Escolar Documentos
Profissional Documentos
Cultura Documentos
2010
Modelao e
Estimao
Uma introduo geoestatstica
Pedro Correia
2
ndice
Resumo Introdutrio .................................................................................................... 4
Caracterizao da Disperso Espacial ............................................................ 4
Mtodo Computacional de Clculo ................................................................ 6
Variografia ....................................................................................................................... 8
Modelos de Variogramas ....................................................................................... 12
Estimao por Krigagem ......................................................................................... 15
Input de Dados num Software de Geoestatstica .................................. 17
Exerccio de Krigagem ................................................................................................. 21
Introduo ao S-GeMS ................................................................................................ 41
Interface do S-GeMS .................................................................................................. 41
Painel de algoritmos ................................................................................................ 42
Painel de Visualizao ............................................................................................. 45
Comandos bsicos no S-GeMS ............................................................................. 48
Inserir Dados no S-GeMS ................................................................................... 48
Ferramentas do S-GeMS ........................................................................................... 51
Utilizao do Software S-GeMS na Estimao do Teor de
Contaminantes numa Horta ................................................................................... 54
Dados da Horta ........................................................................................................... 54
Preparao dos Dados ............................................................................................. 55
Estatsticos Descritivos ......................................................................................... 58
Estudo de Variografia ............................................................................................. 60
Krigagem ........................................................................................................................... 62
Anlise dos Resultados ........................................................................................... 65
Estimao da Impedncia num Reservatrio Petrolfero .................... 67
Dados do Reservatrio ........................................................................................... 67
Estatsticos Descritivos ......................................................................................... 67
Estudo de Variografia ............................................................................................. 70
Krigagem da Impedncia ......................................................................................... 74
Exerccio 1 ........................................................................................................................... 77
Exerccio 2 ........................................................................................................................... 77
Exerccio 3 ........................................................................................................................... 78
3
Exerccio 4 ........................................................................................................................... 78
Exerccio 5 ........................................................................................................................... 79
Bibliografia ......................................................................................................................... 80
4
Resumo Introdutrio
Vamos comear com uma breve introduo sobre estimao, nomeadamente com krigagem.
Mais frente poderemos ver todo o processo ao pormenor.
Caracterizao da Disperso Espacial
A interpolao espacial de valores amostrados pode ser feita com mtodos de duas grandes classes: os
determinsticos e o geostatsticos que mais frente falaremos. Comecemos por um exemplo prtico no
qual precisamos de caracterizar a disperso espacial do fsforo numa horta com base em seis amostras
(Figura 1).
Figura 1 - Horta de onde se retiraram seis amostras para anlise da quantidade de fsforo no solo.
S existem seis locais que sabemos com toda a certeza a quantidade exacta de fsforo, tudo o resto
permanece desconhecido. necessrio inferir qual o valor de fsforo que cada uma das zonas ter
consoante a amostragem que foi feita. De entre os mtodos determinsticos podemos utilizar, por
exemplo, diagramas de Voronoi (mtodo dos polgonos de influncia) no qual cada ponto da horta toma
um valor igual amostra que se encontra mais prxima (Figura 2).
Figura 2 - Mtodo dos polgonos de influncia aplicado ao caso da horta.
Cada uma das arestas dos polgonos de influncia representa o limite que define se um ponto
se encontra mais prximo de uma amostra, ou de outra. Outro mtodo bastante conhecido o
5
de triangulao no qual cada local toma o valor, ponderado ou constante, da mdia feita pelos
vrtices de cada tringulo representativos das amostras.
Figura 3 - Mtodo da triangulao aplicado ao caso da horta.
Por ltimo e, possivelmente, o caso mais usado de entre os mtodos determinsticos o do
inverso da potncia da distncia (mais vulgarmente o do inverso do quadrado da distncia por
se usar a potncia de 2 na estimao, Figura 4).
Figura 4 - Inverso da potncia da distncia aplicado ao caso da horta.
Cada ponto do espao calculado utilizando a seguinte frmula ( :
A aplicao destes mtodos d-nos um mapeamento da quantidade de fsforo na horta como
podemos ver na Figura 5 onde foi aplicado o mtodo dos polgonos de influncia.
6
Figura 5 - Mapeamento da quantidade de fsforo na horta com base no mtodo dos polgonos de influncia.
Cada uma das cores representa uma dada quantidade de fsforo. Agora temos uma noo da
disperso espacial do fsforo na horta mas poder a mesma ser melhorada? Mtodos
determinsticos de inferncia espacial, como so os acima explicados, tm por base critrios
estritamente geomtricos quase arbitrrios dado que a disperso de um elemento numa dada
rea ou volume corresponde geralmente a um ou mais fenmenos especficos com
continuidade dependente da direco. Por esse e outros motivos se recorre, em muitos casos
e especialmente nas cincias da terra e do ambiente, a mtodos geostatsticos. Antes de
explicar estes mtodos e dado que os mesmos so, geralmente, efectuados em recurso a um
computador, importante explicar as limitaes que o mesmo tem e que estruturas necessita
para efectuar clculos que, no fim, daro origem a um mapeamento de um qualquer
fenmeno como o nosso caso do fsforo na horta.
Mtodo Computacional de Clculo
Um computador uma ferramenta com limitaes e no consegue compreender o que um
espectro contnuo. Imaginemos que temos uma linha com uma amostra real no princpio e
precisamos calcular valores ao longo da mesma. Podemos faze-lo distncia que acharmos
melhor, quantas vezes for necessrio, sem necessidade de quebrar a continuidade da linha. O
computador no consegue efectuar o mesmo tipo de raciocnio (Figura 6).
