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

3 Prof. Esta tendência. valor mínimo. Basicamente. por exemplo. principalmente na análise não espacial de dados. como. 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. valor máximo. este tipo de análise se baseia em construção e interpretação gráfica e cálculos e interpretação de estatísticas. colaboram na descrição da variável. sendo que estes procedimentos podem ser encontrados em cursos de estatística básica e em livros de estatística básica como Costa Neto (1979). coeficiente de assimetria e coeficiente de curtose. o GS+. Statistica e em programas específicos para análise geoestatística. As estatísticas O cálculo de estatísticas como a média. 2. Triola (1999). com relação à tendência de concentração de dados (tendência simétrica ou assimétrica). Dr. 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. pode direcionar procedimentos diferenciados de análise. A finalidade da distribuição de freqüências e do histograma é a de permitir uma visualização do comportamento da variável em estudo. o desvio padrão.2. a variância. 2.1. A distribuição de freqüências e o histograma podem ser obtidos em programas computacionais comercias com o Excel. o coeficiente de variação. entre outros. Lopes (1999). No presente texto faremos uma revisão dos principais instrumentos de análise exploratória de dados. Passaremos a rever rapidamente estas estatísticas. Nesta análise preliminar dos dados tem-se o objetivo de conhecer a variável em estudo e resumila.UFU/FAMAT Geoestatística Básica e Aplicada 2. Ednaldo Carvalho Guimarães . Bussab e Morettin (1987).

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

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

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

mas algum tipo de referenciação deve existir. ou seja. podese concluir se os dados tem distribuição normal ou não.80. etc.80. Entretanto outros recursos podem ser aplicados como. por exemplo: gráfico box-plot. como o GS+. outras estatísticas (quartil.3±0. Tais resultados também contribuem para a descrição e conhecimento da variável em estudo. 2. Por exemplo: Se o valor obtido na amostra para Cs = 0. 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. testes de normalidade (Shapiro – Wilk. Os procedimentos para este tipo de análise são encontrados em programas de estatísticas. etc. Ednaldo Carvalho Guimarães .5±0. pois 0. etc. 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). que as amostras sejam referenciadas. incluem os valores zero e três. 2.65 e 2.65 e se o valor de Ck = 2.4. podemos dizer que a distribuição tende a normal (simétrica e mesocúrtica).30 com erro padrão de 0. 7 Prof. respectivamente. gráficos da distribuição normal.   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). Dr. alguns programas.3. 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).. moda. Outras análises descritivas As análises descritas acima são as mais comuns e as que freqüentemente são usadas como análise exploratória dos dados.UFU/FAMAT Geoestatística Básica e Aplicada Para uma melhor interpretação do coeficiente de assimetria e do coeficiente de curtose. mediana.).5 com erro padrão de 0. Kolmogorov – Smirnov.). Amostragem Um requisito básico na amostragem para fins de análise de dependência espacial utilizando métodos geoestatísticos é que as observações.

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

tenham coordenadas. Ednaldo Carvalho Guimarães . portanto.UFU/FAMAT Geoestatística Básica e Aplicada Figura 1. teremos as coordenadas X e Y para cada observação. Dr. Trabalharemos com a análise bidimensional e. Vale ressaltar que. A Figura 2 mostra o aspecto básico do arquivo de dados. necessitando. pois. 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". Programa GS+ Versão 5. ou seja.0. O arquivo pode ser criado no próprio programa GS+ ou em outro programa como o Excel. 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.3 Como ponto de partida vamos descrever a estrutura de arquivos de dados com vistas a posterior análise geoestatística.

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

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

3190 (cm3/100cm3) e. Estatísticas da variável “usatpd”.0069 (cm3/100cm3). que são respectivamente: 0. Ednaldo Carvalho Guimarães . O menor valor observado (36. deste modo nota-se que as observações se dispersam relativamente pouco em torno da média. Um detalhamento da distribuição da variável pode ser obtida clicando o ícone do histograma na barra de ferramentas. provavelmente. 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±0.810 cm3/100cm3) reforçam a idéia de baixa variabilidade das observações e também mostram que. não temos valores discrepantes que poderiam ser atribuídos a erros de determinação.30 e 0.27 cm3/100cm3) e o maior valor observado (54. Como uma análise geral desses dados verifica-se que a umidade de saturação do solo no plantio direto (usatpd) apresentou média de 44.50. Note ainda que existe a possibilidade de se fazer análises com dados transformados.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. com uma dispersão média em torno desse valor de 4. 12 Prof. ou seja. digitação ou de amostragem. assimetria e curtose próximos de zero indicando distribuição normal aproximada dos dados. Dr. 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.46±0. conforme mostra a Figura 5.81%. portanto. uma variabilidade de 9.

