para a variável em estudo. Note que as características de um processo estacionário independe da origem adotada. x2. Em linhas gerais podemos dizer que a geoestatística está interessada em determinar a dependência espacial das observações de uma variável e recebeu tal denominação devido aos trabalhos desenvolvidos por Krige na África do Sul. Outras metodologias e alternativas de análise de dependência espacial são descritas em Papadakis (1937). Ednaldo Carvalho Guimarães . que pode ser uma posição no tempo (unidimensional.y1). . em que nem a amplitude média e nem as oscilações mudam bruscamente no tempo ou no espaço. Uma justificativa para tal fato é a facilidade computacional que viabilizou alguns cálculos relativamente trabalhosos nesta metodologia. ou bidimensional. (xn.. por exemplo: t1. xn. entre outros autores.UFU/FAMAT Geoestatística Básica e Aplicada do solo. Duarte (2000).. envolvendo áreas de ciências humanas.(x1. Como exemplo de processo estacionário pode-se citar as oscilações da tensão em uma rede elétrica.. . a krigagem. com oscilações aleatórias contínuas em torno de um valor médio. . t2. Zimmerman e Harville (1991). yn)) Diz-se que um processo (ou uma variável) é estacionária se o desenvolvimento desse processo no tempo ou no espaço ocorrer de maneira mais ou menos homogênea. Este pesquisador é homenageado com o nome do método de interpolação utilizado na geoestatística. 15 Prof. (x1. biológicas e exatas.2. por exemplo.. Bartlett (1978).

a média será a mesma para todo o processo. se todos os momentos estatísticos são invariantes para toda mudança de origem. então: E[Z(t)] = m1(t) = constante ∀ t E[Z2(t)] = m2(t) = constante ∀ t .UFU/FAMAT Geoestatística Básica e Aplicada Diz-se que um processo é não estacionário quando não apresenta as características citadas anteriormente e. Estatisticamente pode-se dizer que. as chuvas mensais durante um ano no estado de Minas Gerais. . portanto. Pode-se utilizar como exemplo de um processo não estacionário o relevo no estado de Minas Gerais. . ou seja. como restrição máxima. . independentemente da origem que se toma no espaço ou no tempo. . ou ainda. 2 e 3. exige-se no máximo a estacionaridade de segunda ordem. Por exemplo. podemos dizer que a variável é estacionária de primeira ordem e. se o processo é estacionário de ordem 4. que o primeiro e o segundo momento em relação à origem sejam constante. . ele também será estacionário nas ordens 1. as características do processo dependem da origem que é tomada como referência. se o processo é estacionário de ordem k. Para estudos de geoestatística necessita-se. . E[Zk(t)] = mk = constante ∀ t Observação: Se um processo é estacionário na ordem k ele também será estacionário para as ordens inferiores a k. Dr. Ednaldo Carvalho Guimarães . Observação: Processos não estacionários podem apresentar trechos estacionários. neste caso. . E[Z(t)] = m1(t) = µ = constante 16 Prof. Pode-se definir uma função aleatória Z(t) como estacionária. Se a esperança matemática de uma variável aleatória é constante. .

Isto significa que o processo Z(t) e Z(t+h) tem a mesma estatística para qualquer h.Z(t’)] . Uma variável é chamada de estacionária de segunda ordem se: A média é constante: E[Z(t)] = µ O segundo momento existe: E[Z2(t)] < ∞ Para cada par {Z(t).UFU/FAMAT Geoestatística Básica e Aplicada Se o segundo momento em relação à origem é constante. o processo é estacionário de ordem 2.µ2 = Var[Z(t)] Geralmente utiliza-se a função de covariância normada pela variância: ρ ( h) = C (h) Var[ Z (t )] Neste caso chamamos ρ de função de correlação ou coeficiente de correlação. mas somente da distância h entre os pontos e desta forma: C(t. Portanto. com h = t’ – t. t+h) = C(h) Note que a variância é um caso particular da covariância quando h = 0. Ednaldo Carvalho Guimarães . Podemos definir uma variável como estritamente estacionária se seus momentos estatísticos são invariantes a translações na origem. t+h) = C(h) 17 Prof. que nada mais é do que a correlação entre seções da variável separadas por um passo h. definida como: C(t. temos então que a variância é constante independente da origem no espaço ou no tempo e. ou seja. Z(t+h)} a função covariância existe e depende apenas de h. t’) = E[Z(t). da origem. C(0) = E[Z2(t)] . C(t. Dr.µ2 Se Z(t) é estacionária esta covariância não depende de t e t’. a esperança do produto do que ocorre em t e t’. ou seja. E[Z2(t)] = m2(t) = constante Var [Z(t)] = E[Z2(t)] – {E[Z(t)]}2 = m2(t) – [m1(t)]2 = constante Seja agora a covariância. ρ(0) = 1. portanto.

UFU/FAMAT Geoestatística Básica e Aplicada A estacionaridade da covariância implica na estacionaridade da variância: Var{Z(t)}= C(0) e do variograma que é definido como: 2γ(h) = E{[Z(t+h) – Z(t)]2} = = E{[Z(t+h)2}+E{[Z(t)]2}-2E{Z(t+h) Z(t)}= = E{[Z(t+h)]2}+E{[Z(t)]2}-2µ2 = = E{[Z(t+h)]2}. A dependência espacial ou temporal de uma variável Z(t) é definida por uma amplitude a. Mas se a estacionaridade de segunda ordem não é atendida o autocorrelograma não pode ser usado. se ocorre a estacionaridade de segunda ordem. o correlograma (autocorrelograma) e o variograma (semivariograma) serão ferramentas correspondentes na determinação da dependência espacial. em relação ao experimento inicial. Dr. podemos chamar a de domínio de correlação. sendo que para variáveis com estacionaridade de segunda ordem: C(h) = 0 Ou γ(h) = C(0) = Var [Z(t)] se | h | > a Quando se trabalha com o tempo a constante a é chamada de tempo de correlação de Z(t). chamado de correlograma ou autocorrelograma.µ2+ E{[Z(t)]2}-µ2 = = C(0) – C(h) O coeficiente de correlação entre Z(t+h) e Z(t). Observação: A existência de estacionaridade permite a repetição de um experimento. Se o estudo for espacial. neste caso. Esta fato é justificado em função de que todas as amostras pertencem a populações com os mesmos momentos estatísticos. pois. mesmo que as amostras sejam coletadas em pontos diferentes. o denominador da função autocorrelação é uma variância e. é igual a: r (h) = C ( h) γ ( h) = 1− C (0) C (0) Note que. Ednaldo Carvalho Guimarães . se | h | > a 18 Prof. C(0) ≠ constante. por analogia.

mas um variograma pode ser definido. o semivariograma é a ferramenta mais difundida na geoestatística porque exige apenas a hipótese intrínseca. uma variável estacionária de primeira ordem e uma outra não estacionária. 19 Prof. portanto. Na hipótese intrínseca temos: a) a esperança Z(t) existe e não depende do ponto t. mas o inverso nem sempre ocorre. As Figuras 7A. para qualquer trecho que selecionarmos e calcularmos a média e a variância. já no caso da Figura 7B. Var[Z(t)] = C(0). A hipótese intrínseca é a hipótese mais freqüentemente usada em geoestatística. isto é. E[Z(t)] = µ b) para todo h.UFU/FAMAT Geoestatística Básica e Aplicada A hipótese de estacionaridade de segunda ordem assume a existência de uma covariância e assim de uma variância finita. e existem muitos fenômenos que possuem uma grande capacidade de dispersão. uma variável estacionária de segunda ordem. Uma hipótese mais fraca (mais abrangente) é a hipótese intrínseca. a variância da diferença [Z(t+h) – Z(t)] existe e não depende do ponto t. A existência do variograma é uma hipótese mais fraca do que a existência da covariância. enquanto o autocorrelograma exige a estacionaridade de segunda ordem. estas permanecerão aproximadamente constante. 7B e 7C ilustram. respectivamente. Var[Z(t+h) – Z(t)] = E{[Z(t+h) – Z(t)]2} = 2γ(h) Observação: Se uma variável é estacionária de segunda ordem. por ser menos restritiva e. Dr. Ednaldo Carvalho Guimarães . que não possuem uma variância a priori nem uma covariância. Note que no caso da Figura 7A. então ela é também intrínseca. apenas a média permanece constante e no caso da Figura 7C nem a media e nem a variância permanecem constantes.

Krigagem universal (tendência) Na hipótese de tendência (Krigagem universal). a variável Z(t) pode ser decomposta em dois componentes: Z(t) = m(t) + e(t) 20 Prof. B) Processo estacionário de primeira ordem e C) Processo não estacionário 3.UFU/FAMAT Geoestatística Básica e Aplicada 28 26 Y 24 22 20 18 0 10 20 X 30 40 50 A 29 27 25 23 21 19 17 15 0 B Y 10 20 X 30 40 50 30 25 Y 20 15 10 5 0 10 20 X 30 40 50 C Figura 7. Exemplos de estacionaridade: A) Processo estacionário de segunda ordem. Dr.3. Ednaldo Carvalho Guimarães .

UFU/FAMAT Geoestatística Básica e Aplicada em que m(t) é a tendência principal (drift) e e(t) é o resíduo. assim. então o semivariograma da variável Z(t). será igual ao semivariograma dos resíduos e(t).). se calculamos a covariância entre X e Y e encontramos o valor de 0. Ednaldo Carvalho Guimarães . Autocorrelação e autocorrelograma Quando estamos trabalhando com variáveis bidimensionais. produzindo estimativas mais confiáveis (com menor variância) na krigagem.75 não podemos dizer se as variáveis estão com forte associação positiva ou não. Passaremos a descrever rapidamente a função autocorrelação e em seguida. usando as observações reais. semivariograma com 4. etc. Entretanto esta função tem a desvantagem de possuir as unidades das variáveis que a geram e. 4. Para se trabalhar com essa hipótese é necessário que. se ocorre algum tipo de tendência nos dados (tendência linear. o semivariograma dos resíduos pode-se apresentar com melhor estruturação e definição dos parâmetros. será descrita a função semivariância e instrumento de análise espacial de dados. A covariância é dada por: cov( x . quadrática. também. Dr. para cada posição t se determine à tendência m(t) e. com maior detalhamento. y ) = E{[ X − µx ].1. Se analisarmos a Variável Z nas posições t e t+h temos: 21 Prof. por exemplo. mas. não ter um padrão de comparação.[ Y − µy ]} O cálculo da covariância pode ser pensada também para a análise espacial. ANÁLISE DA DEPENDÊNCIA ESPACIAL As duas funções utilizadas com maior intensidade na geoestatística para a determinação da dependência espacial ou temporal de variáveis são a função autocorrelação (que gera o autocorrelograma) e a função semivariância (que gera o semivariograma). trabalha-se com o semivariograma dos resíduos. temos que a covariância é uma medida de associação entre as variáveis. Note que se m(t) = constante.