Figura 6 - Mtodo computacional para discretizar uma entidade contnua.
7
Para colmatar esta deficincia o computador discretiza transformando uma linha (A) num
aglomerado de intervalos (B) que, num mapa de inferncia espacial, so reconhecidos como
blocos (C). Se aplicarmos a mesma lgica para o caso da horta, que se entende bidimensional
(ainda no foi considerado a profundidade), vamos ficar com uma discretizao por blocos no
espao 2D (Figura 7).
Figura 7 - Discretizao em blocos da horta.
A partir daqui o computador ir efectuar um clculo para cada bloco da discretizao da horta.
Se formos aplicar o mtodo dos polgonos de influncia ao caso da horta atravs do
computador iremos ter o resultado da Figura 8.
Figura 8 - Aplicao do mtodo dos polgonos de influncia num computador.
O tamanho dos blocos definido pelo utilizador e diz-se ter uma malha mais apertada ou
menos apertada consoante o mesmo for menor ou maior, respectivamente. Ao conjunto dos
blocos habitual chamar-se de grid. Evidentemente que o estudo no s pode ser feito no
plano como no espao 3D passando a existir a coordenada da profundidade. Neste caso a grid
passaria a ter mais de uma camada de blocos (Figura 9).
8
Figura 9 - Grid de duas camadas de 18 blocos cada.
Geralmente so utilizados os caracteres I, J e K para determinar o nmero de blocos que existe
em cada direco. Se o ngulo que a grid fizer em relao ao eixo y for zero ento I
corresponde a x, J a y e K a z (isto se cada unidade em x, y, z corresponder a um bloco em I, J,
K, mas falaremos disso depois).
Variografia
O variograma uma ferramenta estatstica de grande importncia na geoestatstica dado que
nos d uma medida da continuidade espacial mas comecemos pela anlise inicial aos
estatsticos bsicos. Imaginemos que fazemos um histograma da amostragem da nossa horta e
que o resultado o da Figura 10.
Figura 10 - Histograma dos dados amostrados da horta.
Imaginemos agora que o vizinho do lado da horta faz a mesma anlise sua horta e o seu
histograma resulta num igual ao nosso. Quando foi feita a anlise espacial da horta do vizinho
resultou no mapa da Figura 11.
9
Figura 11 - Mapa da disperso do fsforo na horta do vizinho.
Este caso nada tem a ver com o da nossa horta, no entanto os seus histogramas so iguais. De
maneira a conseguir completar a informao dada pelos estatsticos bsicos temos o
variograma. O variograma calculado pela seguinte expresso:
1
2
Onde corresponde s coordenadas da posio ,
Com o acrescento da linha para evitar erros (o somatrio dos pesos no pode dar maior ou
menor que 1):
1
Onde
Onde
Ento o nosso clculo ir ser, para oito pares de pontos:
100 27 28
32 30
30 31
31 29
44 42
42 43
43 41
41 39
/2 8
100 1,1875
Consideremos agora a mesma direco para a distncia de 200 metros (Figura 34).
Figura 34 - Pares de pontos na direco "Este-Oeste" distncia de 200 metros.
O clculo do variograma para oito pares de pontos ir ser:
200 27 27
32 31
30 29
38 33
33 30
44 43
42 41
43 39
/2 8
200 3.375
Considerando a distncia de 300 metros (Figura 35):
24
Figura 35 - Pares de pontos na direco "Este-Oeste" distncia de 300 metros.
O clculo do variograma ir ser para quatro pares de pontos:
300 27 28
32 29
44 41
42 39
/2 4
300 3,5
Fazendo apenas para trs classes distncia de 100, 200 e 300 metros ficamos com o
variograma experimental da Figura 36 (repare-se que tem o nmero de pares de pontos para
cada distncia).
Figura 36 - Variograma experimental da direco "Este-Oeste".
25
Consideremos agora a direco Norte-Sul para a distncia de 100 metros (Figura 37).
Figura 37 - Pares de pontos na direco "Norte-sul" distncia de 100 metros.
O clculo do variograma para sete pares de pontos :
100 38 44
27 33
30 33
33 43
28 31
29 30
30 39
/2 7
100 19.4286
Considerando a distncia de 200 metros na mesma direco (Figura 38).
Figura 38 - Pares de pontos na direco "Norte-sul" distncia de 200 metros.
O clculo do variograma para seis pares de pontos :
26
200 27 38
32 42
27 33
30 43
31 41
29 39
/2 6
200 48,833
Finalmente temos a distncia de 300 metros na direco Norte-Sul (Figura 39).
Figura 39 - Pares de pontos na direco "Norte-sul" distncia de 300 metros.
O clculo do variograma para trs pares de pontos :
300 27 44
27 43
28 41
/2 3
300 119
O variograma experimental vai ser ento o da Figura 40.
Figura 40 - Variograma experimental da direco "Norte-sul".
27
Podamos continuar a estudar outras direces com outras distncias (para um estudo mais
completo era o que devia ser feito) mas em favor da brevidade vamos ficar por estas
direces. Agora necessrio completar os nossos variogramas com os estatsticos bsicos.
Para fazer os estatsticos bsicos comeamos por usar os nossos dados iniciais (Tabela 1).
