Scribd Logo
Fazer o upload

Bem-vindo(a) ao Scribd!

  • Validação Cruzada e Tendencia

    Enviado por

    Marcelo
    20 visualizações12 páginas
    Estudos em Geoestatística

    Direitos autorais

    © © All Rights Reserved

    Formatos disponíveis

    PDF ou leia online no Scribd

    Você considera este documento útil?

    Este conteúdo é inapropriado?

    Denunciar este documento
    Estudos em Geoestatística

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PDF ou leia online no Scribd
    Sinalizar o conteúdo como inadequado
    20 visualizações12 páginas

    Validação Cruzada e Tendencia

    Enviado por

    Marcelo
    Estudos em Geoestatística

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PDF ou leia online no Scribd
    Sinalizar o conteúdo como inadequado
    de 12
    ‘Acta Geologica Leopoldensia NAV) 3-14, 2002 NOTAS DE GEOESTATISTICA José Leonardo Silva Andriotti CPRM / Servigo Geoligico do Brasil e UNISINOS andri@portoweb.com.br RESUMO: A Gevestatisties vem tendo, a partir dos anos setenta, umm aumento significativo de utilizagées no ‘mundo inteiro, tanto em nivel quantitativo (cada vez maiores percentuais de casos de estudo utlizam esta ferramenta em cada rea) quanto em nimero de éreas da ciéncia que langam mio de suas téenicas para a obtengio de estimativas as mais diversas. Campos de atividade cada vez mais variados vm utilizando a Geoestatistia, alguns em cardter experimental mas, prineipalmente, muites deles ja de forma rotineira. Hoje se toma difiit falar em ‘campos de utilizagdo possiveis da Geoestatistica, tal o crescimento que experimenta Andkioti (1989) publicow um documento no qual expunha os conceites bisicos da Geoestatstica, apresentando, a0 final, uma lista de referéncias bibliograficas. Neste documento nio se objetiva mostrar 0s conceitos de base novamente, mas to somente comentar alguns detalhes dos mesmos. Estes conceitos iniciais esto presentes cm farta bibliografia especializada, tanto nas lstadas no documento referido quanto na relacionada no presente. As referencias apresentadss aqui como leitura adicional recomendada sto todas posteriores & data de publicagio do referido texto, Néo se trata de uma lista exaustiva, sendo relacionadas apenas aguas julgadas de dtima qualidade pela clareza com que colocam os conceitos ¢ as discusses sobre o tema. O mesmo autor publicou, em 1991, artigo sobre aplieagdes de Estatistica, E importante ressaltar que para uma aplicagio segura da Gzoesatistica € necessaio um conhecimento prévio dos concertos de Estatstiea Também nao se discute, no presente, todos os iniimeros pontos de interesse que fazem parte do escopo da Geoestatistca, tendo sido deixados de fora assuntos importantes como cokrigagem, simulagdes e outros, j& que © ‘objetivo principal ¢ simplesmente tecer comentarios sobre determinados pontos que normalmente suscitam dividas centre os que comegam a buscar solugdes para seus problemas de estimago com a ajuda da Geoestatistia, Assim, o presente documento no prescinde do fato de que 0 leitor j6 tenha tido uma iniciago sobre 0 assunto, uma vez que os conceitos de base no fazem parte do mesma, Geoestatistica, estatistica, geotogia, ABSTRACT: Geostaisties is focused on analysis and prediction of the spatial variation of the regionalized Variables. Since the seventies the use of Geostatstcs has spread from ils original applications (mining and mineral exploration) to several branches of science. In previous papers (Ancriotti 1989, 1991) reviews ofthe basic concepts of Geastatstcs and Statistics were rade and in the present one there are discussions about the main concepts of Geostatistics, such as the theory of regionalized variables (stationary and intrinsic models), variograms (parameters, common Features, interpretation), estimation variance, dispersion variance, kt 1g and cross validation. Some topies that cause doubts in the most usual applications of Geostatisties to ease studies are presented and diseussed in brief Reading this text is recommended to the ones who know the basic principles of Geostatistics and make use of them, Keywords: Geostatistcs, statistics, geology Geoestatistica A Geoestatistica utiliza os dados duas vezes, primeiramente para estimar_ a autocorrelagio espacial e depois para fazer predigdes, estimativas. Como todas as tenicas estatisticas, a Geoestatistica se baseia em um conceito. probabilistico. A Geoestatistica parte do principio que a diferenga de valor entre duas observacdes quaisquer & fungao da distincia e da directo em que ocorre este afastamento entre os pontos de medida, sugerindo que as diferengas na tea esiudada devam ser