UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA - PPGEM

Roberto Quadros Menin

MMD00073 - Introdução à Geoestatística

Porto Alegre, 2012

Roberto Quadros Menin

MMD00073 - Introdução à Geoestatística Relatório apresentado como requisito para obtenção de aprovação na disciplina Introdução à Geoestatística no Programa de Pós Graduação em Engenharia de Minas, Metalúrgica e de Materiais, na Universidade Federal do Rio Grande do Sul. Prof. PhD. João Felipe Coimbra Leite Costa

Porto Alegre, 2012

. Palavras chave: Relatório. Software. utilizando a técnica de krigagem ordinária.RESUMO O objetivo deste relatório é apresentar a distribuição estimada dos teores da Variável 5 para toda a área em estudo. bem como seus respectivos dados estatísticos. Estimada. Estatísticos. com o auxílio dos softwares SGeMS e GsLib. Krigagem.

.................................................3 DESAGRUPAMENTO AMOSTRAL......................................................................................4 ANÁLISE BIVARIADA...................... 5 METODOLOGIA......................................2 2.................7 2......................................................................................................14 2........................................................................8 2.......................................................................11 2.................................. 5 Objetivos específicos..............................................................................7 ANÁLISE DE DERIVA...................................................6 KRIGAGEM.................................. 4 OBJETIVO GERAL............17 3 CONCLUSÕES E RECOMENDAÇÕES.........................................3 INTRODUÇÃO...........................................20 .....................................3...............................................................................................3.. 7 2..................................19 REFERÊNCIAS..5 VARIOGRAMA.2 MAPA DE LOCALIZAÇÃO...........3..............................9 2..........1 HISTOGRAMA............3..... 6 RESULTADOS......................................................SUMÁRIO 1 2 2........................10 2................................................................................3........1 2......3...............3..........................................

desta continuidade podemos gerar estimativas de valores para locais não amostrados com uma grande confiabilidade.3) “Geoestatística oferece uma forma de descrever a continuidade espacial que é uma característica essencial de muitos fenômenos naturais e proporciona adaptações de técnicas clássicas de regressão para tirar proveito desta continuidade. Através disso.” A geoestatística nos mostra que os dados. . assim.1 INTRODUÇÃO A denominação para Geoestatística dar-se ao grupo de técnicas estatísticas utilizadas na análise e estimativa de valores. o conhecimento físico de um fenômeno em uma quantificação do mesmo. transformar. Segundo Isaaks&Srivastava (1989. gerados a partir da colheita de dados em campanhas de sondagem. p. A quantificação de um depósito mineral não é determinada de forma exata. obtidos através da amostragem. podendo. levando-se em conta a anisotropia da mineralização do depósito e o desagrupamento de valores amostrais próximos. A geoestatística com base em princípios teóricos bem fundamentados permite a obtenção de um modelo de depósito considerando suas particularidades. não são independentes. pois envolve determinadas incertezas relacionadas à geologia e ao método empregado. existe uma continuidade espacial/temporal do fenômeno.

Tendo como meta principal os seguintes quesitos:     Análise estatística preliminar. 2.1 OBJETIVO ESPECÍFICO O presente trabalho tem como objetivo específico ilustrar a geoestatística aplicada a amostra de número 5.96 Km². Previsões. totalizando 3. Análise da continuidade espacial. utilizamos como parâmetros de X e Y mínimos 0 e 2000. para verificar a existência ou não de uma relação entre as amostras. apresentar a distruibuição estimadas de seus teores e posteriormente utilizaremos a amostra número 3 do banco de dados fornecido. realizados em uma área de 1990m X 1990m. temos como objetivo geral apresentar um estudo geoestatístico aplicado. Simulações.2 OBJETIVO GERAL Através do banco de dados fornecido. Mapa de localização das amostras . Para melhor visualização. O Dataset utilizado contém 1000 pontos de amostragem. Figura 1.

