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

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

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

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

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

pois 0. Kolmogorov – Smirnov. alguns programas. Ednaldo Carvalho Guimarães .3±0.80.   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). Tais resultados também contribuem para a descrição e conhecimento da variável em estudo.).. podese concluir se os dados tem distribuição normal ou não.80. testes de normalidade (Shapiro – Wilk. moda. Dr. calcula também o erro padrão desses coeficientes e a partir dos valores dos coeficientes associados com seus respectivos erros padrão. como o GS+. podemos dizer que a distribuição tende a normal (simétrica e mesocúrtica). Não é necessário utilizar coordenadas geográficas. etc.4.UFU/FAMAT Geoestatística Básica e Aplicada Para uma melhor interpretação do coeficiente de assimetria e do coeficiente de curtose. gráfico h-dispersão. respectivamente. Entretanto outros recursos podem ser aplicados como. mas algum tipo de referenciação deve existir. incluem os valores zero e três. Os procedimentos para este tipo de análise são encontrados em programas de estatísticas. Amostragem Um requisito básico na amostragem para fins de análise de dependência espacial utilizando métodos geoestatísticos é que as observações. 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). etc. etc.65 e 2.30 com erro padrão de 0. 7 Prof.65 e se o valor de Ck = 2. 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). Por exemplo: Se o valor obtido na amostra para Cs = 0.5 com erro padrão de 0. outras estatísticas (quartil. que as amostras sejam referenciadas. ou seja.). gráficos da distribuição normal. por exemplo: gráfico box-plot. mediana. 2. 2.3. Outras análises descritivas As análises descritas acima são as mais comuns e as que freqüentemente são usadas como análise exploratória dos dados.5±0.

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

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

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

A coluna é selecionada e aparece a segunda janela. indicando a coluna ativa.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. neste exemplo). Para exemplificar o resultado deste tipo de análise vamos utilizar os dados da primeira variável (usatpd – coluna 3). - Clique em OK para confirmar a opção Pode-se ainda trabalhar com duas variáveis simultaneamente. co-krigagem. 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. Dr. etc). Ednaldo Carvalho Guimarães . conforme Figura 4: 11 Prof. Voltaremos ao assunto no tópico de semivariograma cruzado. Neste caso selecionase uma variável Z2 como covariável. Ativando o ícone ∑ e teremos o resultado das principais estatísticas.

Note ainda que existe a possibilidade de se fazer análises com dados transformados. com uma dispersão média em torno desse valor de 4. Um detalhamento da distribuição da variável pode ser obtida clicando o ícone do histograma na barra de ferramentas.46±0. 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. Estatísticas da variável “usatpd”. 12 Prof.50. que são respectivamente: 0.34±0. portanto.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. digitação ou de amostragem. 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.27 cm3/100cm3) e o maior valor observado (54.81%.30 e 0. ou seja. não temos valores discrepantes que poderiam ser atribuídos a erros de determinação.3190 (cm3/100cm3) e.810 cm3/100cm3) reforçam a idéia de baixa variabilidade das observações e também mostram que. Ednaldo Carvalho Guimarães .0069 (cm3/100cm3). conforme mostra a Figura 5. Dr. assimetria e curtose próximos de zero indicando distribuição normal aproximada dos dados. O menor valor observado (36. Como uma análise geral desses dados verifica-se que a umidade de saturação do solo no plantio direto (usatpd) apresentou média de 44. deste modo nota-se que as observações se dispersam relativamente pouco em torno da média. uma variabilidade de 9. provavelmente.

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

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

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. 15 Prof.UFU/FAMAT Geoestatística Básica e Aplicada do solo. No Brasil destaca-se trabalhos pioneiros nesta área desenvolvidos pelos pesquisadores Sidney Rosa Vieira. 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. (xn. 3.2. t2.. ou bidimensional. .. Cressie e Hartfield (1996)... Ednaldo Carvalho Guimarães . Ao falarmos da variável Z(t) estaremos falando de ocorrências da variável Z com uma referenciação t. . em que nem a amplitude média e nem as oscilações mudam bruscamente no tempo ou no espaço. Duarte (2000). com oscilações aleatórias contínuas em torno de um valor médio. envolvendo áreas de ciências humanas.y2). Ainda na década de 80. Este pesquisador é homenageado com o nome do método de interpolação utilizado na geoestatística. Uma justificativa para tal fato é a facilidade computacional que viabilizou alguns cálculos relativamente trabalhosos nesta metodologia. Zimmerman e Harville (1991).. yn)) Diz-se que um processo (ou uma variável) é estacionária se o desenvolvimento desse processo no tempo ou no espaço ocorrer de maneira mais ou menos homogênea. por exemplo: t1. Note que as características de um processo estacionário independe da origem adotada. biológicas e exatas... Bartlett (1978). Outras metodologias e alternativas de análise de dependência espacial são descritas em Papadakis (1937).tk) ou no espaço (unidimensional. a krigagem. Estacionaridade Antes de iniciarmos a discussão sobre a estacionaridade da variável vamos adotar uma simbologia para a variável em estudo. Dr. por exemplo. xn. . (x1. entre outros autores. por exemplo: x1.y1)...(x1. x2. Como exemplo de processo estacionário pode-se citar as oscilações da tensão em uma rede elétrica. que pode ser uma posição no tempo (unidimensional. Paulo Libardi e Klaus Reichardt.