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

independência de erros e homocedasticidade de variância (homogeneidade de variância). A normalidade da variável e a homogeneidade de variâncias podem ser testadas facilmente em programas de estatísticas por meio de testes específicos como. em seus trabalhos com dados de mineração da África do Sul. como a agricultura. as seguintes suposições: normalidade da variável. Dr. Os fundamentos teóricos da geoestatística podem ser encontrados nos trabalhos desenvolvidos por Matheron (1963) e Matheron (1971). Krige (1951) citado por Vieira (1995). Se for observado não normalidade de dados e/ou não homogeneidade de variâncias. Um breve histórico A preocupação com a dependência espacial ou temporal de observações realizadas para um determinado atributo é bastante antiga. A partir desta constatação surgiu os conceitos básicos de geoestatística. em muitos casos. Em algumas áreas da ciência. PRINCÍPIOS DA ANÁLISE GEOESTATÍSTICA 3. no seu desenvolvimento e aplicação. conforme mostra Vieira (1995). é a repetição e a aleatorização das observações. concluiu que a variância dos dados possuía uma estruturação que dependia da distância de amostragem. sendo comprovado este fato por trabalhos científicos datados do início do século XX. proposta pela metodologia não espacial. ganhou impulso em áreas distintas da mineração e da geologia a partir de 1980.1. com grande aplicabilidade na ciência 14 Prof. a partir da metade do século XX adotou-se a metodologia de análise de dados proposta por Fisher. 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. isto porque algumas variáveis apresentam forte dependência espacial (autocorrelação entre as observações) que não é desfeita com este procedimento. Esta solução. por exemplo. Esta metodologia considera. Ednaldo Carvalho Guimarães . Shapiro-Wilk (W teste) para normalidade e F máximo de Hartley para homogeneidade de variâncias. não garante a independência entre as observações. Já a independência não pode ser testada por métodos simples e a solução deste problema.UFU/FAMAT Geoestatística Básica e Aplicada 3. utilizando a geoestatística. A análise espacial de dados.

com oscilações aleatórias contínuas em torno de um valor médio. Zimmerman e Harville (1991). No Brasil destaca-se trabalhos pioneiros nesta área desenvolvidos pelos pesquisadores Sidney Rosa Vieira. 15 Prof. 3. ou bidimensional. entre outros autores. Note que as características de um processo estacionário independe da origem adotada. Como exemplo de processo estacionário pode-se citar as oscilações da tensão em uma rede elétrica. t2. 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. .. por exemplo: t1.y1). Uma justificativa para tal fato é a facilidade computacional que viabilizou alguns cálculos relativamente trabalhosos nesta metodologia. Estacionaridade Antes de iniciarmos a discussão sobre a estacionaridade da variável vamos adotar uma simbologia para a variável em estudo. Dr. Bartlett (1978).(x1..UFU/FAMAT Geoestatística Básica e Aplicada do solo. Duarte (2000). a krigagem. por exemplo: x1. por exemplo. 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. Ainda na década de 80.2... Paulo Libardi e Klaus Reichardt. . Ao falarmos da variável Z(t) estaremos falando de ocorrências da variável Z com uma referenciação t. (x1. (xn. .y2).tk) ou no espaço (unidimensional. envolvendo áreas de ciências humanas. Outras metodologias e alternativas de análise de dependência espacial são descritas em Papadakis (1937). 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. em que nem a amplitude média e nem as oscilações mudam bruscamente no tempo ou no espaço.. Ednaldo Carvalho Guimarães . Cressie e Hartfield (1996).. xn. que pode ser uma posição no tempo (unidimensional.. Este pesquisador é homenageado com o nome do método de interpolação utilizado na geoestatística. x2.. biológicas e exatas..

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

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

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

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

B) Processo estacionário de primeira ordem e C) Processo não estacionário 3. 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. Dr.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 7.3. Ednaldo Carvalho Guimarães . Exemplos de estacionaridade: A) Processo estacionário de segunda ordem.

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

Vamos inicialmente fazer uma analogia com as variáveis bidimensionais.UFU/FAMAT Geoestatística Básica e Aplicada cov[ Z ( t ). que a autocovariância apresenta algumas dificuldades de interpretação. Vamos então definir a função autocovariância como uma alternativa de interpretação da dependência espacial de uma variável Z. Exemplo de uma função covariância Comentamos... Z ( t + h )] = E [( Z ( t ) − µ z( t ) ). Ednaldo Carvalho Guimarães . temos: 22 Prof.( Z ( t + h ) − µ Z ( t + h ) )] Se a variável Z é estacionária. A Figura 9 ilustra uma função covariância. Esta função tem a vantagem de ser adimensional e estar limitada ao valor -1 e 1.2. com h=1. espera-se que o valor da covariância comece alto e depois tenda a zero. sendo que quanto maior for o valor da covariância maior será a relação espacial e para covariância zero teremos independência.. 3 covariâncias 2 1 0 -1 0 100 200 300 400 500 600 distâncias (m) Figura 8. anteriormente. Dr. ao analisarmos a variável Z nas posições t e t+h.k. Uma propriedade da covariância diz que "se duas variáveis aleatórias são independentes então a covariância entre elas é igual a zero". pois neste caso a média de Z(t) será igual à média de Z(t+h). esta função poderá ser estimada por: n( h ) cov( Z ( t ). Z ( t + h )) = i =1 ∑ [ Z ( ti ) − Z ] [ Z ( t i + h ) − Z ] n( h ) − 1 . Portanto. Considerando as variáveis X e Y. permitindo comparações entre variáveis e também inferências sobre o grau de associação (dependência).