consistentes em toda ela, o que ¢ diferente de serem constantes, [0 que se conhece por hipotese —intrinseca,, = ou quase estacionariedade. As técnicas geoestatisticas podem ser usadas para: © descrever_e —modelizar__padrdes espaciais, através da variografia; © predizer valores em locais nfo amostrados, pela krigagem; * estimar a incerteza associada a um valor estimado em locais nao amostrado pela varigneia de krigagem. Quando se deseja estimar um valor desconhecido a partir de um conjunto de dados € conveniente se subdividir a metodologia nas seguintes tapas: © postular um modelo que desereva a variabilidade dos dados e que possa ser usado pata estimar, para um ponto de valor desconhecido, a partir dos dados disponiveis; * se 0 modelo envolver parimetros indcterminados estes _parimetros devem ser estimados ou ajustados; * 0 modelo precisa ser testado ow validado; © seo modelo for aceito cle é utilizado para predig&es nos locais em que é desconhecido, ¢ 0 modelo € probabilistico. Os métodos de estimagio linear comumente utilizados fazem mais sentido quando a distribuigdo dos residuos & aproximadamente normal. E por esta razio que tendo a média dos residuos igual a zero e se minimizando 0 desvio padrao dos erros, que & 0 que & feito pelos métodos de estimagdo linear, as predigBes obtém um bom resultado, Deve ser assumido que os erros de estimagao sejam normalmente distribuidos Quando o valor esperado para um erro de estimagio € zero se diz que o estimador & néo enviesado. Para qualquer estimador 0 erro. € uma variavel aleatoria, isto é, pode ser descrito por meio de uma distribuigdo de probabilidade, Transformacio dos dados se faz necesséria para tornar a distribuicio mais simétrica e para remover o trend da varidincia: em uma distribuigdo lognormal a variancia & proporcional ao quadrado da média. Assim, em zonas de alta densidade de amostragem a varidncia tende a ser mais elevada que em zonas de baixa densidade de amostragem. Apés a logtransformagio a variaincia se toma uniforme, Se houver valores nulos se usa a transformagao log (N+1), A_ distribuigo lognormal & uma distribuigao continua que se caracteriza por apresentar assimetria positiva, com grande quantidade de valores baixos © pequena quantidade de valores altos; os logaritmos dos dados brutos se ajustam a uma distribuigdo normal, dai o nome deste tipo de distribuigao. Mesmo apés a conversio dos dados brutos para logaritmos alguns conjuntos de dados ainda apresentam assimetria, problema que pode ser contomado testando-se se a distribuiggo segue ou mio 0 modelo denominado de lognormal a ts parimetros, em que o terceiro parametro é uma constante (©) adicionada a cada um dos dados brutos, que pode ser obtido como segue: Med" — py. p2 c= Pi + p2—2Med onde Med & 0 valor da mediana dos dados brutos e p) valor correspondente a um percentil situado entre 5 ¢ 20%, sendo py um. valor correspondente a um percentil igual a 100 - pi; 0 percentil p; deve ser obtida por tentativas até que se obtenha o melhor ajuste da distribuigao, sendo o percentil p> obtido de modo automtico pela diferenca, Uma vantagem do interquartile range € que ele ¢ menos sensitivo a poucos valores extremos do que o desvio padrio, Por esta razio ele é preferivel na anilise exploratéria, enquanto que o desvio padrio é usado quando os dados seguem uma __distribuigao. aproximadamente normal. Medidas paramétricas sio estimativas de uma popula¢o baseadas em uma amostra, sendo assumido que a populagdo seja distribuida. Testes nado paramétricos repousam sobre um conjunto de exigéncias muito menos restritivas sobre os dados, assumindo que os mesmos sejam independentes entre si, isto é, aleatérios, ¢ que as medidas estejam ao menos em nivel ordinal. A mediana € uma medida nao paramétrica aplicdvel aos dados cm nivel ordinal ‘As vantagens reconhecidas da Geoestatistica sobre outras _—_téenicas convencionais de predi¢ao podem ser sumarizadas como segue: + Variabilidade espacial — a andlise de variograma € a tnica técnica disponivel que permite medir a variabilidade espacial de uma varivel regionalizad: © Suavizagio =- a __estimagao gcoestatistica suaviza, ou faz a regressaio de valores preditos baseada na proporg%o da_variabilidade total da amostra levada em conta pelas variagdes aleatérias; quanto maior a variabilidade da amostra, menos as observagdes individuais representa a sua vizinhanga imediata e mais a estimativa feita € suavizada, com maior incerteza normalmente associada, © Desagrupamento, ou efeito de anular as concentragdes —localizadas de observagdes * Anisotropia — 0s comportamentos da variabilidade nas diferentes diregdes sto Jevados em conta, ‘* Precisio ~ a krigagem fornece valores precisos sobre as éreas ow pontos a serem avaliados + Incerteza — as estimativas obtidas através da krigagem auxiliam na estimagio da_margem de erro que acompanha a estimativa, As dificuldades prineipais decorrem do fato de que muitas variéveis apresentam distribuigdes ngo normais, mas esta restrigfio pode ser climinada por transformagao dos dados ou por remogio dos trends existentes, trabalhando-se com os residuos dos valores. Efeitos de InformagZo e de Suporte devem ser levados em consideragio em Geoestatistica, O Efeito de Informagio se refere a localizagio das amostras om relagdo 20 bloco a ser avaliado, ao tamanho dos blocos © a relaco das amostras umas em relagio és outras em funcio de seus afastamentos, ¢ o Efeito de Suporte se refere as dimensdes e ao tipo de amostragem utilizada para efetuar a avaliagao Varidveis Regionalizadas A definiedo de uma _varidvel regionalizada como uma varidvel distribuida ho espaco é puramente descritiva e nao envolve qualquer interpretago probabilistica. As variiveis regionalizadas apresentam um aspecto aleatorie, combinando variagdes imprevisiveis, e um aspecto estruturado, que sio uma resposta da estruturagao interna do processo representado pelo conjunto de dados sob estudo, As Variiveis Regionalizadas (VR) podem ser: ‘* Estaciondrias — quando sio totalmente invariantes por translagio; se parte do principio de que estamos na presenga de um s6 fendimeno, que se repete por todo o dominio estudado. + Estaciondrias de Segunda Ordem — quando a média e a covariéncia sto invariantes por translacio; para uma. funcio deste tipo existem a variéncia ¢ a covariancia, © Intrinsecas — quando a média e a covariancia dos crescimentos silo invariantes por translagao, ¢ uma hipétese mais fraca, Quando ocorre—a_—_Hipétese Estacionaria sempre se verifica a Hipdtese Intrinseca (€ © nome que se di 4 hipdtese estacionaria limitada aos crescimentos da VR, & através dela que se pode calcular o. variograma), 9 contritio nem sempre é verdadeiro. A regio de estacionariedade ¢ a regiio onde se deseja fazer estimativas, quanto menor 0 conjunto de dados maior deve set a regio de estacionariedade, de um modo geral, havendo outras razdes que regem a estacionariedade de um conjunto de dados. Estacionariedade estrita € 0 nome dado aos casos em que a covaridncia existe Se ela nfo existir, a varidvel tiver uma capacidade infinita para dispers%o, entio se assume que somente o variograma existe € ¢ cstacionario (Hipétese Intrinseca). Existéncia de covaridncia implica existéncia do. variograma, mas 0 contrério nao é valido, O. ‘movimento browniano é um exemplo de uma varidvel que tem uma infinita capacidade para dispersio. A principal razio para remover um trend em Geoestatistica é para satisfazer as condigdes de —estacionariedade. Se decompomos os dados em trend mais uma variagio de curto_intervalo estamos assumindo que o trend & fixo € que a variago de pequeno porte é aleatéria. Uma suposicio fundamental para os métodas geoestatisticos & a de que duas locagées que estejam a uma. distancia e diregdo similares uma da outra deveriam ter uma diferenga quadratica similar, esta. relagio. ~— se. chama estacionariedade. ‘Uma fungio aleatéria € dita ser no estaciondria quando apresenta uma deriva, ou, em outras palavras, apresenta esperanga ‘matemética nao constante em todo o campo estudado, Entre as causas da nao estacionariedade esto a presenca de srends a heterogeneidade acentuada da VR entre certas zonas da area estudada. ‘Variograma ou Semivariograma? Existe, na bibliografia especializada, uso extensiva das palavras variograma ¢ semivariograma, muitas vezes se referindo a mesma quantidade. © caso mais comumente encontrado € 0 da utilizagZo da palavra variograma quando na realidade se est tratando de semivariograma. A realidade & que so duas quantidades diferentes, uma (0 yariograma) tendo um valor igual ao dobro da outra. (0 semivariograma). Relatamos, a seguir, as opinides de dois pesquisadores renomados em Geoestatistica sobre 0 assunto, opinides estas emitidas alguns anos atras. “Discordo fortemente de se wilizar 0 term varlograma no lugar de semivariograma, — Existem — duas quantidades importantes 12 yt) variograma 2) fh) semivariograma A quamidade I é 0 pardmetro natural 4 estimar a partir des diferengas quadréticas médias. Entretanto, para hrigagem nds realmente necessitamos da quantidade 2, que & a metade da quantidade 1” (Cressie 1989, p. 15). “Consultet os artigas submetidos a wm congresso de Geoestatistica @ verifiquel que 0 termo variograma foi uilizado na maioria esmagadora das vvezes, mesmo entre os pesguisadores de