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

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

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

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

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

30 com erro padrão de 0. etc. calcula também o erro padrão desses coeficientes e a partir dos valores dos coeficientes associados com seus respectivos erros padrão.3±0. Kolmogorov – Smirnov. 2.65 e 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).5 com erro padrão de 0. que as amostras sejam referenciadas. etc. Tais resultados também contribuem para a descrição e conhecimento da variável em estudo. podese concluir se os dados tem distribuição normal ou não.). Entretanto outros recursos podem ser aplicados como. 2.5±0. mediana.4. testes de normalidade (Shapiro – Wilk. como o GS+.3.   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).65 e se o valor de Ck = 2. incluem os valores zero e três. Ednaldo Carvalho Guimarães .. Por exemplo: Se o valor obtido na amostra para Cs = 0. mas algum tipo de referenciação deve existir. gráficos da distribuição normal. Os procedimentos para este tipo de análise são encontrados em programas de estatísticas. alguns programas. por exemplo: gráfico box-plot.80. ou seja. etc. pois 0. podemos dizer que a distribuição tende a normal (simétrica e mesocúrtica). gráfico h-dispersão. 7 Prof. respectivamente. moda.UFU/FAMAT Geoestatística Básica e Aplicada Para uma melhor interpretação do coeficiente de assimetria e do coeficiente de curtose. Não é necessário utilizar coordenadas geográficas.). 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).80. outras estatísticas (quartil. Outras análises descritivas As análises descritas acima são as mais comuns e as que freqüentemente são usadas como análise exploratória dos dados. Amostragem Um requisito básico na amostragem para fins de análise de dependência espacial utilizando métodos geoestatísticos é que as observações. Dr.

Pode-se dizer que o número de observações dependerá dos objetivos que se tem no trabalho. não são equidistantes mas apresentam a referencia geográfica.0. de maneira geral. No entanto esse não é um procedimento obrigatório.3) que é de domínio publico. entre os outros fatores que devem ser avaliados pelo pesquisador. 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. existem trabalhos com bons resultados de ajuste de semivariogramas usando 45 pontos de amostragem. dificultam o ajuste de semivariogramas com dados originais. Exemplos de análise exploratória aplicando programa GS+ Passaremos a descrever exemplos de análise exploratória de dados do GS+. 8 Prof. geralmente. mas que. 2.5. Nestes exemplos será utilizado a Versão Beta do GS+ (5. entretanto isso não é regra e sim recomenndação. Neste tipo de amostragem os pontos avaliados (amostras) são obtidos de forma equidistantes. formando uma malha de pontos no caso bidimensional. teoricamnte. É sabido que quanto maior o número de pontos. conforme mostra a Figura 1. Um exemplo típico de amostragem não sistemática é para variáveis climáticas. Ednaldo Carvalho Guimarães . Outro questinamento básico da geoestatística é "Quantas amostras devo utilizar para a análise geoestatística?". da escala (ou seja da dimensão). Dr. maior será o número de pares para o cálculo das semivariâncias e. maior será a precisão das estimativas das semivariâncias. Alguns autores recomendam que seja utilizados pelo menos 100 pontos amostrais. mesmo que o volume de observações seja grande. onde as estações climatológicas. basta que se tenha a referenciação dos dados para se proceder a análise espacial. quer seja no espaço ou no tempo.UFU/FAMAT Geoestatística Básica e Aplicada Um tipo de amostragem bastante utilizado em geoestatística é a amostragem sistemática.

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

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

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

O menor valor observado (36. não temos valores discrepantes que poderiam ser atribuídos a erros de determinação. 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.0069 (cm3/100cm3). que são respectivamente: 0. assimetria e curtose próximos de zero indicando distribuição normal aproximada dos dados.81%. com uma dispersão média em torno desse valor de 4. 12 Prof. Ednaldo Carvalho Guimarães . Note ainda que existe a possibilidade de se fazer análises com dados transformados. ou seja.810 cm3/100cm3) reforçam a idéia de baixa variabilidade das observações e também mostram que. Um detalhamento da distribuição da variável pode ser obtida clicando o ícone do histograma na barra de ferramentas.3190 (cm3/100cm3) e. provavelmente. uma variabilidade de 9. Estatísticas da variável “usatpd”.46±0. conforme mostra a Figura 5. 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. Dr. portanto. 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.50.30 e 0.27 cm3/100cm3) e o maior valor observado (54.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 4.34±0.