Exemplo de uma função covariância Comentamos.2. Uma propriedade da covariância diz que "se duas variáveis aleatórias são independentes então a covariância entre elas é igual a zero". Z ( t + h )) = i =1 ∑ [ Z ( ti ) − Z ] [ Z ( t i + h ) − Z ] n( h ) − 1 . Considerando as variáveis X e Y.. A Figura 9 ilustra uma função covariância. Esta função tem a vantagem de ser adimensional e estar limitada ao valor -1 e 1.. que a autocovariância apresenta algumas dificuldades de interpretação. temos: 22 Prof. sendo que quanto maior for o valor da covariância maior será a relação espacial e para covariância zero teremos independência. Ednaldo Carvalho Guimarães . Portanto. Vamos inicialmente fazer uma analogia com as variáveis bidimensionais. esta função poderá ser estimada por: n( h ) cov( Z ( t ). Vamos então definir a função autocovariância como uma alternativa de interpretação da dependência espacial de uma variável Z. ao analisarmos a variável Z nas posições t e t+h. permitindo comparações entre variáveis e também inferências sobre o grau de associação (dependência). Dr.( Z ( t + h ) − µ Z ( t + h ) )] Se a variável Z é estacionária.UFU/FAMAT Geoestatística Básica e Aplicada cov[ Z ( t ). com h=1. 3 covariâncias 2 1 0 -1 0 100 200 300 400 500 600 distâncias (m) Figura 8. pois neste caso a média de Z(t) será igual à média de Z(t+h). Z ( t + h )] = E [( Z ( t ) − µ z( t ) ). espera-se que o valor da covariância comece alto e depois tenda a zero. anteriormente..k.

a covariância entre Z(t) e Z(t+h) quando h=0. Ednaldo Carvalho Guimarães . Desta forma temse: cov[Z (t ). nas posições t e t+h e a variância dessa variável Z.UFU/FAMAT Geoestatística Básica e Aplicada ρ( x . y ) = Neste caso quanto mais próximo de 1 ou de -1. Dr. no caso de variável estacionária de segunda ordem. Z (t + h)] Cov[ Z (t ). 23 Prof. A função autocorrelação é definida como sendo a razão entre a covariância dos valores assumidos pela variável Z. Cov [Z(t). s2 é a variância amostral de Z(t). r(h) é a autocorrelação amostral para a distância h. Z é o valor médio (média amostral) da variável Z(t). em função da distância h. separados pela distância h (autocorrelação populacional). Z(t+h)] é a covariância entre a variável Z(t) e a variável Z(t+h). Var[Z(t)] = σ2 é a variância populacional. maior a relação entre as variáveis e quanto mais próximo de 0. Z (t + h)] = Var[ Z (t )] σ2 ρ ( h) = Trabalhando-se com dados amostrais ρ(h) pode ser estimado por r(h): n( h ) i =1 ∑ [ Z ( t i ) − Z ] [ Z ( ti + h ) − Z ] n( h ) − 1 s2 r( h ) = em que: ρ (h) é a autocorrelação entre os valores da variável Z.Y )] σxσ y i =1 ∑[ que pode ser estimada por: n X − X ] [Y −Y ] n −1 SxS y r( x . y ) = cov[ X . ou seja. menor a relação linear entre X e Y. n(h) é o número de pontos amostrais separados pela distância h.

sendo que acima dessa distância os dados são considerados independentes entre si. 1 0.UFU/FAMAT Geoestatística Básica e Aplicada A Figura 9 mostra um exemplo de comportamento da função autocorrelação. Exemplo de um autocorrelograma experimental r(h) O uso dessa função no estudo da dependência espacial ou temporal só é válida se a hipótese de estacionaridade de segunda ordem for atendida. Uma outra possibilidade é o autocorrelograma com autocorrelações flutuando em torno de zero (indica independência entre as observações) e o autocorrelograma cíclico. exceto para h=0 em que r(0) = 1. Esta distância define a amplitude de dependência espacial ou temporal (a). conforme Figura 10A e 10B.2 0 -0. Este tipo de comportamento indica que quanto mais próximas estiverem as amostras maior o grau de semelhança entre elas e este grau de semelhança decresce com o aumento da distância entre observações.4 0 100 200 300 400 500 600 distância (m) Figura 9. Podemos ter ainda o autocorrelograma para toda distância com valor de autocorrelação igual a zero (r(h) = 0).2 -0. 24 Prof.4 0. Teoricamente. ou seja. Dr. Ednaldo Carvalho Guimarães .8 0. para h = O a autocorrelação é máxima. assim temos independência entre as amostras para toda à distância ou tempo de estudo. ou seja.6 0. que indica flutuações periódicas na variável estudada. r(0) = 1 e este valor decresce até o zero. até uma distância ou tempo que não exista relação entre as observações.

2 0 -0. então se utiliza o prefixo “semi” para distinguir da variância e daí vem o nome semivariância para γ(h) e semivariograma para o gráfico de γ(h) em função de h. esta variância está sendo divida por dois.4 0.8 0.6 0. Exemplos de autocorrelogrmas: A) independência entre observações. mas. Semivariograma a) Definição do semivariograma O semivariograma é definido como: 1 γ (h) = {Var[ Z (t ) − Z (t + h)]} 2 Note que Var[Z(t) –Z(t+h)] é a variância dos dados separados por uma distância h. 4.2 1 0.6 0. Ednaldo Carvalho Guimarães .8 0.2 1 0.2 -0. B) periodicidade da variável.UFU/FAMAT Geoestatística Básica e Aplicada 1.4 0.2 0 A r(h) 5 10 h 15 20 1.4 0 B r(h) 5 10 h 15 20 Figura 10. 25 Prof. Dr.2 0 -0.2. na expressão acima.

são independentes entre si. Relembrando a condição de estacionaridade. exige a condição de estacionaridade mais fraca quando comparada com a autocorrelação.UFU/FAMAT Geoestatística Básica e Aplicada Observação: O divisor 2 da variância surge das deduções e simplificações matemáticas. temos: E[Z(t+h)] = E[Z(t)] e. para h = 0 a semivariância γ(0) difere de zero. O valor de γ(h) constante é chamado de patamar (C). temos que a utilização do semivariograma exige que pelo menos a hipótese intrínseca seja atendida. e quanto mais distantes estiverem os pontos amostrados menor será a semelhança e. portanto. Sob a suposição de tendência zero. pode-se imaginar que quanto mais próximos estiverem os pontos amostrados. portanto: 1 γ (h) = {E[ Z (t + h) − Z (t )] 2 } 2 e uma estimativa de γ(h) chamada de γ (h) é dada por: n(h) ^ γ (h) = ^ ∑ [ z(t + h) − Z (t )] i =1 2 2n( h ) em que n(h) é o número de pares separados pela distância h. A distância h a partir da qual γ(h) se torna aproximadamente constante é chamada de alcance da dependência espacial (a) sendo que as medições realizadas a distâncias maiores que a. Dr. maior a dispersão (variância). b) Caracterização do semivariograma Analisando a expressão da função semivariância. freqüentemente. a semivariância γ(h) cresce com o incremento de h. Ednaldo Carvalho Guimarães . A utilização de dados amostrais na estimativa da semivariância e na construção do semivariograma. ou seja. maior será a semelhança entre eles e. até atingir um valor constante para γ(h) que corresponde às variações aleatórias. portanto. revela que. ou seja. Na teoria temos que para a distância h=0 a semivariância γ(0) = 0 e. variações que não são justificada pela semelhança de um ponto com outro. menor a semivariância. A impossibilidade de se fazer reamostragem exatamente sobre um ponto já amostrado 26 Prof. tem distribuição espacial aleatória e. consequentemente.

temos a ausência total de dependência espacial. INDEP. se existir. ou seja. (B) com efeito pepita Os semivariogramas apresentados na Figura 11 indicam estacionaridade de segunda ordem para a variável. Semivariogramas: (A) sem efeito pepita. Este semivariograma é chamado de semivariograma periódico ou cíclico e indica uma periodicidade nos dados que pode ser explicada por algum fator conhecido e analisada por meio da densidade espectral. surge um novo termo no semivariograma chamado de efeito pepita (C0) e. neste caso. Um outro tipo de semivariograma é aquele que apresenta a semivariância com flutuações. etc. temos o efeito pepita puro e. C0 + C (A) a INDEP DEP. Observação: Pode-se mostrar que o patamar do semivariograma (C0 + C) é uma estimativa sem tendência da variância (σ2) da variável Z(t). Quando γ(0) ≠ 0. erros de análise de laboratório. C0 Figura 11. neste caso. (B) a DEP. Nas Figuras 11A C e 11B apresentamos o comportamento ideal de um semivariograma e também são mostrados os parâmetros do modelo descritos acima. será manifestada à distância ou tempo menor do que o menor espaçamento entre amostras. são justificativas dessa descontinuidade na origem. porque apresenta patamar claro e bem definido. a dependência espacial. Se o semivariograma for constante e igual ao patamar para qualquer valor de h. Dr. Ednaldo Carvalho Guimarães .UFU/FAMAT Geoestatística Básica e Aplicada (nestes casos pode ocorrer variações a distâncias menores do que a menor distância de amostragem) e erros como erros de amostragem.. 27 Prof. o patamar é dado por: C0 + C.

cíclico e com estruturas entrelaçadas. efeito pepita puro. até uma distância X estamos trabalhando com uma determinada população e a partir daí outra ou outras populações. pode-se dizer que a superfície de tendência é a melhor representação espacial da variável. semivariogramas experimentais com patamar definido. mostram respectivamente. Uma metodologia de se ajustar superfícies de tendência é a utilização de regressão múltipla. As Figuras 12A. Neste caso uma explicação prática poderia estar associada ao fato de estarmos trabalhando com mais de uma população. semivariogramas sem patamar definido. sem limites. ou seja. Dr.UFU/FAMAT Geoestatística Básica e Aplicada Também podemos ter um tipo de semivariograma em que as semivariâncias crescem. provavelmente. para todos os valores de h. Vale ressaltar que a primeira alternativa é a mais simples e a mais utilizada. que são chamados de semivariogramas com estruturas entrelaçadas ou semivariogramas imbricados. 12C. Ednaldo Carvalho Guimarães . sem patamar. 12D e 12E. estamos trabalhando com a hipótese intrínseca ( fenômeno com capacidade infinita de dispersão). Este semivariograma indica que a hipótese de estacionaridade de segunda ordem não foi atendida e. Uma outra alternativa é trabalhar com a hipótese de tendência nos dados originais. Se for verificada a tendência remove-se esta tendência e verifica-se se a variável resíduo apresenta semivariograma com patamar (estacionaridade de segunda ordem). Se o semivariograma dos resíduos apresenta efeito pepita puro. ou seja. Ele indica também que a máxima distância h entre as amostras não foi capaz de exibir toda a variância dos dados e provavelmente existe tendência dos dados para determinada direção. 28 Prof. Podemos ter ainda um semivariograma com mais de uma estrutura de variância. 12B.

Ednaldo Carvalho Guimarães . Dr.UFU/FAMAT Geoestatística Básica e Aplicada 20 gama (h) 15 10 5 0 0 5 10 h 15 20 A 20 gama (h) 15 10 5 0 0 5 10 h 15 20 B 20 gama (h) 15 10 5 0 0 5 10 h 15 20 C 10 8 gama (h) 6 4 2 0 0 5 10 h 15 20 D 29 Prof.