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

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

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

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

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. Dr. B) Processo estacionário de primeira ordem e C) Processo não estacionário 3. Krigagem universal (tendência) Na hipótese de tendência (Krigagem universal). Ednaldo Carvalho Guimarães .3. a variável Z(t) pode ser decomposta em dois componentes: Z(t) = m(t) + e(t) 20 Prof. Exemplos de estacionaridade: A) Processo estacionário de segunda ordem.

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

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

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

24 Prof. Teoricamente.4 0. Podemos ter ainda o autocorrelograma para toda distância com valor de autocorrelação igual a zero (r(h) = 0).2 0 -0.6 0. até uma distância ou tempo que não exista relação entre as observações. Uma outra possibilidade é o autocorrelograma com autocorrelações flutuando em torno de zero (indica independência entre as observações) e o autocorrelograma cíclico. para h = O a autocorrelação é máxima. ou seja.UFU/FAMAT Geoestatística Básica e Aplicada A Figura 9 mostra um exemplo de comportamento da função autocorrelação. r(0) = 1 e este valor decresce até o zero. que indica flutuações periódicas na variável estudada. 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. conforme Figura 10A e 10B. Ednaldo Carvalho Guimarães . Esta distância define a amplitude de dependência espacial ou temporal (a).4 0 100 200 300 400 500 600 distância (m) Figura 9.2 -0. ou seja. 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.8 0. 1 0. assim temos independência entre as amostras para toda à distância ou tempo de estudo. sendo que acima dessa distância os dados são considerados independentes entre si. exceto para h=0 em que r(0) = 1. Dr.

6 0. então se utiliza o prefixo “semi” para distinguir da variância e daí vem o nome semivariância para γ(h) e semivariograma para o gráfico de γ(h) em função de h. 4.2.2 -0. Exemplos de autocorrelogrmas: A) independência entre observações. mas.4 0.2 0 -0.4 0 B r(h) 5 10 h 15 20 Figura 10.8 0. 25 Prof.2 0 A r(h) 5 10 h 15 20 1. 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.2 1 0.8 0.4 0. esta variância está sendo divida por dois.2 0 -0. Dr. na expressão acima.6 0. B) periodicidade da variável. Ednaldo Carvalho Guimarães .2 1 0.UFU/FAMAT Geoestatística Básica e Aplicada 1.

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

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

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

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

podemos classificala como: i) variável com forte dependência espacial – se o efeito pepita for menor ou igual a 25%  C0  do patamar   C + C < 0.00   0   iv) variável independente espacialmente – se a relação entre efeito pepita e patamar for igual a 100%.UFU/FAMAT Geoestatística Básica e Aplicada 40 gama(h) 30 20 10 0 0 5 10 15 h 20 25 30 E Figura 12. 00 = C +C . Ednaldo Carvalho Guimarães .25  . Semivariogramas: A) Com patamar. C C + 0   iii) variável com fraca dependência espacial – se a relação entre efeito pepita e patamar   C0 estiver entre 75% e 100%   0.75 < C + C < 1.  0  ii) variável com moderada dependência espacial – se o efeito pepita representar entre   C0  25% e 75% do patamar  0 . B) Efeito pepita puro. 75 ≤ ≤  . Dr. 25 0 . 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.  0  30 Prof. neste caso temos o semivariograma com efeito pepita puro  C0    1 .