Fontainebleau, Uma vez que nao hi racdo para distinguir entre oles, ou seja, nds nao necessitamos dos dois termos, eu me posiciono a favor da brevidade.” (Myers 1989, p. 14) No presente texto utilizaremos a palavra variograma, por brevidade ¢ também por adequago grande maioria da bibliografia especializada. Variogramas Variogramas que tém patamar sto oriundos de VR Estacionarias, ¢ os que nio tm patamar provém de VR Intrinsecas mas nao Estacionarias. Se lim (h—920) [y(h) a VR é Intrinseca, isto 6 0 variograma aumenta menos rapidamente que 0 quadrado das distincias pata grandes valores de h. A diferenga fundamental entre variograma e covariancia & que a covariancia sé esta definida para as VR estacionatias ¢ limitada pela varianeia da Fungao Aleatéria (FA). A classe de fungdes que comportam variograma € muito mais rica do que a das covaridincias, de modo que utilizando VR que contemplem a hipotese intrinseca em vez de apenas estaciondrias se aumenta o campo de modelos possiveis. Variograma apés a corregio da anisotropia: yh) = Ly ¥ (ha)? + (hy)*] onde k = coeficiente de anisotropia k = alcancel / alcance2 ou k inclinagaol / inclinagao2 usual e recomendavel se executar variogramas experimentais em no minimo quatro diregdes, se se fizer em apenas duas se corre 0 risco de se “perder” a anisotropia, como no caso de um corpo com forma lenticular em que as diregdes de variografia sfio perpendiculares entre si e formam um Angulo de 45 graus com o eixo maior da elipse A anisotropia zonal ou estratificada tipica. de estudos desenvolvidos em 3 dimensdes, em que a diregdo vertical exerce um papel particular, pois ha _variagdes maiores entre os estratos que no interior de cada um deles. Ha que se considerar a hipotese de que os diferentes comportamentos de uma varidvel em diregdes diversas possa set proveniente do fato de a varidvel ser nao estaciondtia, Diz-se que um variograma tem efeito proporcional se seu patamar for proporcional a0 quadrado do valor da média local, e ocorre com dados que seguem uma distribuigao lognormal; neste caso os patamares de zonas mais ricas (ou com valores mais elevados) siio maiores que os de zonas mais pobres (ou com valores mais baixos). Para as varidveis estacionérias o valor do patamar coincide com o da variancia global, mas isto ndo € sempre verdadeiro se houver uma componente de longo aleance. A covarincia pode ser normalizada a um valor unitario se dividida pela variancia dos dados, obtendo-se, a partir dai, o correlograma. Com a normalizagio da covaridincia se pode comparar as estruturas de correlagao espacial que tenham escalas de valores muito dispates Algumas técnicas que se pode utilizar para melhor ajustar os variogramas: * checar se hi quantidade suficiente de pares em cada passo (30 a 50, pela menos); © remogio dos outliers. (valores aberrantes): © utilizar uma tolerdncia de passo maior para obter mais pares ¢ um variograma mais suavizado; © iniciar com variograma omniditecional antes de iniciar nos direcionais, pois que nao hd razio para esperar estrutura nos _variogramas direcionais se 0 omnidirecional nao apresentar, uma ver que este tem mais pares de pontos que os direcionais; * utilizar ferramentas_—— como correlograma, vatiogramas relativos, etc. ‘* utilizar transformagies dos dados para distribuigdes assimétricas, como, por cexemplo, logtransformagao, ‘A. acuracidade do proceso de modelamento de semivariogramas depende tanto do mimero de pares utilizados no cileulo como da distincia até a qual ele foi avaliado, De um modo geral, quanto menos pares © quanto maior a distincia entre os pares tanto menor seré a confiabilidade do variograma. No ajuste interativo de variogramas nfo se deve —_buscar exaustivamente obtengio de detalhes mimisculos dos pardmetros, mas antes a obtengio de caracteristicas que realmente fazem a diferenga na anilise da situagio estudada, como a presenga ou néo de anisotropias, © valor do efeito pepita (utilizando, para’ sua estimagiio, principalmente 0s primeiros pontos do variograma experimental, se eles forem representados por quantidade significativa de pontos). E sempre necessario que se tenha em mente, no momento do ajuste do variograma, as caracteristicas da variével que estamos estudando, ‘A varidneia dos dados deveria ser aproximadamente igual ao patamar; uma linha eta seguindo a inclinagao do semivariograma préximo origem intersecta © patamar @ uma distincia igual a dois tercos do alcance, ¢ esta linha intersecta 0 eixo das ordenadas no valor do efeito pepita. grau de continuidade da varidvel & dado pelo comportamento do seu variograma proximo 4 origem. Um comportamento parabélico nas proximidades