 0  ii) variável com moderada dependência espacial – se o efeito pepita representar entre   C0  25% e 75% do patamar  0 .UFU/FAMAT Geoestatística Básica e Aplicada 40 gama(h) 30 20 10 0 0 5 10 15 h 20 25 30 E Figura 12. B) Efeito pepita puro.75 < C + C < 1.25  . Semivariogramas: A) Com patamar. Dr. 25 0 . 00 = C +C . podemos classificala como: i) variável com forte dependência espacial – se o efeito pepita for menor ou igual a 25%  C0  do patamar   C + C < 0. neste caso temos o semivariograma com efeito pepita puro  C0    1 .  0  30 Prof. C) sem patamar D)Cíclico e E) Com estruturas entrelaçadas c) Grau de dependência espacial Quanto ao grau de dependência espacial da variável em estudo. 75 ≤ ≤  . C C + 0   iii) variável com fraca dependência espacial – se a relação entre efeito pepita e patamar   C0 estiver entre 75% e 100%   0.00   0   iv) variável independente espacialmente – se a relação entre efeito pepita e patamar for igual a 100%. Ednaldo Carvalho Guimarães .

consequentemente. e) Os principais modelos de semivariogramas Dados experimentais são influenciados por uma série de fatores. geralmente. não são afetados se. As principais direções de h que são examinadas são: 0o (na direção X). Ednaldo Carvalho Guimarães . Por exemplo. não é capaz de controlar todos os fatores que influenciam um conjunto de dados. Se o semivariograma é anisotrópico ele deve sofrer transformações antes de ser usado. ele é chamado anisotrópico (podemos classificar a anisotropia em anisotropia geométrica ou anisotropia zonal). (3. 45o e 1350 (nas duas diagonais principais). a precisão da interpolação ou o tipo de hipótese satisfeita.0). No modelo matemático não temos desvios em relação à função proposta. todas as observações pertencem ao modelo proposto (Figura 13).9).4). apenas limitar a faixa de distância na qual se utiliza o semivariograma. como o modelo que explique o comportamento desses dados experimentais. (2.UFU/FAMAT Geoestatística Básica e Aplicada d) Isotropia e anisotropia Note que h é um vetor e. estaremos trabalhando com um modelo matemático.16) e (5. Quando os dados forem coletados em uma transeção (linha). todos os pontos experimentais devem estar sobre a função proposta para explicar determinado fenômeno. o semivariograma é unidimensional e nada pode ser dito sobre anisotropia. Dr.25) como sendo valores experimentais e propormos o modelo: Yi= Xi2. C0. pois. em geral. (4. ou seja. 90o (na direção Y). Desta idéia surge a distinção entre modelo matemático e modelo estatístico. o semivariograma depende da magnitude e da direção de h. Quando o semivariograma é idêntico para qualquer direção de h ele é chamado de isotrópico e quando o semivariograma apresenta os parâmetros C. Vieira (1995) alega que. a e/ou modelo diferenciado dependendo da direção de h. se tomarmos os pares ordenados (0. Um pesquisador. ao invés de se preocupar com a escolha de método de transformação de anisotropia. 31 Prof.

e desta forma estaremos trabalhando com modelos estatísticos de semivariogramas. Dr.UFU/FAMAT Geoestatística Básica e Aplicada 30 25 20 15 10 5 0 -5 0 y = x2 Y 1 2 3 X 4 5 6 Figura 13. vamos ajustar modelos teóricos de semivariogramas as semivariâncias experimentais. 32 Prof.4286+ei Figura 14. Por exemplo. 15 10 Y 5 0 0 1 2 3 X 4 5 6 y = 2. (Figura 14) em que a e b são as constantes que definem a reta e ei são os erros experimentais (maiores detalhes podem ser obtidos em textos e livros sobre modelos lineares ou análise de regressão). Modelo Estatístico Na aplicação da teoria geoestatística a dados experimentais.0286x + 1. Modelo Matemático Para o modelo estatístico os valores experimentais apresentam desvios (erros) em relação ao modelo proposto (ajustado) e estes erros são atribuídos a fontes de variações não controladas pelo pesquisador. Ednaldo Carvalho Guimarães . podemos ter o seguinte modelo estatístico que explique o comportamento linear de uma variável Y em função de X: Yi = a +bXi +ei.

mostrará uma série de pontos discretos que é chamado semivariograma experimental. Vieira et al (1983) sugerem o método de ajuste por tentativa e erro (ajuste a critério do observador) associado à avaliação do modelo pela técnica de validação cruzada ou autovalidação (“jack-Knifing”). A escolha do modelo de semivariograma que será utilizado é um dos aspectos mais importantes da geoestatística. O programa GS+. todos os cálculos seguintes conterão erros que poderão afetar as inferências. por meio de combinações dos parâmetros do modelo. O GS+ utiliza este resultado para a seleção do modelo e. ii) Soma de quadrados de resíduos (RSS) – quanto menor for este valor. aplica a metodologia dos mínimos quadrados para os ajustes dos modelos e utiliza como critérios para seleção do modelo: i) o coeficiente de determinação (R2). Vários métodos são utilizados para verificar a qualidade do ajuste do semivariograma aos dados experimentais. conseqüentemente. com o qual estamos exemplificando este texto. Já Pannatier (1996) sugere a utilização do "Indicação da Qualidade do Ajuste" (IGF).UFU/FAMAT Geoestatística Básica e Aplicada O gráfico da semivariância (γ(h)) em função da distância (h). que. relembrando os conceitos de análise de regressão. Uma função contínua deve ser ajustada as semivariâncias experimentais. Dr. melhor será o modelo de semivariograma. Ednaldo Carvalho Guimarães . A descrição de cada método de seleção pode ser encontrado nos respectivos trabalhos originais dos autores e cada programa de análise geoestatística de dados apresenta um critério de seleção. é uma relação entre a soma de quadrados devido ao modelo ajustado e a soma de quadrados total (mede a variação dos dados devido ao modelo ajustado em relação à variação total dos dados) e quanto mais próximo da unidade estiver o valor de R2 melhor será o modelo ajustado. se o modelo ajustado não for apropriado. O autor do programa alega que a utilização 33 Prof. Todos os cálculos da geoestatística dependem do modelo de semivariograma ajustado e. portanto o ajuste de semivariograma é uma fase crucial na análise geoestatística e deve receber uma atenção especial. minimiza esta soma de quadrados de resíduos. Macbratney e Webster (1986) sugerem o método do Critério de Informação de Akaike (AIC) para avaliar o modelo.

Definindo C0 como efeito pepita. e também não se deve dar importância excessiva a pequenas flutuações. Às vezes é preferível selecionar um modelo com R2 um pouco menor ou RSS um pouco maior que o sugerido pelo programa. Ednaldo Carvalho Guimarães . melhor. C0 + C como patamar e a como alcance. qualquer que seja h. quanto mais simples puder ser o modelo ajustado. Observação: Em muitos casos (talvez na maioria dos casos) a sensibilidade de quem está trabalhando com os dados e o conhecimento sobre a variável é de fundamental importância na opção do modelo de semivariograma. os principais modelos de semivariogramas utilizados na geoestatística são: i) modelo linear com patamar C  C 0 + h γ ( h) =  a   C0 + C 0≤h≤a h>a Neste caso C/a é o coeficiente angular para 0< h < a ii) modelo esférico   3  h  1  h 3  C + C    −    γ (h) =  0  2  a  2  a      C0 + C iii) modelo exponencial 0≤h≤a h>a γ (h) = C0 + C 1 − e[ −3( h / a )] 34 [ ] 0<h<d Prof. Dr.UFU/FAMAT Geoestatística Básica e Aplicada desse critério na seleção do modelo é preferido. De maneira geral. De maneira geral. A condição para o ajuste de modelos a dados experimentais é que ele represente a tendência de γ(h) em relação à h e que o modelo tenha positividade definida condicional. mas que represente melhor os dados. por ser este mais sensível e mais robusto quando comparado com o coeficiente de determinação (R2). um modelo é positivamente condicional se γ(h)> 0 e γ(-h) = γ(h).

apresentados no programa GS+. sendo que B tem que ser estritamente maior que zero e menor que dois para garantir a condição de positividade Observação: dependendo da escala de trabalho e do espaçamento entre amostras.0. (B) sem patamar.5 A=0. B=0. Modelos de semivariograma: (A) com patamar.UFU/FAMAT Geoestatística Básica e Aplicada Neste modelo e no modelo de gaussiano d é a distância máxima na qual o semivariograma é definido e nestes modelos o patamar (a) é atingido apenas assintoticamente O parâmetro a é determinado visualmente como a distância após a qual o semivariograma se estabiliza. Dr.B=1. pode-se ter mais de um modelo de semivariograma para os dados.5 (B) Figura 15. a amplitude efetiva 35 Prof. 0<B<2 Os parâmetros A e B são constantes que definem o modelo. respectivamente. As Figuras 15A e 15B mostram os aspectos gerais dos modelos de semivariogramas discutidos anteriormente. Ednaldo Carvalho Guimarães . (A) Linear Gaussiano Exponencial Esférico A=8. Nestes casos temos as estruturas entrelaçadas. a amplitude a que deve ser considerada como a amplitude de dependência espacial deve ser igual a três vezes e 3 vezes. B=1. iv) modelo gaussiano γ (h) = C 0 + C 1 − e [ −3( h / a ) v) modelos sem patamar [ 2 ] 0≤h≤d γ( h ) = C0 + Ah B definida condicional. Observação: Nos modelos exponencial e gaussiano.1. ou seja. o valor de A0.9.0 A=0.

Análise da semivariância 36 Prof. Isto ocorre porque os modelos exponencial e gaussiano utilizados no programa não consideram o fator 3 apresentados nos modelos anteriores. o programa apresenta a seguinte janela (Figura 16): Distância máxima para cálculo das semivariâncias Passos para cálculo da semivariância Análise de anisotropia Cálculo das semivariâncias e do semivariograma Exibe o semivar.3. indica que a análise da dependência espacial será Observação: Existem outras opções de análises que são apresentadas em “autocorrelation” ou nos respectivos ícones na barra de ferramentas. 4. Ednaldo Carvalho Guimarães . escalonado Semivariograma isotrópico Semivariogramas anisotrópicos Figura 16.UFU/FAMAT Geoestatística Básica e Aplicada apresentada na coluna posterior a coluna de A0. Dr. Variância amostral Semivar. Ativando o ícone do semivariograma. O uso do software GS+ na determinação do semivariograma No programa GS+ o ícone realizada por meio do semivariograma.

Este valor pode ser alterado pelo usuário. neste caso. o semivariograma onde cada semivariância é dividida pela variância dos dados. se este passo for muito pequeno. Se marcarmos apenas a primeira opção. ou seja. Marcando-se a primeira e a segunda opções. A Figura 17 ilustra o resultado de um semivariograma. temos o semivariograma experimental. Para a análise do semivariograma isotrópico o ângulo de tolerância (offset tolerance) deve ser de 900 e.UFU/FAMAT Geoestatística Básica e Aplicada A distância máxima para cálculo da semivariância deve ser no máximo igual à máxima distância de coleta da amostra. teremos o semivariograma experimental e uma proposta de modelo ajustado. os semivariogramas para as diferentes direções (anisotrópico) serão iguais ao semivariograma isotrópico. Os passos para cálculo das semivariâncias consiste em como as semivariâncias vão ser agrupadas. Vale ressaltar também que. a proposta de modelo e uma linha paralela ao eixo X que representa a variância dos dados. isto se justifica pelo fato de que a grandes distâncias o número de pares para o cálculo da semivariância reduz-se drasticamente. Não abordaremos neste texto a discussão sobre anisotropia e procedimentos de análise de anisotropia. O GS+ adota como critério inicial 80% da distância máxima. Ednaldo Carvalho Guimarães . A janela apresentada na Figura 9 mostra também as opções de exibição do semivariograma. fazendo com que a estimativa da semivariância tenha pouca precisão. 37 Prof. Quanto maior for este valor menos pontos teremos no semivariograma. teremos classes de distância sem pares para cálculo da semivariância. Dr. Na terceira opção é exibido o semivariograma escalonado.