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

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

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

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

B=1.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. Modelos de semivariograma: (A) com patamar. a amplitude a que deve ser considerada como a amplitude de dependência espacial deve ser igual a três vezes e 3 vezes. As Figuras 15A e 15B mostram os aspectos gerais dos modelos de semivariogramas discutidos anteriormente.B=1.0. o valor de A0. (A) Linear Gaussiano Exponencial Esférico A=8. Nestes casos temos as estruturas entrelaçadas. B=0.0 A=0. 0<B<2 Os parâmetros A e B são constantes que definem o modelo. 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. Dr. Observação: Nos modelos exponencial e gaussiano. respectivamente.5 (B) Figura 15. a amplitude efetiva 35 Prof.1. pode-se ter mais de um modelo de semivariograma para os dados. apresentados no programa GS+.9. (B) sem patamar. Ednaldo Carvalho Guimarães .5 A=0. 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. ou seja.

Análise da semivariância 36 Prof. O uso do software GS+ na determinação do semivariograma No programa GS+ o ícone realizada por meio do semivariograma. Dr. Variância amostral Semivar. 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. Ednaldo Carvalho Guimarães .UFU/FAMAT Geoestatística Básica e Aplicada apresentada na coluna posterior a coluna de A0. Isto ocorre porque os modelos exponencial e gaussiano utilizados no programa não consideram o fator 3 apresentados nos modelos anteriores. Ativando o ícone do semivariograma. 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.3. 4.

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

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

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

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

Dr. Tabela 1. calcule as semivariâncias. (note que estes dados são unidimensionais). Exemplos de aplicação 1) Suponha que os dados abaixo representem a variável Z (por exemplo.6%) e os valores mínimo e máximo indicam a não existência de problemas amostrais com os dados. curtose e assimetria próximos de zero. A variabilidade do dados é relativamente baixa (desvio padrão = 1.27713 15 21 A análise descritiva mostra que os dados possuem uma distribuição de probabilidade normal aproximada (média.UFU/FAMAT Geoestatística Básica e Aplicada 4. Faça a análise descritiva da variável. A amostragem foi feita em uma transeção e as amostras foram coletadas a cada 20 m.46875 0.5023 e CV = 8. Dados de % de areia em um solo.265581 17. monte o semivariograma experimental e proponha um modelo de ajuste. 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 17.129546 0.257056 0.5 18 1. Ednaldo Carvalho Guimarães . 41 Prof. % de areia de um certo solo). gráfico tendendo à simetria).4. mediana e moda aproximadamente iguais.50235 2.

4.545 220 2.000 2. Distância h (m) Semivariância (γ(h)) 20 2.825 260 2. valores de semivariância e número de pares.417 60 2.000 0.327 140 2.129 40 1.808 400 2.000 1. Distâncias de cálculo.065 200 2.857 380 2.000 semivariância 3. das semivariâncias (γ(h)) e números de pares(n(h)) utilizados no cálculo são apresentados abaixo.738 240 2.500 80 2.735 320 1.120 160 2.000 0 100 200 h (m) 300 400 500 Semivariograma experimental e modelo ajustado. 42 Prof.396 180 2.719 340 3. Dr.711 280 1. Ednaldo Carvalho Guimarães .318 440 2.056 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.UFU/FAMAT Geoestatística Básica e Aplicada b) Semivariância e semivariograma Os valores das distâncias h.367 360 1.400 460 1.037 120 2.778 300 2.375 420 2.214 100 2.

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

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

29%).81 11.49 11.72 11.46 11.UFU/FAMAT Geoestatística Básica e Aplicada 3) A seguir apresentamos as coordenadas X (m).90 12.16 11. Ednaldo Carvalho Guimarães . em média.43 12.77 11.58 11. A distribuição das amostras na área segundo o valor de ocorrência é a seguinte: 45 Prof.11 10.39 12.96 11.53 11. Com base em uma análise visual do histograma. SOLUÇÃO: a) Análise descritiva O resultado das principais estatísticas dessa variável é apresentado a seguir: Nota-se que a área apresenta.79 11.59 12. Dr.62 12.29 12.77 12.69 12.45 12.39 11.97 12.39 12. mas a curva do tipo platicúrtica.55 10.58 12.32 11.17 11. 11.25 12.36 11.84 11.87 12.11 11.13 11.95 11. diferindo da curva normal (mesocúrtica).19 11.39 12.12 11.32 12.49 10.25 11.82 12.01 X Y PBPD 12.92% de silte.74 11.6302%.54 11.55 12.18 11.44 12.85 12.66 11. Os coeficientes de assimetria e curtose com os respectivos erros padrão indicam tendência simétrica dos dados.30 12.46 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável. mostrando que os dados têm uma baixa dispersão.56 12. verifica-se uma distribuição de freqüências bimodal para esta variável. Esta dispersão em torno da média representa uma variabilidade de 5.65 12. X Y PBPD 0 0 20 0 40 0 60 0 0 10 20 10 40 10 60 10 0 20 20 20 40 20 60 20 0 30 20 30 40 30 60 30 0 40 20 40 40 40 60 40 0 50 20 50 40 50 60 50 0 60 20 60 40 60 60 60 0 70 20 70 40 70 60 70 10 0 30 0 50 0 70 0 10 10 30 10 50 10 70 10 10 20 30 20 50 20 70 20 10 30 30 30 50 30 70 30 10 40 30 40 50 40 70 40 10 50 30 50 50 50 70 50 10 60 30 60 50 60 70 60 10 70 30 70 50 70 70 70 12.81 11.16 12. com dispersão média em torno desse valor de 0.48 X Y PBPD 11.29% (CV=5.49 X Y PBPD 11. Y (m) e a variável silte (%) em uma área experimental.38 12.49 11.24 12.43 12.49 12.67 11.32 11.

