3

CAPTULO 2
FUNDAMENTAO TERICA
Este captulo limita-se apresentao dos principais conceitos
tericos necessrios ao desenvolvimento deste trabalho. Inicia-se com a definio de
variveis regionalizadas, as hipteses consideradas e suas principais caractersticas. Em
um segundo tpico, define-se o variograma, descreve-se seus parmetros, apresenta-se o
estimador do variograma a partir de amostras regular e irregularmente espaadas,
descreve-se os modelos tericos de ajuste para o variograma experimental e discute-se
aspectos relacionados anisotropia. O captulo se encerra com a apresentao dos
mtodos de estimao de krigeagem simples (KS) e krigeagem ordinria (KO).
As definies e convenes aqui adotadas seguem os padres da
geoestatstica, isto , funes e variveis aleatrias so denotadas com caracteres
maisculos (exemplo: Z(x) e Z), valores observados so representados por caracteres
minsculos (exemplo: valor da varivel aleatria Z medido na posio x
k
z(x
k
) ) e
vetores so realados em negrito (exemplo: {z(x
i
), i = 1, ..., n}, onde x
i
identifica uma
posio em duas dimenses representada pelos pares de coordenadas (x
i
, y
i
) ).
2.1 - VARIVEIS REGIONALIZADAS
A variabilidade espacial de algumas caractersticas do solo vem
sendo uma das preocupaes de pesquisadores praticamente desde o incio do sculo.
Smith (1910) estudou a disposio de parcelas no campo em experimentos de
rendimento de variedades de milho, numa tentativa de eliminar o efeito de variaes do
solo. Montgomery (1913), preocupado com o efeito do nitrognio no rendimento do
trigo, fez um experimento em 224 parcelas, medindo o rendimento de gros. Vrios
outros autores, como Waynick e Sharp (1919), tambm estudaram variaes de
nitrognio e o carbono no solo.
Os procedimentos usados na poca baseavam-se na estatstica
clssica e utilizavam grandes quantidades de dados amostrais, visando caracterizar ou
4
descrever a distribuio espacial da caracterstica em estudo. Por estatstica clssica
entende-se aquela que se utiliza de parmetros como mdia e desvio padro para
representar um fenmeno e se baseia na hiptese principal de que as variaes de um
local para outro so aleatrias.
Krige (1951), trabalhando com dados de concentrao de ouro,
concluiu que somente a informao dada pela varincia seria insuficiente para explicar o
fenmeno em estudo. Para tal, seria necessrio levar em considerao a distncia entre as
observaes. A partir da surge o conceito da geoestatstica, que leva em considerao a
localizao geogrfica e a dependncia espacial.
Matheron (1963, 1971), baseado nas observaes de Krige,
desenvolveu a teoria das variveis regionalizadas, a partir dos fundamentos da
geoestatstica.
Segundo Blais e Carlier (1968), citados por Olea (1975), uma
varivel regionalizada uma funo numrica com distribuio espacial, que varia de um
ponto a outro com continuidade aparente, mas cujas variaes no podem ser
representadas por uma funo matemtica simples.
A teoria das variveis regionalizadas pressupe que a variao de
uma varivel pode ser expressa pela soma de trs componentes (Burrough, 1987): a)
uma componente estrutural, associada a um valor mdio constante ou a uma tendncia
constante; b) uma componente aleatria, espacialmente correlacionada; e c) um rudo
aleatrio ou erro residual.
Se x representa uma posio em uma, duas ou trs dimenses,
ento o valor da varivel Z, em x, dada por (Burrough, 1987):
Z(x) = m(x) +

(x) +

(2.1)
onde:
m(x) uma funo determinstica que descreve a componente estrutural de Z
em x;

(x) um termo estocstico, que varia localmente e depende espacialmente de

m(x);
5
um rudo aleatrio no correlacionado, com distribuio normal com
mdia zero e varincia
2
.
As Figuras 2.1(a) e 2.1(b) ilustram as trs componentes principais
da variao espacial. A Figura 2.1(a) apresenta uma componente determinstica que varia
abruptamente, enquanto a componente determinstica na Figura 2.1(b) apresenta uma
tendncia constante.
Figs. 2.1(a) e 2.1(b) - Principais componentes da variao espacial.
FONTE: Modificada de Burrough (1987), p. 155.
2.1.1 - HIPTESES CONSIDERADAS
Diferente dos mtodos convencionais de estimao, a krigeagem
est fundamentada na teoria das variveis regionalizadas. O primeiro passo na krigeagem
6
definir uma funo apropriada para a componente determinstica m(x). Para tanto,
algumas hipteses so necessrias (Burrough, 1987 e David, 1977):
Hiptese de Estacionariedade de 2
a
Ordem
Sob esta hiptese, admite-se que a componente determinstica, m(x),
constante (no h tendncias na regio). Ento, m(x) igual ao valor esperado
da varivel aleatria Z na posio x, e a diferena mdia entre os valores
observados em, x e x+h, separados por um vetor de distncia h (mdulo e
direo) nula.
E[Z(x) - Z(x+h)] = 0 ou E[Z(x)] = E[Z(x+h)] = m(x) = m (2.2)
onde
E representa o operador esperana matemtica.
Admite-se tambm que a covarincia entre os pares Z(x) e Z(x+h),
separados por um vetor distncia h, existe e depende somente de h. Ento:
C(h) = Cov [Z(x), Z(x+h)] =


= E[(Z(x)-m).(Z(x+h)- m)] = E[Z(x).Z(x+h)]-m
2
, x; (2.3)
onde
Cov [Z(x), Z(x+h)] a covarincia entre Z(x) e Z(x+h).
Na Equao (2.3), estacionariedade da covarincia
1
implica na
estacionariedade da varincia:
Var[Z(x)] = E{[Z(x)- m]
2
} = E[Z
2
(x)] - 2.E[Z(x)].m + m
2
=
= E[Z(x).Z(x+0)] - 2m
2
+ m
2
=
= E[Z(x).Z(x+0)] - m
2
=

C(0), x. (2.4)
onde
Var o operador varincia.