O resultado da execução dessas funções são apresentados nas Figuras 18 e 19. Determinação e soma de quadrados de erros modelos Refaz o semivariograma padrão do GS+ Aplica o novo modelo caso haja modificação Figura 18. Modelos e análises dos modelos 38 Prof. Exemplo de um semivariograma Note que a Figura 17 apresenta ainda a opção model e a opção expand. Dr. Relação entre C e patamar Coef. Efeito pepita patamar amplitude Amplitude efetiva (exp e gaussiano).UFU/FAMAT Geoestatística Básica e Aplicada Mostra o semivariograma com os respectivos parâmetros e ajuste Mostra as opções de modelos com os parâmetros e ajuste Figura 17. Ednaldo Carvalho Guimarães . A Figura 18 exibe as opções de modelos de semivariogramas.

e) R2 (coeficiente de determinação) e RSS (soma de quadrados de resíduos) nos informa sobre a qualidade do ajuste do modelo. Observações: a) O programa não apresenta o modelo de efeito pepita puro.UFU/FAMAT Geoestatística Básica e Aplicada O GS+ permite. c) A inclinação no modelo linear e linear com patamar (coeficiente angular) e dado pela relação entre C e A0. Para obter este modelo utilize o modelo linear com C0 = C0 +C. devido a formula de cálculo desses modelos no programa. então. moderada e forte. por exemplo. ou seja. f) No ajuste do modelo a sensibilidade do usuário é muito mais importante do que os valores de R2 e RSS e. O Excel. portanto. sendo que quanto mais próximo de 1. A0 ≠ A (Estes modelos no GS+ não consideram o fator multiplicativo 3). maior a dependência espacial. realizadas modificações. classificando a dependência como fraca. o comando apply deve ser ativado para que o programa tome este modelo como o modelo de variabilidade espacial ou temporal daquela variável. b) A amplitude efetiva é utilizada no GS+ para determinar a amplitude de dependência espacial dos modelos exponencial e gaussiano. Note que C0 C e o primeiro termo já foi discutido no item grau de dependência = 1− C0 + C C0 + C espacial. 39 Prof. Dr. dos parâmetros dos modelos e. no comando model (Figura 18). visualizar os modelos com os respectivos ajuste feito pelo programa (vale relembrar que o GS+ seleciona o modelo com menor soma de quadrados de resíduos (RSS)). Para retornar ao modelo padrão do GS+ utilize o comando refit. tentativas de ajustes diferentes ao proposto pelo programa devem ser utilizadas. d) A relação entre C e C0+C nos dá uma idéia do grau de dependência espacial da variável. g) O programa não apresenta a opção de ajuste de modelo sem patamar diferente do linear. Ao usuário é permitido a modificação do modelo selecionado pelo GS+ ou. Ednaldo Carvalho Guimarães . Neste caso. mesmo que isso cause queda no valor de R2 e acréscimo no valor de RSS. sugere-se que se copie as semivariâncias calculadas para outro programa e que o gráfico seja feito neste outro programa. C/A0.

Semivariograma experimental e modelo ajustado Parâmetros do modelo ajustado Lista semivariância calculada. do modelo de semivariograma ajustado e dos parâmetros desse modelo. Ednaldo Carvalho Guimarães . 40 Prof. com distâncias e número de pares Mostra as diferenças quadráticas que geram a semivariância Edita o semivariograma Figura 19. Semivariograma e opções de edição Nesta tela temos a exibição das semivariância calculadas.UFU/FAMAT Geoestatística Básica e Aplicada A Figura 19 mostra o resultado da execução do comando expand. A listagem dos valores de semivariâncias com as respectivas distâncias de cálculo (list values). Dr. permite que estes valores sejam transportados para outros programas e que se faça vários modelos em uma única figura.

265581 17. Tabela 1. % de areia de um certo solo). (note que estes dados são unidimensionais).50235 2.4. calcule as semivariâncias.46875 0.5 18 1. monte o semivariograma experimental e proponha um modelo de ajuste. Dados de % de areia em um solo. Faça a análise descritiva da variável. A amostragem foi feita em uma transeção e as amostras foram coletadas a cada 20 m.129546 0.UFU/FAMAT Geoestatística Básica e Aplicada 4.6%) e os valores mínimo e máximo indicam a não existência de problemas amostrais com os dados. Dr.5023 e CV = 8. Ednaldo Carvalho Guimarães . A variabilidade do dados é relativamente baixa (desvio padrão = 1. 41 Prof. mediana e moda aproximadamente iguais.27713 15 21 A análise descritiva mostra que os dados possuem uma distribuição de probabilidade normal aproximada (média. h (m) 0 20 40 60 80 100 120 140 %Areia 16 18 17 20 15 15 15 15 h(m) 160 180 200 220 240 260 280 300 %Areia 17 17 17 18 18 19 18 18 h(m) 320 340 360 380 400 420 440 460 %Areia 18 21 16 20 16 18 18 17 h(m) 480 500 520 540 560 580 600 620 %Areia 18 18 20 17 17 17 17 18 Observação: para ser resolvido sem o uso de programas de geoestatística Solução: a) Análise descritiva Média Erro padrão Mediana Moda Desvio padrão Variância Curtose Assimetria Mínimo Máximo 17. curtose e assimetria próximos de zero. Exemplos de aplicação 1) Suponha que os dados abaixo representem a variável Z (por exemplo. gráfico tendendo à simetria).257056 0.

214 100 2.000 1.065 200 2.825 260 2. Dr.417 60 2.000 2. 42 Prof.808 400 2.327 140 2.UFU/FAMAT Geoestatística Básica e Aplicada b) Semivariância e semivariograma Os valores das distâncias h.037 120 2. das semivariâncias (γ(h)) e números de pares(n(h)) utilizados no cálculo são apresentados abaixo.738 240 2. Distâncias de cálculo.056 Número de pares (n(h)) 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 A representação gráfica (semivariograma) das semivariâncias em função da distância h (semivariograma experimental) e uma proposta de modelo ajustado aos dados experimentais são apresentados na figura abaixo.711 280 1.735 320 1.400 460 1.000 0.719 340 3. valores de semivariância e número de pares. 4. Ednaldo Carvalho Guimarães .545 220 2.129 40 1.375 420 2.857 380 2.500 80 2.000 semivariância 3.120 160 2.000 0 100 200 h (m) 300 400 500 Semivariograma experimental e modelo ajustado.396 180 2.778 300 2. Distância h (m) Semivariância (γ(h)) 20 2.367 360 1.318 440 2.

0 (%)2. amostras coletadas a distância inferiores a 120 m possui dependência espacial e.3 (%)2 e alcance (a) de 120 m. à distância de amostragem mínima deveria ser de 120 m. ou seja. OBS: Exercício resolvido com o auxílio do MS-EXCEL® 2) Utilizando os dados do exemplo anterior (exemplo1) refaça a análise utilizando o GS+ Solução: a) Análise descritiva b) Semivariograma O modelo proposto pelo GS+ foi: 43 Prof. Ednaldo Carvalho Guimarães . Dr. Neste caso o semivariograma mostra uma dependência espacial para a % de areia até 120 m. patamar (C0+C) de 2. no caso da utilização de métodos de análises estatísticas que consideram independência entre amostras.UFU/FAMAT Geoestatística Básica e Aplicada O modelo proposto inicialmente é um modelo exponencial. (Observação: não foi realizado nenhum teste para verificar se este é o melhor modelo de semivariograma para esta variável). com efeito pepita (C0) de 1.

Outros modelos poderiam ser sugeridos neste caso.80 m no primeiro caso e de 120 m no segundo caso. Ednaldo Carvalho Guimarães . desta forma o modelo proposto no exemplo 1 poderia ser utilizado. Dr. As descrições e discussões seguem o padrão do exemplo 1. 44 Prof. mantendo-se o mesmo valor de RSS. Lembre-se que o modelo adotado foi o exponencial e portanto o alcance efetivo será de 40.UFU/FAMAT Geoestatística Básica e Aplicada O modelo proposto no exemplo 1 apresenta o seguinte resultado: Comparando os dois modelos verifica-se ligeiro aumento de r2.

29 12.48 X Y PBPD 11. Os coeficientes de assimetria e curtose com os respectivos erros padrão indicam tendência simétrica dos dados.87 12.79 11.45 12.49 11.12 11.72 11.25 11.58 11.43 12.49 10.39 12.13 11. A distribuição das amostras na área segundo o valor de ocorrência é a seguinte: 45 Prof.81 11.82 12.96 11.29% (CV=5.62 12.17 11.32 11.56 12.16 11.43 12.39 12. verifica-se uma distribuição de freqüências bimodal para esta variável.38 12.19 11. com dispersão média em torno desse valor de 0. em média.32 12.65 12.36 11.49 11. mostrando que os dados têm uma baixa dispersão.95 11. Dr.46 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável.32 11.49 X Y PBPD 11.01 X Y PBPD 12.90 12.29%).77 12.18 11.16 12.11 11.44 12.66 11. mas a curva do tipo platicúrtica. SOLUÇÃO: a) Análise descritiva O resultado das principais estatísticas dessa variável é apresentado a seguir: Nota-se que a área apresenta.92% de silte.77 11.39 12. Com base em uma análise visual do histograma.69 12.55 12.30 12.25 12. diferindo da curva normal (mesocúrtica).24 12. Esta dispersão em torno da média representa uma variabilidade de 5.81 11.67 11.58 12.46 11.11 10.53 11.54 11.49 12. X Y PBPD 0 0 20 0 40 0 60 0 0 10 20 10 40 10 60 10 0 20 20 20 40 20 60 20 0 30 20 30 40 30 60 30 0 40 20 40 40 40 60 40 0 50 20 50 40 50 60 50 0 60 20 60 40 60 60 60 0 70 20 70 40 70 60 70 10 0 30 0 50 0 70 0 10 10 30 10 50 10 70 10 10 20 30 20 50 20 70 20 10 30 30 30 50 30 70 30 10 40 30 40 50 40 70 40 10 50 30 50 50 50 70 50 10 60 30 60 50 60 70 60 10 70 30 70 50 70 70 70 12.59 12. 11.97 12.85 12.74 11.UFU/FAMAT Geoestatística Básica e Aplicada 3) A seguir apresentamos as coordenadas X (m). Ednaldo Carvalho Guimarães .39 11. Y (m) e a variável silte (%) em uma área experimental.84 11.6302%.55 10.

tal fato é um primeiro indicativo de que a distribuição espacial dessa variável. nesta área.UFU/FAMAT Geoestatística Básica e Aplicada Não se observa tendências de concentração de valores em posições específicas da área e também não ocorre sentido preferencial na distribuição dos dados. Ednaldo Carvalho Guimarães . é aleatória e isotrópica. b) Análise do semivariograma A seguir é mostrado o semivariograma dessa variável: 46 Prof. Dr.

30 23.49 22. 47 Prof.63 26. X Y U 20 20 160 40 120 80 80 120 40 20 180 40 140 80 100 120 60 20 20 60 160 80 120 120 80 20 40 60 180 80 140 120 100 20 60 60 20 100 160 120 120 20 80 60 40 100 180 120 140 20 100 60 60 100 20 140 160 20 120 60 80 100 40 140 180 20 140 60 100 100 60 140 20 40 160 60 120 100 80 140 40 40 180 60 140 100 100 140 60 40 20 80 160 100 120 140 80 40 40 80 180 100 140 140 100 40 60 80 20 120 160 140 120 40 80 80 40 120 180 140 140 40 100 80 60 120 28.49 24.77 27.39 26.36 24.80 29.17 28.09 27.27 25.63 25.46 24.61 26.72 27.05 24.397.40 27.64 24.30 27. que a distribuição espacial do silte nesta área experimental é aleatória e as amostras.42 26.61 27.87 23.45 24. ou seja. Ednaldo Carvalho Guimarães .89 24. 4) Os dados apresentados abaixo referem-se a umidade de um solo.52 26.03 26.98 27.91 24.82 26.27 27.85 25.66 30.69 28.61 24.18 22. perfazendo 9 colunas e 7 linhas de amostragem.54 26.UFU/FAMAT Geoestatística Básica e Aplicada O modelo apropriado para descrever o comportamento espacial dessa variável foi o modelo de efeito pepita puro.98 23.73 31. são independentes.20 X Y PBPD 25. C0 + C = 0.13 X Y U 27. Conclui-se.44 X Y U 23.36 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável.37 28.58 26.36 26.45 24.54 25.35 26. As amostras foram coletadas em uma malha contendo 63 pontos com espaçamento de 20 m entre amostra.12 27.17 26.61 26.93 26.50 26.73 29.13 29. Dr. para a malha amostrada (com distância entre pontos de 10 m). portanto.16 26.05 22.35 22.63 27.16 27.83 25. Nota-se que as semivariâncias experimentais estão em torno da linha paralela ao eixo x.81 26.86 26.