Para o modelamento da continuidade espacial dos dados. declus – Desagrupamento de Células. histplt – Criação de histogramas e histogramas acumulados. Com ele podemos estipular se existe uma continuidade. através de um arquivo de parâmetros próprio. A exemplo disso ilustramos a figura do arquivo de parâmetros para execução do programa Locmap que visa criar um mapa de localização das amostras como demonstrado acima nos objetivos específicos: Figura 2: Arquivo de parâmetros do programa locmap. Journel. ou seja. kt3d – Krigagem em 3-D. com intuito de obter a equação de continuidade espacial da nossa variável.5ᵒ. scatplt – Diagrama de dispersão (scatterplot). criado junto à universidade americana de Stanford.2. pixelplt – mapa de pixel em 2-D. Os demais programas utilizados são listados abaixo. de forma que qualquer pessoa possa aplicar a sua necessidade. através da medida em oito direções utilizando um intervalo de 22. é utilizado o software SGeMS (Stanford Geostatistical Earth Modeling Software).2 METODOLOGIA Para desenvolver a análise geoestatistica dos dados utilizaremos um pacote de programas. Sucintamente descreveremos suas funções. O GSLIB (Geoestatistical Software Library) foi criado sob a direção do Prof. Através do software SGeMS também . Para realização da rotina de trabalhos.5ᵒ entre direções e tolerância angular de 22. André G. cada programa deve ser executado e editado separadamente. de acordo com as características do depósito. a variografia. locmap – Mapa de localização dos dados em duas dimensões.

2. Neste caso. com um coeficiente de variação de valor 1.23. demonstrado em um gráfico do tipo barras vertical. declusterização entre outros. podemos dizer que poderá haver alguma dificuldade para estimativas locais devido a valores amostrais extremos. o coeficiente de variação.1 HISTOGRAMA (histplt) Através da utilização da rotina estatística histplt do pacote de programas do Gslib. que nada mais é do que a representação gráfica de uma distribuição de frequências. o coeficiente de assimetria (skewness) é maior que zero. desvios.3 RESULTADOS 2. A partir do histograma gerado.podemos desenvolver praticamente as mesmas rotinas e resultados geoestatísticos como os obtidos através das ferramentas provenientes do pacote GSLIB como Histogramas. Scatterplot. os quartis entre outros parâmetros. realizar krigagem. verificamos que as amostras caracterizam uma assimetria positiva. pois os dados obtidos como a média. a mediana. Figura 3 – Histograma da Variável 5. O histograma nos fornece a média. . Devemos ter cuidado ao analisar um histograma. foi gerado o histograma aplicado. ou seja.3. e assimetria são altamente influenciadas por valores extremos da amostra.

gerar um mapa de localização das amostras com intuito de verificar e observar sua distribuição espacial e de teores com os dados de média e coeficiente de variação. Para podermos identificar se os dados possuem alguma amostragem preferencial fazemos um detalhamento da distribuição das amostras em um plano XY da variável de interesse número 5 juntamente com a imagem do parâmetro utilizado apenas para representar o seu uso.2 MAPA DE LOCALIZAÇÃO (locmap) Temos como procedimento de análise estatística. . a partir dos dados recebidos. de acordo com as figuras abaixo.Mapa de Localização da Amostra 5. Figura 5 .2.Parâmetros utilizados no LOCMAP para amostra 5. Figura 4 .3.

2. A fim de verificar se existe ou não algum valor extremo que possa estar alterando o resultado final dos dados como a média. a amostra 5 não possui nenhum agrupamento preferencial significativo. através do histograma. causando a redução do erro associado a ele.Como podemos verificar com este mapa de localização.3. as estatísticas podem ser facilmente tendencionadas por valores extremos.3 DESAGRUPAMENTO AMOSTRAL (declus) Quando calculamos as variáveis estatísticas. desvio ou coeficiente de assimetria. Através da utilização do declus podemos proporcionar menos peso para quem estiver mais próximo e mais peso para que estiver mais afastado de uma determinada amostra. ou seja. Figura 6 – Histograma Desagrupado Variável 5. Com esta rotina os valores extremos não terão tanta influencia direta. logo. não é levado em consideração que possa existir um agrupamento preferencial em zonas de alto ou baixo teor. já que é considerado que todas as amostras estão distribuídas uniformemente no espaço. percebemos que não há um . de corrigir este efeito que o agrupamento amostral causa utilizou-se a ferramenta declus do software Gslib90. Podemos verificar através da obtenção do histograma desagrupado que as medidas estatísticas não variaram após a declusterização.