1
Estacionariedade da covarincia significa que a covarincia entre dois pares quaisquer,
Z(x) e Z(x+h), invariante para um mesmo vetor distncia h.
7
A estacionariedade da covarincia tambm implica na estacionariedade do
variograma , definido por:
2(h) = E{[Z(x)-Z(x+h)]2} (2.5)
A Equao (2.5) pode ser desenvolvida em:
2(h) = E{Z
2
(x) - 2 Z(x)Z(x+h) + Z
2
(x+h)}
= E[Z
2
(x)] - 2E[Z(x)Z(x+h)] + E[Z
2
(x+h)] (2.6)
Da Equao (2.3) obtem-se:
E[Z(x)Z(x+h)] = C(h) + m
2
(2.7)
De maneira anloga, da Equao (2.4) obtem-se:
E[Z(x).Z(x+0)] = E[Z
2
(x)] = C(0) + m
2
(2.8)
Substituindo as equaes (2.7) e (2.8) na Equao (2.6), obtem-se:
2(h) = C(0) + m
2
- 2 (C(h) + m
2
) + C(0) + m
2
=
= 2 C(0) - 2 C(h) (2.9)
Simplificando a Equao (2.9), obtem-se:
(h) = C(0) - C(h) (2.10)
onde
(h) representa uma funo conhecida na teoria das variveis regionalizadas como
semivariograma, que metade do variograma. O variograma discutido em
detalhes na Seo 2.2.
A relao em (2.10) indica que sob a hiptese de
estacionariedade de 2
a
ordem
2
, a covarincia e o semivariograma so formas alternativas
de caracterizar a autocorrelao dos pares Z(x) e Z(x+h) separados pelo vetor h.

2
Formalmente uma varivel regionalizada estacionria de 2
a
ordem se os dois primeiros
momentos estatsticos so constantes, e se a covarincia entre dois valores observados
depende somente da distncia entre eles.
8
A hiptese de estacionariedade de 2
a
ordem supe a existncia de
uma covarincia e, ento, de uma varincia finita (Equao 2.4). Sob esta condio, o
correlograma, (h), pode ser definido. Dividindo ambos os lados da Equao (2.10)
por C(0), tem-se:
(h) =
C( )
C( )
C( )
C( )
( )
C( )
h
0
0
0
h
0