50 g/100g) se concentrem na metade inferior da malha.UFU/FAMAT Geoestatística Básica e Aplicada Solução: a) Análise descritiva As estatísticas e o histograma da variável umidade foram: Verifica-se que este solo apresentou. na época de coleta. associado à assimetria e à curtose dos dados. Ednaldo Carvalho Guimarães . com desvio padrão de 2.7%. mostrando uma distribuição espacial não aleatória dos dados. o que representa uma variabilidade de 7. As posições ocupadas pelos valores de umidade do solo na área experimental (figura abaixo). umidade média de 26. os valores abaixo de 27. conseqüentemente. ou seja.020 g/100g. mostram que os dados se distribuem segunda a curva normal. Os histogramas. mostram tendência de que os valores mais altos de umidade (acima de 27. 48 Prof.50 g/100g se concentram na parte superior da malha. considerando o eixo Y como referência e. provavelmente exista uma isotropia na distribuição da umidade do solo nesta área. Dr. 24 g de água/100g de solo. considerada uma baixa variabilidade dos dados em torno do valor médio. Não é possível visualizar tendência de distribuição dos dados nas direções preferencias da malha.

ou seja.UFU/FAMAT Geoestatística Básica e Aplicada b) Análise do semivariograma O semivariograma desta variável é: Nota-se que a variável umidade do solo apresenta dependência espacial. 49 Prof. Ednaldo Carvalho Guimarães .63%. indica que a dependência espacial é forte. amostras de umidade do solo selecionadas a distâncias inferiores a 81 m estão correlacionadas entre si. Dr. que pode ser descrita pelo modelo exponencial com alcance de 81 m. A relação entre o efeito pepita e o patamar de 13.

O interpolador que utiliza o semivariograma em sua modelagem é chamado de krigagem... nos locais t1. que o semivariograma da variável já tenha sido determinado. z(t2). . a soma dos pesos das amostras tem que se igualar a 1. KRIGAGEM 5. Observação: Se existe a dependência espacial. Para a aplicação da krigagem assume-se: que sejam conhecidas as realizações z(t1). z(ti). A melhor estimativa de z*(t0) é obtida quando: a) o estimador é não tendencioso E{z * (t 0 ) − z (t 0 )} = 0 b) a variância da estimativa é mínima Var[ z * (t 0 ) − z (t 0 )] = mínimo Para que z* seja uma estimativa não tendenciosa de z. Krige. ou seja.. O interpolador O semivariograma é a ferramenta da geoestatística que permite verificar e modelar a dependência espacial de uma variável. ∑λ i =1 50 Prof.UFU/FAMAT Geoestatística Básica e Aplicada 5. então : λi = 1/n e.. O nome krigagem é uma homenagem ao engenheiro sul-africano D.. portanto temos a média aritmética simples. G.. O valor estimado z*(t0) é dado por: z * (t 0 ) = ∑ λ i z (t i ) i =1 n em que: n é o número de amostras de Z(t) envolvidas na estimativa de z*(t0). Dr.1. Se ocorre a independência espacial. z(tn) da variável Z(t). Uma aplicação imediata do semivariograma é a utilização das informações geradas por ele na interpolação. os pesos λi são variáveis de acordo com a distância entre o ponto a ser estimado z*(t0) e os valores z(ti) envolvidos nas estimativas. Ednaldo Carvalho Guimarães . e λi são os pesos associados a cada valor medido. na estimativa de dados e posterior mapeamento da variável. tn. . t2. e que o interesse seja estimar um valor z* na posição t0.

.  . . . A variância de estimativa é dada por: 2 σE = µ + ∑ λ i γ (t i . t 2 ) .    1 γ (t n . t n ) γ (t 2 . t1 )  1  γ (t1 . Ednaldo Carvalho Guimarães . t n ) 1 1 1 γ (t1 ... t1 ) γ (t . γ (t1 . t i =1 i i n j ) + µ = γ (t i .. introduz-se o multiplicador de Lagrange para a dedução das equações e o sistema de krigagem resultante é: ∑ λ γ (t .  A= . tem-se: Aλ=b E. b e λ são: γ (t1 . γ (t 2 . t 0 ) O sistema de equações da krigagem contém n+1 equações e n+1 incógnitas e uma única solução produz n pesos λ e um multiplicador de Lagrange µ.    λ n  µ    51 Prof. t 0 ) em que: µ é o multiplicador de Lagrange. .  .  γ (t n . γ (t n . t 2 ) .    .. portanto: λ=A-1b A variância da estimativa (σE2) e dada por: σE2 = btλ As matrizes A. λ=  .  .. t 0 )  γ (t . Em notação matricial. . t )  2 1 . Dr. . t n ) .. t 0 )  1  0    λ1  λ   2 .UFU/FAMAT Geoestatística Básica e Aplicada E para obter a variância mínima sob a condição de ∑λi = 1..    .  ... b=  . chamando de A a matriz das semivariâncias dos valores amostrados envolvidos na estimativa de z*(t0). t 2 ) .  .. λ a matriz coluna que contém os pesos λi e o multiplicador de Lagrange e b a matriz coluna das semivariâncias entre os valores amostrados e o ponto a ser estimado.γ (t n . t )  1   2 0    .

Informações sobre a malha Validação cruzada Método de krigagem Modelo de semivariograma Arquivo e tipo de arquivo para gravar a krigagem vizinhos Figura 20. A krigagem no programa GS+ A Figura 20 mostra a janela da krigagem no GS+. 5. sendo necessário para isto.UFU/FAMAT Geoestatística Básica e Aplicada Observações: i) A matriz A é simétrica e possui diagonal principal igual a zero. ii) Os valores 1 que aparecem nas matrizes A e b são conseqüência do multiplicador de Lagrange. Para ativar a krigagem basta ativar o ícone com a letra k. Ednaldo Carvalho Guimarães . Dr. 52 Prof. ou igual ao valor do efeito pepita. ativar o ícone map. tendo como resultado a Figura 21. Krigagem no GS+ A krigagem pode ser expressa por meio de mapas.2. iii) O sistema deve ser resolvido para cada estimativa z* e para cada variação do número de amostras envolvidos na estimativa.

os resultados apresentam com as coordenadas (x. Dr. 53 Prof. os desvios padrão desses valores e o número de vizinhos utilizados na estimativa.y). Ednaldo Carvalho Guimarães . os valores krigados.UFU/FAMAT Geoestatística Básica e Aplicada Figura 21. Opções de mapas no GS+ Exemplo: Utilizando os dados no exemplo de umidade do solo (exemplo 4) fazer a krigagem e o mapeamento da variável umidade. Solução: Como exemplo de saída dos resultados da krigagem temos uma pequena parte dos resultados da krigagem.

Dr. Ednaldo Carvalho Guimarães . 54 Prof.UFU/FAMAT Geoestatística Básica e Aplicada O mapa da umidade do solo é apresentado a seguir: Neste mapa são apresentadas as regiões de ocorrência das umidades do solo.

podemos definir os semivariograma individuais e os semivariogramas cruzados como: Ai) Os semivariogramas de Z1(t1i) e Z2(t2j): γ 11(h) = γ 22 (h) = 1 E { Z 1( t 1i + h) . j=1.Z 1( t 1i ) }2 B 2 1 E { Z 2 ( t 2j + h) .Z 1( t 1i )][ Z 2 ( t 2j + h) . Semivariograma cruzado Os semivariogramas cruzados objetivam descrever a variação espacial e/ou temporal simultânea de duas variáveis aleatórias. com as amostragens feitas no mesmo espaço (área ou tempo).n1} e {Z2(t2j). mas que o número de amostras de Z1 seja superior ao número de amostras de Z2 (n1 >n2)... entretanto se sabemos que existe uma outra variável de simples determinação e que apresenta boa correlação espacial com a de difícil determinação pode-se fazer a estimativa de uma delas usando-se informações de ambas expressas no semivariograma cruzado.UFU/FAMAT Geoestatística Básica e Aplicada 6. igual ao semivariograma cruzado entre Z2(t2j) e Z1(t1i): γ 12 (h) = γ 21( h ) = D 1 E {[ Z 1( t 2i + h) .. SEMIVARIOGRAMA CRUZADO E COKRIGAGEM 6. por meio do método chamado co-krigagem.1.. Assumindo que pelo menos a hipótese intrínseca está sendo atendida para cada variável individualmente e para a distribuição conjunta das variáveis. Em algumas situações a determinação de variáveis é cara e difícil e isto pode comprometer o estudo da variabilidade espacial daquela variável..n2}. trabalhando com a idéia de covariável. por exemplo. Ednaldo Carvalho Guimarães . Consideremos duas variáveis {Z1(t1i).. Dr. Na natureza é comum encontrar variáveis que estão fortemente associadas entre si.Z 2 ( t 2j )]} 2 55 Prof... Estaremos. neste caso. i=1. a umidade relativa do ar está intimamente relacionada à precipitação pluviométrica.Z 2 ( t 2j ) }2 C 2 ii) O semivariograma cruzado entre Z1(t1i) e Z2(t2i).

Z 1( t 1i )][ Z 2 ( t 2j + h) . teria aparência do semivariograma simples (de uma única variável. quando as duas variáveis forem de correlação inversa. semivariância crescente para pequenas distâncias. conseqüentemente. necessariamente. isto é. deve aproximar-se do valor da covariância entre as duas variáveis. Isto significa que Z1 e Z2 tem que ser. e as informações excedentes não são consideradas no cálculo. quando aumenta uma a outra diminui. a semivariância pode ser estimada por: 1 n(h) ∑ [ Z 1( t 1i + h) .UFU/FAMAT Geoestatística Básica e Aplicada Portanto. O alcance aqui representa apenas o final ou a distância máxima de dependência espacial entre as variáveis.Z 2 ( t 2j )] E γ 12 (h) = 2n(h) i=1 onde n(h) é o número de valores de Z1 e Z2 separados por um vetor h. quando as duas variáveis são idênticas. pelo simples fato de envolver o produto das diferenças de duas variáveis diferentes. com significados diferentes. Assim. 6. definidos para os mesmos locais. 56 Prof. deva ser nulo. Pode-se notar que o semivariograma é um caso particular do semivariograma cruzado. está à falta de correlação entre as duas variáveis. Assim. ao contrário do semivariograma. porém. se existir. O semivariograma cruzado só será calculado usando as informações existentes para posições geográficas coincidentes. Co-krigagem A krigagem é um caso particular do método co-krigagem. Por exemplo. o semivariograma cruzado será negativo. patamar definido. acumulado no mesmo parâmetro. a covariância será negativa e.2. além de espaços menores do que à distância de amostragem. Os modelos utilizados para o semivariograma cruzado são os mesmos já discutidos para o semivariograma simples. Dr. então é possível utilizar a co-krigagem para estimar valores. Uma vez que exista a dependência espacial para cada uma das variáveis Z1 e Z2. modelo esférico). não é obvio que o valor do semivariograma cruzado para h=0. Já o patamar do semivariograma cruzado. Ednaldo Carvalho Guimarães . Um semivariograma cruzado com características que podem ser identificadas como ideais. ou seja. e que também exista dependência espacial entre Z1 e Z2.