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

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

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

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

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

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

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

B) Processo estacionário de primeira ordem e C) Processo não estacionário 3. Ednaldo Carvalho Guimarães . Krigagem universal (tendência) Na hipótese de tendência (Krigagem universal).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 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.

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

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

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

24 Prof.6 0. assim temos independência entre as amostras para toda à distância ou tempo de estudo. exceto para h=0 em que r(0) = 1. Exemplo de um autocorrelograma experimental r(h) O uso dessa função no estudo da dependência espacial ou temporal só é válida se a hipótese de estacionaridade de segunda ordem for atendida. Uma outra possibilidade é o autocorrelograma com autocorrelações flutuando em torno de zero (indica independência entre as observações) e o autocorrelograma cíclico. 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. para h = O a autocorrelação é máxima.8 0.2 -0.4 0. que indica flutuações periódicas na variável estudada. até uma distância ou tempo que não exista relação entre as observações. r(0) = 1 e este valor decresce até o zero. Dr. 1 0.2 0 -0. sendo que acima dessa distância os dados são considerados independentes entre si. Ednaldo Carvalho Guimarães .4 0 100 200 300 400 500 600 distância (m) Figura 9. Podemos ter ainda o autocorrelograma para toda distância com valor de autocorrelação igual a zero (r(h) = 0). Esta distância define a amplitude de dependência espacial ou temporal (a).UFU/FAMAT Geoestatística Básica e Aplicada A Figura 9 mostra um exemplo de comportamento da função autocorrelação. ou seja. Teoricamente. ou seja.

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. mas. 25 Prof. B) periodicidade da variável.2.4 0 B r(h) 5 10 h 15 20 Figura 10.4 0.UFU/FAMAT Geoestatística Básica e Aplicada 1. Exemplos de autocorrelogrmas: A) independência entre observações. Dr.8 0.6 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. na expressão acima.2 -0.4 0. esta variância está sendo divida por dois.2 0 A r(h) 5 10 h 15 20 1.6 0.2 0 -0.2 1 0. Ednaldo Carvalho Guimarães . 4.2 1 0.8 0.2 0 -0.

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

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

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

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

 0  30 Prof.  0  ii) variável com moderada dependência espacial – se o efeito pepita representar entre   C0  25% e 75% do patamar  0 .25  . Dr. Semivariogramas: A) Com patamar.00   0   iv) variável independente espacialmente – se a relação entre efeito pepita e patamar for igual a 100%. 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. 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. 25 0 . C C + 0   iii) variável com fraca dependência espacial – se a relação entre efeito pepita e patamar   C0 estiver entre 75% e 100%   0. 00 = C +C . Ednaldo Carvalho Guimarães . 75 ≤ ≤  .UFU/FAMAT Geoestatística Básica e Aplicada 40 gama(h) 30 20 10 0 0 5 10 15 h 20 25 30 E Figura 12.75 < C + C < 1. B) Efeito pepita puro. neste caso temos o semivariograma com efeito pepita puro  C0    1 .

4). 90o (na direção Y). geralmente. ao invés de se preocupar com a escolha de método de transformação de anisotropia. apenas limitar a faixa de distância na qual se utiliza o semivariograma. As principais direções de h que são examinadas são: 0o (na direção X). Por exemplo. em geral. Quando o semivariograma é idêntico para qualquer direção de h ele é chamado de isotrópico e quando o semivariograma apresenta os parâmetros C. Ednaldo Carvalho Guimarães . ou seja. (4. (3.9).0). não é capaz de controlar todos os fatores que influenciam um conjunto de dados. consequentemente. Quando os dados forem coletados em uma transeção (linha). (2. todos os pontos experimentais devem estar sobre a função proposta para explicar determinado fenômeno. e) Os principais modelos de semivariogramas Dados experimentais são influenciados por uma série de fatores.UFU/FAMAT Geoestatística Básica e Aplicada d) Isotropia e anisotropia Note que h é um vetor e. como o modelo que explique o comportamento desses dados experimentais. se tomarmos os pares ordenados (0. ele é chamado anisotrópico (podemos classificar a anisotropia em anisotropia geométrica ou anisotropia zonal). Se o semivariograma é anisotrópico ele deve sofrer transformações antes de ser usado.16) e (5.25) como sendo valores experimentais e propormos o modelo: Yi= Xi2. a e/ou modelo diferenciado dependendo da direção de h. o semivariograma é unidimensional e nada pode ser dito sobre anisotropia. Dr. Desta idéia surge a distinção entre modelo matemático e modelo estatístico. 31 Prof. estaremos trabalhando com um modelo matemático. 45o e 1350 (nas duas diagonais principais). o semivariograma depende da magnitude e da direção de h. Um pesquisador. a precisão da interpolação ou o tipo de hipótese satisfeita. C0. pois. não são afetados se. No modelo matemático não temos desvios em relação à função proposta. todas as observações pertencem ao modelo proposto (Figura 13). Vieira (1995) alega que.