= 1-
( )
C( )
h
0
(2.11)
As restries impostas estacionariedade de 2
a
Ordem, isto ,
admitida C(h) Var[Z(x)] = C(0) e tambm (h), podem no ser satisfeitas
para alguns fenmenos fsicos que apresentam uma capacidade infinita de
disperso (David, 1977). Capacidade infinita de disperso / C(h), / Var[Z(x)];
porm, pode existir (h). Para tais situaes, uma hiptese menos restritiva, a hiptese
intrnseca, pode ser aplicvel.
Hiptese de Estacionariedade Intrnseca
De modo anlogo hiptese anterior, admite-se que E[Z(x)] = m(x) = m,
x. Alm disso, admite-se que a varincia das diferenas depende somente
do vetor distncia h, isto :
Var[Z(x) - Z(x+h)] = E{[Z(x)-Z(x+h)]
2
} = 2(h) , (2.12)
onde
2(h) conforme apresentado anteriormente.
Segundo David (1977), esta hiptese a mais freqente em geoestatstica,
principalmente por ser a menos restritiva. Isto , requer apenas a existncia e
estacionariedade do variograma, sem nenhuma restrio quanto existncia de
varincia finita.
Uma considerao adicional, que transcende a abrangncia deste
trabalho, refere-se s hipteses da Krigeagem Universal (David, 1977). Neste caso, m(x)
o drift (tendncia principal) e supe-se que C(h) e (h) possuem estacionariedade
dentro de uma vizinhana de tamanho restrito. Alm disso, supe-se que E[Z(x)] = m(x),
a qual no mais estacionria, varia de modo regular dentro de tal vizinhana. Segundo
9
David (1977), no somente a covarincia e o variograma so definidos a partir de
valores experimentais, mas tambm o tamanho da vizinhana onde as hipteses se
mantem vlidas. Trabalhos neste assunto podem ser encontrados em Olea (1975, 1977) e
um exemplo de aplicao pode ser visto em Burgess e Webster (1980c).
Neste trabalho pressupe-se a estacionariedade de 2
a
ordem ( hiptese intrnseca), a qual suficiente para a utilizao dos mtodos de
estimao de krigeagem simples (KS) e krigeagem ordinria (KO), a serem descritos nas
Sees 2.8.1 e 2.8.2, respectivamente.
2.1.2 - CARACTERSTICAS DAS VARIVEIS REGIONALIZADAS
Segundo Olea (1975, 1977), as principais caractersticas de uma
varivel regionalizada so:
Localizao: uma varivel regionalizada numericamente definida por um valor,
o qual est associado a uma amostra de tamanho, forma e orientao especficos.
Essas caractersticas geomtricas da amostra so denominadas suporte
geomtrico. O suporte geomtrico no necessariamente compreende volumes,
podendo se referir tambm a reas e linhas. Quando o suporte geomtrico tende a
zero, tem-se um ponto ou amostra pontual e o suporte geomtrico imaterial.
Exemplo: para estudar a variao da saturao dgua no solo, so coletadas
amostras de 10cm
3
. A varivel regionalizada a umidade do solo e o suporte
geomtrico o volume da amostra (10cm
3
). Note que, neste experimento, o
contedo dgua no solo depende no somente da localizao da amostra mas
tambm de seu tamanho, forma e orientao. Uma amostra de forma cilndrica e
longa, tomada na vertical, contm mais gua que uma amostra de mesmo tamanho
e forma tomada na direo horizontal em relao superfcie do solo. Se o volume
da amostra for 10m
3
ao contrrio de 10cm
3
, o resultado tambm ser diferente.
Resumindo, a teoria das variveis regionalizadas considera a geometria das
amostras, distintamente da estatstica clssica onde a forma, o tamanho e a
10
orientao no so considerados. Um experimento estatstico clssico como o
lanamento de moedas tm resultados que so independentes se a moeda
grande ou pequena, leve ou pesada, e de como lanada.
Anisotropia: algumas variveis regionalizadas so anisotrpicas, isto ,
apresentam variaes graduais numa direo e rpidas ou irregulares em outra.
Continuidade: dependendo do fenmeno sendo observado, a variao espacial
de uma varivel regionalizada pode ser grande ou pequena. Apesar da
complexidade das flutuaes, uma continuidade mdia geralmente est presente.
Esta continuidade exemplificada por Olea (1975) em um caso hipottico, onde
amostras de solo de mesmo tamanho, forma e orientao so coletadas em
intervalos regulares ao longo de linhas imaginrias. Essas amostras podem originar
duas sries distintas para a percentagem de H
2
O (gua) encontrada, conforme
apresentado na Tabela 2.1.
TABELA 2.1 - PERCENTAGEM DE H
2
O EM DUAS AMOSTRAS
DISTINTAS A E B.
A 5 10 15 20 25 20 15 10 5 % H
2
O
B 10 25 15 10 20 5 15 5 20 % H
2
O
Nesta tabela, os valores individuais nas duas amostras so
exatamente os mesmos. Portanto a mdia e a varincia amostral, assim como o
histograma de frequncia da varivel observada nas amostras A e B, so rigorosamente
idnticos. Qualquer anlise que no leve em considerao outras estatsticas alm da
mdia, varincia e histograma no diferenciar as duas sries. Este exemplo enfatiza a
importncia da medida da continuidade espacial da varivel regionalizada. Assim, torna-
se necessrio considerar a posio espacial relativa de cada uma das observaes nas
duas amostras, para que as mesmas sejam diferenciadas. A continuidade espacial da
varivel regionalizada pode ser analizada a partir do variograma, conforme descrito a
seguir.
2.2 - VARIOGRAMA
11
O variograma uma ferramenta bsica de suporte s tcnicas de
krigeagem, que permite representar quantitativamente a variao de um fenmeno
regionalizado no espao (Huijbregts, 1975).
Considere duas variveis regionalizadas, X e Y, onde X = Z(x) e
Y = Z(x+h). Neste caso, referem-se ao mesmo atributo (por exemplo, o teor de zinco no
solo) medido em duas posies diferentes, conforme ilustra a Figura 2.2, onde
Fig. 2.2 - Amostragem em duas dimenses.
x denota uma posio em duas dimenses, com componentes (x
i
,
y
i
), e h um vetor distncia (mdulo e direo) que separa os pontos.
O nvel de dependncia entre essas duas variveis regionalizadas,
X e Y, representado pelo variograma, 2(h), o qual definido como a esperana
matemtica do quadrado da diferena entre os valores de pontos no espao, separados
pelo vetor distncia h, isto ,
2 (h) = E{[Z(x)-Z(x+h)]
2
} = Var[Z(x)-Z(x+h)] . (2.13)
Atravs de uma amostra z(x
i
), i=1, 2, ..., n, o variograma pode ser
estimado por
2 ( =
1
N( )
z( )- z( )
N( )
2

h)
h
x x h
h
[ ]
i i
i
+
1
, (2.14)
onde:
12
2

( ) h - o variograma estimado;
N(h) - o nmero de pares de valores medidos, z(xi) e z(xi+h), separados por
um vetor distncia h;
z(xi) e z(xi+h) - so valores da i-sima observao da varivel regionalizada,
coletados nos pontos x
i
e x
i
+h (i = 1, ..., n), separados pelo vetor h.
Muitos autores definem variograma de forma distinta da Equao
(2.13), considerando o que comumente se refere como semivariograma, dado por:
( )
1
2
E{[Z( ) - Z( + )] } =
1
2
Var [Z( ) - Z( + )]
2
h x x h x x h . (2.15)
Analogamente, a funo semivariograma pode ser estimada por:

( =
1
2N( )
z( ) - z( )
N( )
2
h)
h
x x h
h
[ ]
i i
i
+
1
(2.16)
onde N(h), z(x
i
) e z(x
i
+h) so conforme j definidos.
2.3 - PARMETROS DO SEMIVARIOGRAMA
A Figura 2.3 ilustra um semivariograma experimental com
caractersticas muito prximas do ideal. O seu padro representa o que, intuitivamente,
se espera de dados de campo, isto , que as diferenas {Z(x
i
) - Z(x
i
+ h)} decresam
medida que h, a distncia que os separa decresce. esperado que observaes mais
prximas geograficamente tenham um comportamento mais semelhante entre si do que
aquelas separadas por maiores distncias. Desta maneira, esperado que (h) aumente
com a distncia h.
13
Fig. 2.3 - Exemplo de semivariograma.
Os parmetros do semivariograma podem ser observados
diretamente da Figura 2.3 :
Alcance (a): distncia dentro da qual as amostras apresentam-se
correlacionadas espacialmente. Na Figura 2.3, o alcance ocorre prximo de 25m.
Patamar (C): o valor do semivariograma correspondente a seu alcance (a).
Deste ponto em diante, considera-se que no existe mais dependncia espacial
entre as amostras, porque a varincia da diferena entre pares de amostras
(Var[Z(x) - Z(x+h)]) torna-se invariante com a distncia.
Efeito Pepita (C
0
): por definio, (0)=0, (refira-se Equao 2.15 ).
Entretanto, na prtica, medida que h tende para 0 (zero), (h) se aproxima de
um valor positivo chamado Efeito Pepita (C
0
). O valor de C
0
revela a
descontinuidade do semivariograma para distncias menores do que a menor
distncia entre as amostras. Parte desta descontinuidade pode ser tambm devida
a erros de medio (Isaaks e Srivastava, 1989), mas impossvel quantificar se a
maior contribuio provm dos erros de medio ou da variabilidade de pequena
escala no captada pela amostragem.
Contribuio (C
1
): a diferena entre o patamar (C) e o Efeito Pepita (C
o
).
2.4 - CLCULO DO SEMIVARIOGRAMA A PARTIR DE AMOSTRAS
14
REGULARMENTE ESPAADAS
Considere o conjunto de amostras regularmente espaadas, em
duas dimenses, conforme apresentado na Figura 2.4.
Fig. 2.4 - Amostras regularmente espaadas em duas dimenses.
Para determinar o semivariograma experimental, por exemplo, na
direo de 90
0
o clculo de

( ) h repetido para todos os intervalos de h. Suponha a

distncia entre dois pontos consecutivos igual a 100 metros (d=100m). Ento, qualquer
par de observaes, na direo 90
0
, cuja distncia igual a 100m

ser includo no
clculo de

(90
o
, 100m) . Isto feito, os clculos so repetidos para a prxima
distncia, por exemplo, 200m. Isto inclui todos os pares de observaes cuja distncia
igual a 200m. O processo repetido at que algum ponto de parada desejado seja
alcanado. Este procedimento pode ser melhor compreendido com o auxlio da Figura
2.5 e tambm deve ser realizado para outras direes (0
0
, 45
0
e 135
0
).
Fig.2.5 - Ilustrao para o clculo do semivariograma a
partir de amostras regularmente espaadas.
2.5 - CLCULO DO SEMIVARIOGRAMA A PARTIR DE AMOSTRAS
15
IRREGULARMENTE ESPAADAS
Considere o conjunto de amostras irregularmente espaadas, em
duas dimenses, conforme apresentado na Figura 2.6. Neste caso, para determinar o
semivariograma experimental, necessrio introduzir limites de tolerncia para direo e
distncia.
Fig. 2.6 - Parmetros para o clculo do semivariograma a partir de amostras
irregularmente espaadas em duas dimenses.
FONTE: Modificada de Deutsch e Journel (1992), p. 45.
Tome como referncia o Lag
2
(Lag refere-se a uma distncia pr-
definida, a qual utilizada no cculo do semivariograma) da figura acima. Suponha um
incremento de Lag igual a 100 metros com tolerncia de 50 metros. Considere ainda a
direo de medida 45
0
com tolerncia angular 22.5
0
. Ento, qualquer par de observaes
cuja distncia est compreendida entre 150m e 250m e 22.5
0
e 67.5
0
ser includo no
clculo do semivariograma de Lag
2
. Este processo se repete para todos os Lags.
Ainda com referncia na Figura 2.6, a largura de banda (BW) se
refere a um valor de ajuste a partir do qual se restringe o nmero de pares de
observaes para o clculo do semivariograma.
A prxima etapa constitui o ajuste de um modelo terico ao
semivariograma experimental, conforme descrito a seguir.
2.6 - MODELOS TERICOS
16
O grfico do semivariograma experimental,

( ) h , calculado
atravs da Equao (2.16), formado por uma srie de valores, conforme ilustra a
Figura 2.3, sobre os quais se objetiva ajustar uma funo. importante que o modelo
ajustado represente a tendncia de

( ) h em relao a h. Deste modo, as estimativas

obtidas a partir da krigeagem sero mais exatas e, portanto mais confiveis.
O procedimento de ajuste no direto e automtico, como no caso
de uma regresso, por exemplo, mas sim interativo, pois nesse processo o intrprete faz
um primeiro ajuste e verifica a adequao do modelo terico. Dependendo do ajuste
obtido, pode ou no redefinir o modelo, at obter um que seja considerado satisfatrio.
Os modelos aqui apresentados so considerados modelos bsicos,
denominados de modelos isotrpicos por Isaaks e Srivastava (1989). Esto divididos em
dois tipos: modelos com patamar e modelos sem patamar. Modelos do primeiro tipo so
referenciados na geoestatstica como modelos transitivos. Alguns dos modelos
transitivos atingem o patamar (C) assintoticamente. Para tais modelos, o alcance (a)
arbitrariamente definido como a distncia correspondente a 95% do patamar. Modelos
do segundo tipo no atingem o patamar, e continuam aumentanto enquanto a distncia
aumenta. Tais modelos so utilizados para modelar fenmenos que possuem capacidade
infinita de disperso.
2.6.1 - MODELO EFEITO PEPITA
Conforme discutido na Seo 2.3, muitos semivariogramas
experimentais apresentam uma descontinuidade na origem. Quando |h|=0, o valor do
semivariograma estritamente zero. Porm quando |h| tende a zero, o valor do
semivariograma pode ser significativamente maior que zero, isto , ocorre uma
descontinuidade na origem. Tal descontinuidade modelada atravs do modelo de efeito
pepita, assim definido:
o (|h|) =
0
1
se | 0
se | 0
|
|
h
h