X Y Fe
1 4 27
3 4 27
4 4 28
5 3 29
3 3 30
5 2 30
4 3 31
2 3 32
3 2 33
1 2 38
5 1 39
4 1 41
2 1 42
3 1 43
1 1 44
Tabela 1 - Dados iniciais do nosso exerccio.
A partir destes fizemos classes de teor de ferro e a frequncia de existia em cada uma delas
(Tabela 2).
Classes Frequncia
[27, 31] 7
]31, 35] 2
]35, 39] 2
]39, 44] 4
Tabela 2 - Classes de teores e respectivas frequncias.
A partir daqui j conseguimos construir um histograma (Figura 41).
28
Figura 41 - Histograma dos nossos dados iniciais.
O histograma revela uma distribuio curiosa mas dado a escassez de dados no vamos
assumir nada. A nossa amostragem de malha regular e tem boa representatividade na regio
que pretendemos estudar, por esse motivo vamos usar a varincia como patamar para os
nossos modelos de variografia. A varincia dada por (sendo a varivel de amostragem):
No qual e o valor esperado. Em casos como o nosso, no qual tratamos todos
os valores como tendo igual probabilidade, o valor esperado a mdia aritmtica.
1
E , portanto, a mdia aritmtica da nossa amostragem. Assim a varincia vai ser a mdia
aritmtica do quadrado das diferenas de todas as amostras para a mdia.
1
No nosso caso a mdia aritmtica igual a:
27 27 28 29 30 30 31 32 33 38 39 41 42 43 44
15
34,2667
29
A partir da mdia calculamos a varincia:
27 34,2667
27 34,2667
28 34,2667
29 34,2667
43 34,2667
44 34,2667
/15
38,49524
Temos agora o histograma, mdia e varincia como estatsticos bsicos. Ao metermos a
varincia nos variogramas experimentais ficamos com o patamar (Figura 42).
Figura 42 - Variogramas experimentais com patamar inserido.
Repare-se que na direco Norte-Sul o patamar est presente a tracejado mas na direco
Este-Oeste no. Ele existe nesta direco, no entanto os valores dos variogramas so
demasiado baixos para que o patamar seja visto a esta escala. Por comparao com as duas
direces podemos dizer que a continuidade na direco Este-Oeste muito superior
direco Norte-Sul. Ao fazermos uma nova escala para o variograma da Este-Oeste ficamos
com o resultado da Figura 43.
Figura 43 - Variograma da direco "Este-Oeste" com uma nova escala que permite ver o patamar.
30
Agora necessrio ajustar um modelo aos variogramas experimentais. Existem muitas funes
possveis de se usar em variografia mas vamos comentar apenas algumas das mais utilizadas.
Se considerarmos que o patamar e a amplitude ento os modelos tero que ser
definidos com estas constantes (muito embora no ajuste do modelo num software o que se
varia a amplitude, mas para todos os efeitos as funes do modelo so de varivel , melhor
dizendo distncia). A ttulo de exemplo vamos explorar as hipteses modelo Gaussiano e
modelo Esfrico. A frmula do modelo gaussiano a seguinte:
1
Uma maneira de ajustar o modelo manualmente ao variograma invertendo a funo para
descobrir qual a amplitude sabendo , , . Assim ficamos com:
1
ln 1
ln1
Evidentemente numa altura em que podemos fazer isto em recurso a um computador no
razovel (excepto para fins pedaggicos) ajustar o modelo o manualmente. Na Figura 44 temos
o aspecto visual do modelo gaussiano.
Figura 44 - Aspecto do modelo gaussiano no grfico de variograma.
Num software o ajuste do modelo feito fazendo variar a amplitude (dado que o patamar
fixo e que o ajuste , regra geral, a olho para os pares de ponto que dependem da distncia e
31
variograma). A variao da amplitude em relao ao exemplo da figura anterior vai resultar em
funes idnticas s da Figura 45 (a tracejado as variadas, a preenchido a original).
Figura 45 - Ajuste do modelo gaussiano variando a amplitude.
Se por outro lado tentarmos a aplicao da exponencial a sua frmula a seguinte:
1
A inverso desta funo resulta nas seguintes operaes:
1
ln1
3
ln1
O aspecto visual da exponencial o da Figura 46.
32
Figura 46 - Aspecto do modelo exponencial no grfico de variograma.
Se no software fizermos o ajuste variando a amplitude ento vamos ter funes idnticas s da
Figura 47 (a tracejado as variadas, a preenchido a original).
Figura 47 - Ajuste do modelo exponencial variando a amplitude.
33
Continuando o nosso exerccio e dado que os nossos pares de pontos abaixo do patamar so
poucos vamos ajustar este modelo manualmente experimentando o gaussiano e exponencial.
Os nossos dados so os da Tabela 3 (distncia, variogramas e patamar).
h N-S E-W
100 200 300 100 200 300
19,4286 48,8333 119,0000 1,1875 3,3750 3,5000
C 38,4952
Tabela 3 - Resumo dos dados obtidos com o estudo de variografia.
Apenas os valores a negrito esto abaixo do patamar (negrito e sublinhado) e por isso na
direco N-S apenas podemos considerar um ponto, na direco E-W teramos que
considerar os trs no fosse o facto de estarem todos to prximos entre si e distantes do
patamar. Assim na direco E-W tambm s vamos considerar os pares de ponto distncia
200 metros. Comeando pela direco norte-sul e recuperando as frmulas da inverso das
funes modelos ficamos com:
3
100
ln1
19,4286
38,495
983,169
100
ln1
19,4286
38,495
3
313,555
Na direco Este-Oeste temos (usando a distncia de 200 metros):
3
200
ln 1
3,375
38,495
15056,531
200
ln1
3,375
38,495
1735,312
O elipside de variografia ficaria como na Figura 48, nos dois casos considerados.