da origem (verificado pela disposigio dos primeiros pontos que compdem 9 —_variograma) representa um alto grau de continuidade da varidvel estudada, Um comportamento linear na mesma poredo do variograma representa uma continuidade da variavel inferior & verificada na variivel que presenta comportamento parabélico. Como as vezes diferentes modelos de variogramas podem convir a um mesmo variograma experimental a validagao cruzada auxilia na escotha do modelo mais adaptado a0 caso em estudo. © variograma & determinado segundo uma determinada diregZo, sendo, entretanto, 0 mesmo para os dois sentidos tomados na mesma diregao Alcance de um variograma & a distancia a partir da qual as amostras passam a ser independentes, ou seja, a partir da qual a variagio média entre duas observacdes ndo & mais fungia da distincia entre clas, dando lugar a independéncia, sem _correlagdes espaciais, objeto da Estatistica Classica. Em outras palavras, o alcance reflete 0 grau de homogeneizacio entre as amostras, ou seja, quanto maior for 0 seu valor mais homogéneo seri o fendmeno ou processo estudado. O alcance do variograma nada mais é que uma representagio da zona de influéncia de uma observagao, e separa o campo estruturado (amostras correlacionadas) do campo aleatirio (amostras independentes). Patamar de um variograma € 0 valor de varidncia correspondente ao ponto em que ‘0 mesmo estabiliza. ito pepita de um variograma & 0 valor da fungdo variograma na origem (h=0), 6 na realidade, uma descontinuidade origem, Teoricamente esse valor deveria ser zero, pois duas amostras tomadas no mesmo ponto (h=0) deveriam ter os mesmos valores; quando tal no ocorre se atribui esta diferenca geralmente a eros de amostragem e/ou analiticos. Como os ertos analiticos sito reduzidos em fungio da acuracidade dos equipamentos atualmente utilizados _ nos laboratérios, o efeito pepita é atribuido a erros de amostragem e/ou & variabilidade natural do fendmeno estudado. © feito pepita exerce influéncia significativa sobre os ponderadores e sobre a varidncia de krigagem, e sua correta avaliagio € uma forma de bem interpretar 0 comportamento do variograma 8 origem. Valores elevados de efeito pepita resultam em menor peso ao ponto central de um bloco, 0 que resulta em mapas mais suavizados, 0 que nfo é evidente intuitivamente. © efeito pepita puro resulta em se atribuir mesmos pesos a todos os pontos de amostragem, significando que nao hd o reconhecimento de que um ponto de observagio esteja mais proximo do ponto a ser avaliado que outro, ou seja, pontos mais préximos nao tém maior influéncia no valor estimado, 0 que se resume em desconsiderar a correlagdo espacial Quando o variograma se apresenta como efeito pepita puro (caso em que os pontos do variograma estariam praticamente alinhados paralelamente ao eixo das abcissas) significa que a estruturagao da varidvel, se existir, nfo pode ser visualizada na escala utilizada, nfo havendo, portanto, nenhuma vantagem para que se adote 0 método geoestatistico para o estudo da mesma. Os variogramas podem ser ajustados a modelos te6ricos. O variograma de pontos, dito experimental, no pode ser utilizado nas etapas posteriores. de = um —_estudo geoestatistico, pois que hd necessidade de interpolag30 e, invariavelmente, os pontos apresentam uma cerla_—_dispersfo, principalmente para distancias grandes, quando o niimero de observagdes. diminui Pot esta tazio se ajusta uma fungio ‘matemitica que descreva continuamente a variabilidade ou correlago espacial existente nos dados. O ajuste dos _variogramas experimentais aos modelos tedricos existentes € feito de modo interativo, testando-se parimetros de variograma (modelo de variograma, efeito pepita, alcance, patamar, niimero de estruturas presentes) até que se considere o ajuste satisfatério, ou seja, até que se considere que o melhor ajuste possivel dos pontos do variograma experimental 4 curva representativa dos parimetros informados tenha sido alcangado. Variancias de Estimagio e de Dispersio Uma das vantagens da Geoestatistica é diferenciar bem e atribuir valores a duas varidincias, a de estimagio e a de dispersio. Na pritica € necessdrio que se tenha bem clara a diferenga entre dois tipos de variéncia quando se trabalha com Gevestatistica, quais sejam a variincia de estimagao, que quantifica o valor do erro que se comete ao se avaliar Z; por meio de Z*, da qual a variancia de extenso é um caso particular quando se tem apenas um dado disponivel, e a varidncia de dispersio, que associa um valor as variagdes dos valores numeéricos com que trabalhamos. A varianeia de krigagem é um caso particular, também, da varidincia