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

54 25.73 31.63 27.73 29. Ednaldo Carvalho Guimarães .42 26.86 26.87 23.77 27.49 22.64 24.80 29.81 26.45 24.44 X Y U 23.49 24.52 26.69 28. C0 + C = 0. perfazendo 9 colunas e 7 linhas de amostragem.72 27.35 22.UFU/FAMAT Geoestatística Básica e Aplicada O modelo apropriado para descrever o comportamento espacial dessa variável foi o modelo de efeito pepita puro.89 24.17 28.16 26.03 26.18 22. 47 Prof.37 28.36 26.17 26.98 27.63 25.82 26.66 30.50 26.05 24.20 X Y PBPD 25.91 24. portanto. 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. Conclui-se.46 24.30 23. são independentes.61 26.36 24.397.61 24.13 29. que a distribuição espacial do silte nesta área experimental é aleatória e as amostras.93 26.63 26.35 26.58 26.05 22. 4) Os dados apresentados abaixo referem-se a umidade de um solo.54 26.98 23.83 25. para a malha amostrada (com distância entre pontos de 10 m).12 27. Dr.36 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável.39 26.61 27.61 26.27 25.16 27.85 25.45 24. As amostras foram coletadas em uma malha contendo 63 pontos com espaçamento de 20 m entre amostra. ou seja.40 27. Nota-se que as semivariâncias experimentais estão em torno da linha paralela ao eixo x.13 X Y U 27.09 27.30 27.27 27.

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

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

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

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

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

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

Dr. 54 Prof. Ednaldo Carvalho Guimarães .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.

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

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

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

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

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

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

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

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

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

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

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

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

14 28.00 0.91 10.89 54.00 20.07 40.00 0.65 11.45 24.69 29.00 10.82 22.32 16.15 50.29 46.00 50.00 40.00 70.11 47.00 0.84 50.16 52.00 0.00 40.67 24.55 53.00 60.00 0.81 49.37 52.98 25.38 28.88 20.16 25.49 63.00 20.00 70.26 49.00 30.00 20.00 macro usat 16.61 35.39 46.43 x 40.35 53. Exemplo de aplicação no GS+ Suponha que os seguintes dados represente as observações de macroporosidade e de umidade de saturação em uma determinada área.30 47.20 45.00 0.00 60.00 20.00 70.01 14.89 50.00 10.00 40.40 21.00 60.00 50.00 60.00 10.00 60.55 43.00 70.00 40.00 70.00 40.23 40.00 10.00 20.37 30.00 20.18 52.55 44.00 0.06 45.26 49.00 10.08 23.00 10.00 30.00 30.00 30.00 50.80 22.00 30.19 48.00 40.07 21.53 20.27 58.00 40.00 30.00 40.00 10.56 52.89 15.00 30.00 30.00 macro Usat 24.00 50.00 20.00 60.00 0.00 60.65 45.00 20.00 60.27 59.91 51.00 10.00 60.00 10.01 22.79 18.62 49.04 55.00 10. Dr.00 0.00 50.00 60.72 48.UFU/FAMAT Geoestatística Básica e Aplicada 6.00 20.39 43.00 70.00 30.29 26.51 57.00 70.00 70.00 10.00 70.00 60.14 28.00 40.72 43.00 50.00 20.34 13.23 57.44 17.95 45.00 0.94 51.00 61.79 18.91 26.00 30.11 33.50 56.86 56.90 65.00 40.88 25.59 53.00 60.90 40.52 37.67 46.00 70.00 20.03 52.60 54.89 37.00 40.00 10.98 45.66 13.00 y 0.03 14.89 18.00 50.64 22.85 67 Prof.00 50.00 y 0.00 50.06 52.00 70.04 57.00 60.00 50.00 10.00 50.00 70.00 0.18 59.00 50.42 24.00 10.00 60.00 20.00 30.00 40.00 40.65 56.31 53.55 23.21 46.00 30.00 30.00 30.00 20.00 0.00 50.00 20.15 25.00 10.00 30.47 25.00 70.00 40.00 10.70 45.00 50.00 20.85 59.00 50. Ednaldo Carvalho Guimarães .00 0.94 55.62 47.00 50.44 54.00 60.00 40.30 25.00 70.45 14. x 0.6.00 70.00 70.20 27.00 60.00 40.29 58.00 20.59 29.00 30.14 44.