'

(2.17)
17
Na literatura geoestatstica, o efeito pepita no classificado como
modelo bsico, mas aparece como uma constante (C
o
) na equao do semivariograma, e
deve ser entendido que C
o
= 0 quando |h| = 0. A rigor, a notao para o efeito pepita
C
o

o
(|h|), onde C
o
representa o valor da descontinuidade na origem, e
o
(|h|) o modelo
de efeito pepita normalizado conforme apresentado na Equao 2.17. Esta notao
consistente com a apresentao dos modelos bsicos aqui descritos e torna-se
conveniente quando se usa um modelo composto.
Os modelos transitivos mais utilizados so: modelo esfrico (Sph),
modelo exponencial (Exp) e modelo gaussiano (Gau). Estes modelos esto apresentados
na Figura 2.7 com o mesmo alcance (a).
Fig. 2.7 - Representao grfica de modelos transitivos normalizados.
FONTE: Modificada de Isaaks e Srivastava (1989), p. 374.
2.6.2 - MODELO ESFRICO
O modelo esfrico um dos modelos mais utilizados e est
representado em vermelho na Figura 2.7. A equao normalizada deste modelo :
( ) Sph h
h
h h
h|
h|

_
,

_
,
<
>

'

0
5 5 0
1
,
, , , |
, |
| | 0
1
| |
0
3
| |
a a
a
a
(2.18)
18
2.6.3 - MODELO EXPONENCIAL
Um outro modelo bastante utilizado o modelo exponencial, o
qual apresentado em azul na Figura 2.7. A equao normalizada deste modelo :
( ) xp
0 , |
1 exp
| | h
h
h
h

_
,

'

|=0
|
a
, | 0
(2.19)
Este modelo atinge o patamar assintoticamente, com o alcance
prtico definido como a distncia na qual o valor do modelo 95% do patamar (Isaaks e
Srivastava, 1989).
2.6.4 - MODELO GAUSSIANO
O modelo gaussiano um modelo transitivo, muitas vezes usado
para modelar fenmenos extremamente contnuos (Isaaks e Srivastava, 1989). Sua
formulao dada por:
( ) Gau
|=0
1 exp
2
| |
| 0
h
h
h
h

_
,

'

0 , |
, |
a
(2.20)
Semelhante no modelo exponencial, o modelo gaussiano atinge o
patamar assintoticamente e o parmetro a definido como o alcance prtico ou distncia
na qual o valor do modelo 95% do patamar (Isaaks e Srivastava, 1989). O que
caracteriza este modelo seu comportamento parablico prximo origem, conforme
representado na Figura 2.7 atravs da linha slida verde.
2.6.5 - MODELO POTNCIA
O modelo potncia no um modelo transitivo, portanto no
atinge o patamar. Em geral, este tipo de modelo utilizado para modelar fenmenos com
capacidade infinita de disperso. A Figura 2.8 ilustra o modelo potncia, o qual
expresso atravs de:
19
Pot (| |) h
h
h h

'

0 ,|
| ,|
|=0
. | | 0 c
e
(2.21)
onde,
c o coeficiente de declividade, e
e o expoente.
Fig.2.8 - Representao grfica do modelo potncia.
At este ponto foram apresentados os principais modelos bsicos
normalizados, os quais so utilizados para modelar ou ajustar o semivariograma
experimental. Na prtica, os semivariogramas experimentais possuem valores de efeito
pepita (C
o
) maior que zero e valores de patamar (C) maiores que a unidade, conforme
ilustrado na Figura 2.9.
Fig. 2.9 - Representao grfica de semivariogramas experimentais e modelos tericos.
20
Em resumo, os semivariogramas dos modelos transitivos bsicos
so assim definidos:
Modelo Esfrico de Semivariograma:
( )
0 , | |= 0
3
2
| | 1
2
3
| |
Sph (| |) |
|
h
h
h h
h h
h
+

_
,

_
,

1
]
1
1
+ <
+ >

'

C
o
C
1
a a
C
o
C
1
a
C
o
C
1
a
[ ] , |
, |
0 (2.22)
Modelo Exponencial de Semivariograma:
( )
| | 0
1 exp
| |
Exp (| |)] ,| | 0
h
h
h
h h

_
,

1
]
1

'

0 ,
[
o
C +
1
C
a
o
C +
1
C
(2.23)
Modelo Gaussiano de Semivariograma:
( )
| | 0
1 exp
2
| |
[Gau (| |)] ,| | 0
h
h
h
h h

_
,

1
]
1
1

'

0 ,
o
C +
1
C
a
o
C +
1
C
(2.24)
De maneira anloga, o modelo potncia escrito em termos de
semivariograma da seguinte forma:
Modelo Potncia de Semivariograma :
( ) h
h
h h h

'

0 ,|
| ,|
|=0
. | Pot (| |) | 0
0 0
C +c
e
C +
(2.25)
2.6.6 - MODELOS ANINHADOS
Existem determinados fenmenos em que so necessrios modelos
mais complexos de semivariograma para explicar suas variaes espaciais. Estes modelos
so combinaes de modelos simples, denominados aninhados. McBratney e Webster
(1986) observaram que modelos aninhados so necessrios para explicar a variao do
21
solo decorrente de fatores independentes de formao. Por exemplo, um modelo
aninhado til em estudos de minerao e pesquisa de solo o duplo esfrico. McBratney
et al. (1982) o utilizaram para descrever a variao do cobre e do cobalto no solo. Este
modelo definido como:

1
2
( )
3
2
| | 1
2
3
| |
( ) | |
3
2
| | 1
2
3
| |
( ) | |
| |
| | =0
h
h h
h h
h h
h h
h
h

_
,

_
,

1
]
1
1
<
+

_
,

_
,

1
]
1
1
<
+ >

'

C C
a a
a
C C
a a
a a
C C a
0 1
1 1
1
0 2
2 2
1 2
0 2 2
,
,
,
,
0
0
(2.26)
onde,
a
1
e C
1
correspondem aos parmetros de alcance e contribuio,
respectivamente, do primeiro modelo esfrico (
1
(h)) e
a
2
e C
2
correspondem aos parmetros de alcance e contribuio,
respectivamente, do segundo modelo esfrico (
2
(h)).
Este modelo mostrado na Figura 2.10, onde as linhas slidas
representam os modelos de ajuste terico ao semivariograma experimental.
Fig. 2.10 - Representao grfica de um modelo duplo esfrico.
22
Dependendo do fenmeno em estudo, outros modelos aninhados
so necessrios para caracterizar a variabilidade espacial. Por exemplo: duplo
exponencial, exponencial com duplo esfrico, linear com duplo esfrico, etc.
2.7 - ANISOTROPIA
A anisotropia pode ser facilmente constatada atravs da
observao dos semivariogramas obtidos para diferentes direes. As convenes
direcionais usadas na geoestatstica so mostradas na Figura 2.11.
Fig. 2.11 - Convenes direcionais usadas na geoestatstica.
Considere os semivariogramas obtidos para as direes 0
0
, 45
0
, 90
0
e 135
0
, ilustrados na Figura 2.12. Verifica-se uma similaridade bastante grande entre eles.
Esta a representao de um caso simples e menos freqente, em que a distribuio
espacial do fenmeno denominada isotrpica. Neste caso, um nico modelo
suficiente para descrever a variabilidade espacial do fenmeno em estudo.
Fig. 2.12 - Representao grfica de semivariogramas isotrpicos.
23
Por outro lado, se os semivariogramas no so iguais em todas as
direes, a distribuio denominada anisotrpica. Se a anisotropia observada e
refletida pelo mesmo Patamar (C) com diferentes Alcances (a) do mesmo modelo, ento
ela denominada Geomtrica.
Considere o semivariograma ilustrado na Figura 2.13. Os pontos
interligados com linhas tracejadas so os semivariogramas experimentais em duas
direes ortogonais. O semivariograma que atinge primeiro o patamar (azul) se refere
direo de 120
0
e o semivariograma com maior alcance (vermelho) se refere direo de
30
0
. As linhas slidas em ambas direes so os modelos tericos de ajuste dos
semivariogramas experimentais.
Fig. 2.13 - Representao grfica de anisotropia geomtrica.
Um modo direto de visualizar e calcular os parmetros (fator e
ngulo) da anisotropia geomtrica atravs do esboo grfico de uma elipse, calculada
atravs dos alcances obtidos em direes distintas, conforme Figura 2.14. As convenes
que seguem, so as adotadas por Deutsch e Journel (1992). Para o eixo maior da elipse,
denominado direo de mxima continuidade, aplica-se o maior alcance(a
1
). O ngulo da
direo de mxima continuidade definido a partir da direo Norte e no sentido
horrio. Seu valor corresponde direo de maior alcance. O eixo menor define o
alcance(a
2
) na direo de menor continuidade, sendo este ortogonal direo principal.
24
Fig. 2.14 - Representao grfica da anisotropia geomtrica em duas dimenses.
FONTE: Modificada de Deutsch e Journel (1992), p. 24.
O fator de anisotropia geomtrica definido como a razo entre o
alcance na direo de menor continuidade (a
2
) e o alcance na direo de maior
continuidade (a
1
). Neste caso, o fator de anisotropia geomtrica sempre menor que a
unidade e o ngulo de anisotropia igual ao ngulo da direo de mxima continuidade.
Existe ainda um outro tipo de anisotropia em que os
semivariogramas apresentam os mesmos Alcances (a) e diferentes Patamares (C). Neste
caso, a anisotropia denominada Zonal. Como a isotropia, a anisotropia zonal tambm
um caso menos freqente presente nos fenmenos naturais. O mais comum encontrar
combinaes da anisotropia zonal e geomtrica, denominada anisotropia combinada.
Considere o semivariograma apresentado na Figura 2.15. Os
pontos interligados com linhas tracejadas correspondem a semivariogramas
experimentais em duas direes ortogonais. O semivariograma com maior patamar (azul)
refere-se direo de 60
0
e o semivariograma com menor patamar (vermelho) refere-se
sua direo perpendicular (150
0
). Os modelos de ajuste aos semivariogramas esto
representados por linhas slidas.
25
Fig. 2.15 - Representao grfica de anisotropia combinada.
Segundo Isaaks e Srivastava (1989), citados por Deutsch e Journel
(1992, p. 25), a anisotropia zonal pode ser considerada como um caso particular da
anisotropia geomtrica, ao se supor um fator de anisotropia muito grande. Nesta
condio, o alcance implcito na direo de menor continuidade muito grande. A
estrutura do semivariograma ento adicionada somente para a direo de maior
continuidade.
2.8 - KRIGEAGEM
O termo krigeagem derivado do nome Daniel G. Krige, que foi o
pioneiro a introduzir o uso de mdias mveis para evitar a superestimao sistemtica de
reservas de minerao (Delfiner e Delhomme, 1975).
Inicialmente, o mtodo de krigeagem foi desenvolvido para
solucionar problemas de mapeamentos geologicos, mas seu uso expandiu-se com
sucesso no mapeamento de solos (Burgess e Webster, 1980a,b), mapeamento
hidrolgico (Kitanidis e Vomvoris, 1983), mapeamento atmosfrico (Lajaunie, 1984) e
outros campos correlatos.
26
A diferena entre a krigeagem e outros mtodos de interpolao
a maneira como os pesos so atribudos s diferentes amostras. No caso de interpolao
linear simples, por exemplo, os pesos so todos iguais a 1/N (N = nmero de amostras);
na interpolao baseada no inverso do quadrado das distncias, os pesos so definidos
como o inverso do quadrado da distncia que separa o valor interpolado dos valores
observados. Na krigeagem, o procedimento semelhante ao de interpolao por mdia
mvel ponderada, exceto que aqui os pesos so determinados a partir de uma anlise
espacial, baseada no semivariograma experimental. Alm disso, a krigeagem fornece, em
mdia, estimativas no tendenciosas e com varincia mnima
3
.
Segundo Oliver e Webster (1990), a krigeagem engloba um
conjunto de mtodos de estimao, a saber: krigeagem simples, krigeagem ordinria,
krigeagem universal, Co-krigeagem, krigeagem disjuntiva, etc.
Este trabalho limita-se somente apresentao dos dois primeiros
tipos, os quais sero descritos nas sees seguintes.
2.8.1 - KRIGEAGEM SIMPLES (KS)
Considere uma superfcie sobre a qual se observe alguma
propriedade do solo, Z, em n pontos distintos, com coordenadas representadas pelo
vetor x. Assim, tem-se um conjunto de valores {z(x
i
), i=1, ..., n}, onde x
i
, identifica uma
posio em duas dimenses representada pelos pares de coordenadas (x
i
, y
i
). Suponha
que se objetive estimar o valor de Z no ponto x
0
. O valor desconhecido de Z(x
0
) pode ser
estimado a partir de uma combinao linear dos n valores observados, adicionado a um
parmetro,
0
(Journel, 1988):