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

Ednaldo Carvalho Guimarães . 24 Prof.4 0. 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. 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. até uma distância ou tempo que não exista relação entre as observações.UFU/FAMAT Geoestatística Básica e Aplicada A Figura 9 mostra um exemplo de comportamento da função autocorrelação. Uma outra possibilidade é o autocorrelograma com autocorrelações flutuando em torno de zero (indica independência entre as observações) e o autocorrelograma cíclico. 1 0. que indica flutuações periódicas na variável estudada.4 0 100 200 300 400 500 600 distância (m) Figura 9. sendo que acima dessa distância os dados são considerados independentes entre si.6 0. ou seja. Podemos ter ainda o autocorrelograma para toda distância com valor de autocorrelação igual a zero (r(h) = 0).8 0. exceto para h=0 em que r(0) = 1. r(0) = 1 e este valor decresce até o zero. conforme Figura 10A e 10B. ou seja. para h = O a autocorrelação é máxima. Esta distância define a amplitude de dependência espacial ou temporal (a). Teoricamente.2 -0. Dr. assim temos independência entre as amostras para toda à distância ou tempo de estudo.2 0 -0.

2. mas.2 -0.2 1 0.2 0 -0. Exemplos de autocorrelogrmas: A) independência entre observações. Dr. 4.4 0 B r(h) 5 10 h 15 20 Figura 10. 25 Prof.8 0.2 1 0. esta variância está sendo divida por dois.2 0 A r(h) 5 10 h 15 20 1.6 0.2 0 -0. na expressão acima.4 0. Ednaldo Carvalho Guimarães . B) periodicidade da variável.4 0.8 0.UFU/FAMAT Geoestatística Básica e Aplicada 1. 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. 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.6 0.

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

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

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

Ednaldo Carvalho Guimarães .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. Dr.

UFU/FAMAT Geoestatística Básica e Aplicada 40 gama(h) 30 20 10 0 0 5 10 15 h 20 25 30 E Figura 12. Dr. Ednaldo Carvalho Guimarães .  0  30 Prof. B) Efeito pepita puro. 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.25  . 75 ≤ ≤  .00   0   iv) variável independente espacialmente – se a relação entre efeito pepita e patamar for igual a 100%. 00 = C +C .  0  ii) variável com moderada dependência espacial – se o efeito pepita representar entre   C0  25% e 75% do patamar  0 . Semivariogramas: A) Com patamar. neste caso temos o semivariograma com efeito pepita puro  C0    1 .75 < C + C < 1. 25 0 . C C + 0   iii) variável com fraca dependência espacial – se a relação entre efeito pepita e patamar   C0 estiver entre 75% e 100%   0. 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.

Ednaldo Carvalho Guimarães . ou seja. Vieira (1995) alega que. a e/ou modelo diferenciado dependendo da direção de h. pois. o semivariograma depende da magnitude e da direção de h. consequentemente. Quando o semivariograma é idêntico para qualquer direção de h ele é chamado de isotrópico e quando o semivariograma apresenta os parâmetros C. Por exemplo. apenas limitar a faixa de distância na qual se utiliza o semivariograma. (4.UFU/FAMAT Geoestatística Básica e Aplicada d) Isotropia e anisotropia Note que h é um vetor e. 45o e 1350 (nas duas diagonais principais). não é capaz de controlar todos os fatores que influenciam um conjunto de dados. Desta idéia surge a distinção entre modelo matemático e modelo estatístico. em geral. e) Os principais modelos de semivariogramas Dados experimentais são influenciados por uma série de fatores.4). se tomarmos os pares ordenados (0.16) e (5. (2. estaremos trabalhando com um modelo matemático. ele é chamado anisotrópico (podemos classificar a anisotropia em anisotropia geométrica ou anisotropia zonal). As principais direções de h que são examinadas são: 0o (na direção X). ao invés de se preocupar com a escolha de método de transformação de anisotropia. geralmente. todas as observações pertencem ao modelo proposto (Figura 13). todos os pontos experimentais devem estar sobre a função proposta para explicar determinado fenômeno. como o modelo que explique o comportamento desses dados experimentais.0).25) como sendo valores experimentais e propormos o modelo: Yi= Xi2.9). No modelo matemático não temos desvios em relação à função proposta. (3. C0. Quando os dados forem coletados em uma transeção (linha). 31 Prof. Se o semivariograma é anisotrópico ele deve sofrer transformações antes de ser usado. Um pesquisador. a precisão da interpolação ou o tipo de hipótese satisfeita. Dr. não são afetados se. 90o (na direção Y). o semivariograma é unidimensional e nada pode ser dito sobre anisotropia.

0286x + 1. podemos ter o seguinte modelo estatístico que explique o comportamento linear de uma variável Y em função de X: Yi = a +bXi +ei. Modelo Estatístico Na aplicação da teoria geoestatística a dados experimentais. (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). e desta forma estaremos trabalhando com modelos estatísticos de semivariogramas. 32 Prof.4286+ei Figura 14. vamos ajustar modelos teóricos de semivariogramas as semivariâncias experimentais. Por exemplo.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. Ednaldo Carvalho Guimarães . 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. Dr. 15 10 Y 5 0 0 1 2 3 X 4 5 6 y = 2.