Ednaldo Carvalho Guimarães . usando como covariável a USat. estimativas da macroporosidade podem ser feitas com base na umidade de saturação.33 As Figuras mostram os semivariogramas individuais para as variáveis umidade de saturação (USat) e macroporos e o semivariograma cruzado da MACRO.UFU/FAMAT Geoestatística Básica e Aplicada Faça a análise da macroporosidade usando como covariável a umidade de saturação. de Assimetria Coef. portanto. 68 Prof.41 12. Analisando a relação linear entre a macroporosidade e a unidade de saturação. indicando que existe uma forte associação positiva entre macroporosidade e umidade de saturação e. de Variação Coef.54 6.9132.98 26. obteve-se um coeficiente de correlação linear (r) de 0. Os coeficientes de assimetria e de curtose mostram tendência simétrica e mesocúrtica das variáveis. Solução: A análise descritiva geral para as variáveis analisadas é apresentada na Tabela abaixo.31 Atributos MACRO (%) 45 22.68 -0. Análise descritiva dos atributos umidade de saturação do solo (USat) e macroporos (MACRO).50 5.02 -0. pode-se considerar tais variáveis com distribuição de probabilidade aproximadamente normal. Dr. Verifica-se que a umidade de saturação apresenta maior uniformidade (menor CV) do que a macroporosidade.57 -0.02 -0. Estatísticas Usat (%) n Média Desvio Padrão Coef. portanto. de Curtose 64 50.

Para a umidade de saturação ajustou-se o modelo exponencial com alcance da dependência espacial de 34. efeito pepita de 6.20 m.0 m.59 (%)². A alteração do alcance pode estar relacionado aos modelos individuais diferenciados. Dr.UFU/FAMAT Geoestatística Básica e Aplicada Semivariograma para a umidade de Semivariograma para a macroporosidade do solo saturação do solo (USat). provocou alteração no alcance da dependência espacial. Ednaldo Carvalho Guimarães . mas ainda assim verifica-se que.7 (%)².40 m. a correlação espacial deve ser considerada para a realização das estimativas.70 (%)² e patamar de 38. Verifica-se que a utilização da umidade de saturação. com alcance de 45.49 (%)² e patamar de 38.08 (%)². Semivariograma cruzado da macro em função da umidade de saturação.97 (%)² e patamar de 34. como uma co-variável para a estimativa da macroporosidade. efeito pepita de 19. efeito pepita de 9. 69 Prof. Para a macroporosidade (MACRO) o modelo adotado foi o esférico. E para o semivariograma cruzados as estimativas dos parâmetros do modelo exponencial foram: alcance de 23.