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

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

C0 + C como patamar e a como alcance. qualquer que seja h. Às vezes é preferível selecionar um modelo com R2 um pouco menor ou RSS um pouco maior que o sugerido pelo programa. Definindo C0 como efeito pepita.UFU/FAMAT Geoestatística Básica e Aplicada desse critério na seleção do modelo é preferido. 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). 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. quanto mais simples puder ser o modelo ajustado. Observação: Em muitos casos (talvez na maioria dos casos) a sensibilidade de quem está trabalhando com os dados e o conhecimento sobre a variável é de fundamental importância na opção do modelo de semivariograma. melhor. Dr. mas que represente melhor os dados. De maneira geral. um modelo é positivamente condicional se γ(h)> 0 e γ(-h) = γ(h). 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 .

0 A=0. Ednaldo Carvalho Guimarães . ou seja. a amplitude a que deve ser considerada como a amplitude de dependência espacial deve ser igual a três vezes e 3 vezes. 0<B<2 Os parâmetros A e B são constantes que definem o modelo.9.5 A=0. apresentados no programa GS+.B=1. Dr.0. B=0. a amplitude efetiva 35 Prof. respectivamente. Modelos de semivariograma: (A) com patamar. pode-se ter mais de um modelo de semivariograma para os dados. (B) sem patamar. sendo que B tem que ser estritamente maior que zero e menor que dois para garantir a condição de positividade Observação: dependendo da escala de trabalho e do espaçamento entre amostras.1. B=1. As Figuras 15A e 15B mostram os aspectos gerais dos modelos de semivariogramas discutidos anteriormente.5 (B) Figura 15. (A) Linear Gaussiano Exponencial Esférico A=8. 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.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. Nestes casos temos as estruturas entrelaçadas. Observação: Nos modelos exponencial e gaussiano. o valor de A0.

UFU/FAMAT Geoestatística Básica e Aplicada apresentada na coluna posterior a coluna de A0. 4. Análise da semivariância 36 Prof. Ednaldo Carvalho Guimarães . Variância amostral Semivar. Ativando o ícone do semivariograma. 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. Dr. 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. O uso do software GS+ na determinação do semivariograma No programa GS+ o ícone realizada por meio do semivariograma.3. escalonado Semivariograma isotrópico Semivariogramas anisotrópicos Figura 16. Isto ocorre porque os modelos exponencial e gaussiano utilizados no programa não consideram o fator 3 apresentados nos modelos anteriores.

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

Determinação e soma de quadrados de erros modelos Refaz o semivariograma padrão do GS+ Aplica o novo modelo caso haja modificação Figura 18. Ednaldo Carvalho Guimarães .UFU/FAMAT Geoestatística Básica e Aplicada Mostra o semivariograma com os respectivos parâmetros e ajuste Mostra as opções de modelos com os parâmetros e ajuste Figura 17. Modelos e análises dos modelos 38 Prof. Dr. Relação entre C e patamar Coef. O resultado da execução dessas funções são apresentados nas Figuras 18 e 19. A Figura 18 exibe as opções de modelos de semivariogramas. 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).

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

com distâncias e número de pares Mostra as diferenças quadráticas que geram a semivariância Edita o semivariograma Figura 19. 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. Dr. 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. 40 Prof. Semivariograma e opções de edição Nesta tela temos a exibição das semivariância calculadas. Ednaldo Carvalho Guimarães . do modelo de semivariograma ajustado e dos parâmetros desse modelo.

