Escolar Documentos
Profissional Documentos
Cultura Documentos
Geoestatística Básica e Aplicada - Ufm
Geoestatística Básica e Aplicada - Ufm
Fevereiro - 2004
Uberlndia - MG
UFU/FAMAT
SUMRIO
1. INTRODUO...........................................................................................................
2. ANLISE EXPLORATRIA DE DADOS.............................................................
2.1. Distribuio de freqncias e histograma...............................................................
2.2. As estatsticas.............................................................................................................
2.3. Outras anlises descritivas........................................................................................
2.4. Amostragem...........................................................................................................................................
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
UFU/FAMAT
1. INTRODUO
Mtodos clssicos de anlise estatstica de dados geralmente supem que, as
realizaes das variveis aleatrias so independentes entre si, ou seja, que observaes
vizinhas no exercem influncias umas sobre as outras.
Fenmenos naturais apresentam-se freqentemente com uma certa estruturao nas
variaes entre vizinhos, desta forma pode-se dizer que as variaes no so aleatrias e,
portanto, apresentam algum grau de dependncia espacial.
A anlise espacial de dados apresenta-se como uma alternativa e/ou como uma
complementao da anlise clssica de dados, sendo que este tipo de anlise considera as
correlaes entre as observaes quando se faz estimativas.
A literatura apresenta alguns procedimentos de anlise espacial de dados, sendo que,
nos ltimos tempos, uma metodologia de anlise denominada geoestatstica ganhou
nfase neste tipo de estudo.
Neste trabalho sero abordados aspectos bsicos da metodologia geoestatstica para
a anlise espacial de dados, com nfase na anlise do semivariograma como ferramenta de
determinao da dependncia espacial.
Inicialmente sero abordados aspectos bsicos de uma anlise exploratria de
dados; em seguida sero introduzidos conceitos bsicos da geoestatstica e da anlise da
dependncia espacial por meio de semivariograma e tambm de interpolao utilizando a
metodologia da krigagem e, por fim sero abordados conceitos bsicos de semivariogramas
cruzados e co-krigagem. Sempre que possvel os tpicos sero acompanhados de exemplos
de aplicao.
UFU/FAMAT
2.2. As estatsticas
O clculo de estatsticas como a mdia, a varincia, o desvio padro, o coeficiente
de variao, valor mnimo, valor mximo, coeficiente de assimetria e coeficiente de
curtose, colaboram na descrio da varivel. Passaremos a rever rapidamente estas
estatsticas.
UFU/FAMAT
A mdia aritmtica ( X )
A mdia aritmtica uma medida de posio bastante utilizada na estatstica e tem
X=
x
i =1
( xi X )2
s 2 = i =1
n 1
s = + s2
Note que em interpretaes de dados, ou seja, na anlise descritiva a mdia
aritmtica deve estar sempre acompanhada do desvio padro para que possamos visualizar
a disperso mdia dos valores.
UFU/FAMAT
CV (%) = 100
s
X
central, ou seja, na distribuio simtrica tem-se 50% dos valores observados acima da
observao central e 50% abaixo. Se a distribuio assimtrica, esta relao no
observada.
O coeficiente de curtose mostra a disperso (achatamento) da distribuio em
relao a um padro, geralmente a curva normal.
Estes dois coeficientes so utilizados para inferncias sobre a normalidade da
varivel em estudo.
Antes de definirmos estes dois coeficientes e tecermos comentrios sobre eles
vamos definir os momentos estatsticos.
Se x1, x2, ... ,xn so os n valores assumidos pela varivel X, definimos o momento de
ordem t dessa varivel como:
n
Mt =
x
i =1
t
i
Note que se t=1 temos a mdia aritmtica, ou seja, a mdia aritmtica igual ao
primeiro momento em relao origem.
O momento de ordem t centrado em uma constante K , com K 0 definido como:
n
M tK =
(x
i =1
K)t
UFU/FAMAT
m3
(m 2 ) 3
m4
(m 2 ) 4
UFU/FAMAT
2.4. Amostragem
Um requisito bsico na amostragem para fins de anlise de dependncia espacial
utilizando mtodos geoestatsticos que as observaes, ou seja, que as amostras sejam
referenciadas. No necessrio utilizar coordenadas geogrficas, mas algum tipo de
referenciao deve existir.
Exemplos de referenciaes so: a) amostras coletadas ao longo do tempo
cada
UFU/FAMAT
UFU/FAMAT
UFU/FAMAT
Figura 2. Janela inicial do GS+ com exemplo de arquivo de dados contento as coordenadas
(x,y) e 4 variveis para a anlise.
Neste exemplo temos um arquivo de dados editado no GS+. Na primeira coluna
temos a coordenada X, na segunda coluna temos a coordenada Y e da terceira a sexta
colunas temos as variveis, ou seja, neste caso estamos trabalhando com 4 variveis.
Se o arquivo for editado em outro programa, deve-se importar os dados para o GS+
utilizando o procedimento padro do Windows de copiar e colar, ou recortar e colar, ou
ainda, ativar o cone Import file localizado no canto superior direto da Figura 2.
Para selecionar outra varivel a ser estudada basta clicar na coluna correspondente e
selecion-la como a varivel principal. Por exemplo, se o objetivo a anlise da terceira
varivel (usatpc), procederamos da seguinte forma (Figura 3):
10
UFU/FAMAT
Clique em Z (Primary variable) para selecionar esta coluna como sendo sua varivel de
analise.
Pode-se ainda trabalhar com duas variveis simultaneamente. Neste caso selecionase uma varivel Z2 como covarivel. Voltaremos ao assunto no tpico de semivariograma
cruzado.
Voltando Figura 2 vamos descrever os procedimento da anlise exploratria de
dados.