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

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

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

R. 58. Variabilidade espacial da umidade e da densidade do solo em um Latossolo Roxo.. R. L. 152 p. 2000. H. GUIMARÃES. E. MATHERON. Economic Geology. Dissertação (Mestrado em Engenharia Agrícola . VIEIRA. LIBARDI. MARTINEZ. Curso de estatística experimental. Revista Ciência e Prática. Campinas. 1963. S. 1989. Solo. R. Variabilidade espacial do pH em água e da argila dispersa em água. PANNATIER. Campinas. Tese (Doutorado). New York : Oxford LOPES. McBRATNEY.83-89. G. Probabilidades e Estatística. ROBERTSON. p. V. SP.1998. Principles of geostatistics. v. L. 12-17. R. H. C. ISAAKS. Choosing functions for semivariograms of soil proprierties and fitting them to sampling estimates. 1971. C. Piracicaba: Nobel. p. Les Cahiers du Centre de Moffologie mathemathique. Control de la correlation especial en experiments de campo em el sector agricola.UFU/FAMAT Geoestatística Básica e Aplicada GUIMARÃES. 37. 1995. v. 75 Prof. GS+: geostatistics for the environmental sciences. Bull. FEAGRI/UNICAMP. n.. 1. bras. Ci. GUIMARÃES. 1-6. Inst. Universidade Estadual de Campinas. OLIVEIRA. E.11. Fontainebleau.. SRIVASTAVA.1. E. Plainwell: Gamma Design Software. Journal of Soil Science. Fas.. 11246-66.1. 1992. 1986. 1999. 85 p. n. P. P. 1993. Applied Geostatistics. J. F. E. 135 p. Method statistique pour des expériences sur champ. Dr..B. G.Área de concentração: Água e Solo) . 1937. v. Variabilidade espacial de solos e experimentação de campo.. K.Faculdade de Engenharia Agrícola.617-639. n. A. A. C. PAPADAKIS. Y. 90 p. 5. WEBSTER. C. 1986. n. Ednaldo Carvalho Guimarães . Agronomia Colombiana. Campinas. p. p. REICHARDT. The theory of regionalized variables and its applications. M. v. PIMENTEL GOMES. B. 10. submetido ao plantio direto e ao plantio convencional. University Press. AQUINO. Variowin – Software for spatial data analysis in 2D. de. Plantes à Salonique. 1994. Amélior. El Paso. Rio de Janeiro: Reichmann & Affonso Editores. P. S. 1996.23. R. G. p. 19. G. Lavras.. M. MATHERON. New York: Springer-Verlag. Variabilidade espacial de atributos de um Latossolo Vermelho Escuro textura argilosa da região do cerrado.

P. HATFIELD. F. Campinas. n. S. mar. VIEIRA. C. C. 38. Geostatistical theory and application to variability of some agronomical properties.. R. 56. W. T. Geostatistical methods applied to soil science. W. J. VIEIRA. TRAGMAR. F. S. R. R. 31. TRIOLA.. Dr. Scaling of semivariograms and the kriging estimation of field-measured prorperties. J. v. S. 4.I. ROCHETE. MYERS. L. 1997. NIELSEN. 1995. Berkeley. YOST. 1 e 2.. VIEIRA. p. R. 1999. 7a edição. M. VIEIRA. 73 p.. Curso de atualização em conservação do solo . v. das C. n.. n. Campinas. ZEBCHUK. R.21.Resumos expandidos em CD-ROOM. S. Ednaldo Carvalho Guimarães . W. SP: SBCS/ESALQUSP. Analise estatística espacial aplicada a um ensaio florestal. S. A.. VIEIRA. TILLOTSON. Bragantia. E. 93-98. W. G. LOMBARDI NETO. Rio de Janeiro: LTC. Soil Science Society of America. Biometrics. D. R. p.. Campinas.47. DECHEN. Revista Brasileira de Ciência do Solo. Viçosa. GUIMARÃES. 53-82. R. Ci.. UEHARA. Variabilidade espacial de argila. NIELSEN. Águas de Lindoia. NIELSEN. T01-053. Introdução à estatística. D. 1991 76 Prof. DE MARIA.. F. BIGGAR.1. 45-93. C. IAC. Mapeamento da chuva diária máxima provável para o estado de São Paulo. M. 1996. 1986. BURROWS. P. WARRICK. 3. Advances in Agronomy. D. 1985.233-239. B.1. BIGGAR.15. 2001.. Hilgardia. G. ZIMMERMAN. J. F... Raleigh. In: Methods of soil analysis: part 1 – Physical and mineralogical methods. 1983. R. D. B. p. VIEIRA.. D. v.1. n. R. v. I. 75 p. bras. S.Uso de geoestatística.. silte e atributos químicos em parcela experimental de um Latossolo Roxo de Campinas (SP). Application of geostatistics to spatial studies of soil properties. C...UFU/FAMAT Geoestatística Básica e Aplicada TEIXEIRA. v. Solo.. TOPP.A.. Analisando simultaneamente variabilidade espacial e temporal usando variogramas tridimensionais. 1997. n. S. I. A random field approach to the analysis of fieldplot experiments and other special experiments. S. v. D. p. R. UFLA. E. R. In: XIII Congresso Latino-Amaericano de Ciência do Solo . HARVILLE. Dissertação de mestrado. v. 1991..

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