6%) e os valores mínimo e máximo indicam a não existência de problemas amostrais com os dados. Dados de % de areia em um solo.27713 15 21 A análise descritiva mostra que os dados possuem uma distribuição de probabilidade normal aproximada (média. curtose e assimetria próximos de zero. gráfico tendendo à simetria).5 18 1.4. Faça a análise descritiva da variável. Dr. Exemplos de aplicação 1) Suponha que os dados abaixo representem a variável Z (por exemplo.5023 e CV = 8. A variabilidade do dados é relativamente baixa (desvio padrão = 1. monte o semivariograma experimental e proponha um modelo de ajuste. (note que estes dados são unidimensionais). % de areia de um certo solo). calcule as semivariâncias. mediana e moda aproximadamente iguais.257056 0.46875 0. Tabela 1.129546 0.265581 17. 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.UFU/FAMAT Geoestatística Básica e Aplicada 4. Ednaldo Carvalho Guimarães .50235 2. 41 Prof. A amostragem foi feita em uma transeção e as amostras foram coletadas a cada 20 m.

500 80 2.129 40 1. 42 Prof.825 260 2. Dr.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.000 0.120 160 2.000 1. valores de semivariância e número de pares.857 380 2. Distâncias de cálculo. 4.738 240 2.375 420 2.037 120 2.318 440 2.719 340 3.545 220 2.396 180 2. Ednaldo Carvalho Guimarães .778 300 2.417 60 2.000 0 100 200 h (m) 300 400 500 Semivariograma experimental e modelo ajustado.065 200 2.327 140 2.UFU/FAMAT Geoestatística Básica e Aplicada b) Semivariância e semivariograma Os valores das distâncias h.214 100 2. Distância h (m) Semivariância (γ(h)) 20 2.367 360 1.400 460 1.000 2.808 400 2. das semivariâncias (γ(h)) e números de pares(n(h)) utilizados no cálculo são apresentados abaixo.735 320 1.711 280 1.000 semivariância 3.

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

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

36 11.32 11.48 X Y PBPD 11. mostrando que os dados têm uma baixa dispersão.62 12.85 12. 11.38 12.69 12.97 12.12 11.11 10.29 12.58 12.39 12.32 11.49 11.17 11.43 12.44 12.87 12.79 11.81 11.13 11.49 X Y PBPD 11.25 12.49 10.39 12.49 11. verifica-se uma distribuição de freqüências bimodal para esta variável. diferindo da curva normal (mesocúrtica).96 11.56 12.46 11.92% de silte.6302%.18 11.74 11.77 12. Com base em uma análise visual do histograma.30 12.16 11. Esta dispersão em torno da média representa uma variabilidade de 5.16 12. A distribuição das amostras na área segundo o valor de ocorrência é a seguinte: 45 Prof.39 12. com dispersão média em torno desse valor de 0. SOLUÇÃO: a) Análise descritiva O resultado das principais estatísticas dessa variável é apresentado a seguir: Nota-se que a área apresenta.67 11.66 11.82 12.72 11. 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 12.43 12.01 X Y PBPD 12.29%). Dr.55 12.58 11. Y (m) e a variável silte (%) em uma área experimental.49 12.24 12.59 12. Ednaldo Carvalho Guimarães .45 12. em média.65 12.55 10.25 11.84 11.53 11.39 11.32 12.19 11.77 11.95 11.90 12.29% (CV=5.UFU/FAMAT Geoestatística Básica e Aplicada 3) A seguir apresentamos as coordenadas X (m).11 11.81 11. Os coeficientes de assimetria e curtose com os respectivos erros padrão indicam tendência simétrica dos dados.54 11.46 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável. mas a curva do tipo platicúrtica.