de estimagao, sendo o seu menor valor. Quanto maior o valor da varidncia de estimagdo pior tera sido a estimagio, A preciso das estimativas € fungo de: * ntimero de amostras e qualidade dos dados em cada ponto; © aposigdo das amostras na érea; ‘© distincia entre as amostras e 0 ponto ou bloco a estimar; * continuidade espacial (variograma) da _variavel Var [Z*, —Z,] = varidineia de krigagem Varidncia de extensio € um termo geralmente reservado para 0 caso. da estimagdo de um bloco por seu ponto central, € varidncia de estimacio usado para as situagdes mais complexas (¢ mais comuns). oF (V)=2 70.Y)- ¥(vy)- VV) é fungao de © regularidade da VR (uso do variograma); © geometria de V (por 7 (V,Y), ‘geometria do volume a ser estimado; © geometria de v (por 7 (vv), ow geometria relativa dos dados utilizados para a estimagio; * posigdo de v em relagdo a V, ow seja, das amostras em relago ao bloco a estimar (por 2 7 (v,V)), distincias relativas entre Gados utilizados para a estimagio ¢ 0 dominio a ser estimado. A varifincia de estimagio, enti, diminui se © a amostra v é mais representativa do dominio V a estimar, * 0 variograma € mais regular, isto é a VR é mais continua, Na determinagio da varianeia de estimagio nao entram em jogo os valores da VR, assim como também ocorre para os pesos de krigagem. A. variincia de dispersio mede a disperséio. dos valores das amostras, tem significado fisico portanto, ¢ a variancia de estimagio € um conceito operacional que caracteriza 0 erro associado a uma certa malha de amostragem. A varidneia de dispersio é a média da varidncia de extensio quando a amostra v assume todas as posiges possiveis em V. A variancia dos valores verdadeiros dos blocos, is vezes chamada de variancia de disperstio na literatura, pode ser caleulada a partir do variograma e a geometria do bloco € a regitio na qual tais blocos esto situados. utilizada a Relagdo de Krige; Krige descobriu-a_experimentalmente no distrito aurifero de Witwatersrand, na Africa do Sul. A. varidncia de dispersio dos valores estimados ¢ inferior a dos valores reais dos mesmos, pois que existe uma suavizacdo dos valores quando da estimativa. Krigagem A qualidade essencial de uma estimativa nao € simplesmente associar um valor a um ponto ou a um bloco, mas, também, associar a esta avaliaglo uma idéia da qualidade da estimativa, ‘ou seja, da dimensio do erro existente; em outras palavras, € necessirio que se saiba quao distante o valor atribuido pode estar do valor real. A Geoestatistica, através da krigagem, fornece uma estimativa do ponto ou do bloco ¢, juntamente com ela, uma medida de acuracidade desta estimativa. A krigagem ¢ descrita na bibliografia de lingua inglesa como um estimador do tipo BLUE, que é uma palavra formada pela letras iniciais de Best Linear Unbiased Estimator, melhor estimador linear nfo enviesado, significando que 0 erro de estimagio produzido pelo método seja minimo (varianeia minima, _significando melhor) © no enviesado (significando que a disténcia média entre valores estimados e originais seja igual a zero), A krigagem pode ser utilizada para produzir as seguintes superticies: © mapas de krigagem de preditos; ‘* mapas de erros padto associados aos valores preditos; ‘* mapas de probabilidade, indicando se um nivel critico pré-estabelecido foi excedido; © mapas de percentis para determinados niveis de probabilidades. Levando-se em conta que € possivel estabelecer um ranking para a eficiéncia dos regimes de estimagiia em fungio do célculo da varidneia de estimagdo & natural que se pergunte como determinar 0 melhor conjunto de cocficientes ponderadores para uma configurago bloco — amostras determinada, Este conjunto & o que minimiza a varidincia de estimago, e este processo de cileulo & conhecido pelo nome de krigagem. A minimizagio deste valor sujeitando-o condigao de ndo enviesamento é um problema que exige, para a sua solugao, da utilizacio da técnica de Multiplicadores de Lagrange (Lagrange desenvolveu a técnica dos multiplicadores em 1797). Consideragdes tedricas mostram que os pesos étimos si0 encontrados pela solugiio de um conjunto de equagdes lineares cujos coeficientes so fungdes do variograma e da localizagao das amostras em rela¢o ao bloco a ser estimado. Em se tratando de krigagem por blocos tem- se que as dimensdes utilizadas para os blocos devem, antes de tudo, ser adaptadas para que se obtenha as respostas exigidas pelo valores problema estudado. Tendo em vista que o método da krigagem utiliza a cottelago espacial existente entre os pontos de amostragem, modelada pela fungio variograma, na qual o aleance nos di uma idéia de area de influéneia de uma