O GS+ utiliza este resultado para a seleção do modelo e. minimiza esta soma de quadrados de resíduos. Dr. melhor será o modelo de semivariograma. Macbratney e Webster (1986) sugerem o método do Critério de Informação de Akaike (AIC) para avaliar o modelo. 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). 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. Já Pannatier (1996) sugere a utilização do "Indicação da Qualidade do Ajuste" (IGF). 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”).UFU/FAMAT Geoestatística Básica e Aplicada O gráfico da semivariância (γ(h)) em função da distância (h). mostrará uma série de pontos discretos que é chamado semivariograma experimental. Vários métodos são utilizados para verificar a qualidade do ajuste do semivariograma aos dados experimentais. se o modelo ajustado não for apropriado. portanto o ajuste de semivariograma é uma fase crucial na análise geoestatística e deve receber uma atenção especial. ii) Soma de quadrados de resíduos (RSS) – quanto menor for este valor. com o qual estamos exemplificando este texto. Todos os cálculos da geoestatística dependem do modelo de semivariograma ajustado e. A escolha do modelo de semivariograma que será utilizado é um dos aspectos mais importantes da geoestatística. 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. relembrando os conceitos de análise de regressão. Ednaldo Carvalho Guimarães . todos os cálculos seguintes conterão erros que poderão afetar as inferências. Uma função contínua deve ser ajustada as semivariâncias experimentais. por meio de combinações dos parâmetros do modelo. O autor do programa alega que a utilização 33 Prof. O programa GS+. conseqüentemente. que.

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. De maneira geral. Definindo C0 como efeito pepita.UFU/FAMAT Geoestatística Básica e Aplicada desse critério na seleção do modelo é preferido. Às vezes é preferível selecionar um modelo com R2 um pouco menor ou RSS um pouco maior que o sugerido pelo programa. C0 + C como patamar e a como alcance. por ser este mais sensível e mais robusto quando comparado com o coeficiente de determinação (R2). De maneira geral. quanto mais simples puder ser o modelo ajustado. 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. qualquer que seja h. e também não se deve dar importância excessiva a pequenas flutuações. Ednaldo Carvalho Guimarães . mas que represente melhor os dados. melhor. Dr. um modelo é positivamente condicional se γ(h)> 0 e γ(-h) = γ(h).

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. (B) sem patamar. respectivamente. 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. (A) Linear Gaussiano Exponencial Esférico A=8.B=1. o valor de A0. Dr. Nestes casos temos as estruturas entrelaçadas.9. 0<B<2 Os parâmetros A e B são constantes que definem o modelo.0 A=0.5 A=0. ou seja.5 (B) Figura 15. As Figuras 15A e 15B mostram os aspectos gerais dos modelos de semivariogramas discutidos anteriormente. B=0. Observação: Nos modelos exponencial e gaussiano. apresentados no programa GS+. pode-se ter mais de um modelo de semivariograma para os dados.1. B=1. Modelos de semivariograma: (A) com patamar. 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. Ednaldo Carvalho Guimarães . a amplitude a que deve ser considerada como a amplitude de dependência espacial deve ser igual a três vezes e 3 vezes. a amplitude efetiva 35 Prof.

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. Ednaldo Carvalho Guimarães .UFU/FAMAT Geoestatística Básica e Aplicada apresentada na coluna posterior a coluna de A0. 4. escalonado Semivariograma isotrópico Semivariogramas anisotrópicos Figura 16. 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. Dr. O uso do software GS+ na determinação do semivariograma No programa GS+ o ícone realizada por meio do semivariograma. 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. Variância amostral Semivar. Ativando o ícone do semivariograma.

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

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

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

permite que estes valores sejam transportados para outros programas e que se faça vários modelos em uma única figura. com distâncias e número de pares Mostra as diferenças quadráticas que geram a semivariância Edita o semivariograma Figura 19. Semivariograma experimental e modelo ajustado Parâmetros do modelo ajustado Lista semivariância calculada. Semivariograma e opções de edição Nesta tela temos a exibição das semivariância calculadas. 40 Prof. do modelo de semivariograma ajustado e dos parâmetros desse modelo. Ednaldo Carvalho Guimarães . Dr.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).

Dados de % de areia em um solo.265581 17. Dr. curtose e assimetria próximos de zero.5 18 1. mediana e moda aproximadamente iguais.27713 15 21 A análise descritiva mostra que os dados possuem uma distribuição de probabilidade normal aproximada (média. A variabilidade do dados é relativamente baixa (desvio padrão = 1. 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 17.4. gráfico tendendo à simetria). (note que estes dados são unidimensionais).257056 0. Ednaldo Carvalho Guimarães .5023 e CV = 8. % de areia de um certo solo).UFU/FAMAT Geoestatística Básica e Aplicada 4.50235 2. monte o semivariograma experimental e proponha um modelo de ajuste.46875 0. Tabela 1. Exemplos de aplicação 1) Suponha que os dados abaixo representem a variável Z (por exemplo.129546 0. Faça a análise descritiva da variável.6%) e os valores mínimo e máximo indicam a não existência de problemas amostrais com os dados. 41 Prof. calcule as semivariâncias. A amostragem foi feita em uma transeção e as amostras foram coletadas a cada 20 m.