A barra de ferramenta apresenta os seguintes smbolos que so destinados a este tipo
de anlise:
Planilha
ativa
Principais
Estatstica
s
Anlise grfica
histograma
11
UFU/FAMAT
mdia
Desvio padro
varincia
mnimo
mximo
Nmero de dados e
Dados perdidos
histograma
Coeficiente de assimetria
e erro padro
Coeficiente de curtose e
erro padro
Como uma anlise geral desses dados verifica-se que a umidade de saturao do
solo no plantio direto (usatpd) apresentou mdia de 44,0069 (cm3/100cm3), com uma
disperso mdia em torno desse valor de 4,3190 (cm3/100cm3) e, portanto, uma
variabilidade de 9,81%, deste modo nota-se que as observaes se dispersam relativamente
pouco em torno da mdia. O menor valor observado (36,27 cm3/100cm3) e o maior valor
observado (54,810 cm3/100cm3) reforam a idia de baixa variabilidade das observaes e
tambm mostram que, provavelmente, no temos valores discrepantes que poderiam ser
atribudos a erros de determinao, digitao ou de amostragem. O histograma mostra uma
tendncia dos dados simetria e este fato tambm pode ser verificado por meio dos
coeficientes de assimetria e curtose associados aos seus respectivos erros padro, que so
respectivamente: 0,460,30 e 0,340,50, ou seja, assimetria e curtose prximos de zero
indicando distribuio normal aproximada dos dados.
Note ainda que existe a possibilidade de se fazer anlises com dados transformados.
Um detalhamento da distribuio da varivel pode ser obtida clicando o cone do
histograma
12
UFU/FAMAT
Histograma
freqncia simples
Grfico de freqncia
acumulada
Grfico da distribuio
normal
Uma outra anlise utilizada no GS+ a localizao espacial dos pontos amostrados
com relao a intervalos de ocorrncia. Este mapa obtido por meio do cone
. Veja o
exemplo na Figura 6.
13
UFU/FAMAT
14
UFU/FAMAT
do solo. Uma justificativa para tal fato a facilidade computacional que viabilizou alguns
clculos relativamente trabalhosos nesta metodologia.
No Brasil destaca-se trabalhos pioneiros nesta rea desenvolvidos pelos
pesquisadores Sidney Rosa Vieira, Paulo Libardi e Klaus Reichardt. Ainda na dcada de
80.
Atualmente a aplicabilidade e a utilizao da geoestatstica como metodologia de
anlise de dados no espao ou no tempo esta difundida em vrios ramos da cincia,
envolvendo reas de cincias humanas, biolgicas e exatas.
Em linhas gerais podemos dizer que a geoestatstica est interessada em determinar
a dependncia espacial das observaes de uma varivel e recebeu tal denominao devido
aos trabalhos desenvolvidos por Krige na frica do Sul. Este pesquisador homenageado
com o nome do mtodo de interpolao utilizado na geoestatstica, a krigagem.
Outras metodologias e alternativas de anlise de dependncia espacial so descritas
em Papadakis (1937), Bartlett (1978), Zimmerman e Harville (1991), Cressie e Hartfield
(1996), Duarte (2000), entre outros autores.
3.2. Estacionaridade
Antes de iniciarmos a discusso sobre a estacionaridade da varivel vamos adotar
uma simbologia para a varivel em estudo. Ao falarmos da varivel Z(t) estaremos falando
de ocorrncias da varivel Z com uma referenciao t, que pode ser uma posio no tempo
(unidimensional, por exemplo: t1, t2, ...,tk) ou no espao (unidimensional, por exemplo: x1,
x2, ..., xn; ou bidimensional, por exemplo; (x1,y1),(x1,y2), ..., (xn, yn))
Diz-se que um processo (ou uma varivel) estacionria se o desenvolvimento
desse processo no tempo ou no espao ocorrer de maneira mais ou menos homognea, com
oscilaes aleatrias contnuas em torno de um valor mdio, em que nem a amplitude
mdia e nem as oscilaes mudam bruscamente no tempo ou no espao. Como exemplo de
processo estacionrio pode-se citar as oscilaes da tenso em uma rede eltrica.
Note que as caractersticas de um processo estacionrio independe da origem
adotada.
15
UFU/FAMAT
Pode-se definir uma funo aleatria Z(t) como estacionria, se todos os momentos
estatsticos so invariantes para toda mudana de origem.
Estatisticamente pode-se dizer que, se o processo estacionrio de ordem k, ento:
E[Z(t)] = m1(t) = constante t
E[Z2(t)] = m2(t) = constante t
.
E[Zk(t)] = mk = constante t
Observao: Se um processo estacionrio na ordem k ele tambm ser
estacionrio para as ordens inferiores a k. Por exemplo, se o processo estacionrio de
ordem 4, ele tambm ser estacionrio nas ordens 1, 2 e 3.
esperana
matemtica
de
uma
varivel
aleatria
constante,
16
UFU/FAMAT
( h) =
C (h)
Var[ Z (t )]
17
UFU/FAMAT
C ( h)
( h)
= 1
C (0)
C (0)
se | h | > a
Ou
(h) = C(0) = Var [Z(t)] se | h | > a
Quando se trabalha com o tempo a constante a chamada de tempo de correlao
de Z(t). Se o estudo for espacial, por analogia, podemos chamar a de domnio de
correlao.
18
UFU/FAMAT
19
UFU/FAMAT
28
26
24
22
20
18
0
10
20
30
40
50
29
27
25
23
21
19
17
15
10
20
30
40
50
30
25
20
15
10
5
0
10
20
30
40
50
20
UFU/FAMAT
semivariograma com
21
UFU/FAMAT
cov[ Z ( t ), Z ( t + h )] = E [( Z ( t ) z( t ) ).( Z ( t + h ) Z ( t + h ) )]
Se a varivel Z estacionria, esta funo poder ser estimada por:
n( h )
cov( Z ( t ), Z ( t + h )) =
i =1
[ Z ( ti ) Z ] [ Z ( t i + h ) Z ]
n( h ) 1
pois
covarincias
3
2
1
0
-1
0
100
200
300
400
500
600
distncias (m)
22
UFU/FAMAT
( x , y ) =
cov[ X ,Y )]
x y
n
i =1
X X ] [Y Y ]
r( x , y ) =
n 1
SxS y
Neste caso quanto mais prximo de 1 ou de -1, maior a relao entre as variveis e
quanto mais prximo de 0, menor a relao linear entre X e Y.