do software SGeMS demonstrado abaixo: Figura 7 – Gráfico de dispersão (scatter-plot) dos teores 5 e 3. logo para o caso de haver uma correlação entre as duas.  x y Assim como a média. que não existe agrupamento de valores extremos que possam tornar tendenciosa nossa análise. a v ariância entre outros parâmetros estatísticos. o coeficiente de . sendo muito útil quando o banco de dados possui uma variável que não foi amostrada em todos os pontos onde outra variável foi. Este método nos permite a determinação da correlação entre as duas variáveis. utilizaremos a ferramenta Scatter-plot. Para tanto. Sendo ele calculado pela fórmula:   n .4 ANÁLISE BIVARIADA A seguir iremos apresentar dados referentes à análise bivariada de amostras.3. O CV é o parâmetro estatístico com maior frequência de utilização para sumarizar a 1 n i 1 ( xi  mx )( yi  my ) relação entre as variáveis. 2. com a amostra número 3. podemos inferir uma tendência da variável que falta através das medidas já existentes da outra variável.agrupamento preferencial de amostras. onde correlacionaremos à amostra de interesse número 5.

ou do coeficiente angular. desde que a outra variável seja conhecida. Uma boa relação entre as variáveis pode ajudar a inferir uma variável em um ponto desconhecido. ou seja. O gráfico de dispersão dos teores das variáveis Cinco e Três nos mostra que o coeficiente de correlação entre as duas variáveis é negativo de -0. o qual utilizamos para definir o nosso nugget effect. é a definição de um modelo variográfico que represente a variabilidade do fenômeno que estamos interessados. Devemos utilizar o menor nugget effect possível. por exemplo. maior será a perda da continuidade espacial. Pois através da regressão linear. 2.30) Duas variáveis são negativamente correlacionadas se os valores maiores de uma variável tendem a ser associados com os valores menores do outra. pois quanto mais ele influenciar no nosso variograma. Podemos dizer que quanto maior o nosso efeito pepita. não há um controle dos processos físicos e químicos sobre o depósito. um aumento na quantidade de cálcio geralmente resulta em uma diminuição na quantidade de magnésio. Como podemos observar através do gráfico de dispersão nosso valor de a.5ᵒ. podendo ser descrita pela equação da reta: y  ax  b . uma previsão simples dos dados. é de -0. as concentrações de dois elementos principais são muitas vezes negativamente correlacionadas. De acordo com Isaaks&Srivastava (1989. A seguir mostraremos o variograma obtido através do omni direcional. ou b. ou efeito pepita.variação. Requisitamos uma busca em 8 direções diferentes de azimutes que variaram entre 0ᵒ e 157.5 VARIOGRAMA (SGeMS) O nosso próximo passo.66. assumimos que uma variável está dependente da outra. é sensível a pontos plotados afastados do aglomerado principal dos pontos. e consequentemente a 90ᵒ a direção de menor alcance. é de 63.3.3669 e o coeficiente linear. mais futuramente a nossa krigagem converterá para uma média aritmética. essencial no estudo geoestatístico. . p. também chamado por coeficiente de correlação de Pearson. A idéia base é ajustar o variograma a uma curva que honre a maior parte possível dos pontos no gráfico. O intuito é realizar nossas estimativas através de uma elipse de busca que possui como azimute a nossa direção de maior alcance. A variografia é um procedimento utilizado para medir a continuidade espacial do banco de dados.9814. Em banco de dados geológicos. num calcário. Utilizaremos os variogramas produzidos através do software SGeMs.