34
Figura 48- Elipside de variografia resultantes da insero do modelo gaussiano (cima) e exponencial (baixo).
As relaes de anisotropia so:
1735,312
313,555
5,534
15056,531
983,169
15,314
O que implica que o eixo maior no caso gaussiano 5,534 vezes maior que o eixo menor, e no
caso exponencial, 15,314 vezes maior que o seu correspondente eixo menor. Dada a extenso
dos nossos dados e porque o nosso variograma experimental tem poucos pontos a grande
distncia do patamar vamos utilizar o modelo gaussiano para prosseguir na estimao. Para
fazer o nosso elipside (elipse neste caso) de variografia vamos usar a frmula da elipse.
1
Onde , e so as amplitudes das direces Estes-Oeste (x), Norte-Sul (y) e base-topo
(z, que no nosso caso no existe). Assim, para que consigamos retirar a amplitude em
qualquer direco tendo j as direces ortogonais calculadas nos variogramas podemos usar
coordenadas elipsoidais:
. cos . cos
. cos . sen
.
35
Onde e so os ngulos que se verifica na Figura 49.
Figura 49 - Ilustrao dos significados das letras em relao aos ngulos.
Para saber a amplitude numa dada direco basta que se aplique a seguinte frmula:
. cos . cos
. cos . sen
No nosso caso dado que se trata de uma elipse (2D) e no um elipside (3D) esta frmula
simplificada para (dado que 0 e por isso cos 1):
. cos
. sen
Ento se pretendermos saber qual a amplitude do modelo a uma determinada direco, como
por exemplo 45
0
, aplicamos a frmula:
313,555. cos 45
1735,312. sen 45
1485.742
Aps tirar a amplitude da direco 45
0
podemos fazer a sua aplicao na frmula do modelo
(neste caso gaussiano) e temos a frmula de clculo de variograma para todas as distncias
nesta direco:
1
38,4951
E est feito o nosso elipside de variografia. Neste momento podemos calcular o variograma
para qualquer direco utilizando as seguintes frmulas:
313,555. cos
1735,312. sen
38,4951
36
J temos tudo o que necessrio para fazer a estimao, falta apenas definir como a mesma
vai ser feita. No nosso caso vamos fazer uma grid com malha larga para que os clculos no
sejam excessivos (Figura 50).
Figura 50 - Insero da grid com os dados amostrados (blocos a cinzento).
Apenas os blocos sombreados contm amostras, os restantes necessitam ser estimados. Um
factor que tem de ser tido em conta na krigagem o elipside de procura. Se definirmos um
elipside de 200 metros na direco Este-Oeste e 100 metros na direco Norte-Sul vamos
ter uma procura semelhante da Figura 51.
Figura 51 - Grid do jazigo com aco do elipside de procura aquando a estimao de um bloco.
37
Neste caso pretendemos estimar o bloco cinzento-escuro e o elipside de procura capta 5
amostras que vo ser usadas na estimao. Para exemplificar o clculo de um bloco no vamos
utilizar este dado que o clculo seria extenso e moroso por serem demasiadas amostras
consideradas. Vamos portanto calcular o bloco evidenciado na Figura 52 onde o elipside de
procura capta trs amostras.
Figura 52 - Bloco que pretendemos calcular neste exercicio e respectivo raio de procura que capta 3 amostras para serem usadas
na estimao.
Para simplificar vamos considerar que das trs amostras consideradas duas esto na direco
Este-Oeste em relao ao bloco a estimar e uma a 45
0
(por j termos as amplitudes
calculadas nestas direco, se pretendssemos maior pormenor seria razovel verificar as
direces correctas e correspondentes amplitudes (Figura 53)).
Figura 53 - Direces das amostras consideradas na estimao em relao ao bloco a estimar.
Sabemos que estas trs amostras vo ser consideradas para o clculo do bloco evidenciado e
at sabemos os variogramas nas direces que o bloco faz com as amostras. O que precisamos
38
de saber agora qual o peso que cada amostra vai ter no clculo deste bloco, dado que esto
a distncias diferentes (se fosse pesos iguais o bloco mais longnquo teria a mesma influncia
que o mais perto o que poderia comprometer a nossa estimao. De facto assume-se que as
zonas mais prximas do nosso bloco so tambm mais idnticas.) Assim tendo trs amostras
consideradas temos que ter trs pesos diferentes que na sua totalidade tero que ser 1. Assim
ficamos com a linha seguinte (em que o nmero 1,2 e 3 corresponde s amostras reais das
esquerda para a direita (das que esto dentro do elipside de procura) e 0 amostra a ser
estimada):
1
O resto do sistema ficar:
O que na totalidade resulta de um sistema de 4 linhas para 3 variveis (
visto que os
parmetros restantes podem ser todos calculados). Para que se compreenda o sistema acima
necessrio perceber que
38,4951
0,519
39
38,4951
0,382
38,4951
1,503
38,4951
1,159
38,4951
3,134
38,4951
0,382
O que nos deixa com o sistema:
1,159
3,134 0,519
1,159
0,382 0,382
3,134
0,382 1,503
1
A resoluo do sistema pode ser feita por mtodo de gauss (Figura 55):
Figura 55 - Calculo por mtodo de Gauss dos pesos das amostras na estimao do bloco.