A funo autocorrelao definida como sendo a razo entre a covarincia dos
valores assumidos pela varivel Z, nas posies t e t+h e a varincia dessa varivel Z, em
funo da distncia h, no caso de varivel estacionria de segunda ordem. Desta forma temse:
( h) =
Trabalhando-se com dados amostrais (h) pode ser estimado por r(h):
n( h )
i =1
[ Z ( t i ) Z ] [ Z ( ti + h ) Z ]
n( h ) 1
r( h ) =
s2
em que:
(h) a autocorrelao entre os valores da varivel Z, separados pela distncia h
(autocorrelao populacional);
Cov [Z(t), Z(t+h)] a covarincia entre a varivel Z(t) e a varivel Z(t+h);
Var[Z(t)] = 2 a varincia populacional, ou seja, a covarincia entre Z(t) e Z(t+h) quando
h=0;
r(h) a autocorrelao amostral para a distncia h;
n(h) o nmero de pontos amostrais separados pela distncia h;
Z o valor mdio (mdia amostral) da varivel Z(t);
s2 a varincia amostral de Z(t).
23
UFU/FAMAT
r(h)
100
200
300
400
500
600
distncia (m)
24
r(h)
UFU/FAMAT
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
10
15
20
15
20
r(h)
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
10
h
4.2. Semivariograma
a) Definio do semivariograma
O semivariograma definido como:
1
(h) = {Var[ Z (t ) Z (t + h)]}
2
Note que Var[Z(t) Z(t+h)] a varincia dos dados separados por uma distncia h,
mas, na expresso acima, esta varincia est sendo divida por dois, ento se utiliza o
prefixo semi para distinguir da varincia e da vem o nome semivarincia para (h) e
semivariograma para o grfico de (h) em funo de h.
25
UFU/FAMAT
(h) =
[ z(t + h) Z (t )]
i =1
2n( h )
b) Caracterizao do semivariograma
Analisando a expresso da funo semivarincia, pode-se imaginar que quanto mais
prximos estiverem os pontos amostrados, maior ser a semelhana entre eles e, portanto,
menor a semivarincia; e quanto mais distantes estiverem os pontos amostrados menor ser
a semelhana e, consequentemente, maior a disperso (varincia). Na teoria temos que para
a distncia h=0 a semivarincia (0) = 0 e, a semivarincia (h) cresce com o incremento
de h, at atingir um valor constante para (h) que corresponde s variaes aleatrias, ou
seja, variaes que no so justificada pela semelhana de um ponto com outro.
A distncia h a partir da qual (h) se torna aproximadamente constante chamada
de alcance da dependncia espacial (a) sendo que as medies realizadas a distncias
maiores que a, tem distribuio espacial aleatria e, portanto, so independentes entre si. O
valor de (h) constante chamado de patamar (C).
A utilizao de dados amostrais na estimativa da semivarincia e na construo do
semivariograma, revela que, freqentemente, para h = 0 a semivarincia (0) difere de zero.
A impossibilidade de se fazer reamostragem exatamente sobre um ponto j amostrado
26
UFU/FAMAT
(nestes casos pode ocorrer variaes a distncias menores do que a menor distncia de
amostragem) e erros como erros de amostragem, erros de anlise de laboratrio, etc., so
justificativas dessa descontinuidade na origem. Quando (0) 0, surge um novo termo no
semivariograma chamado de efeito pepita (C0) e, neste caso, o patamar dado por:
C0 + C.
Observao: Pode-se mostrar que o patamar do semivariograma (C0 + C) uma
estimativa sem tendncia da varincia (2) da varivel Z(t).
C0 + C
(A)
(B)
INDEP
DEP.
INDEP.
DEP.
C0
Figura 11. Semivariogramas: (A) sem efeito pepita; (B) com efeito pepita
UFU/FAMAT
resduo apresenta
28
UFU/FAMAT
gama (h)
20
15
10
5
0
0
10
15
20
15
20
15
20
15
20
gama (h)
20
15
10
5
0
0
10
h
gama (h)
20
15
10
5
0
0
10
h
10
gama (h)
6
4
2
0
0
10
h
29
UFU/FAMAT
gama(h)
40
30
20
10
0
0
10
15
20
25
30
Figura 12. Semivariogramas: A) Com patamar; B) Efeito pepita puro; C) sem patamar
D)Cclico e E) Com estruturas entrelaadas
do patamar
< 0,25 ;
C0 + C
ii) varivel com moderada dependncia espacial se o efeito pepita representar entre
C0
25% e 75% do patamar 0,25
0,75 ;
C0 + C
iii) varivel com fraca dependncia espacial se a relao entre efeito pepita e patamar
C0
estiver entre 75% e 100% 0,75 <
< 1,00
C0 + C
iv) varivel independente espacialmente se a relao entre efeito pepita e patamar for
igual a 100%, neste caso temos o semivariograma com efeito pepita puro
C0
= 1,00 .
C0 + C
30
UFU/FAMAT
d) Isotropia e anisotropia
Note que h um vetor e, consequentemente, o semivariograma depende da
magnitude e da direo de h. Quando o semivariograma idntico para qualquer direo de
h ele chamado de isotrpico e quando o semivariograma apresenta os parmetros C, C0, a
e/ou modelo diferenciado dependendo da direo de h, ele chamado anisotrpico
(podemos classificar a anisotropia em anisotropia geomtrica ou anisotropia zonal). Se o
semivariograma anisotrpico ele deve sofrer transformaes antes de ser usado. Vieira
(1995) alega que, em geral, a preciso da interpolao ou o tipo de hiptese satisfeita, no
so afetados se, ao invs de se preocupar com a escolha de mtodo de transformao de
anisotropia, apenas limitar a faixa de distncia na qual se utiliza o semivariograma. As
principais direes de h que so examinadas so: 0o (na direo X), 90o (na direo Y), 45o
e 1350 (nas duas diagonais principais).
Quando os dados forem coletados em uma transeo (linha), o semivariograma
unidimensional e nada pode ser dito sobre anisotropia.
31
UFU/FAMAT
30
25
20
15
10
5
0
-5 0
y = x2
10
5
0
0
32
UFU/FAMAT
33
UFU/FAMAT
desse critrio na seleo do modelo preferido, por ser este mais sensvel e mais robusto
quando comparado com o coeficiente de determinao (R2).
Observao: Em muitos casos (talvez na maioria dos casos) a sensibilidade de quem est
trabalhando com os dados e o conhecimento sobre a varivel de fundamental importncia
na opo do modelo de semivariograma. s vezes prefervel selecionar um modelo com
R2 um pouco menor ou RSS um pouco maior que o sugerido pelo programa, mas que
represente melhor os dados. De maneira geral, quanto mais simples puder ser o modelo
ajustado, melhor, e tambm no se deve dar importncia excessiva a pequenas flutuaes.