a fim de evitarmos o efeito de borda. Com isso o melhor nugget effect que adequou-se ao variograma foi de 280. ou seja o valor onde o semivariograma se estabiliza. O range (alcance) da estrutura 2 deve ser sempre superior que o da 1. A soma do nugget effect com a contribuição do Sill nas duas estruturas deve ser igual a variância. ou metade da malha. Verificamos então que a maior continuidade estava por volta de 500 metros. largura de banda de 1000metros e tolerância 180ᵒ para indicar o omni direcional.Figura 8 – Variograma Omni Direcional da variável 5. Para a construção do variograma omni direcional para determinação do efeito pepita utilizamos o 20 lags com espaçamento de 50. Em seguida procedemos com a construção dos variogramas em oito direções. 25m. A largura de banda utilizada foi de 25 metros e tolerância de 35. Utilizamos o mesmo número de 20 lags com espaçamento de 50m e tolerância igual a metade do valor do lag. . totalizando 1000 metros. Para modelarmos adequadamente a curva foram utilizadas duas estruturas que foram ajustadas por curvas esféricas. Aplicamos um refinamento utilizando oito lags com espaçamento de 60 metros.

.Figura 9 – Variograma de maior continuidade espacial (45ᵒ). Figura 10 – Variograma de menor continuidade espacial (135ᵒ).

que a direção de maior continuidade foi no azimute 45ᵒ. após construção dos variogramas. a krigagem atribui os pesos conforme a distância estatística dos nós do grid a amostra. após isso efetuamos um refinamento dos parâmetros utilizados. Medida dos variogramas das direções principais Efeito Pepita 280 Estrutura 1 Contribuição do Sill Alcance Máximo Alcance Médio 235 80 80 Estrutura 2 Contribuição do Sill Alcance Máximo Alcance Médio 160 570 350 2. pois a krigagem simples necessita da média do depósito. recebem maiores pesos os nós nas direções de menor variabilidade do fenômeno em questão. Utilizamos 12 lags com espaçamento de 60 metros. Diferentemente dos interpoladores clássicos.3. mas o depósito em questão não possui média constante. onde os teores que serão utilizados para estimar o teor de um bloco estão inseridos no elipsóide de busca citado anteriormente. e o de menor continuidade foi em 135ᵒ. que atribuem pesos a um nó de grid conforme a distância geométrica deste nó a amostra. . tolerância do lag com valor igual a metade do valor do lag (30 metros). ou seja. Listamos na tabela abaixo.6 KRIGAGEM O objetivo da krigagem é de estimar os teores nas regiões onde não se tem amostragem a partir do conhecimento prévio da continuidade espacial do fenômeno. com intuito de determinar com maior precisão as contribuições e ranges que serão futuramente utilizados na krigagem. os parâmetros obtidos através dos variogramas das direções principais.Percebemos. O método utilizado foi de Krigagem ordinária (Ordinary Kriging). largura de banda 30 e sua tolerância em 35.

. foi feito a estimativa. Figura 11 – Mapa de distribuição dos teores estimados por OK – Variável 5 Figura 12 – Mapa da variância por OK – Variável 5. Abaixo apresentamos o mapa de distribuição dos teores estimados e da variância.Através dos parâmetros gerados pelo variograma das direções principais. através da rotina pixelplt e visualizado no GSview.