Assim a partir da terceira linha podemos dizer que:
40
0,29
2,062
0,14
Sabendo
0,519 3,136 0,14
1,159
0,826
E finalmente como precisamos de uma soluo que respeite a ltima linha fazemos a aplicao
desta:
0,314
0,826
0,14
Relembrando os teores das amostras reais (Figura 56):
Figura 56 - Teores das amostras consideradas na estimao.
Temos que:
Onde
as coordenadas x e y antes da
rotao. o ngulo de rotao que pretendemos impor sobre as coordenadas. Em recurso a
folha de clculo foram aplicadas estas equaes a todas as localizaes com um
16
. O
resultado foi o da Figura 82.
58
Figura 82 - Insero da grid nas amostras com rotao.
Gravmos um novo ficheiro com as trs colunas das novas localizaes e as trs respectivas de
valores das variveis fsforo, arsnio e cobre. Voltamos novamente a inserir um ficheiro de
dados, desta com as coordenadas transformadas, e damos o nome de Amostras da Horta
Transformadas.
Estatsticos Descritivos
importante tentar reconhecer padres nos nossos dados e perceber se um ou mais
fenmenos tiveram envolvidos na disperso dos contaminantes. O primeiro passo foi analisar
a distribuio dos dados a partir de histogramas. Para o fazer fomos ao e
seleccionamos a opo (atalho Crtl+H). Apareceu o menu de histogramas e
seleccionamos o objecto Amostras da Horta, analisando as propriedades fsforo, arsnio e
cobre, uma de cada vez resultando na Figura 83, Figura 84 e Figura 85.
Figura 83 - Histograma do fsforo.
Figura 84 - Histograma do arsnio.
59
Figura 85 - Histograma do cobre.
Todas as distribuies so assimtricas com maior frequncia nos teores mais baixos. A
oscilao no caso do cobre e arsnio muito mais acentuada que no caso do fsforo. Talvez
por estarem presentes no terreno mais tempo tenham tido tempo de ter uma maior diluio.
Para alm disso parecem existir duas populaes no caso do arsnio e do cobre, os valores
mais baixos e mais frequentes, e os valores mais altos e menos frequentes. Possivelmente
correspondem a dois despejos diferentes. Se tentarmos fazer uma cronologia a partir dos
histogramas vemos que inicialmente foram despejados os contaminantes arsnio e cobre
agora j muito diludos e com teores baixos, posteriormente foi o fsforo com uma diluio
menor, e finalmente um novo despejo de arsnio e cobre quase sem diluio. Uma maneira de
suportar esta teoria ver os grficos de disperso seleccionando novamente e
depois . Mais uma vez escolhemos o objecto Amostras da Horta e comparamos
O fsforo com o arsnio e o cobre, e o arsnio com o cobre resultando na Figura 86, Figura 87,
Figura 88.
Figura 86 - Scatterplot de fsforo vs arsnio.
Figura 87 - Scatterplot de fsforo vs cobre.
60
Figura 88 - Scatterplot de arsnio vs cobre.
No existe relao aparente entre fsforo e cobre e tal como previsto na relao entre arsnio
e cobre se denotam duas populaes. Curiosamente o mesmo acontece entre o arsnio e o
fsforo o que leva a pensar que a hiptese cronolgica comentada anteriormente pode estar
incompleta. Apesar de tudo temos informaes suficientes para construir um conhecimento
significativo sobre a histria do terreno da horta. A seguir faremos a estimao.
Estudo de Variografia
Depois de termos aplicada uma rotao nas coordenadas das amostras da horta, o terreno
ficou alinhado com os eixos do software pelo que as direces de variografia mais bvias so
de azimutes 0
0
e 90
0
e de inclinao 90
0
(porque as amostras foram retiradas na direco
estritamente vertical em profundidade). Mais uma vez vamos ao mas agora
seleccionamos a opo . Aparece o menu de variografia e ns pretendemos fazer um
estudo de variografia para cada contaminante separadamente. Assim seleccionamos a opo
Compute variograms from scratch (fazer os variogramas desde o inicio, a outra opo serve
para ir buscar um ficheiro de variogramas j feitos) e Amostras da Horta Transformadas no
Grid name ( o conjunto de pontos que se pretende estudar, eles chamam grid a tudo). O head
property e tail property so o fsforo. Carrega-se no NEXT e passamos para a definio dos
nossos intervalos de variografia. O S-GeMS pede os parmetros nmero de intervalos (number
of lags), tamanho do intervalo (lag separation), tolerncia no tamanho (lag tolerance), direco
(azimuth, dip), tolerncia angular (tolerance), limite de direco (bandwith), e limite superior e
inferior (head cut off e tail cut off). Na Figura 89 esto os parmetros pedidos pelo software.
Figura 89 - Parmetros pedidos no software S-GeMS.