C 0 + h
( h) =
a
C 0 + C
0ha
h>a
ii)
modelo esfrico
3 h 1 h 3
C + C
(h) = 0
2 a 2 a
C0 + C
iii)
modelo exponencial
(h) = C0 + C 1 e[ 3( h / a )]
34
0ha
h>a
0<h<d
UFU/FAMAT
iv)
modelo gaussiano
(h) = C 0 + C 1 e [ 3( h / a )
v)
0hd
( h ) = C0 + Ah B
0<B<2
Os parmetros A e B so constantes que definem o modelo, sendo que B tem que ser
estritamente maior que zero e menor que dois para garantir a condio de positividade
definida condicional.
A=8,0; B=0,5
A=0,9; B=1,0
A=0,1;B=1,5
Linear
Gaussiano
Exponencial
Esfrico
(B)
Figura 15. Modelos de semivariograma: (A) com patamar; (B) sem patamar.
35
UFU/FAMAT
apresentada na coluna
Passos para
clculo da
semivarincia
Anlise de
anisotropia
Clculo das
semivarincias e do
semivariograma
Exibe o
semivar.
Varincia
amostral
Semivar.
escalonado
Semivariograma
isotrpico
Semivariogramas
anisotrpicos
36
UFU/FAMAT
37
UFU/FAMAT
Mostra o semivariograma
com os respectivos
parmetros e ajuste
Note que a Figura 17 apresenta ainda a opo model e a opo expand. O resultado
da execuo dessas funes so apresentados nas Figuras 18 e 19.
A Figura 18 exibe as opes de modelos de semivariogramas.
modelos
Efeito
pepita
Refaz o semivariograma
padro do GS+
patamar
amplitude
Amplitude
efetiva (exp
e gaussiano).
Relao
entre C e
patamar
Coef.
Determinao e
soma de quadrados
de erros
Aplica o novo
modelo caso haja
modificao
38
UFU/FAMAT
Observaes:
a) O programa no apresenta o modelo de efeito pepita puro. Para obter este modelo
utilize o modelo linear com C0 = C0 +C.
b) A amplitude efetiva utilizada no GS+ para determinar a amplitude de dependncia
espacial dos modelos exponencial e gaussiano, devido a formula de clculo desses
modelos no programa, A0 A (Estes modelos no GS+ no consideram o fator
multiplicativo 3).
c) A inclinao no modelo linear e linear com patamar (coeficiente angular) e dado pela
relao entre C e A0, ou seja, C/A0.
d) A relao entre C e C0+C nos d uma idia do grau de dependncia espacial da varivel,
sendo que quanto mais prximo de 1, maior a dependncia espacial. Note que
C0
C
e o primeiro termo j foi discutido no item grau de dependncia
= 1
C0 + C
C0 + C
espacial, classificando a dependncia como fraca, moderada e forte.
e) R2 (coeficiente de determinao) e RSS (soma de quadrados de resduos) nos informa
sobre a qualidade do ajuste do modelo.
f) No ajuste do modelo a sensibilidade do usurio muito mais importante do que os
valores de R2 e RSS e, portanto, tentativas de ajustes diferentes ao proposto pelo
programa devem ser utilizadas, mesmo que isso cause queda no valor de R2 e acrscimo
no valor de RSS.
g) O programa no apresenta a opo de ajuste de modelo sem patamar diferente do linear.
Neste caso, sugere-se que se copie as semivarincias calculadas para outro programa e
que o grfico seja feito neste outro programa, por exemplo, O Excel.
39
UFU/FAMAT
Semivariograma
experimental e
modelo ajustado
Parmetros do
modelo
ajustado
Lista semivarincia
calculada, com
distncias e nmero de
pares
Mostra as diferenas
quadrticas que geram
a semivarincia
Edita o
semivariograma
40
UFU/FAMAT
17.46875
0.265581
17.5
18
1.50235
2.257056
0.129546
0.27713
15
21
41
UFU/FAMAT
b) Semivarincia e semivariograma
Os valores das distncias h, das semivarincias ((h)) e nmeros de pares(n(h)) utilizados
no clculo so apresentados abaixo.
Distncias de clculo, valores de semivarincia e nmero de pares.
Distncia h (m)
Semivarincia ((h))
20
2,129
40
1,417
60
2,500
80
2,214
100
2,037
120
2,327
140
2,120
160
2,396
180
2,065
200
2,545
220
2,738
240
2,825
260
2,711
280
1,778
300
2,735
320
1,719
340
3,367
360
1,857
380
2,808
400
2,375
420
2,318
440
2,400
460
1,056
semivarincia
4.000
3.000
2.000
1.000
0.000
0
100
200
300
400
500
h (m)
42
UFU/FAMAT
b) Semivariograma
O modelo proposto pelo GS+ foi:
43
UFU/FAMAT
Comparando os dois modelos verifica-se ligeiro aumento de r2, mantendo-se o mesmo valor
de RSS, desta forma o modelo proposto no exemplo 1 poderia ser utilizado.
As descries e discusses seguem o padro do exemplo 1.
Lembre-se que o modelo adotado foi o exponencial e portanto o alcance efetivo ser de
40,80 m no primeiro caso e de 120 m no segundo caso.
Outros modelos poderiam ser sugeridos neste caso.
44
UFU/FAMAT
3) A seguir apresentamos as coordenadas X (m), Y (m) e a varivel silte (%) em uma rea
experimental.
X
10
10
10
10
10
10
10
10
10
20
30
40
50
60
70
10
20
30
40
50
60
70
PBPD
X
Y
PBPD
12.77 12.84 11.39 12.30 12.43 12.43 12.45 12.74 11.39 12.32 12.16 11.49 10.39 11.32 11.24 12.49
20
20
20
20
20
20
20
20
30
30
30
30
30
30
30
30
10
20
30
40
50
60
70
10
20
30
40
50
60
70
11.25 11.97 12.38 12.85 12.55 12.49 12.58 12.82 12.49 11.67 11.59 12.72 11.12 11.18 11.53 11.48
40
40
40
40
40
40
40
40
50
50
50
50
50
50
50
50
10
20
30
40
50
60
70
10
20
30
40
50
60
70
PBPD
11.81 11.19 11.46 11.44 12.39 12.17 11.69 12.32 11.58 11.11 11.55 10.79 11.13 11.29 12.62 12.01
60
60
60
60
60
60
60
60
70
70
70
70
70
70
70
70
10
20
30
40
50
60
70
10
20
30
40
50
60
70
PBPD
12.66 11.49 11.25 12.87 12.77 11.95 11.96 11.11 10.81 11.65 12.36 11.90 12.16 12.56 12.54 11.46
Realizar a anlise dos dados e verificar se existe dependncia espacial para essa varivel.