25999 dados foram estimados e representados. com isso podemos dizer que as estimativas condizem com os valores verdadeiros. Outra observação muito importante é que agora a mediana esta mais próxima da média. através dos dados gerados com o histograma estimado. .168. apresentado abaixo: Figura 13 – Histograma dos dados estimados. O método da krigagem tem a característica de suavizar as distribuições dos dados. histograma dos dados estimados. sendo assim é esperado que a média dos dados estimados esteja próxima dos reais. pois existem mais dados com valores baixos do que altos. mas ainda é menor. variável 5. Para análise estatística dos dados estimados pela krigagem construímos um novo histograma. Para tal utilizamos a rotina pixelplot do GSLib com o banco de dados do arquivo de saída da krigagem.05 enquanto a média dos estimados é de 21. diminuindo assim a sua variância. servindo também como validação pois a estimativa permanece com distribuição parecida em relação a proporção dos valores. Podemos observar que o mapa de distribuição apresenta teores muito semelhantes ao mapa de localização das amostras gerados pela rotina locmap. A média dos dados reais é de 21. significando que um valor foi descartado por estimativa inexistente. A figura acima.Para evidenciar as zonas de maior variabilidade plotamos mapas de distribuição da variância. Como podemos verificar. pode ser considerado uma validação da estimativa.

. lado a lado. em zonas de teor mais elevado as médias aumentem.2. assim na determinação da média no modelo de blocos em cada faixa espaçamento utilizamos 2560 blocos (10% do total) Para tal foi utilizado o software Microsoft Excel e os bancos de dados das variáveis originais e estimadas com a adição das coordenadas cartesianas a este último feita pela rotina do GSLib.3. Figura 14 – Mapa de localização e Mapa de distribuição de teores estimados por krigagem.7 ANÁLISE DE DERIVA A análise de deriva é realizada comparando as médias locais entre os dados verdadeiros e os dados estimados. Podemos perceber que a distribuição dos teores estimados seguiu a tendência dos teores amostrados. e em zonas de baixo elas diminuam. Reparamos também que os pontos com altos teores existentes no mapa de localização das amostras foram suavizados no mapa de estimativa. Estas médias são feitas entre faixas de espaçamento. addcord. ou seja. Para fins de comparação apresentaremos abaixo. os pontos azuis no mapa de localização das amostras foram representados por regiões em azul no mapa de distribuição dos teores. O que consideramos é o comportamento da curva. o mapa de localização de amostras e o mapa da distribuição dos teores estimados pela krigagem. aqui utilizamos um espaçamento de duzentos metros. O que se espera como validação dos dados estimados é que as curvas aqui plotadas possuam a mesma tendência. ou seja. característico da krigagem.

Em seguida apresentaremos os gráficos obtidos para a análise de deriva. Através dos gráficos de análise de deriva apresentados. No eixo X notamos que por volta de 1200 metros os teores foram superestimados. Figura 16 – Gráfico da Análise de deriva em Y. tanto dados quanto estimativas seguem uma mesma tendência. Já no eixo Y percebemos uma suavização da curva de estimativa em relação a curva de dados. em torno dos 700 metros os teores foram superestimados. Figura 15 – Gráfico da Análise de deriva em X. por sua vez nos 1250 metros foram subestimados. . enquanto em torno dos 1500 metros foram subestimados. variável 5. variável 5.

confirmado posteriormente pela análise de deriva nos eixos X e Y.3 CONCLUSÃO Após a análise dos dados verificamos que não há como classificar os blocos diferentemente de medido. . devido a alta densidade e continuidade amostral. os valores acabaram sendo suavizados pela krigagem ordinária. Ainda assim mantiveram seu padrão.23 que talvez indicasse que teríamos certas dificuldades para estimativas locas por causa dos valores extremos. Concluímos também ao decorrer do trabalho que para uma variável que possui um comportamento menos errático. pois temos um variograma muito contínuo. as estimativas mostram-se mais fáceis do que quando trabalhamos com uma variável mais errática. Apesar de o histograma apresentar um cv de 1.

. A. L. Texto didático . 2002. Introdução ao GSLib.. H. C.REFERÊNCIAS Deutsch. GSLIB Geostatistical Software Library and User's Guide (1998) – New York – Oxford University Press. M.. An introduction to Applied Geostatistics. SRIVASTAVA. 1989. e Journel. OXFORD UNIVERSITY. E. E. ISAAKS. R. SOUZA.

Sign up to vote on this title
UsefulNot useful