61
A tolerncia do tamanho um acrescento ao tamanho normal para que se existirem amostras
prximas do limite, tambm essas sejam consideradas. O bandwith faz o limite em distncia da
tolerncia angular pois a partir de certo ponto um ngulo pequeno d origem a uma extenso
muito grande. Os limites superiores e inferiores so semelhantes a garantem que a o estudo
de variografia s comea a partir de certo ponto e termina quando chegar a outro ponto. Para
fazer o estudo de variografia ao fsforo no menu seguinte pedimos 44 intervalos com tamanho
de 0.5 e tolerncia de tamanho 0.1 (os intervalos tm de ser pequenos caso contrrio no
conseguimos fazer um estudo adequado em profundidade dado que os furos s tm 1 metro
de extenso). As direces so (90,0); (0,0); (0,90) que so representativas dos eixos x, y e z do
S-GeMS. As tolerncias angulares para as direces x e y so de 15
0
(note-se que para cada
lado, no total perfaz 30
0
), para z ficou apenas 1
0
para que sejam considerados apenas os
valores imediatamente abaixo. No queremos distncias limite (para fazer isto basta, para o
bandwith, meter um nmero grande de maneira a no limitar nada na extenso da horta).
Fazemos NEXT e vemos os nossos variogramas. possvel arrumar as janelas como se
tratasse de um interface Windows. Precisamos de ajustar os modelos s vrias direces. O S-
GeMS constri directamente o elipside a partir da caixa da Figura 90.
Figura 90 - Ajustamento do modelo ao elipside de variografia.
O Sill corresponde ao patamar e dado que as nossas amostragens esto bem distribudas
optmos por meter a varincia do fsforo (este dado est no histograma do fsforo no S-
GeMS). O Type corresponde ao tipo de modelo que neste caso ficou como o exponencial. Os
ranges equivale s amplitudes na direco Max, Med e Min que correspondem maior,
mdia e menor direco de amplitude. Na seco abaixo Angles especificamos qual a
direco maior e neste caso (0,0,0). O resultado da adequao dos modelos est na Figura
91.
62
Figura 91 - Resultado do estudo de variografia feito ao fsforo.
Krigagem
Temos o elipside de variografia feito e as amostras por onde estimar. A nica coisa que nos
falta a discretizao do espao, melhor dizendo a grid. Com a transformao das
coordenadas a extenso em x, j considerando a margem de cerca de 22 metros. Em y cerca
de 7 metros. Uma maneira de fazer as contas da grid perceber quantos blocos vo haver por
metros. Se houver quatro blocos por metro vamos ter:
4 22 88
4 7 28
Os nmeros no so elevados e podemos apertar a malha e mesmo assim ter um custo
computacional razovel num computador normal. Ento optamos por fazer oito blocos por
metro ficando com:
8 22 176
8 7 56
8 1 8
63
Com um total de 176 56 8 78848 blocos no nosso modelo. E cada bloco ir ter um
tamanho (em x, y e z)
1
8
0,125 metros. Agora que est definida a grid vamos construi-la
no software indo ao e escolhendo a opo (com atalho
Ctrl+N). Aparece o menu de construo da grid. O grid name o nome do novo objecto grid
e ficou como Grid da Horta. O nmero de clulas em x, y e z ficaram com 176, 44 e 8 blocos
mantendo um rcio satisfatrio entre os lados da grid ( suficiente para cobrir as amostras
eficientemente). O tamanho do bloco ficou igual em todos os lados com o valor de 0,125. As
coordenadas do canto inferior esquerdo da grid foram tiradas aps anlise de um grfico
criado em folha de clculo (basta fazer um grfico de disperso x vs y) e os valores so
1315048 para x, 4109856 para y e 87 para z (Figura 92).
Figura 92 - Menu da grid completo com os dados da nossa horta.
O resultado foi o da Figura 93.
Figura 93 - Grid e point data no visualizador do S-GeMS.
Agora j podemos fazer a estimao por krigagem. Na seco de Algorithms no interface do
S-GeMS carregamos na opo Estimation e seguidamente na opo Kriging (Figura 94).
64
Figura 94 - Caixa de algoritmos do S-GeMS.
Em baixo desta seco aparece a caixa da krigagem. O Grid name a grid que acabamos de
criar com o nome Grid da Horta e a New Property name a varivel que a mesma vai
estimar e por isso metemos fsforo. Seguidamente est a opo entre krigagem simples e
krigagem normal. No iremos explicar neste momento a diferena mas se for escolhida a
simples necessrio inserir a mdia pretendida. No nosso caso optmos por krigagem normal
(ordinary kriging). De seguida temos de dizer a partir de que pontos vo ser feitas as
estimaes com os campos object e property, o primeiro Amostra da Horta
Transformadas e o segundo o fsforo. Nesta pgina ainda falta definir o elipside de
procura que nada tem a ver com o elipside de variografia. Este elipside existe para
limitarmos a estimao dos pontos s amostras mais prximas ou no. Neste caso o terreno da
horta pequena e no necessitamos de estar a limitar. Metemos uma extenso muito superior
aos limites do terreno com 50 em cada eixo do elipside e ngulo (0,0,0) correspondente.
Consideramos as 6 amostras como o mnimo para calcular cada um dos blocos e 16 como o
mximo (Figura 95).
Figura 95 - Elipside de procura para a estimao.
De seguida passamos para a pgina seguinte ( ) e inserimos os dados
a que chegamos no estudo de variografia com efeito pepita de 0 e apenas uma estrutura (por
agora no explicaremos como fazer mais do que uma mas possvel meter mais de um
modelo em cada variograma). O Contribution equivalente ao Sill usado nos variogramas
(patamar) que no nosso caso utilizamos a varincia. Mais uma vez o valor de 0,001632 com
exponencial no Type e elipside de variografia como est na Figura 96.