SOLUO:
a) Anlise descritiva
O resultado das principais estatsticas dessa varivel apresentado a seguir:
Nota-se que a rea apresenta, em mdia, 11,92% de silte, com disperso mdia em torno
desse valor de 0,6302%. Esta disperso em torno da mdia representa uma variabilidade de
5,29% (CV=5,29%), mostrando que os dados tm uma baixa disperso. Os coeficientes de
assimetria e curtose com os respectivos erros padro indicam tendncia simtrica dos
dados, mas a curva do tipo platicrtica, diferindo da curva normal (mesocrtica). Com base
em uma anlise visual do histograma, verifica-se uma distribuio de freqncias bimodal
para esta varivel.
45
UFU/FAMAT
b) Anlise do semivariograma
A seguir mostrado o semivariograma dessa varivel:
46
UFU/FAMAT
O modelo apropriado para descrever o comportamento espacial dessa varivel foi o modelo
de efeito pepita puro. Nota-se que as semivarincias experimentais esto em torno da linha
paralela ao eixo x, ou seja, C0 + C = 0,397. Conclui-se, portanto, que a distribuio espacial
do silte nesta rea experimental aleatria e as amostras, para a malha amostrada (com
distncia entre pontos de 10 m), so independentes.
20
40
60
80
100
120
140
160
180
20
40
60
80
100
120
140
20
20
20
20
20
20
20
20
20
40
40
40
40
40
40
40
X
Y
U
28.16 27.16 26.09 27.27 27.61 26.61 26.13 29.73 31.12 27.52 26.54 26.45 24.98 27.93 26.91 24.13
160
180
20
40
60
80
100
120
140
160
180
20
40
60
80
100
40
40
60
60
60
60
60
60
60
60
60
80
80
80
80
80
27.80 29.69 28.40 27.63 27.42 26.81 26.37 28.61 27.66 30.17 28.86 26.58 26.03 26.72 27.50 26.44
120
140
160
180
20
40
60
80
100
120
140
160
180
20
40
60
80
80
80
80
100
100
100
100
100
100
100
100
100
120
120
120
23.63 26.83 25.46 24.17 26.61 24.49 22.35 22.05 22.05 24.98 23.35 26.18 22.30 27.89 24.64 24.20
80
100
120
140
160
180
20
40
60
80
100
120
140
160
180
120
120
120
120
120
120
140
140
140
140
140
140
140
140
140
PBPD
25.36 24.77 27.54 25.49 24.45 24.36 26.39 26.73 29.87 23.63 25.30 23.27 25.82 26.85 25.36
Realizar a anlise dos dados e verificar se existe dependncia espacial para essa varivel.
47
UFU/FAMAT
Soluo:
a) Anlise descritiva
As estatsticas e o histograma da varivel umidade foram:
Verifica-se que este solo apresentou, na poca de coleta, umidade mdia de 26, 24 g de
gua/100g de solo, com desvio padro de 2,020 g/100g, o que representa uma variabilidade
de 7,7%, considerada uma baixa variabilidade dos dados em torno do valor mdio. Os
histogramas, associado assimetria e curtose dos dados, mostram que os dados se
distribuem segunda a curva normal.
48
UFU/FAMAT
b) Anlise do semivariograma
O semivariograma desta varivel :
Nota-se que a varivel umidade do solo apresenta dependncia espacial, que pode ser
descrita pelo modelo exponencial com alcance de 81 m, ou seja, amostras de umidade do
solo selecionadas a distncias inferiores a 81 m esto correlacionadas entre si. A relao
entre o efeito pepita e o patamar de 13,63%, indica que a dependncia espacial forte.
49
UFU/FAMAT
5. KRIGAGEM
5.1. O interpolador
O semivariograma a ferramenta da geoestatstica que permite verificar e modelar a
dependncia espacial de uma varivel. Uma aplicao imediata do semivariograma a
utilizao das informaes geradas por ele na interpolao, ou seja, na estimativa de dados
e posterior mapeamento da varivel. O interpolador que utiliza o semivariograma em sua
modelagem chamado de krigagem. O nome krigagem uma homenagem ao engenheiro
sul-africano D. G. Krige.
Para a aplicao da krigagem assume-se: que sejam conhecidas as realizaes z(t1),
z(t2), ..., z(tn) da varivel Z(t), nos locais t1, t2, ..., tn; que o semivariograma da varivel j
tenha sido determinado; e que o interesse seja estimar um valor z* na posio t0.
O valor estimado z*(t0) dado por:
n
z * (t 0 ) = i z (t i )
i =1
=1
50
UFU/FAMAT
(t , t
i =1
) + = (t i , t 0 )
E2 = + i (t i , t 0 )
O sistema de equaes da krigagem contm n+1 equaes e n+1 incgnitas e uma
nica soluo produz n pesos e um multiplicador de Lagrange .
Em notao matricial, chamando de A a matriz das semivarincias dos valores
amostrados envolvidos na estimativa de z*(t0); a matriz coluna que contm os pesos i e o
multiplicador de Lagrange e b a matriz coluna das semivarincias entre os valores
amostrados e o ponto a ser estimado, tem-se:
A
=b
E, portanto:
=A-1b
A varincia da estimativa (E2) e dada por:
E2 = bt
As matrizes A, b e so:
(t1 , t1 )
(t , t )
2 1
.
A= .
.
(t n , t1 )
1
1
(t1 , t 0 )
(t , t )
1
2 0
. ; b= .
; =
.
1
(t n , t 0 )
1
51
1
2
.
.
.
n
UFU/FAMAT
Observaes:
i)
ii)
iii)
O sistema deve ser resolvido para cada estimativa z* e para cada variao do
nmero de amostras envolvidos na estimativa.
Validao cruzada
Mtodo de
krigagem
Modelo de
semivariograma
Arquivo e tipo de
arquivo para gravar a
krigagem
vizinhos
A krigagem pode ser expressa por meio de mapas, sendo necessrio para isto, ativar o cone
map, tendo como resultado a Figura 21.