observagio de campo, deve-se tomar observagdes somente dentro deste raio de influéncia, denominado de aleance, para a estimativa do valor da variavel em locais néio amostrados. Quando se trata de krigagem por blocos, as dimensdes dos blocos devem respeitar, em termos de dimensdes miéximas, este valor. Hé que se ter em mente que estamos utilizando uma técnica de estimagao local, em que a precisio dos resultados esti diretamente relacionada a utilizagZo correta dos limites impostos pelo proprio metodo _—_geoestatistico. + Em. Geoestatistica, como em qualquer outra técnica, os melhores resultados s6 sfo obtidos quando se contempla, mas suas diversas etapas, as recomendagdes embutidas no método. Da mesma forma a selegao das observagSes que serio utilizadas na krigagem, denominada na bibliografia de determinagao da vizinhanga de krigagem, é etapa importante na sua aplicagio. Vizinhancas diferentes conduzem a resultados diferentes, pois varia 0 niimero de observagdes utilizadas no calculo do valor final, ¢, se nao se tiver um_ critério correto na escolha desta vizinhanga ficard muito dificil saber se os resultados se ajustam bem realidade do fendmeno estudado, Devem ser evitados agrupamentos de pontos, por exemplo, 0 que pode ser minorado por critérios. como o dos quadrantes, em que a zona a ser avaliada é dividida em quatro partes ¢ se toma um ponto por quadrante (o mais préximo do ponto a ser avaliado, seja em krigagem pontual ou de blocos, caso em que o ponta sera o centro do bloco) para sé depois se tomar o segundo onto, sempre um por quadrante, até que no final os quatro quadrantes tenham tido o mesmo niimero de observacdes selecionadas. © método dos octantes segue o mesmo principio, dividindo a zona a ser avaliada em ito partes iguais, sempre centradas no ponto a ser avaliado, Em modelo de variograma pouco estruturado o efeito tela cresce, ¢ € necessiria uma maior vizinhanga de krigagem. O aumento do tamanho da vizinhanga de Krigagem leva a uma queda no valor da variancia de krigagem e a uma melhora significativa do estimador. Outro aspecto a ser considerado & a quantidade de observagdes a ser utilizada na avaliagio, quantidade esta que no deve ser muito pequena, o que resulta em valores interpolidos muito aproximados ou correlacionados ao do ponto de campo mais préximo, nem muito grande, com suavizacao excessiva do valor interpolado, 0 que leva a uma perda do resultado buscado, que é 0 de interpolar localmente a variavel de interesse. A krigagom pode ser pontual, com interesse focado em ponto determinado, ou de blocos, em que a zona de imteresse & uma superficie ou um volume, ambos representados por seu ponto central. E uma diferenga de suporte do estimado. Ha que se salientar a robustez dos resultados obtidos pelo método da krigagem, sendo que pequenos eros ou diferencas existentes nos parimetros de ajuste do variograma geralmente nao acarretam grandes diferengas nos valores obtidos por meio da utilizagio da krigagem, A varidneia de estimacao, entretanto, se mostra mais sensivel a.estas diferencas de ajuste de variograma, As equagdes de’ krigagem mostram no haver dependéncia dos valores medidos nas varidveis, mas das localizagBes dos pontos de observagio e da fungio variogtama; se houvesse dependéncia aos valores de campo o interpolador nao teria a ccaracteristica de ser linear. Krigagem Ordindria (KO) > Z(x) estacioniria, sua média @ —considerada desconhecida Krigagem Simples (KS) > a média da VR é considerada conhecida, o peso da média fomece um critério que permite testar a qualidade da krigagem. Se 0 peso da média for elevado a variéncia da Krigagem Ordindria (VAR xo) & bem maior do que a variincia da Krigagem Simples (VAR xs), € se o peso da média na Krigagem Simples for baixo a variéncia da Krigagem Ordindria € mais proxima da variancia da Krigagem Simples. VAR ko ‘AR xs + Am”. VAR (m*) onde Am? = peso da média na Krigagem Simples e VAR (m") = variancia de krigagem da estimagao da média. No caso de interpolagio a krigagem & um interpolador exato, ou seja, 0 mapa de contomo do estimado reproduz as medidas de campo nos locais em que elas estiverem disponiveis; no caso de variograma com. efcito pepita o mapa de contorno tem uma descontinuidade em cada onto de. observagao. Os valores atribuidos a um bloco so a média dos infinitos valores puntuais que existem dentro dele, sendo o ponto ou os pontos amostrados apenas algum ou alguns destes Residuos sio —diferencas_—_ entre observages ¢ predigdes de modelo. Na Andlise de Regressio, na Anélise de Séries Temporais, na Andlise de Variéncia e na Geoestatistica a estimagao de parimetros ¢ a validagao dos modelos