000 semivariância 3. Distância h (m) Semivariância (γ(h)) 20 2. 4.000 0.000 0 100 200 h (m) 300 400 500 Semivariograma experimental e modelo ajustado.719 340 3.396 180 2.500 80 2.318 440 2.857 380 2.065 200 2. Distâncias de cálculo.120 160 2.711 280 1.808 400 2.UFU/FAMAT Geoestatística Básica e Aplicada b) Semivariância e semivariograma Os valores das distâncias h.417 60 2.000 1.778 300 2. 42 Prof. das semivariâncias (γ(h)) e números de pares(n(h)) utilizados no cálculo são apresentados abaixo.214 100 2.400 460 1.367 360 1. Dr.738 240 2. valores de semivariância e número de pares. Ednaldo Carvalho Guimarães .000 2.327 140 2.545 220 2.037 120 2.825 260 2.735 320 1.129 40 1.056 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.375 420 2.

ou seja. amostras coletadas a distância inferiores a 120 m possui dependência espacial e. com efeito pepita (C0) de 1. Neste caso o semivariograma mostra uma dependência espacial para a % de areia até 120 m.0 (%)2. no caso da utilização de métodos de análises estatísticas que consideram independência entre amostras. Ednaldo Carvalho Guimarães . Dr. (Observação: não foi realizado nenhum teste para verificar se este é o melhor modelo de semivariograma para esta variável).UFU/FAMAT Geoestatística Básica e Aplicada O modelo proposto inicialmente é um modelo exponencial.3 (%)2 e alcance (a) de 120 m. 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. patamar (C0+C) de 2. à distância de amostragem mínima deveria ser de 120 m.

Outros modelos poderiam ser sugeridos neste caso.80 m no primeiro caso e de 120 m no segundo caso. mantendo-se o mesmo valor de RSS. As descrições e discussões seguem o padrão do exemplo 1. Ednaldo Carvalho Guimarães . 44 Prof.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. Lembre-se que o modelo adotado foi o exponencial e portanto o alcance efetivo será de 40. Dr. desta forma o modelo proposto no exemplo 1 poderia ser utilizado.

92% de silte.58 12.87 12.49 12.74 11.49 11.67 11. Esta dispersão em torno da média representa uma variabilidade de 5.79 11.49 X Y PBPD 11.44 12.32 12.16 12.43 12.66 11.25 11. diferindo da curva normal (mesocúrtica).32 11.12 11.55 12.82 12.30 12. mas a curva do tipo platicúrtica.43 12.81 11.46 11.97 12.39 11.55 10. 11.01 X Y PBPD 12.49 11. mostrando que os dados têm uma baixa dispersão. Y (m) e a variável silte (%) em uma área experimental.11 11.UFU/FAMAT Geoestatística Básica e Aplicada 3) A seguir apresentamos as coordenadas X (m).25 12.62 12.65 12.69 12.72 11. Ednaldo Carvalho Guimarães .11 10.59 12. SOLUÇÃO: a) Análise descritiva O resultado das principais estatísticas dessa variável é apresentado a seguir: Nota-se que a área apresenta.77 12.17 11.84 11. com dispersão média em torno desse valor de 0. A distribuição das amostras na área segundo o valor de ocorrência é a seguinte: 45 Prof.81 11.13 11.54 11.85 12.77 11. em média.39 12.39 12.96 11.56 12.29% (CV=5. 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 12.19 11. Com base em uma análise visual do histograma.6302%.58 11.24 12.18 11.49 10. verifica-se uma distribuição de freqüências bimodal para esta variável. Dr.90 12.32 11.95 11.45 12.29%).38 12.16 11.39 12.36 11.46 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável.53 11.29 12. Os coeficientes de assimetria e curtose com os respectivos erros padrão indicam tendência simétrica dos dados.48 X Y PBPD 11.

tal fato é um primeiro indicativo de que a distribuição espacial dessa variável. é aleatória e isotrópica. b) Análise do semivariograma A seguir é mostrado o semivariograma dessa variável: 46 Prof. nesta área. Ednaldo Carvalho Guimarães .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. Dr.

17 26.30 23.46 24.98 23.89 24.37 28.54 26.17 28.91 24.44 X Y U 23.05 24.12 27.03 26.98 27.61 24. 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 28.77 27.35 22.397.63 25.85 25. que a distribuição espacial do silte nesta área experimental é aleatória e as amostras.64 24.27 25.36 26.16 26.50 26.61 26. perfazendo 9 colunas e 7 linhas de amostragem.73 29.13 X Y U 27.13 29.81 26.52 26.35 26. As amostras foram coletadas em uma malha contendo 63 pontos com espaçamento de 20 m entre amostra.58 26.UFU/FAMAT Geoestatística Básica e Aplicada O modelo apropriado para descrever o comportamento espacial dessa variável foi o modelo de efeito pepita puro. Nota-se que as semivariâncias experimentais estão em torno da linha paralela ao eixo x.93 26.45 24.40 27.36 24. Ednaldo Carvalho Guimarães .80 29.18 22.66 30.87 23.16 27.05 22. 4) Os dados apresentados abaixo referem-se a umidade de um solo.82 26. C0 + C = 0.86 26. Conclui-se.09 27. 47 Prof.72 27. para a malha amostrada (com distância entre pontos de 10 m).61 26.49 22. são independentes.27 27.54 25.61 27. ou seja.83 25.36 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável.49 24.63 26.69 28. portanto.20 X Y PBPD 25.45 24.39 26.30 27.73 31. Dr.42 26.63 27.