65
Figura 96 - Elipside de variografia inserido na pasta de variografia da krigagem.
De seguida carregamos em e deixamos o clculo acabar.
Anlise dos Resultados
O resultado da estimao, em planta, o da Figura 97.
Figura 97 - Teor de fsforo no terreno da horta.
A anlise da planta insuficiente mas com o visualizador do S-GeMS possvel meter o
modelo em qualquer perspectiva (Figura 98).
Figura 98 - Modelo da horta em perspectiva no visualizador do S-GeMS.
66
Ainda assim necessrio estudar o interior do modelo e deste modo isto no possvel. Para o
fazer vamos ao numa das seces do interface do S-GeMS e nesse menu
vamos parte respeitante ao Volume Explorer. E escolhemos a opo use volume Explorer
e tambm a opo hide volume (vai apagar o modelo e somente os cortes vo ficar visveis).
De seguida escolhemos em que eixo pretendemos fazer cortes e andamos com a barra
respectiva de maneira a percorrer o volume em x, y e z. Se necessrio possvel inserir mais
de um corte no mesmo eixo fazendo um Add ao eixo que se pretende acrescentar. Na Figura
99 esto estes tpicos preenchidos e foi feito um Add ao y ficando com duas opes de
corte.
Figura 99 - Seco do "Volume Explorer" do S-GeMS.
O resultado destas operaes vo ter o resultado da Figura 100 onde se pode ver os cortes
especificados na Figura 99 no visualizador do S-GeMS.
Figura 100 - Visualizao dos cortes no visualizador do S-GeMS.
O teor de fsforo maior na zona da esquerda do modelo da horta e parece ir perdendo
importncia quanto maior a profundidade.
67
Estimao da Impedncia num Reservatrio
Petrolfero
Estes dados foram cedidos para a cadeira de Modelao de Reservatrio Petrolferos no
Mestrado em Engenharia Geolgica e Mineira no IST. Os dados so sintticos mas pretendem
emular um contexto de estudo possvel.
Dados do Reservatrio
Os dados do reservatrio foram inseridos no software S-GeMS com o cabealho no excerto
abaixo.
Estudo da Impedancia, Permeabilidade e Porosidade
6
Localizao X
Localizao Y
Localizao Z
Impedancia
Permeabilidade
Porosidade
2 2 1 12969.747 270 0.00918
2 2 2 13413.708 270 0.00918
. . .. . .
um conjunto de point data com coordenadas em x, y e z (conjunto tridimensional).
Representam o estudo feito em vrios poos ao longo de vrias profundidades.
Estatsticos Descritivos
Os resultados no estudo de histogramas foram os da Figura 101.
68
Figura 101 - Histogramas da Impedncia (cima), permeabilidade (centro) e porosidade (baixo).
As funes de distribuio de probabilidade so consideravelmente diferentes e pelo menos
no caso da permeabilidade e porosidade parece existir duas populaes diferentes. A anlise
aos grficos de disperso revelou que no parece existir diferenciao significativa para
considerar duas populaes (Figura 102).
69
Figura 102 - Grficos de disperso "Permeabilidade vs Impedncia" (cima), "Porosidade vs Permeabilidade" (centro), "Porosidade
vs Impedncia" (baixo).
O resumo dos estatsticos resultou na tabela da Figura 103.
Figura 103 - Tabela dos estatsticos descritivos.
70
Os coeficientes de correlao para todas as propriedades esto na Figura 104.
Figura 104 - Tabela dos coeficientes de correlao.
Estudo de Variografia
Para fazermos o nosso estudo de variografia fomos ver quais os valores mnimos para cada
uma das coordenadas (Figura 105).
Figura 105 - Informaes sobre o objecto "Reservatrio Petrolfero".
De seguida fomos seco Variogram e preenchemos os campos do menu inicial como na
Figura 106.
Figura 106 - Campos iniciais da variografia.
71
Como os dados esto a cerca de 50 unidades de comprimento no plano xOy e 5 em z
necessrio que o tamanho das classes de variografia seja pequeno o suficiente para fazer bons
histogramas no plano horizontal e vertical. Por esse motivo os campos foram preenchidos
como Figura 107.
Figura 107 - Preenchimento dos campos de variografia.
Desta maneira (com tamanho de 0.5) mesmo no eixo z vo existir 10 classes de variografia.
Repare-se que apenas duas direces so consideradas (plano horizontal e eixo vertical). Na
direco horizontal (ngulo de tolerncia superior a 90) um variograma omni-direccional. O
resultado o da Figura 108.
Figura 108 - Variogramas vertical (cima) e omni-direccional (baixo).
Note-se que o variograma omni-direccional tem muito rudo entre o qual os pontos que
captou verticalmente. Se fossem muitos o ficheiro inicial teria que ser modificado para
conseguirmos um bom variograma mas neste caso fcil identificar os pontos pertencentes ao
plano vertical por comparao. Eliminando esses pontos e inserindo o patamar com valor da
72
varincia retirado do menu de histograma da impedncia ficamos com o modelo da Figura 109
no plano horizontal.
Figura 109 - Modelo do variograma omni-direccional onde foram desconsiderados os pontos do eixo vertical. O rudo assume-se
ser devido tambm aos pontos do eixo vertical noutros poos.
O nosso elipside de variografia ficou como na Figura 110.
Figura 110 - Elipside de variografia.