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

54 26.16 27.397. Ednaldo Carvalho Guimarães .42 26. Nota-se que as semivariâncias experimentais estão em torno da linha paralela ao eixo x.05 24. 4) Os dados apresentados abaixo referem-se a umidade de um solo.61 26.73 31.44 X Y U 23.39 26.36 24.09 27.61 27. C0 + C = 0.52 26.72 27.98 27.63 25. ou seja.40 27.87 23.64 24.83 25.63 26.17 26.17 28.13 X Y U 27.66 30.77 27.81 26.45 24.61 26.35 22.05 22.85 25. perfazendo 9 colunas e 7 linhas de amostragem.UFU/FAMAT Geoestatística Básica e Aplicada O modelo apropriado para descrever o comportamento espacial dessa variável foi o modelo de efeito pepita puro.82 26. para a malha amostrada (com distância entre pontos de 10 m).46 24.37 28.16 26.73 29.35 26.86 26.36 Realizar a análise dos dados e verificar se existe dependência espacial para essa variável.58 26.63 27.03 26.27 25.12 27.30 23.49 22.20 X Y PBPD 25. são independentes.49 24.93 26.50 26. Conclui-se. Dr.13 29.98 23.27 27. portanto.91 24.45 24.69 28.30 27.80 29.89 24.36 26.61 24. que a distribuição espacial do silte nesta área experimental é aleatória e as amostras.18 22. As amostras foram coletadas em uma malha contendo 63 pontos com espaçamento de 20 m entre amostra. 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. 47 Prof.54 25.

50 g/100g) se concentrem na metade inferior da malha. provavelmente exista uma isotropia na distribuição da umidade do solo nesta área.020 g/100g. Ednaldo Carvalho Guimarães . com desvio padrão de 2. 24 g de água/100g de solo. mostram tendência de que os valores mais altos de umidade (acima de 27. o que representa uma variabilidade de 7.50 g/100g se concentram na parte superior da malha. considerando o eixo Y como referência e. na época de coleta. mostram que os dados se distribuem segunda a curva normal.7%. 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. considerada uma baixa variabilidade dos dados em torno do valor médio. 48 Prof. Não é possível visualizar tendência de distribuição dos dados nas direções preferencias da malha. Dr. mostrando uma distribuição espacial não aleatória dos dados. os valores abaixo de 27. conseqüentemente. associado à assimetria e à curtose dos dados. umidade média de 26. Os histogramas. ou seja.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

69 29.91 10.00 60.60 54.27 58.00 50.18 52.00 10.00 60.29 58.00 30.00 70.00 10.88 25.00 0.31 53.44 54.00 50.14 28.00 40.79 18.00 30.03 52.00 0.00 macro Usat 24.49 63.00 30.00 60.91 51.85 59.00 10.00 50.15 50.06 52.89 54.72 43.00 y 0.45 14.00 60.00 40.84 50.00 20.66 13.00 0.00 70.00 20.00 60.89 37.00 60.00 70.44 17.52 37.91 26.00 20.00 70.00 30. x 0.81 49.00 40.00 10.34 13.00 70.67 46.00 50.65 45.00 60.00 60.94 51.55 53.00 10. Exemplo de aplicação no GS+ Suponha que os seguintes dados represente as observações de macroporosidade e de umidade de saturação em uma determinada área.00 20.65 11.64 22.29 26.00 10.11 47.00 70.00 70.00 60.00 70.00 20.00 60.00 40.95 45.21 46.55 44.26 49.00 60. Dr.00 10.00 20.00 50.07 21.79 18.00 30.00 70.00 30.00 50.00 10.00 40.55 23.70 45.00 70.00 50.30 47.20 45.00 20.00 10.00 20.00 y 0.00 50.00 20.00 60.00 70.00 40.01 14.00 20.45 24.00 40.00 60.00 10.00 20.62 47.14 28.00 10.26 49.00 40.98 45.00 10.00 0.37 52.88 20.72 48.00 40.50 56.00 50.85 67 Prof.00 30.00 30.00 10.37 30.00 40.53 20.67 24.00 0.00 0.27 59.00 70.06 45.43 x 40.00 50.59 29.00 50.00 60.14 44.29 46.89 50.04 55.00 0.00 30.39 46.UFU/FAMAT Geoestatística Básica e Aplicada 6.20 27.00 10.00 50.00 40.35 53.00 30.30 25.00 30.00 0.62 49.08 23.00 0.00 10.00 50.90 40.00 10.00 40.00 50.82 22.00 61.18 59. Ednaldo Carvalho Guimarães .19 48.80 22.00 20.00 0.59 53.6.61 35.00 70.86 56.55 43.23 40.40 21.00 30.51 57.00 30.00 40.00 40.00 30.16 52.00 macro usat 16.56 52.00 70.16 25.00 60.00 70.00 0.00 0.65 56.00 60.00 30.00 20.89 18.11 33.39 43.00 70.03 14.90 65.42 24.98 25.00 50.00 40.94 55.07 40.23 57.47 25.38 28.00 50.04 57.00 40.00 20.15 25.00 20.00 30.01 22.00 20.00 0.32 16.89 15.