conseqüentemente. ou seja. considerada uma baixa variabilidade dos dados em torno do valor médio. o que representa uma variabilidade de 7. com desvio padrão de 2. Dr.020 g/100g. provavelmente exista uma isotropia na distribuição da umidade do solo nesta área. na época de coleta. os valores abaixo de 27. associado à assimetria e à curtose dos dados. Ednaldo Carvalho Guimarães .50 g/100g se concentram na parte superior da malha. Os histogramas. considerando o eixo Y como referência e.50 g/100g) se concentrem na metade inferior da malha. umidade média de 26.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. 48 Prof.7%. Não é possível visualizar tendência de distribuição dos dados nas direções preferencias da malha. 24 g de água/100g de solo. mostram que os dados se distribuem segunda a curva normal. mostram tendência de que os valores mais altos de umidade (acima de 27. mostrando uma distribuição espacial não aleatória dos dados. As posições ocupadas pelos valores de umidade do solo na área experimental (figura abaixo).

que pode ser descrita pelo modelo exponencial com alcance de 81 m. 49 Prof. Dr. ou seja.63%. indica que a dependência espacial é forte. Ednaldo Carvalho Guimarães .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. A relação entre o efeito pepita e o patamar de 13. amostras de umidade do solo selecionadas a distâncias inferiores a 81 m estão correlacionadas entre si.

∑λ i =1 50 Prof. Para a aplicação da krigagem assume-se: que sejam conhecidas as realizações z(t1).1. e λi são os pesos associados a cada valor medido. 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). na estimativa de dados e posterior mapeamento da variável. z(tn) da variável Z(t). O interpolador que utiliza o semivariograma em sua modelagem é chamado de krigagem. Observação: Se existe a dependência espacial.. z(ti). t2.. que o semivariograma da variável já tenha sido determinado. ... ou seja. Krige.UFU/FAMAT Geoestatística Básica e Aplicada 5. KRIGAGEM 5. Ednaldo Carvalho Guimarães . O interpolador O semivariograma é a ferramenta da geoestatística que permite verificar e modelar a dependência espacial de uma variável. .. O nome krigagem é uma homenagem ao engenheiro sul-africano D. z(t2). e que o interesse seja estimar um valor z* na posição t0. então : λi = 1/n e. nos locais t1. 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. Uma aplicação imediata do semivariograma é a utilização das informações geradas por ele na interpolação. Dr. tn. Se ocorre a independência espacial. G.. portanto temos a média aritmética simples. a soma dos pesos das amostras tem que se igualar a 1. 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.

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

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

Dr. os desvios padrão desses valores e o número de vizinhos utilizados na estimativa. os valores krigados.y). 53 Prof. Solução: Como exemplo de saída dos resultados da krigagem temos uma pequena parte dos resultados da krigagem. os resultados apresentam com as coordenadas (x. Ednaldo Carvalho Guimarães . 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.UFU/FAMAT Geoestatística Básica e Aplicada Figura 21.

Dr.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. 54 Prof. Ednaldo Carvalho Guimarães .

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

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

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

µ1 = = γ 12 ( t 1k .t 1k ) + n2 ∑ j=1 λ 2j γ 12 ( t 1k .UFU/FAMAT Geoestatística Básica e Aplicada n1 ∑ i= 1 λ 1i γ 12 ( t 1i . k = 1. µ1 e µ2.t 0 ) + ∑ λ 2j γ 22 ( t 2j .t 2j ) .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..µ 2 = = γ 22 ( t 2l .t 0 ).. l = 1. n1 H n1 ∑ i=1 λ1i γ12 ( t 1i ... [ λ ] [ γ ] = [b] K cuja solução é n1 n2 58 Prof. Dr.t 2l ) . 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 .. O sistema da co-krigagem pode ser escrito em notação matricial como. Ednaldo Carvalho Guimarães .t 0 ).t 2l ) + n2 ∑ j=1 λ 2j γ 22 ( t 2j ..

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

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

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

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

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

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

Dr.UFU/FAMAT Geoestatística Básica e Aplicada Figura 19. krigagem/co-krigagem e mapas. semivariogramas simples. 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. 65 Prof. Ícones ativos nas análises descritivas. Aspecto geral do arquivo de dados para a co-krigagem. Ednaldo Carvalho Guimarães . As Figuras 20. semivariogramas cruzados. Ferramentas de análises descritivas das variáveis Z1.