em termos de semivariograma fica: 57 Prof. por conseguinte. qualquer que seja a distribuição dos pesos. Assim. com uma diferença que. Dr. o estimador pode ser reescrito em: Z* 2 (to )= n1 ∑ i= 1 λ 1i Z 1( t 1i ) + n2 ∑ i= 1 λ 2j Z 2 ( t 2j ) G Para que o estimador seja ótimo. Ednaldo Carvalho Guimarães . respectivamente. complicando um pouco mais a situação. Porém. O sistema co-krigagem e a variância da estimativa podem ser escritos em termos de semivariograma. Em outras palavras. Z2*. são o mesmo. para que o estimador seja o melhor possível. para qualquer local. respectivamente. e λ1i e λ2j são os pesos associados a cada valor de Z1 e Z2. e que a estimativa deva ser uma combinação linear de ambos Z1 e Z2. ele não pode ter tendência e tem que ter variância mínima. usando a hipótese de estacionaridade de ordem 2. a álgebra envolvida. tem que ser nula.UFU/FAMAT Geoestatística Básica e Aplicada Suponha que se queira estimar valores. n z* 2 (t0 )= ∑ 1 n i= 1 λ 1i z 1( t 1i ) + ∑ 2 i= 1 λ 2j z 2 ( t 2j ) F onde n1 e n2 são os números de vizinhos de Z1 e Z2. o sistema da cokrigagem. Tomando z1(t1i) e z2(t2i) como sendo uma realização das funções aleatórias. envolve duas variáveis. e assumindo estacionaridade de ordem 2. t0. neste caso. e por isto envolve equações mais longas. e que a confiança nas estimativas seja máxima. Z1(t1i) e Z2(t2i). e a soma daquelas associadas à outra variável. com subscritos. é necessário que ele não superestime nem subestime valores. Para que a estimativa não tenha tendência. O raciocínio básico para dedução do sistema de equações da co-krigagem é idêntico ao da krigagem. o raciocínio e. ou seja. a soma daqueles associados com a variável estimada deve ser igual a 1.

[ λ ] [ γ ] = [b] K cuja solução é n1 n2 58 Prof.µ 2 = = γ 22 ( t 2l . O sistema da co-krigagem pode ser escrito em notação matricial como...t 0 )..t 0 ).t 0 ) J i= 1 j =1 2 A solução do sistema da co-krigagem produzirá n1 pesos λ1i e n2 pesos λ2j e os multiplicadores Lagrangeanos... n2 I N1 ∑ i=1 λ1i = 0 N2 ∑ j=1 e a variância da estimativa fica: λ 2j = 1 σ k 2( t 0 ) = µ 1 + µ 2 + ∑ λ 1i γ 12 ( t 1i .t 2j ) . l = 1..UFU/FAMAT Geoestatística Básica e Aplicada n1 ∑ i= 1 λ 1i γ 12 ( t 1i . Ednaldo Carvalho Guimarães .t 2l ) . n1 H n1 ∑ i=1 λ1i γ12 ( t 1i .t 1k ) + n2 ∑ j=1 λ 2j γ 12 ( t 1k . Dr. k = 1. µ1 e µ2.µ1 = = γ 12 ( t 1k .t 2l ) + n2 ∑ j=1 λ 2j γ 22 ( t 2j .t 0 ) + ∑ λ 2j γ 22 ( t 2j .

e de Z1. t 21 ) γ12 ( t 12 . t 11 ) γ11 ( t 13 . t 21 ) γ 22 ( t 21 . t 11 ) γ11 ( t 14 . t 13 ) γ11 ( t 12 . e [b] é o lado direito do sistema de equações (semivariância do ponto a ser estimado (t0) e o ponto observado (t12 ou t21)). t 22 ) 1 0 γ12 (t12 . t 21 ) γ12 ( t 13 . t 14 ) γ11 ( t 14 . t 14 ) γ12 ( t 14 . t 22 ) 0 1 1 0 1 0 1 0 0 1 0 0 0 1 0 0 A matriz [λ] poderá ser escrita como λ 11 λ 12 λ 13 λ 14 [λ ] = λ 21 λ 22 µ1 µ2 59 Prof. t 21 ) γ12 ( t 14 . Ednaldo Carvalho Guimarães . t 12 ) γ11 ( t 11 . t 22 ) γ 22 ( t 22 . t 14 ) γ12 ( t 12 . t11 ) γ11 ( t12 . t 14 ) γ11 ( t 12 . t 13 ) γ12 ( t 11 . λ1i e λ2j. t 21 ) γ12 ( t 13 . A matriz [γ] será então de 8x8 e pode ser escrita como: γ11 ( t 11 . t 22 ) γ12 ( t 14 . t 22 ) 1 0 γ11 ( t 13 . t 12 ) γ11 ( t 12 . t 13 ) γ12 ( t 11 . t 22 ) 1 0 γ11 ( t 11 . t 21 ) γ 22 ( t 21 . t 21 ) γ12 ( t 14 . A variância da estimativa pode ser escrita como: t σ 2 k2 ( t 0 ) = [ λ ] [b] M onde [λ]t é o transposto da matriz [λ]. t 13 ) γ11 ( t 14 . t 22 ) 1 0 γ12 ( t 11 . Suponha então que o número de vizinhos de Z2 usados seja n2=2. t 21 ) γ 22 ( t 22 . n1=4. t 22 ) 0 1 γ12 ( t 11 .UFU/FAMAT Geoestatística Básica e Aplicada -1 [ λ ] = [ γ ] [b] L onde [γ]-1 é o inverso da matriz de coeficientes [γ]. Dr. t 21 ) γ12 (t11 . t 11 ) γ11 ( t 13 . t 21 ) γ12 ( t 12 . [λ] é a matriz dos pesos procurados. t 22 ) 1 0 γ12 ( t 13 . t 12 ) γ11 ( t 13 . t 22 ) γ12 ( t 13 . t 12 ) γ11 ( t 14 .

Dr. Variância da estimativa O simples fato de que. t 0 ) γ 22 ( t 22 . maior a continuidade do fenômeno.3. a variância da estimativa sendo uma função da distância ou distribuição espacial das amostras. Isto porque. nota-se que são apenas indiretamente dependentes dos valores medidos. t 0 ) [b] = γ12 ( t 13 . além de permitir a estimativa de valores sem tendência para os locais onde estes não foram medidos. Esta é uma propriedade interessantíssima. respectivamente. t 0 ) γ12 ( t 12 . será máxima 60 Prof. t 0 ) γ12 ( t 14 . representam a maneira como a variável regionalizada varia de um local para o outro no espaço. Quanto menor for o efeito pepita do semivariograma. uma vez que se conhece o semivariograma de uma propriedade. menor a variância da estimativa ou maior a confiança que se pode ter na estimativa. t 0 ) 6. o semivariograma e semivariogramas cruzados. Mais precisamente. as quais podem ser chamadas de ótimas. qualquer tipo de esquema de amostragem pode ser desenhado para variâncias da estimativa pré-especificadas. Examinando-se as equações relativas aos cálculos das variâncias da estimativa de krigagem e co-krigagem. Obviamente. ainda se pode conhecer a confiança associada a estas estimativas. Ednaldo Carvalho Guimarães . γ12 ( t 11 . através da krigagem ou da co-krigagem. quanto menor for a proporção do efeito pepita para o patamar do semivariograma. menor será a variância da estimativa. e os pesos são conseqüências deste fato.UFU/FAMAT Geoestatística Básica e Aplicada N A matriz [b] do lado direito fica. pode-se conhecer também a variância da estimativa. Porém. diferencia-os de qualquer outro método. pois. t 0 ) γ 22 ( t 21 .

depende-se de três correlações espaciais (de cada variável. uma vez que a variância da estimativa é uma função indireta da distância dos vizinhos ao redor do local da estimativa. individualmente. amostragens definitivas podem ser desenhadas para satisfazer condições pré-especificadas. Para estes pontos. Com esta vantagem em mente. Ednaldo Carvalho Guimarães . simplesmente. com algumas complicações e vantagens. ambos. de acordo com o grau de dependência espacial encontrado e a dificuldade de medição. e entre elas). Entretanto. uma coleção de círculos. A principal complicação é que neste caso. quase sempre a variância da estimativa da co-krigagem é melhor do que a da krigagem. com maiores valores onde o ponto estimado é mais distante. A localização ideal de uma rede de pluviômetros em bacias hidrográficas constitui um exemplo prático desse procedimento. O mesmo pode também ser utilizado através da co-krigagem. Baseado na discussão acima. o mapa de isolinhas ou tridimensional de uma variável usando valores estimados através de um dos métodos geoestatísticos deve ser sempre acompanhado pelo mapa correspondente da variância da estimativa. Nesses casos. a variância da estimativa é extremamente sensível à forma do semivariograma ou semivariograma cruzado. o mapa da variância da estimativa será. baseado em semivariogramas de variáveis medidas em caráter de reconhecimento. Dr. então em amostragens tomadas em distâncias regulares no reticulado quadrado. quando as variáveis são amostradas em espaçamentos diferentes. para que se possa visualizar os locais onde a confiança na estimativa é limitada ou é suficiente. o que não é sempre fácil. haverão pontos onde apenas a variável auxiliar foi medida.UFU/FAMAT Geoestatística Básica e Aplicada nos locais mais distantes de valores medidos. pode-se desenhar esquemas de amostragem que envolvam ambas as variáveis. mostrando a variância da estimativa. Qualquer que seja o método. Assim. em densidades de amostragem bem diferentes. ilustra este ponto suficientemente bem. o mapa da variância tem pouca utilidade e o exame de células compostas de vizinhos fechando o primeiro polígono em volta do valor estimado. Entretanto. 61 Prof. krigagem ou co-krigagem.

Outro ponto importante é que. relativo à quantidade de memória e tempo de processamento disponíveis no computador. Como exemplo pode-se incluir umidade do solo amostrada em pequenos espaços de tempo. Ednaldo Carvalho Guimarães . apresentando semivariogramas que podem ser agrupados em um único. é necessário que o semivariograma seja definido até a maior distância existente no espaço. A vantagem deste método reside no fato que. pode-se usar o procedimento chamado vizinhança única. deve-se levar em conta o ganho de precisão em relação ao aumento de tempo de computação. uma vez invertida a matriz de coeficientes. não devem ter contribuição significativa no valor estimado. Nesse caso então.4 Número de vizinhos das estimativas A vizinhança usada na estimativa torna-se um ponto de extrema importância na krigagem. Neste procedimento todos os valores medidos são considerados vizinhos e serão utilizados na estimativa. para se usar vizinhança única. Vários são os métodos que podem ser utilizados para a determinação do número de vizinhos na estimativa. embora mudem as magnitudes de variação. preservam entre si a maneira como variam no espaço. pois os pesos associados a vizinhos separados por distâncias maiores do que o alcance.UFU/FAMAT Geoestatística Básica e Aplicada 6. a matriz invertida pode ser arquivada no computador e usada quantas vezes for necessário. em termos de número de amostras disponíveis tiver tamanho razoável. cada um com vantagens e desvantagens como será discutido em seguida. desde que não mude o modelo do semivariograma e distribuição dos pontos amostrados no espaço. 62 Prof. Dr. então as estimativas podem ser feitas para qualquer espaçamento com um pequeno consumo de tempo de processamento de computador. a) Vizinhança única Quando o tamanho do conjunto de dados. quando divididos individualmente. Existem algumas variáveis que. Qualquer que seja o critério usado para a escolha do método. Desse modo. pelas respectivas variâncias. A razão para tanto reside no alcance do semivariograma. Deve-se sempre lembrar que a decisão de se usar vizinhança única basea-se em sua praticidade relativa ao tamanho do conjunto de dados e não na precisão obtida na estimativa.