3
Estimativas no tendenciosas significam que, em mdia, a diferena entre valores
estimados e verdadeiros para o mesmo ponto deve ser nula; e varincia mnima
significa que estes estimadores possuem a menor varincia dentre todos os estimadores
no tendenciosos.
27
Z
*
Z( )
0
0 i x
x +

i
n
i 1

. (2.27)
Deseja-se um estimador no tendencioso, isto ,
E [Z
o
x
- Z
o
x
*
] = 0 . (2.28)
Esta relao impe que as duas mdias sejam iguais, isto ,
E [Z
o
x
] = E[Z
o
x
*
] . (2.29)
Mas
[ ]
[ ] E Z E . Z( ) E Z( )
o
*
i
i 1
n
i i
i 1
n
i x
x x +

1
]
1
+


0 0
. (2.30)
O parmetro
0
obtido, substituindo a Equao 2.30 em 2.29,
ento:
[ ] [ ]
0
1

E E
i
i
n
Z( Z(
0 i
x x ) ) . (2.31)
Substituindo o valor de
0
na Equao 2.27, obtem-se o estimador:
Z
*
Z( )
0
0 i i x
x x x +

E Z E Z
i
n
i
n
i i
[ ( )] [ ( )]
1 1
. (2.32)
O mtodo de krigeagem simples supe que a mdia (m)
conhecida e constante a priori, ento:
E Z E Z [ ( )] [ ( )] x x
0 i
= m
.
(2.33)
Substituindo a Equao 2.33 em 2.32, o estimador de krigeagem
simples fica:
Z
*
Z( ) - ]
0
i x
x +

m m
i
1 i
n
[ . (2.34)
Journel (1988) mostra que, minimizando a varincia do erro
(Var Z Z [ ]
*
x x
0 0
), os pesos
i
so obtidos a partir do seguinte sistema de equaes,
denominado sistema de krigeagem simples:
28

i
j 1
n
i j i 0
C( , ) C( , )

x x x x para i = 1, ..., n (n equaes) (2.35)

onde,
C(x
i
, x
j
) refere-se funo covarincia correspondente a um vetor, h, com
origem em x
i
e extremidade em x
j
.
C(x
i
, x
0
) refere-se a funo covarincia correspondente a um vetor, h, com
origem em x
i
e extremidade no ponto a ser estimado x
0
.
Por exemplo, para n = 2, o sistema de krigeagem simples constitui-
se de 2 equaes a 2 incgnitas (
1
,
2
), a saber:


1 11 2 12 10
1 21 2 22 20
C C C
C C C
+
+

'

A correspondente varincia minimizada do erro, denominada

varincia de krigeagem simples (
ks
2
), dada por (Journel, 1988):

ks
2
i
i=1
n
Var Z Z C C
i
[ ] ( ) ( , )
*
x x
0 x x
0 0
0
. (2.36)
Em notao matricial, o sistema de krigeagem simples escrito
como:
K . = k = K
1
. k, com (2.37)
K
C C .........C
C C .........C
: : :
C C .........C
11 12 1n
21 22 2n
n1 n2 nn
,

1
2
:
n
e k
C
C
:
C
10
20
n0
onde, K e k so matrizes das covarincias e o vetor dos pesos.
A varincia de krigeagem simples dada por (Journel, 1988):

ks
2
C
T
( ) . 0 k (2.38)
29
2.8.2 - KRIGEAGEM ORDINRIA (KO)
Analogamente krigeagem simples, o valor desconhecido de Z(x
0
)
pode ser estimado por uma combinao linear dos n valores observados adicionado a um
parmetro,
0
(Journel, 1988):
Z
*
0
0 x
x +

i
n
i
i
Z
1
( )