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

00 61.53 20.00 20.00 70.39 43.00 10.91 26.06 52.00 0.00 10.00 70.85 59.00 0.00 50.00 60.67 46.00 20.89 37.00 60.16 52. x 0.85 67 Prof.23 57.00 70.01 14.00 40.40 21.45 14.91 51.00 40.18 52.00 40.67 24.15 25.00 50.89 54.00 0.72 43.72 48.30 47.00 60.00 50.00 10.06 45.27 59.00 0. Exemplo de aplicação no GS+ Suponha que os seguintes dados represente as observações de macroporosidade e de umidade de saturação em uma determinada área. Dr.00 40.79 18.00 10.35 53.00 50.88 25.6.00 20.00 50.00 50.00 70.00 70.26 49.00 40.00 30.00 70.37 52.00 y 0.59 29.00 40.50 56.20 45.00 60.00 70.00 30.00 10.00 70.00 40.00 60.00 10.00 30.49 63.51 57.00 30.18 59.00 70.00 20.00 20.00 macro Usat 24.91 10.80 22.43 x 40.30 25.00 50.69 29.65 11.00 50.00 40.00 20.00 10.00 50.00 10.07 40.62 47.70 45.00 70.00 20.44 54.60 54.00 20.00 60.00 40.14 28.15 50.29 46.00 60.52 37.64 22.00 20.UFU/FAMAT Geoestatística Básica e Aplicada 6.00 0.27 58.38 28.00 20.00 60.31 53.00 10.00 60.00 30.55 53.00 30.59 53.00 60.14 28.66 13.00 20.88 20.00 60.00 30.98 25.98 45.00 50.00 60.47 25. Ednaldo Carvalho Guimarães .00 20.00 10.00 10.65 56.00 40.56 52.03 52.39 46.89 15.00 20.08 23.00 50.44 17.34 13.00 40.55 43.00 70.11 47.00 30.32 16.00 0.55 23.94 55.00 30.00 70.19 48.00 30.65 45.00 0.89 50.00 10.00 50.00 0.00 70.45 24.23 40.00 20.89 18.84 50.00 0.00 70.00 y 0.00 30.00 70.82 22.00 50.94 51.01 22.00 10.14 44.00 10.55 44.00 40.86 56.00 20.00 40.00 30.26 49.00 30.00 40.79 18.00 30.62 49.00 20.00 0.95 45.00 60.42 24.29 58.03 14.00 50.00 30.00 macro usat 16.00 40.00 0.21 46.00 0.90 65.29 26.00 40.07 21.00 10.00 50.11 33.00 30.20 27.37 30.00 60.00 60.61 35.16 25.90 40.04 57.00 0.04 55.81 49.00 70.00 10.00 60.00 50.

98 26.57 -0. Os coeficientes de assimetria e de curtose mostram tendência simétrica e mesocúrtica das variáveis. obteve-se um coeficiente de correlação linear (r) de 0.68 -0.02 -0. de Curtose 64 50. portanto.33 As Figuras mostram os semivariogramas individuais para as variáveis umidade de saturação (USat) e macroporos e o semivariograma cruzado da MACRO. Ednaldo Carvalho Guimarães . Estatísticas Usat (%) n Média Desvio Padrão Coef. Análise descritiva dos atributos umidade de saturação do solo (USat) e macroporos (MACRO). estimativas da macroporosidade podem ser feitas com base na umidade de saturação. de Variação Coef.31 Atributos MACRO (%) 45 22. usando como covariável a USat.02 -0. 68 Prof. portanto. Verifica-se que a umidade de saturação apresenta maior uniformidade (menor CV) do que a macroporosidade. pode-se considerar tais variáveis com distribuição de probabilidade aproximadamente normal.9132. Dr. de Assimetria Coef.50 5. Solução: A análise descritiva geral para as variáveis analisadas é apresentada na Tabela abaixo.UFU/FAMAT Geoestatística Básica e Aplicada Faça a análise da macroporosidade usando como covariável a umidade de saturação.54 6. indicando que existe uma forte associação positiva entre macroporosidade e umidade de saturação e.41 12. Analisando a relação linear entre a macroporosidade e a unidade de saturação.

provocou alteração no alcance da dependência espacial.UFU/FAMAT Geoestatística Básica e Aplicada Semivariograma para a umidade de Semivariograma para a macroporosidade do solo saturação do solo (USat). a correlação espacial deve ser considerada para a realização das estimativas. mas ainda assim verifica-se que.0 m.97 (%)² e patamar de 34. efeito pepita de 9. com alcance de 45.70 (%)² e patamar de 38.49 (%)² e patamar de 38. Semivariograma cruzado da macro em função da umidade de saturação. Verifica-se que a utilização da umidade de saturação.40 m. Ednaldo Carvalho Guimarães .7 (%)². efeito pepita de 19. Para a umidade de saturação ajustou-se o modelo exponencial com alcance da dependência espacial de 34. Para a macroporosidade (MACRO) o modelo adotado foi o esférico. efeito pepita de 6.20 m.08 (%)². E para o semivariograma cruzados as estimativas dos parâmetros do modelo exponencial foram: alcance de 23.59 (%)². A alteração do alcance pode estar relacionado aos modelos individuais diferenciados. 69 Prof. como uma co-variável para a estimativa da macroporosidade. Dr.