52
UFU/FAMAT
53
UFU/FAMAT
54
UFU/FAMAT
11(h) =
1
E { Z 1( t 1i + h) - Z 1( t 1i ) }2 B
2
22 (h) =
1
E { Z 2 ( t 2j + h) - Z 2 ( t 2j ) }2 C
2
ii) O semivariograma cruzado entre Z1(t1i) e Z2(t2i), igual ao semivariograma cruzado entre
Z2(t2j) e Z1(t1i):
12 (h) = 21( h ) =
1
E {[ Z 1( t 2i + h) - Z 1( t 1i )][ Z 2 ( t 2j + h) - Z 2 ( t 2j )]}
2
55
UFU/FAMAT
1 n(h)
[ Z 1( t 1i + h) - Z 1( t 1i )][ Z 2 ( t 2j + h) - Z 2 ( t 2j )] E
12 (h) =
2n(h) i=1
onde n(h) o nmero de valores de Z1 e Z2 separados por um vetor h.
Pode-se notar que o semivariograma um caso particular do semivariograma
cruzado, quando as duas variveis so idnticas.
O semivariograma cruzado s ser calculado usando as informaes existentes para
posies geogrficas coincidentes. Isto significa que Z1 e Z2 tem que ser, necessariamente,
definidos para os mesmos locais, e as informaes excedentes no so consideradas no
clculo.
Um semivariograma cruzado com caractersticas que podem ser identificadas como
ideais, teria aparncia do semivariograma simples (de uma nica varivel, ou seja, patamar
definido, semivarincia crescente para pequenas distncias, modelo esfrico), porm, com
significados diferentes, pelo simples fato de envolver o produto das diferenas de duas
variveis diferentes. Por exemplo, ao contrrio do semivariograma, no obvio que o valor
do semivariograma cruzado para h=0, deva ser nulo. Assim, alm de espaos menores do que
distncia de amostragem, acumulado no mesmo parmetro, est falta de correlao entre as
duas variveis.
6.2. Co-krigagem
A krigagem um caso particular do mtodo co-krigagem. Uma vez que exista a
dependncia espacial para cada uma das variveis Z1 e Z2, e que tambm exista dependncia
espacial entre Z1 e Z2, ento possvel utilizar a co-krigagem para estimar valores.
56
UFU/FAMAT
Suponha que se queira estimar valores, Z2*, para qualquer local, t0, e que a estimativa
deva ser uma combinao linear de ambos Z1 e Z2, ou seja,
z*2 (t0
)=
i= 1
1i z 1( t 1i ) +
i= 1
2j z 2 ( t 2j ) F
Z *2 (to
)=
n1
i= 1
1i Z 1( t 1i ) +
n2
i= 1
2j Z 2 ( t 2j ) G
Para que o estimador seja timo, ele no pode ter tendncia e tem que ter varincia
mnima. Em outras palavras, para que o estimador seja o melhor possvel, necessrio que ele
no superestime nem subestime valores, e que a confiana nas estimativas seja mxima.
O raciocnio bsico para deduo do sistema de equaes da co-krigagem idntico
ao da krigagem, com uma diferena que, neste caso, envolve duas variveis, e por isto envolve
equaes mais longas, com subscritos, complicando um pouco mais a situao. Porm, o
raciocnio e, por conseguinte, a lgebra envolvida, so o mesmo.
Para que a estimativa no tenha tendncia, qualquer que seja a distribuio dos pesos,
a soma daqueles associados com a varivel estimada deve ser igual a 1, e a soma daquelas
associadas outra varivel, tem que ser nula.
O sistema co-krigagem e a varincia da estimativa podem ser escritos em termos de
semivariograma, usando a hiptese de estacionaridade de ordem 2. Assim, o sistema da cokrigagem, em termos de semivariograma fica:
57
UFU/FAMAT
n1
i= 1
n2
1i 12 ( t 1i ,t 1k ) +
j=1
2j 12 ( t 1k ,t 2j ) - 1 =
= 12 ( t 1k ,t 0 ), k = 1,... n1
n1
i=1
1i 12 ( t 1i ,t 2l ) +
n2
j=1
2j 22 ( t 2j ,t 2l ) - 2 =
= 22 ( t 2l ,t 0 ), l = 1,... n2
I
N1
i=1
1i = 0
N2
2j = 1
j=1
e a varincia da estimativa fica:
n1
n2
k 2( t 0 ) = 1 + 2 + 1i 12 ( t 1i ,t 0 ) + 2j 22 ( t 2j ,t 0 ) J
i= 1
j =1
2
58
UFU/FAMAT
-1
[ ] = [ ] [b] L
onde []-1 o inverso da matriz de coeficientes [], [] a matriz dos pesos procurados, 1i e
2j, e [b] o lado direito do sistema de equaes (semivarincia do ponto a ser estimado (t0) e
o ponto observado (t12 ou t21)).
A varincia da estimativa pode ser escrita como:
t
2 k2 ( t 0 ) = [ ] [b] M
onde []t o transposto da matriz [].
Suponha ento que o nmero de vizinhos de Z2 usados seja n2=2, e de Z1, n1=4. A
matriz [] ser ento de 8x8 e pode ser escrita como:
11 ( t 11 , t11 )
11 ( t12 , t 11 )
11 ( t 13 , t 11 )
11 ( t 14 , t 11 )
12 ( t 11 , t 21 )
12 (t11 , t 22 ) 1 0
11 ( t 11 , t 12 ) 11 ( t 12 , t 12 )
11 ( t 13 , t 12 )
11 ( t 14 , t 12 )
12 ( t 12 , t 21 ) 12 ( t 12 , t 22 ) 1 0
11 ( t 11 , t 13 ) 11 ( t 12 , t 13 )
11 ( t 13 , t 13 )
11 ( t 14 , t 13 )
12 ( t 13 , t 21 )
12 ( t 11 , t 14 ) 11 ( t 12 , t 14 )
11 ( t 13 , t 14 ) 11 ( t 14 , t 14 ) 12 ( t 14 , t 21 ) 12 ( t 14 , t 22 ) 1 0
12 ( t 13 , t 22 ) 1 0
12 ( t 11 , t 21 ) 12 ( t 12 , t 21 ) 12 ( t 13 , t 21 ) 12 ( t 14 , t 21 ) 22 ( t 21 , t 21 ) 22 ( t 21 , t 22 ) 0 1
12 ( t 11 , t 22 )
12 (t12 , t 22 ) 12 ( t 13 , t 22 ) 12 ( t 14 , t 22 ) 22 ( t 22 , t 21 ) 22 ( t 22 , t 22 ) 0 1
0 0 0
1 0 0
11
12
13
14
[ ] =
21
22
1
2
59
UFU/FAMAT
N
A matriz [b] do lado direito fica,
12 ( t 11 , t 0 )
12 ( t 12 , t 0 )
[b] =
12 ( t 13 , t 0 )
12 ( t 14 , t 0 )
22 ( t 21 , t 0 )
22 ( t 22 , t 0 )
60
UFU/FAMAT
61
UFU/FAMAT
a) Vizinhana nica
associados a vizinhos separados por distncias maiores do que o alcance, no devem ter
contribuio significativa no valor estimado. Outro ponto importante que, para se usar
vizinhana nica, necessrio que o semivariograma seja definido at a maior distncia
existente no espao.