O modelo utilizado foi o exponencial sem efeito pepita. Para fazermos a krigagem da
impedncia precisamos de uma grid. A grid foi criada tendo em conta os valores retirados das
informaes do objecto Reservatrio Petrolfero. Para isto seleccionamos a opo New
Cartesian Grid e preenchemos os campos como se encontram na Figura 111.
73
Figura 111 - Preenchimento dos dados no menu de criao da grid.
Foi dado o nome de Grid do Reservatrio Petrolfero com nmero de clulas de 200, 200 e
20 para x, y e z, respectivamente. As dimenses dos blocos ficaram iguais para todas as
direces com 0.25 unidades de comprimento. Assim:
0,25 200 50
0,25 20 5
Que so aproximadamente as dimenses do campo considerado pelas amostras (50*50*5). No
visualizador podemos confirmar se a grid ficou bem inserida ou no. Neste caso podemos
constatar que sim a partir da Figura 112.
Figura 112 - Insero da grid com as amostras.
74
Krigagem da Impedncia
Para fazer a krigagem da impedncia fomos buscar esta funcionalidade ao painel de algoritmos
e preenchemos como se apresenta na Figura 113 e Figura 114.
Figura 113 - Parmetros de krigagem (1).
75
Figura 114 - Parmetros de krigagem (2).
Fazemos o Run Algorithm (deve demorar algum tempo visto a grid ser grande) e o resultado
pode ser visto aps seleco como se apresenta na Figura 115.
Figura 115 - Resultado da krigagem da impedncia.
Foi uma krigagem bem sucedida. Para melhor anlise da estimao foram feitos alguns cortes
no Volume Explorer na zona de Preferences. O preenchimento do Volume Explorer
como o que est na Figura 116.
76
Figura 116 - Preenchimento do "Volume Explorer" para a estimao da impedncia.
O resultado dos cortes o da Figura 117.
Figura 117 - Resultado dos cortes no "Volume Explorer".
O valor da impedncia varia sendo mais forte no topo no canto superior direito e na base
canto inferior esquerdo.
77
Exerccio 1
Tenta fazer a estimao do teor de fsforo na primeira horta.
- Bidimensional.
- Seis amostras.
- Variografia pouco representativa.
- Esquema de coordenadas simples.
- Uma varivel.
O estudo de variografia pouco importante dado a escassez de dados que existe e o tamanho
da horta. Faz apenas uma estimao por krigagem sem grandes atenes aos pormenores
(ficheiro Horta do meu quintal na pasta de exemplos sintticos).
Exerccio 2
o exemplo que utilizamos para fazer o processo de krigagem mo mas tambm se pode
fazer a partir do software. Faz a estimao do teor de ferro num jazigo.
- Bidimensional.
- Quinze amostras.
- Forte anisotropia.
- Malha quase regular.
- Uma varivel.
O estudo de variografia importante pois a anisotropia considervel. Poder haver alguma
dificuldade em ajustar o modelo aos variogramas devido escassez de pontos. A malha
regular e por isso existem direces com muita facilidade em fazer os variogramas
experimentais (Jazigo de ferro na pasta de exemplos sintticos).
78
Exerccio 3
Faz a anlise estatstica e estimao da porosidade, impedncia e permeabilidade em recurso a
vrios poos num jazigo petrolfero.
- Tridimensional.
- Vrios poos.
- Variografia precisa.
- Relaes entre variveis importantes.
- Esquema de coordenadas simples.
- 3 variveis.
um exemplo feito para bater certo. Dever existir grande facilidade em fazer variogramas no
plano xOy e alguma dificuldade em Oz. Existem relaes entre as variveis (Reservatrio
Petrolfero na pasta de exemplos sintticos).
Exerccio 4
Caso da nossa horta!!! Ainda falta fazer a estimao do arsnio e do cobre e tambm melhor
voltar a verificar a do fsforo.
- Tridimensional.
- Muitas amostras.
- Variografia razovel.
- 3 variveis.
- Poder ser melhorado com transformao de coordenadas.
Tem alguma complexidade mas nada que j no tenhas aprendido a fazer. No exemplo foi feita
a transformao de coordenadas. Podes tentar com as coordenadas originais ou com as
coordenadas transformadas. Sabes que mais?!, tenta com as duas (Horta do Dept de Minas e
Horta do Dept de Minas trans na pasta de exemplos sintticos).
79
Exerccio 5
Este caso real, no vou dizer de onde, nem do qu, mas trata-se de um jazigo e precisa de
algum que o estude. Por agora j devers estar vontade para mexer num caso que te
poderia aparecer frente em qualquer centro de geoestatstica do mundo. Ests por tua conta
(Jazigo na pasta de exemplos reais).
Boa sorte
80
Bibliografia
Barnes, R. Variogram Tutorial. Golden Software, Inc.
Bohling, G. (2007). INTRODUCTION TO GEOSTATISTICS -
Hydrogeophysics: Theory, Methods, and Modeling. EUA: Kansas
Geological Survey.
Bohling, G. (2007). S-GeMS Tutorial Notes - Hydrogeophysics:
Theory, Methods, and Modeling. EUA: Kansas Geological Survey.
Clark, I. (1979). Pratical Geostatistics. Esccia: Geostokos Limited.
Merks, J. W. Sampling and Statistics: a synopsis of tools and
techniques. Canada.
Remy, N., Boucher, A., & Wu, J. (2006). SGeMS Users Guide.
Soares, A. (2006). geoestatstica para as cincias da terra e do
ambiente. Portugal: IST Press.