Dr.33 As Figuras mostram os semivariogramas individuais para as variáveis umidade de saturação (USat) e macroporos e o semivariograma cruzado da MACRO. Os coeficientes de assimetria e de curtose mostram tendência simétrica e mesocúrtica das variáveis.41 12.02 -0.54 6. Verifica-se que a umidade de saturação apresenta maior uniformidade (menor CV) do que a macroporosidade.57 -0. 68 Prof. Ednaldo Carvalho Guimarães . de Variação Coef. Estatísticas Usat (%) n Média Desvio Padrão Coef. Análise descritiva dos atributos umidade de saturação do solo (USat) e macroporos (MACRO). pode-se considerar tais variáveis com distribuição de probabilidade aproximadamente normal.UFU/FAMAT Geoestatística Básica e Aplicada Faça a análise da macroporosidade usando como covariável a umidade de saturação. Analisando a relação linear entre a macroporosidade e a unidade de saturação. portanto.02 -0. de Assimetria Coef.50 5.31 Atributos MACRO (%) 45 22.9132. usando como covariável a USat. Solução: A análise descritiva geral para as variáveis analisadas é apresentada na Tabela abaixo. indicando que existe uma forte associação positiva entre macroporosidade e umidade de saturação e.68 -0. de Curtose 64 50. estimativas da macroporosidade podem ser feitas com base na umidade de saturação. portanto.98 26. obteve-se um coeficiente de correlação linear (r) de 0.

Para a umidade de saturação ajustou-se o modelo exponencial com alcance da dependência espacial de 34. Semivariograma cruzado da macro em função da umidade de saturação. a correlação espacial deve ser considerada para a realização das estimativas.49 (%)² e patamar de 38.20 m. com alcance de 45. A alteração do alcance pode estar relacionado aos modelos individuais diferenciados.59 (%)².0 m.7 (%)². Verifica-se que a utilização da umidade de saturação. provocou alteração no alcance da dependência espacial. Ednaldo Carvalho Guimarães .70 (%)² e patamar de 38.08 (%)². Dr.40 m. efeito pepita de 19. como uma co-variável para a estimativa da macroporosidade. efeito pepita de 9. efeito pepita de 6.97 (%)² e patamar de 34. E para o semivariograma cruzados as estimativas dos parâmetros do modelo exponencial foram: alcance de 23. 69 Prof.UFU/FAMAT Geoestatística Básica e Aplicada Semivariograma para a umidade de Semivariograma para a macroporosidade do solo saturação do solo (USat). mas ainda assim verifica-se que. Para a macroporosidade (MACRO) o modelo adotado foi o esférico.