dependem fortemente da andlise dos residuos. Validagio de modelo significa teste de modelo. Na pritica a validagao de modelo é baseada em testes estatisticos envolvendo os residuos. Um teste estatistico € 0 equivalente de um experimento que é conduzido para validar uma teoria cientifica Métodos de estimacio lineares no enviesados de variancia minima assumem implicitamente que os erros de estimacao tenham — distribuigdo _aproximadamente normal. Por fim, se 0 modelo est correto os residuos devem ser nao correlacionados, isto é, eles devem ter um variograma do tipo feito pepita puro. 12 A Krigagem Ondindria (KO) estima em qualquer lugar exceto nos locais onde se dispée de observagées de campo, nos quais cla reproduz o valor medido; nos pontos de observagio o erro quadritico médio desaparece. A redugio da variancia na Krigagem Simples (KS) € devida ao fato de que a informagao sobre a média, que ¢ adicional aos dados utilizados, é incorporada. E incorreto utilizar os dados disponiveis para estimar a média e depois utilizar a KS com este valor, pois que na KS se admite que o valor da média representa uma informagio obtida separadamente dos dados disponiveis para trabalho. A krigagem ordindria & mais utilizada que a krigagem simples por nao exigir conhecimento nem estacionariedade da média sobre toda a area estudada; o conhecimento da média em uma determinada area de trabalho exige que se tenha tido muitos dados anteriores ao atual estigio que permitam uma estimativa da média da varidvel na regiao estudada. A krigagem de uma varidvel logtransformada introduz viés porque estamos assumindo que a predigdo ¢ a moda/média‘mediana da distribuigaio minimizada do erro, —smas_—sipor retrotransformagio logaritmica, ou seja, pela volta ao valor original, a média nao corresponderia. mais, sendo provavelmente proximo da mediana; 0 resultado obtido se aproximar da média geométrica dos dados originais, e no mais da média aritmética dos mesmos. Ai reside o viés. A Krigagem Universal (KU) é utilizada se ocorrer um trend nos dados, com a média nao sendo mais constante, e o variograma ou a covariincia dos dados originais ndo sendo mais apropriados para modelizar a estrutura de correlagao espacial, O que se necessita é de um variograma dos residuos, e um modelo para descrever a forma do trend (ni necessitamos conhecer 0 trend propriamente). A kriagagem, neste caso, executada sobre os residuos. Em outras palavras, se a VR for nfo estacionaria se trabalha sobre a estacionariedade residual, utilizando a KU. O uso da vizinhanga de pesquisa e utilizagio de dados assume que a estacionariedade ocorra somente na janela pesquisada, é a quase cstacionariedade, e pode ser itil se houver trend nos dados Cada vez que se aumenta 0 ntimero de amostras em uma avaliagio a varidneia de krigagem tende a diminuir, ou pode, também, permanecer com o mesmo valor, Na estimagao descjamos fazer a melhor estimativa possivel em um local nao amostrado pela minimizagio da varincia, no havendo, entretanto, nenhuma garantia de que o mapa obtido utilizando a krigagem tenha 0 mesmo variograma e a mesma variincia dos dados originais, ou seja, estamos suavizando 0 mapa e nfio retemos as caracteristicas de dispersio dos dados originais. A simulagao nos permite fazer uma, teoricamente —infinita quantidade de realizagdes do mapa, cada uma das quais tendo aproximadamente 0 mesmo variograma € a mesma varianeia dos dados originais Teoricamente a média de um grande niimero de mapas simulados pareceria com 0 mapa originalmente krigado. A simulagio persegue © realismo, a estimagdo persegue a acuracidade. Assim, em cada ponto de amostragem teremos uma diferenga entre o. valor krigado e 0 valor simulado, Tendo em vista que o método da krigagem introduz uma, suavizacio, & natural que este método nao. consiga reproduzir 0 histograma dos dados originais. Ao se conseguir minimizar a varincia de estimagdo asseguramos estar utilizando da melhor forma possivel as informagies disponiveis, ou seja, de estar obtendo a estimag’o mais precisa possivel a partir das observagdes de que dispomos. A Krigagem da Indicatriz é a Krigagem Ordindria dos indicadores; em vez de executar a krigagem de variéveis continuas estamos executando a krigagem de variiveis indicadoras bindrias, que valem zero ou um. Estes valores podem ser vistos como uma probabilidade de ocorréncia, valores mais altos denotando uma maior probabilidade de ocorréncia, A Krigagem da Indicatriz é um caso especial de Krigagem Disjuntiva, e pode utilizar tanto variogramas como covarincias. Pode-se considerar, para o uso da Indicatriz (1,) Se X>Csetem I, (X)=1 Se X

    Você também pode gostar