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

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

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

1994. H. PIMENTEL GOMES. Campinas. P. v. University Press. 1986.11. 135 p. R. 1989. Fontainebleau. 10. VIEIRA. Variabilidade espacial da umidade e da densidade do solo em um Latossolo Roxo. Dissertação (Mestrado em Engenharia Agrícola . M. Revista Ciência e Prática. 1996. GS+: geostatistics for the environmental sciences. p. n. Les Cahiers du Centre de Moffologie mathemathique. Variabilidade espacial de solos e experimentação de campo. 19. New York: Springer-Verlag. 1. 85 p. P. Variabilidade espacial de atributos de um Latossolo Vermelho Escuro textura argilosa da região do cerrado. ROBERTSON. 2000. p.. Control de la correlation especial en experiments de campo em el sector agricola. 1963. E. K. GUIMARÃES.. SP. Universidade Estadual de Campinas. M. 37. Fas. Y. n. 1-6.Faculdade de Engenharia Agrícola. McBRATNEY. R. p. A. Curso de estatística experimental. L. Piracicaba: Nobel. Probabilidades e Estatística. Amélior. Tese (Doutorado).UFU/FAMAT Geoestatística Básica e Aplicada GUIMARÃES. 1971. v. Variabilidade espacial do pH em água e da argila dispersa em água. Solo. P.1998. p. submetido ao plantio direto e ao plantio convencional. F. PANNATIER. 1986.. PAPADAKIS. REICHARDT. New York : Oxford LOPES. MARTINEZ. 90 p. n. Dr. WEBSTER.. 5. A. E. C.617-639. Lavras. R. Plainwell: Gamma Design Software. S.Área de concentração: Água e Solo) . Economic Geology. G. Rio de Janeiro: Reichmann & Affonso Editores.. H. E. S. Variowin – Software for spatial data analysis in 2D. MATHERON. Agronomia Colombiana. 11246-66. 1999. MATHERON. p. C. LIBARDI.1. de.B.. Applied Geostatistics. R. v. B. 152 p. 75 Prof. Method statistique pour des expériences sur champ.83-89. Ci. 12-17. The theory of regionalized variables and its applications. Plantes à Salonique. 1993. Bull.23. FEAGRI/UNICAMP. 58. C.1. R. G. Choosing functions for semivariograms of soil proprierties and fitting them to sampling estimates. V. Inst.. ISAAKS. bras. OLIVEIRA. 1992. 1995. SRIVASTAVA. 1937. Campinas. E. El Paso. n. G. Principles of geostatistics. J. v. G. AQUINO. C. Journal of Soil Science. L. GUIMARÃES. Ednaldo Carvalho Guimarães . Campinas.

D. VIEIRA. TRIOLA.1. Soil Science Society of America. 45-93. 73 p.. p. G. J. n.. R. BURROWS. v. v. GUIMARÃES. ZEBCHUK. F. R.. D. In: XIII Congresso Latino-Amaericano de Ciência do Solo . UFLA. 1 e 2. 7a edição. Ednaldo Carvalho Guimarães . n. HATFIELD. 1999. Mapeamento da chuva diária máxima provável para o estado de São Paulo. Dr. NIELSEN. A. I. D. L. 93-98. TRAGMAR.. VIEIRA. D. Ci. Geostatistical theory and application to variability of some agronomical properties. ROCHETE. J.. 53-82.. VIEIRA. S.1. 56. 1985.A.. M. n. I.UFU/FAMAT Geoestatística Básica e Aplicada TEIXEIRA.233-239. Raleigh. 1996. 38. 2001. p. 1986. NIELSEN... R. 31. Revista Brasileira de Ciência do Solo. 1995. D. B. R. S. R.. VIEIRA. Solo. S. M. T. n. W. TOPP. 1983. p. v. Bragantia.21. Hilgardia. ZIMMERMAN. TILLOTSON.15. W.. C... W. MYERS. In: Methods of soil analysis: part 1 – Physical and mineralogical methods. Curso de atualização em conservação do solo . Rio de Janeiro: LTC. Águas de Lindoia.. DECHEN. S. E. F. DE MARIA. v.Resumos expandidos em CD-ROOM. R. S. v. Introdução à estatística. BIGGAR. VIEIRA. Variabilidade espacial de argila. C. Campinas. mar. C. Campinas. WARRICK. Geostatistical methods applied to soil science. v. R. P. Biometrics. IAC. E.. T01-053. S. G. n.. HARVILLE. das C. SP: SBCS/ESALQUSP. A random field approach to the analysis of fieldplot experiments and other special experiments. F. YOST. J. LOMBARDI NETO. R. F. 1997.47. 4.Uso de geoestatística. Advances in Agronomy.. NIELSEN..1. 3. Application of geostatistics to spatial studies of soil properties. Analise estatística espacial aplicada a um ensaio florestal. silte e atributos químicos em parcela experimental de um Latossolo Roxo de Campinas (SP). v. Analisando simultaneamente variabilidade espacial e temporal usando variogramas tridimensionais. 1997. bras. Berkeley. R. 1991. R. Scaling of semivariograms and the kriging estimation of field-measured prorperties. Dissertação de mestrado. 1991 76 Prof. Campinas. D.I. p. Viçosa. S. W. BIGGAR.. UEHARA. S. VIEIRA. P. R. B. C. 75 p.

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