A vantagem deste mtodo reside no fato que, uma vez invertida a matriz de
coeficientes, ento as estimativas podem ser feitas para qualquer espaamento com um
pequeno consumo de tempo de processamento de computador.
invertida pode ser arquivada no computador e usada quantas vezes for necessrio, desde que
no mude o modelo do semivariograma e distribuio dos pontos amostrados no espao.
Existem algumas variveis que, embora mudem as magnitudes de variao, preservam entre si
a maneira como variam no espao, apresentando semivariogramas que podem ser agrupados
em um nico, quando divididos individualmente, pelas respectivas varincias. Como exemplo
pode-se incluir umidade do solo amostrada em pequenos espaos de tempo. Nesse caso ento,
62
UFU/FAMAT
b) Distncia constante
Neste mtodo, para cada ponto estimado selecionada uma vizinhana constando de
todos os vizinhos localizados dentro de um circulo de raio especificado. Conseqentemente,
nos cantos de um campo retangular ocorre 1/4 de crculo, com 1/4 do nmero de vizinhos. A
grande vantagem deste mtodo est no fato que se conhece exatamente a distncia na qual os
vizinhos para estimativa so procurados. Isto particularmente importante porque se pode
limitar o uso do semivariograma quanto distncia sobre qual ele ser calculado. Por outro
lado, o nmero de vizinhos pode mudar bastante ao longo do campo, fazendo com que o
tamanho do sistema matricial seja varivel. Em termos de programao de computador, isto
pode se tornar um problema se exceder o valor usado na dimenso das matrizes.
63
UFU/FAMAT
d) Quadrantes
6.5. O uso do programa GS+ na determinao do semivariograma cruzado, da cokrigagem e no mapeamento da varivel.
Temos duas variveis aleatrias Z1 e Z2, suponha que a varivel Z1 teve uma
subamostragem em relao a Z2 e que elas apresentam semivariogramas definidos
isoladamente e que tambm apresentem distribuio espacial conjunta, ou seja, correlao
espacial, ento podemos proceder a anlise do semivariograma cruzado e da co-krigagem. O
arquivo de dados ter aspecto apresentado na Figura 19.
Os procedimentos gerais da anlise de semivariogramas cruzados e de co-krigagem
segue os mesmos procedimentos das anlises simples. Deve-se ressaltar que se faz as anlises
individuais das variveis e depois a anlise conjunta.
64
UFU/FAMAT
Ferramentas de
anlises descritivas
das variveis Z1, Z2
Krigagem e
cokrigagem
Semivariograma
da varivel 1
Semivariogram
a da varivel 2
Semivariograma
Cruzado
Mapas
Figura 20. cones ativos nas anlises descritivas, semivariogramas simples, semivariogramas
cruzados, krigagem/co-krigagem e mapas.
65
UFU/FAMAT
66
UFU/FAMAT
macro usat
macro Usat
0.00
0.00
16.07
43.19
40.00
0.00
24.66
57.30
0.00
10.00
21.98
48.61
40.00
10.00
13.89
47.39
0.00
20.00
35.50
40.00
20.00
15.45
46.03
0.00
30.00
25.11
56.49
40.00
30.00
24.37
52.26
0.00
40.00
33.89
63.62
40.00
40.00
0.00
50.00
18.52
47.90
40.00
50.00
0.00
60.00
37.32
65.89
40.00
60.00
43.89
0.00
70.00
54.11
40.00
70.00
37.08
10.00
0.00
16.91
47.23
50.00
0.00
10.00
10.00
10.44
40.70
50.00
10.00
10.00
20.00
17.80
45.06
50.00
20.00
10.00
30.00
22.34
52.04
50.00
30.00
10.00
40.00
55.95
50.00
40.00
29.01
59.18
10.00
50.00
45.72
50.00
50.00
22.16
52.06
10.00
60.00
43.26
50.00
60.00
45.67
10.00
70.00
49.98
50.00
70.00
46.45
20.00
0.00
45.31
60.00
0.00
14.14
40.65
20.00
10.00
20.67
53.27
60.00
10.00
28.29
56.86
20.00
20.00
24.14
59.00
60.00
20.00
26.38
56.04
20.00
30.00
28.47
61.94
60.00
30.00
28.42
57.23
20.00
40.00
25.16
55.59
60.00
40.00
24.91
57.56
20.00
50.00
25.88
53.81
60.00
50.00
26.90
52.29
20.00
60.00
49.60
60.00
60.00
46.55
20.00
70.00
54.44
60.00
70.00
44.15
30.00
0.00
54.07
70.00
0.00
25.82
52.15
30.00
10.00
40.00
70.00
10.00
22.30
50.35
30.00
20.00
40.18
70.00
20.00
25.64
53.94
30.00
30.00
21.01
59.21
70.00
30.00
22.79
51.72
30.00
40.00
14.79
46.62
70.00
40.00
18.20
48.55
30.00
50.00
18.03
49.89
70.00
50.00
27.55
53.65
30.00
60.00
50.14
70.00
60.00
30.00
70.00
44.43
70.00
70.00
13.53
20.88
25.65
11.40
14.39
67
49.29
30.51
23.59
58.55
52.84
50.27
29.69
58.20
45.85
45.91
23.37
51.85
UFU/FAMAT
Atributos
Usat (%)
MACRO (%)
64
45
Mdia
50,54
22,50
Desvio Padro
6,41
5,98
Coef. de Variao
12,68
26,57
Coef. de Assimetria
-0,02
-0,02
Coef. de Curtose
-0,31
-0,33
68
UFU/FAMAT
Semivariograma
para
umidade
solo
69
UFU/FAMAT
semivariograma cruzado
Se para cada um dos n locais onde se tem um valor medido Z(xi), estima-se um valor
atravs da krigagem (ou da co-krigagem), Z*(ti), ento poder-se- fazer um grfico dos valores
pareados de Z(ti), Z*(ti) e calcular a regresso linear entre eles. A regresso ser ento:
70
UFU/FAMAT
Z* ( t i ) = a + b Z( t i )
onde a a intercesso, b o coeficiente angular da reta e r2 o coeficiente de correlao entre
Z*(xi) e Z(xi).