63 Prof. fazendo com que o tamanho do sistema matricial seja variável. vizinhos são procurados. Se o número de vizinhos encontrados for menor do que o limite especificado. Devido as amostragens regulares serem as mais usadas e as facilidades inerentes deste método. Isto é particularmente importante porque se pode limitar o uso do semivariograma quanto à distância sobre qual ele será calculado.UFU/FAMAT Geoestatística Básica e Aplicada as vantagens da vizinhança única aumentam porque modelos de semivariograma escalonados podem ser usados para obter pesos comuns a todas as variáveis. Obviamente. para cada ponto estimado é selecionada uma vizinhança constando de todos os vizinhos localizados dentro de um circulo de raio especificado. Dr. Porém. pôr outro lado. fazem dele o mais comumente usado. isto pode se tornar um problema se exceder o valor usado na dimensão das matrizes. Em termos de programação de computador. Para tanto. a distância é incrementada. com 1/4 do número de vizinhos. em situações em que a amostragem foi efetuada em espaçamentos regulares. o número encontrado for maior do que o limite. o número de vizinhos pode mudar bastante ao longo do campo. e o processo é reiniciado. apenas o número especificado mais próximo será usado. Conseqüentemente. as vantagens deste método são as desvantagens do anterior (distância constante) e vice-versa. Se. Ednaldo Carvalho Guimarães . c) Número constante de vizinhos Um outro método bastante usado é o que mantém constante o número de vizinhos em qualquer posição no campo. Por outro lado. primeiramente dentro de um raio inicial. a distância sobre a qual se procura vizinhos varia sobre o campo. b) Distância constante Neste método. nos cantos de um campo retangular ocorre 1/4 de círculo. A grande vantagem deste método está no fato que se conhece exatamente a distância na qual os vizinhos para estimativa são procurados. a distância de procura por vizinhos não muda muito e as desvantagens deste método são minimizadas. Conseqüentemente.

e também o problema de que nunca se sabe qual a distância na qual os vizinhos se localizam. de todas as direções. pode-se despercebidamente. da cokrigagem e no mapeamento da variável. Ednaldo Carvalho Guimarães . O uso do programa GS+ na determinação do semivariograma cruzado. ou seja. Deve-se ressaltar que se faz as análises individuais das variáveis e depois a análise conjunta. Temos duas variáveis aleatórias Z1 e Z2. suponha que a variável Z1 teve uma subamostragem em relação a Z2 e que elas apresentam semivariogramas definidos isoladamente e que também apresentem distribuição espacial conjunta.UFU/FAMAT Geoestatística Básica e Aplicada d) Quadrantes Uma alternativa interessante e bastante fundamentada em termos geoestatísticos é usar um número especificado de vizinhos em cada quadrante ao redor do valor a ser estimado. Os procedimentos gerais da análise de semivariogramas cruzados e de co-krigagem segue os mesmos procedimentos das análises simples. O arquivo de dados terá aspecto apresentado na Figura 19. Dr. o que fará com que a estimativa receba contribuição semelhante em número. Muitas vezes quando não se impõe esta restrição. 64 Prof. Por estas razões este método apresenta mais problemas do que vantagens. correlação espacial.5. isto ainda apresentaria problemas nos cantos e extremidades da área. Porém. então podemos proceder a análise do semivariograma cruzado e da co-krigagem. 6. O fundamento reside na distribuição do número de vizinhos ao redor do valor estimado. utilizar tendenciosamente sempre um número maior de vizinhos de um lado do que de outro.

Ednaldo Carvalho Guimarães . Ferramentas de análises descritivas das variáveis Z1. As Figuras 20. 65 Prof. semivariogramas simples. Aspecto geral do arquivo de dados para a co-krigagem. Ícones ativos nas análises descritivas. 21 e 22 mostram os procedimentos básicos para se trabalhar com semivariogramas cruzados e co-krigagem. Z2 Semivariograma da variável 1 Semivariogram a da variável 2 Krigagem e cokrigagem Semivariograma Cruzado Mapas Figura 20. semivariogramas cruzados. krigagem/co-krigagem e mapas.UFU/FAMAT Geoestatística Básica e Aplicada Figura 19. Dr.

Dr.UFU/FAMAT Geoestatística Básica e Aplicada Figura 21. Janela para realização da co-krigagem 66 Prof. Ednaldo Carvalho Guimarães . Janela para a análise do semivariograma cruzado Figura 22.

59 29.66 13.00 20.UFU/FAMAT Geoestatística Básica e Aplicada 6.00 61.00 30.00 60.00 70.00 70.80 22.00 70.00 0.49 63.00 0.00 50.00 60.00 50.00 70.00 50.64 22.00 0.11 47.82 22.00 20.00 20.00 60.98 45.88 25.00 0.00 40.00 30.26 49.00 60.06 45.42 24.00 y 0.90 40.86 56.55 53.20 45.00 60.00 40.67 46.00 macro usat 16.00 50.14 28.01 22.00 20.60 54.00 60.51 57.00 20.39 43.43 x 40.00 60.00 10.44 17.00 0.00 0.00 50.00 50.14 28.91 10.55 43.98 25.94 55.26 49.00 10.00 20.44 54.00 50.00 10.18 59.89 50.00 60.00 30.14 44.56 52.00 20.52 37.00 y 0.03 52.40 21.00 30.00 30.00 40.53 20.00 macro Usat 24.00 30.00 50.00 20.00 0.15 25.00 50.19 48.94 51.00 40.00 0.89 54.30 47.00 0.00 70.91 26.38 28.00 70.11 33.00 10.00 50.00 30.00 20.23 40.00 40.37 52.00 60.88 20.00 0.00 50.65 56.00 10.62 47.95 45.00 70.84 50.00 10.00 10.00 50. Exemplo de aplicação no GS+ Suponha que os seguintes dados represente as observações de macroporosidade e de umidade de saturação em uma determinada área.32 16.72 48.16 52.00 20.45 14.89 37.00 20.34 13.06 52.00 10.00 60.90 65.21 46.00 40.39 46.00 60.15 50.00 30.00 30.81 49.29 26.00 50.79 18.00 0.89 15.00 70.00 40.00 70.00 50.00 20.07 40.04 57.72 43.00 30.00 10.00 70. Ednaldo Carvalho Guimarães .70 45.00 40.85 59.00 60.55 23.62 49.65 45.00 10.00 30.00 40.00 20.59 53.37 30.00 0.23 57.00 10.00 10.45 24.00 20.00 70.00 30.00 10.00 40.6.00 70.47 25.00 70.35 53.08 23.69 29.85 67 Prof.50 56.01 14.27 59.04 55.00 70.00 30.00 30.29 46.00 70.00 60.67 24.27 58.00 70.31 53.00 50.00 60.00 40.61 35. x 0.00 40.16 25.00 0.00 30.79 18.20 27.00 20.89 18.29 58.00 40.00 40.00 60.00 60.00 10.91 51.00 30. Dr.00 10.30 25.55 44.07 21.18 52.65 11.00 50.03 14.00 20.00 40.00 10.00 40.

Verifica-se que a umidade de saturação apresenta maior uniformidade (menor CV) do que a macroporosidade.31 Atributos MACRO (%) 45 22. usando como covariável a USat.02 -0. Estatísticas Usat (%) n Média Desvio Padrão Coef. de Assimetria Coef.02 -0. Ednaldo Carvalho Guimarães .UFU/FAMAT Geoestatística Básica e Aplicada Faça a análise da macroporosidade usando como covariável a umidade de saturação.57 -0. estimativas da macroporosidade podem ser feitas com base na umidade de saturação. obteve-se um coeficiente de correlação linear (r) de 0.98 26.9132.54 6. Solução: A análise descritiva geral para as variáveis analisadas é apresentada na Tabela abaixo. de Variação Coef. portanto. portanto. Analisando a relação linear entre a macroporosidade e a unidade de saturação.68 -0. Análise descritiva dos atributos umidade de saturação do solo (USat) e macroporos (MACRO). indicando que existe uma forte associação positiva entre macroporosidade e umidade de saturação e.50 5. Os coeficientes de assimetria e de curtose mostram tendência simétrica e mesocúrtica das variáveis. Dr. de Curtose 64 50.41 12.33 As Figuras mostram os semivariogramas individuais para as variáveis umidade de saturação (USat) e macroporos e o semivariograma cruzado da MACRO. pode-se considerar tais variáveis com distribuição de probabilidade aproximadamente normal. 68 Prof.

a correlação espacial deve ser considerada para a realização das estimativas. como uma co-variável para a estimativa da macroporosidade. Verifica-se que a utilização da umidade de saturação.70 (%)² e patamar de 38. efeito pepita de 19. Dr. A alteração do alcance pode estar relacionado aos modelos individuais diferenciados.08 (%)². E para o semivariograma cruzados as estimativas dos parâmetros do modelo exponencial foram: alcance de 23. provocou alteração no alcance da dependência espacial. Semivariograma cruzado da macro em função da umidade de saturação.20 m.UFU/FAMAT Geoestatística Básica e Aplicada Semivariograma para a umidade de Semivariograma para a macroporosidade do solo saturação do solo (USat).40 m.7 (%)². Ednaldo Carvalho Guimarães . 69 Prof.0 m. mas ainda assim verifica-se que.59 (%)². Para a umidade de saturação ajustou-se o modelo exponencial com alcance da dependência espacial de 34. efeito pepita de 9.49 (%)² e patamar de 38.97 (%)² e patamar de 34. efeito pepita de 6. com alcance de 45. Para a macroporosidade (MACRO) o modelo adotado foi o esférico.

7. com base no semivariograma individual e cruzado. Para este tipo de ajuste podemos utilizar algumas técnicas chamadas de validação cruzada ou de auto validação para selecionar o semivariograma adequadamente. Mapa da macroporosidade do solo usando Mapa da macroporosidade do solo. Dr. Z*(ti). então poder-se-á fazer um gráfico dos valores pareados de Z(ti).UFU/FAMAT Geoestatística Básica e Aplicada As Figuras a seguir mostram os mapas da macroporosidade do solo. Z*(ti) e calcular a regressão linear entre eles. é um procedimento que fica a critério do pesquisador. usando semivariograma individual semivariograma cruzado Verifica-se coincidência relativamente alta entre as áreas de ocorrência da macroporosidade. mas geralmente é feito "a sentimento". Ednaldo Carvalho Guimarães . construídos a partir da krigagem e da co-krigagem. estima-se um valor através da krigagem (ou da co-krigagem). Recomenda-se que se ajuste vários modelos e que seja selecionado o que melhor se adeque aos seguintes critérios: a) O gráfico 1:1 . Devido ao processo de estimativa por co-krigagem algumas regiões são subestimatadas e outras regiões são superestimadas. A regressão será então: 70 Prof.Medido vs Estimado Se para cada um dos n locais onde se tem um valor medido Z(xi). VALIDAÇÃO DE MODELOS DE SEMIVARIOGRAMAS O ajuste do semivariograma. como já comentamos. ou seja.

Dr.Z( xi )} = 0 P e VAR( EA ) = E {( Z* ( xi ). Assim. pode-se então dizer que: EA = E {EA( xi )} = E { Z* ( xi ). então a seria nulo.Z( xi ) ) } = mÍnima Q Se estas condições não forem satisfeitas. então alguma das condições previamente assumidas estará sendo violada. então pode-se definir o erro absoluto como: EA( xi ) = Z* ( xi ). Desse modo. O procedimento seguinte pode contribuir nesse sentido. b) O erro absoluto Uma vez que se tem o conjunto de n valores medidos e estimados.UFU/FAMAT Geoestatística Básica e Aplicada Z* ( t i ) = a + b Z( t i ) onde a é a intercessão. Na medida em que os valores de a aumentam de 0 (zero) para valores positivos.Z( xi ) O Aplicando-se as condições de não tendência e de variância mínima. nos erros absolutos. isto indica que estimador Z*(xi) está superestimando valores pequenos de Z(xi) e subestimando valores grandes. não é comum. À medida que a decresce de 0 (zero) para valores negativos. Este último caso. o contrário acontece. Ednaldo Carvalho Guimarães . Porém. a qualidade da estimativa pode ser medida pelo julgamento destes parâmetros. porém. b e r2 seriam iguais à unidade (um). a equação é bastante difícil de ser verificada porque o conceito de ser mínimo torna-se subjetivo quando não se tem uma referência. 2 71 Prof. b é o coeficiente angular da reta e r2 é o coeficiente de correlação entre Z*(xi) e Z(xi). se a estimativa (Z*(xi)) fosse idêntica ao valor medido (Z(xi)). Z(xi) e Z*(xi). e o gráfico de Z(xi) vs Z*(xi) seria uma série de pontos na linha 1:1.