. (2.39)
Deseja-se um estimador no tendencioso, isto ,
E [Z
o
x
- Z
o
x
*
] = 0 . (2.40)
A relao acima impe que as duas mdias sejam iguais; assim
aplicando-se a Equao 2.39 em 2.40, obtem-se:
[ ] E Z E
i
i
n
i
i
n
x
x
o
i
Z( +

1
]
1
+


0
1
0
1
. ) m m . (2.41)
Diferente da krigeagem simples, a krigeagem ordinria no requer
o prvio conhecimento da mdia m. Neste caso, para que a igualdade da Equao 2.41
seja satisfeita necessrio que:

0 i
0 e

i
n
1
1 .
Portanto, o estimador de krigeagem ordinria :
Z
*
0
x
x

i
n
i
i
Z
1
( )
,
com
i
i
n

1
1 . (2.42)
Journel (1988) mostra que, minimizando a varincia do erro
(Var Z Z [ ]
*
x x
0 0
) sob a condio de que
i
i
n

1
1 , os pesos
i
so obtidos a partir do
seguinte sistema de equaes, denominado sistema de krigeagem ordinria:
30

j i j i 0
j
C( C para i 1,..., n
j 1
n
j 1
n
( , ) , )

'

x x x x
1
(2.43)
onde,
C(xi, xj) e C(xi, x
0
) so definidos como anteriormente; e
o multiplicador de Lagrange necessrio para a minimizao da varincia do
erro.
A correspondente varincia minimizada do erro, denominada
varincia de krigeagem ordinria (
ko
2
), dada pela seguinte expresso (Journel, 1988):

ko
2
i
i =1
n
Var C C [ ] ( ) ( , )
*
Z Z
i x x
0 x x
0 0
0
. (2.44)
O sistema de krigeagem ordinria (2.43) pode ser escrito em
notao matricial como:
K . = k = K
1
. k
(2.45)
onde,
K e k so matrizes das covarincias e o vetor dos pesos.
K =
C C .........C 1
C C .........C 1
: : : :
C C .........C 1
1 1 ......... 1 0
11 12 1n
21 22 2n
n1 n2 nn
, =

1
2
:
n
e k =
C
C
:
C
1
10
20
n0
A varincia de krigeagem ordinria dada por (Journel, 1988):

ko
2
C
T
( ) . 0 k (2.46)
2.8.3 - EXEMPLO PRTICO DE KRIGEAGEM
31
Considere o espao amostral da Figura 2.16. Suponha que se
objetive estimar o valor da varivel Z no ponto x
o
, a partir de z(x
1
), z(x
2
), z(x
3
) e z(x
4
).
Considere ainda, que o variograma experimental foi ajustado atravs de um modelo
esfrico, com contribuio C
1
= 20, efeito pepita C
0
= 2 e alcance a = 200.
Fig. 2.16 - Grade de pontos amostrais.
Aplicando a Equao (2.45), tem-se:

1
2
3
4

1
]
1
1
1
1
1
=
C C C C 1
C C C C 1
C C C C 1
C C C C 1
1 1 1 1 0
C
C
C
C
1
11 12 13 14
21 22 23 24
31 32 33 34
41 42 43 44
01
02
03
04

1
]
1
1
1
1
1

1
]
1
1
1
1
1
1
Os elementos das matrizes so calculados da seguinte forma:
Cij = C
1
+ C
0
- (h), onde h o vetor distncia entre os pontos x
i
e x
j
. Ento, para o
exemplo dado, obtem-se:
C
12
= C
21
= C
04
= C
1
+ C
0
- (50 2 )
= 20 + 2 - 2 20 15
50 2
200
0 5
2
200
3
3
+

_
,

1
]
1 , ,
(50 )
( )
= 9,84
C
13
= C
31
= C
1
+ C
0
-
( ) ( )
[ ]
150 50
2 2
+ = 1,23
32
C
14
= C
41
= C
02
= C
1
+ C
0
-
( ) ( )
[ ]
100 50
2 2
+ = 4,98
C
23
= C
32
= C
1
+ C
0
-
( ) ( )
[ ]
100 100
2 2
+ = 2,33
C
24
= C
42
= C
1
+ C
0
-
( ) ( )
[ ]
150 100
2 2
+ = 0,29
C
34
= C
43
= C
1
+ C
0
-
( ) ( )
[ ]
200 50
2 2
+ = 0
C
01
= C
1
+ C
0
- (50) = 12,66
C
03
= C
1
+ C
0
- (150) = 1,72
C
11
= C
22
= C
33
= C
44
= C
1
+ C
0
- (0) = 22
Substituindo os valores de C
ij
nas matrizes, encontra-se os seguintes
pesos:
1
= 0,518 ,
2
= 0,022 ,
3
= 0,089 e
4
= 0,371. Finalmente o estimador
de Z
o
x
dado por:

Z
o
x
*
= 0,518 z(x
1
)

+ 0,022 z(x
2
)

+ 0,089 z(x
3
)

+ 0,371 z(x
4
)

Comentrios:
Embora as amostras Z
2
e Z
3
tenham pouca influncia na estimativa
final de Z
0
, suas influncias relativas no so lineares em relao s suas distncias a
partir de Z
0
. A amostra Z
3
est mais distante que Z
2
; no entanto, tem mais influncia
(8,9%) que Z
2
(2,2%). Isto ocorre porque Z
0
est diretamente sobre a influncia de Z
3
,
enquanto Z
2
est muito prximo de Z
1
. Ao se introduzir as covarincias no clculo dos
pesos, evita-se associar pesos indevidos a clusters (agrupamentos) de amostras, o que
no ocorre com outros mtodos baseados somente na distncia.