Assim, se a estimativa (Z*(xi)) fosse idntica ao valor medido (Z(xi)), ento a seria
nulo, b e r2 seriam iguais unidade (um), e o grfico de Z(xi) vs Z*(xi) seria uma srie de
pontos na linha 1:1. Na medida em que os valores de a aumentam de 0 (zero) para valores
positivos, isto indica que estimador Z*(xi) est superestimando valores pequenos de Z(xi) e
subestimando valores grandes. medida que a decresce de 0 (zero) para valores negativos, o
contrrio acontece. Este ltimo caso, porm, no comum.
Desse modo, a qualidade da estimativa pode ser medida pelo julgamento destes
parmetros.
b) O erro absoluto
Uma vez que se tem o conjunto de n valores medidos e estimados, Z(xi) e Z*(xi),
ento pode-se definir o erro absoluto como:
EA( xi ) = Z* ( xi )- Z( xi ) O
Aplicando-se as condies de no tendncia e de varincia mnima, nos erros
absolutos, pode-se ento dizer que:
EA = E {EA( xi )} = E { Z* ( xi )- Z( xi )} = 0 P
e
2
VAR( EA ) = E {( Z* ( xi )- Z( xi ) ) } = mnima Q
Se estas condies no forem satisfeitas, ento alguma das condies previamente
assumidas estar sendo violada. Porm, a equao bastante difcil de ser verificada porque o
conceito de ser mnimo torna-se subjetivo quando no se tem uma referncia. O procedimento
seguinte pode contribuir nesse sentido.
71
UFU/FAMAT
c) Erro reduzido
Lembrando que no clculo dos valores estimados, Z*(xi), sempre se tem a varincia
da estimativa, 2k(ti), ento pode-se definir o erro reduzido como:
ER( t i ) = ( Z* (t i ) - Z( t i ))/ k ( t i ) R
A diviso pela raiz quadrada da varincia da estimativa faz com que os ER(ti) sejam
sem dimenso e que, por isso, as condies de no tendncia e de varincia mnima, requeiram
que:
ER = E {ER( xi )} = E {( Z* ( xi )- Z( xi )) / k ( xi )} = 0 S
e
VAR( ER ) = E {( Z* ( xi )- Z( xi )) / k ( x0 ) } = 1 T
2
Estas propriedades fazem deste tipo de erro uma valiosa ferramenta e de fcil uso,
nas aplicaes de geoestatstica. O fato de terem valores ideais fixos em 0 (zero) e 1 (um), e
de serem sem dimenso, facilita seu julgamento e estudo, e tambm permite sua comparao
com outras situaes expressas em unidades diferentes.
A Figura 23 mostra uma sada da opo de validao cruzada apresentada pelo
programa GS+. A validao cruzada ativada na janela da Krigagem, conforme mostram a
Figuras 20 e 22.
72
UFU/FAMAT
Note, neste caso, que a reta ajustada est praticamente igual a reta a 45 (Grfico
1:1), o coeficiente de regresso (coeficiente angular) de 0,944 com erro padro de 0,105
indica que este estatisticamente igual a 1 e o y intercept (coeficiente linear) de 0,024
mostra que este pode ser considerado estatisticamente igual a zero, condies estas timas
para as estimativas. O coeficiente de determinao (r2) de 0,39 considerado relativamente
baixo, mas devido ao grande nmero de observaes e sabendo-se que este coeficiente
altamente influenciado pelo nmero de pares, podemos considera-lo como satisfatrio.
Tambm pode-se verificar, pelo grfico, que os valores extremos que esto mais afastados
da reta e podemos associar isto ao fato do semivariograma geralmente apresentar melhores
estimativas para distncias curtas.
A anlise da validao cruzada deve ser feita com base em todos os parmetros e
no com base em parmetros isolados.
73
UFU/FAMAT
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. Geoestatstica e aplicaes. Minicurso do 9o Simpsio Brasileiro de
Probabilidades e Estatstica. IME. USP. So 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 . Estatstica bsica. 4a ed.. So Paulo : Atual, 1987. 321
p.
CADIMA, Z. A.; LIBARDI, P. L.; REICHARDT, K. Variabilidade espacial da condutividade
hidrulica em latossolo Vermelho Amarelo textura mdia, no campo. Revista Brasileira de
Cincia 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. Estatstica. So 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 anlise estatstica do delineamento em blocos
aumentados no melhoramento gentico vegetal. 2000 293p. (Tese - Doutorado em Gentica
e Melhoramento de Plantas) ESALQ-USP, Piracicaba.
FREITAS, V. A. de. Anlise de dados espaciais por meio de semivariogramas. Uberlndia.
Monografia (Graduao em Matemtica) Universidade Federal de Uberlndia, 2000. 30p.
GOMES, B. M. Comportamento espacial do percentil 75 da precipitao decendial do
estado de So Paulo. Botucatu. Tese (Doutorado em Agronomia) Universidade Estadual
Paulista Jlio de Mesquita Filho, Faculdade de Cincias Agronmicas 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
UFU/FAMAT
New
York : Oxford
75
UFU/FAMAT
76
UFU/FAMAT
OBSERVAO:
Pgina na internet para busca de artigos, programas, livros e outros assuntos de
geoestatstica:
http://www.famat.ufu.br/ednaldo/ednaldo.htm
http://www.rc.unesp.br/igce/aplicada/landim.html
http://musis.sites.uol.com.br/geo1.htm
http://sc-terre-218.unil.ch/
http://www.ai-geostats.org/
77