UFU/FAMAT

Geoestatística Básica e Aplicada

c) Erro reduzido

Lembrando que no cálculo dos valores estimados, Z*(xi), sempre se tem a variância da estimativa, σ2k(ti), então pode-se definir o erro reduzido como: ER( t i ) = ( Z* (t i ) - Z( t i ))/ σk ( t i ) R

A divisão pela raiz quadrada da variância da estimativa faz com que os ER(ti) sejam sem dimensão e que, por isso, as condições de não tendência e de variância mínima, requeiram que: ER = E {ER( xi )} = E {( Z* ( xi )- Z( xi )) / σ k ( xi )} = 0 S e VAR( ER ) = E {( Z* ( xi )- Z( xi )) / σ k ( x0 ) } = 1 T
2

Estas propriedades fazem deste tipo de erro uma valiosa ferramenta e de fácil uso, nas aplicações de geoestatística. O fato de terem valores ideais fixos em 0 (zero) e 1 (um), e de serem sem dimensão, facilita seu julgamento e estudo, e também permite sua comparação com outras situações expressas em unidades diferentes. A Figura 23 mostra uma saída da opção de validação cruzada apresentada pelo programa GS+. A validação cruzada é ativada na janela da Krigagem, conforme mostram a Figuras 20 e 22.

72

Prof. Dr. Ednaldo Carvalho Guimarães

UFU/FAMAT

Geoestatística Básica e Aplicada

Figura 23. Validação cruzada.

Note, neste caso, que a reta ajustada está praticamente igual a reta a 45º (Gráfico 1:1), o coeficiente de regressão (coeficiente angular) de 0,944 com erro padrão de 0,105 indica que este é estatisticamente igual a 1 e o y intercept (coeficiente linear) de 0,024 mostra que este pode ser considerado estatisticamente igual a zero, condições estas ótimas para as estimativas. O coeficiente de determinação (r2) de 0,39 é considerado relativamente baixo, mas devido ao grande número de observações e sabendo-se que este coeficiente é altamente influenciado pelo número de pares, podemos considera-lo como satisfatório. Também pode-se verificar, pelo gráfico, que os valores extremos é que estão mais afastados da reta e podemos associar isto ao fato do semivariograma geralmente apresentar melhores estimativas para distâncias curtas. A análise da validação cruzada deve ser feita com base em todos os parâmetros e não com base em parâmetros isolados.

73

Prof. Dr. Ednaldo Carvalho Guimarães

UFU/FAMAT

Geoestatística Básica e Aplicada

8. BIBLIOGRAFIA RECOMENDADA

BARTLETT, M.S. Nearest neighbour models in the analysis for field experiments (with discussion). Journal of the Royal Statistical Society. B, London, v.40, n.2, p.147-174, 1978. BRAGA, L. P. V. Geoestatística e aplicações. Minicurso do 9o Simpósio Brasileiro de Probabilidades e Estatística. IME. USP. São Paulo, 1990. 36 p. BURROUGH, P. A.; McDONNELL, R. A. Principles of geographical information systems. Oxford University Press, 331 p., 1998. BUSSAB, W. O.; MORETTIN, P. A . Estatística básica. 4a ed.. São Paulo : Atual, 1987. 321 p. CADIMA, Z. A.; LIBARDI, P. L.; REICHARDT, K. Variabilidade espacial da condutividade hidráulica em latossolo Vermelho Amarelo textura média, no campo. Revista Brasileira de Ciência do Solo, Campinas, v. 4, n. 2, p. 63-66, 1980. CAMERON, D. R. Variability of soil water retention curves and prepicted hydraulic conductives on a small plot. Soil Science. Baltimore, v.126, n.6, p. 364-71, 1978. COSTA NETO, P. L. Estatística. São Paulo: Edgard Blucher, 264 p., 1979. CRESSIE, N.; HARTFIELD, M.N. Conditionally specified gaussian model for spatial statistical analysis of field traits. Journal of Agricultural, Biological, and Environmental Statistics, Washington, v.1, n.1, p.60-77, Mar. 1996. DAVID, M. Geostatistical ore reserve estimation. Elsevier. New York, v. 8, 364 p., 1977. DUARTE, J.B. Sobre o emprego e a análise estatística do delineamento em blocos aumentados no melhoramento genético vegetal. 2000 293p. (Tese - Doutorado em Genética e Melhoramento de Plantas) – ESALQ-USP, Piracicaba. FREITAS, V. A. de. Análise de dados espaciais por meio de semivariogramas. Uberlândia. Monografia (Graduação em Matemática) – Universidade Federal de Uberlândia, 2000. 30p. GOMES, B. M. Comportamento espacial do percentil 75 da precipitação decendial do estado de São Paulo. Botucatu. Tese (Doutorado em Agronomia) – Universidade Estadual Paulista “Júlio de Mesquita Filho”, Faculdade de Ciências Agronômicas Campus de Botucatu, 2001. 101p. GOTWAY, C. A.; FERGUSON, R. B.; HERGERT, G. W.; PETERSON, T. A. Comparasion of kriging and inverse-distance methods for mapping soil parameters. Soil Science Society America Journal. v. 60, p. 1237 – 1247, 1996.

74

Prof. Dr. Ednaldo Carvalho Guimarães

p.. Variabilidade espacial de atributos de um Latossolo Vermelho Escuro textura argilosa da região do cerrado. 1986. G.Área de concentração: Água e Solo) .23. PANNATIER. 152 p. Probabilidades e Estatística. MATHERON. A.1. 1937. R. 1996. R. Fas. C. Revista Ciência e Prática. p.617-639. LIBARDI. n. MARTINEZ. 37.Faculdade de Engenharia Agrícola. AQUINO. 1. Control de la correlation especial en experiments de campo em el sector agricola. M.. n. Variabilidade espacial de solos e experimentação de campo. E. G. Principles of geostatistics. Journal of Soil Science. B. MATHERON. C. 1986. H. Lavras. 10.UFU/FAMAT Geoestatística Básica e Aplicada GUIMARÃES. A.. VIEIRA. GS+: geostatistics for the environmental sciences. Method statistique pour des expériences sur champ.11. 1999.. F. M. 75 Prof. p. Campinas. 90 p. Tese (Doutorado). R. Dissertação (Mestrado em Engenharia Agrícola . REICHARDT. McBRATNEY. Piracicaba: Nobel. Variabilidade espacial da umidade e da densidade do solo em um Latossolo Roxo. GUIMARÃES. L. Plantes à Salonique. Campinas. Solo. El Paso. G. P. V.83-89. p. S. Amélior. Inst. 5. v. Variowin – Software for spatial data analysis in 2D. de. ISAAKS. Y. Bull. Ednaldo Carvalho Guimarães . SP.1. 1992. 85 p. 1971. R. 19. Ci. L. v. 2000. 1995. 1993.. K. E. 1-6. Choosing functions for semivariograms of soil proprierties and fitting them to sampling estimates. The theory of regionalized variables and its applications. PIMENTEL GOMES. FEAGRI/UNICAMP. 12-17. Rio de Janeiro: Reichmann & Affonso Editores. n. Universidade Estadual de Campinas. P. H. E. Campinas. G. WEBSTER. Variabilidade espacial do pH em água e da argila dispersa em água. Applied Geostatistics. Les Cahiers du Centre de Moffologie mathemathique. 1963. v.1998. C. bras.. 11246-66. Plainwell: Gamma Design Software. S. R. SRIVASTAVA. New York : Oxford LOPES. 1989. 58. OLIVEIRA. Economic Geology. 135 p. New York: Springer-Verlag. Dr. Agronomia Colombiana. E. submetido ao plantio direto e ao plantio convencional. p. 1994. Curso de estatística experimental. P. ROBERTSON.B. PAPADAKIS. v. J. University Press. Fontainebleau.. C. GUIMARÃES. n.

D. n.. TOPP. S. 93-98. UFLA.. R. W. Biometrics.233-239. B. Bragantia. R. R. L. S. R... Ednaldo Carvalho Guimarães . Rio de Janeiro: LTC. 1 e 2. Hilgardia. S. W. R. HARVILLE. 45-93. E. ZEBCHUK. Berkeley. D. TRIOLA. R. Analisando simultaneamente variabilidade espacial e temporal usando variogramas tridimensionais. 75 p. GUIMARÃES. bras.1. MYERS. Solo. VIEIRA. 1991. Campinas. C. B. C. F. R.. Variabilidade espacial de argila. Geostatistical methods applied to soil science.. NIELSEN. In: XIII Congresso Latino-Amaericano de Ciência do Solo .. das C. R. 56. LOMBARDI NETO. 1999. v. 73 p. 1997. J. Ci. Analise estatística espacial aplicada a um ensaio florestal. VIEIRA. S... W. R. WARRICK. J. BIGGAR. 1997. M.1. R. P. VIEIRA. 1986. M. 7a edição.. D. SP: SBCS/ESALQUSP. n.I. S. TRAGMAR. F. YOST. ZIMMERMAN. S. 38. R. v.21. Introdução à estatística. T. Dissertação de mestrado. 1991 76 Prof. 3. I. TILLOTSON. p. 53-82. v. 31. NIELSEN. v. A random field approach to the analysis of fieldplot experiments and other special experiments. BIGGAR. F. Revista Brasileira de Ciência do Solo.Resumos expandidos em CD-ROOM. G. n. P. Campinas. DE MARIA.. Application of geostatistics to spatial studies of soil properties. mar.. In: Methods of soil analysis: part 1 – Physical and mineralogical methods. T01-053. Viçosa.47. ROCHETE. DECHEN.UFU/FAMAT Geoestatística Básica e Aplicada TEIXEIRA. NIELSEN. Raleigh. Curso de atualização em conservação do solo . C. 1995. p. p.A. silte e atributos químicos em parcela experimental de um Latossolo Roxo de Campinas (SP).. 2001. Geostatistical theory and application to variability of some agronomical properties. Águas de Lindoia.. v. Mapeamento da chuva diária máxima provável para o estado de São Paulo. n.1. Scaling of semivariograms and the kriging estimation of field-measured prorperties. 1983.Uso de geoestatística. Campinas. S. S... HATFIELD. VIEIRA. F. v. VIEIRA. G. E.. D. C. BURROWS. D. I. J. A. 4. VIEIRA. n. UEHARA. D. v. p. Soil Science Society of America.. IAC. 1985.. 1996. Advances in Agronomy.15. Dr. W.

Dr.br/igce/aplicada/landim.unesp. livros e outros assuntos de geoestatística: http://www.famat.html http://musis.htm http://www.com.unil.br/ednaldo/ednaldo.org/ 77 Prof. programas.uol.sites. Ednaldo Carvalho Guimarães .ai-geostats.ufu.ch/ http://www.UFU/FAMAT Geoestatística Básica e Aplicada OBSERVAÇÃO: Página na internet para busca de artigos.rc.br/geo1.htm http://sc-terre-218.

Sign up to vote on this title
UsefulNot useful