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

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

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

C. GUIMARÃES. GUIMARÃES. 1937. 1971. H.Faculdade de Engenharia Agrícola. E. J. P. P. 1-6. Variabilidade espacial da umidade e da densidade do solo em um Latossolo Roxo. S. Journal of Soil Science.1. PIMENTEL GOMES. The theory of regionalized variables and its applications. R. p. PANNATIER. Campinas. GS+: geostatistics for the environmental sciences. E. SRIVASTAVA. SP. bras. 135 p.23. 1986. submetido ao plantio direto e ao plantio convencional. 19. P. v.617-639.. v. MARTINEZ. n. p. R.. MATHERON. FEAGRI/UNICAMP.1998. K. MATHERON. Curso de estatística experimental.. Variowin – Software for spatial data analysis in 2D. REICHARDT. Dissertação (Mestrado em Engenharia Agrícola . PAPADAKIS. L. 1994. v. VIEIRA. WEBSTER. 1999.UFU/FAMAT Geoestatística Básica e Aplicada GUIMARÃES. Inst. Dr. Y. AQUINO. 1995. 1993. Tese (Doutorado). Choosing functions for semivariograms of soil proprierties and fitting them to sampling estimates. Plainwell: Gamma Design Software. F. A. G. 1996..1.11. El Paso. Campinas.B. p.. 75 Prof. Method statistique pour des expériences sur champ. Les Cahiers du Centre de Moffologie mathemathique. R. Principles of geostatistics. Probabilidades e Estatística. Lavras. C. G. Economic Geology. E. 5. 10. Variabilidade espacial de solos e experimentação de campo. Variabilidade espacial de atributos de um Latossolo Vermelho Escuro textura argilosa da região do cerrado. M. 1986. L. Control de la correlation especial en experiments de campo em el sector agricola. Rio de Janeiro: Reichmann & Affonso Editores. 12-17. Ci. B. 1992. 85 p. v. C. M. LIBARDI. R. Universidade Estadual de Campinas. ROBERTSON. C. Fontainebleau. Piracicaba: Nobel. ISAAKS.83-89. 58. 1989. 37. New York : Oxford LOPES. OLIVEIRA. 152 p. p. V. University Press. p. Fas. R. 1.. Campinas. Amélior. S. n. A. de. H. n. McBRATNEY. Bull. Applied Geostatistics. Plantes à Salonique. 1963. G. 11246-66. New York: Springer-Verlag. Agronomia Colombiana. E.Área de concentração: Água e Solo) . n. G.. Ednaldo Carvalho Guimarães . 90 p. Revista Ciência e Prática. 2000. Variabilidade espacial do pH em água e da argila dispersa em água. Solo.

21. 73 p. B. SP: SBCS/ESALQUSP.1. In: XIII Congresso Latino-Amaericano de Ciência do Solo .. R. 1985. P. p. S.Uso de geoestatística. TOPP. R. YOST. Application of geostatistics to spatial studies of soil properties. v. Raleigh. v. v.Resumos expandidos em CD-ROOM. D. Geostatistical methods applied to soil science.. R. A random field approach to the analysis of fieldplot experiments and other special experiments. VIEIRA. D. UEHARA. p. J. S. Rio de Janeiro: LTC.. Geostatistical theory and application to variability of some agronomical properties. 7a edição. S. 93-98. J. R. B. Scaling of semivariograms and the kriging estimation of field-measured prorperties. M. n. W. GUIMARÃES. A.. 56. I. S. p. 1986. Mapeamento da chuva diária máxima provável para o estado de São Paulo.. W. 1983.1.. 1995. NIELSEN. W. NIELSEN. n. D. Campinas. C. Revista Brasileira de Ciência do Solo. Águas de Lindoia. TILLOTSON. Ednaldo Carvalho Guimarães .I. 1 e 2. 75 p. BIGGAR. HARVILLE. bras. Soil Science Society of America. ZIMMERMAN. 53-82. S. G. R. v.. v.233-239... silte e atributos químicos em parcela experimental de um Latossolo Roxo de Campinas (SP). 2001.. R. MYERS. F. 38. D. 1999. 31. 1996. Advances in Agronomy. Ci. NIELSEN. R. J. Berkeley. T. IAC. VIEIRA. p. DECHEN. VIEIRA. WARRICK. Curso de atualização em conservação do solo . LOMBARDI NETO. TRAGMAR. das C.1. VIEIRA. VIEIRA. C. 1997. 4... Dissertação de mestrado. I. L. S. C. Campinas.A.. E. 45-93. Variabilidade espacial de argila. R. v. F. v. Campinas. F. DE MARIA. R. S. C. D.47. Analise estatística espacial aplicada a um ensaio florestal. n. n.... ROCHETE.UFU/FAMAT Geoestatística Básica e Aplicada TEIXEIRA.. TRIOLA. mar. 1997. VIEIRA. 1991 76 Prof. BIGGAR. Introdução à estatística. Viçosa. In: Methods of soil analysis: part 1 – Physical and mineralogical methods. UFLA. E. ZEBCHUK. Solo. M. S. Hilgardia. 3. Biometrics.15.. T01-053. n. G. R.. D. R. P. Analisando simultaneamente variabilidade espacial e temporal usando variogramas tridimensionais. Dr. Bragantia. BURROWS. W. F. 1991. HATFIELD.

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

Sign up to vote on this title
UsefulNot useful