Escolar Documentos
Profissional Documentos
Cultura Documentos
3.1 INTRODUO
No captulo anterior, apresentamos tcnicas de Anlise Espacial para eventos
discretos, associados a ocorrncias pontuais. Neste captulo, apresentamos tcnicas
para tratamento e anlise de dados de superfcies. De uma forma geral, estes dados
esto disponveis na forma de amostras pontuais, e para utiliz-los de forma efetiva
em um ambiente de Geoprocessamento, necessitamos de um procedimento de
interpolao, para gerar uma representao na forma de grade regular, como
ilustrado na Figura 3-1.
As amostras so valores representativos do fenmeno estudado, usualmente
obtidas a partir de levantamento de campo, e que apresentam consistncia de
metodologia e unidade. Conforme explicado no captulo 1, essas amostras podem
representam tanto variveis naturais (como teor de argila no solo) como
socioeconmicas (como taxa de homicdios).
escala. Esse enfoque, entretanto, no nico. Assim, pode-se tomar trs grandes
abordagens: Para tanto, pode-se tomar trs grandes abordagens:
Z (x ) = j f j + (x )
j =1
Nesse caso E {Z ( x )} =
j =1
Figura 3-2- Disposio das amostras de teor de argila da Fazenda Canchim (EMBRAPA).
85
Mdia
33,035
Varincia
288,034
Desvio Padro
16,972
Coeficiente de variao
0,514
Coeficiente de assimetria
0,214
Coeficiente de curtose
2,344
Quartil Inferior
10
Mediana
33
Quartil superior
43
wij z j
zi =
j =1
n
wij
(3.1)
j =1
Figura 3-3 Ilustrao do processo de interpolao por estimador local: (a) configurao original de
amostras; (b) grade regular superposta s amostras; (c) interpolao de um valor a partir dos
vizinhos; (d) grade regular resultante
wij = 1 d ijk ,
(3.2)
( xi x j ) 2 + ( yi y j ) 2
(3.3)
Figura 3-4 - Comparao entre interpoladores de mdia mvel, para o mesmo conjunto de
amostras. direita, inverso do quadrado da distncia; no centro, mdia simples; esquerda,
vizinho mais prximo. Regies mais claras representam alto valores e vice-versa.
Um refinamento desses estimadores o uso de uma funo de ponderao mais
complexa que a mdia simples ou o inverso do quadrado da distncia. Esta classe de
estimadores descrita na literatura como kernel estimators, ou estimadores de
densidade no-paramtricos. Estes estimadores generalizam a idia de mdia mvel
local, ao supor que a densidade do fenmeno varia localmente de forma suave, sem
picos nem descontinuidades. Seu objetivo produzir superfcies mais suaves,
que se espera mais representativas de fenmenos naturais e socioeconmicos. Estes
estimadores so do mesmo tipo que os discutidos no captulo 2 para o caso de
eventos pontuais, agora generalizados para o caso de amostras.
Um kernel estimator um estimador cujos parmetros bsicos so: (a) um raio
de influncia que define a vizinhana do ponto a ser interpolado; (b) uma funo de
estimao com propriedades convenientes de suavizao do fenmeno. Para toda
posio zi cujo valor queremos estimar, o estimador de intensidade ser computado
a partir dos valores das amostras {z1,...zn} contidos num raio de tamanho , e da
distncia euclidiana dij entre a i-sima posio e a j-sima amostra (como expresso
na equao 3.3), a partir de funes do tipo
zi =
k( ij ) z j
j =1
n
k(
dij
, dij
(3.4)
j =1
Esta frmula uma generalizao da equao 3.1, na qual o cmputo dos pesos
wij foi substitudo por uma funo generalizada dependente da distncia. Exemplos
destas funes incluem o kernel gaussiano
k ( x, y, ) =
d 2
ij
exp
,
2 2
2
(3.5)
d ij2 2
(1
)
(3.6)
Para ilustrar esta classe de estimadores, foram geradas duas superfcies a partir
das mesmas amostras usadas para produzir os mapas da Figura 3-4. A partir de um
kernel de quarta ordem (equao 3.6), foram gerados dois mapas mostrados na
Figura 3-5, com raios de busca de 500 e 1500 metros. A comparao entre os
mapas mostra a grande importncia de uma seleo apropriada do raio de busca no
uso de kernel estimators. No primeiro mapa predominam os efeitos locais, pelo uso
de um raio de busca reduzido; o segundo mapa evidencia melhor a distribuio do
fenmeno, pelo uso de um raio mais apropriado aos dados.
Em resumo, os kernel estimators so uma alternativa vivel a mtodos mais
sofisticados de interpolao, pois no requerem a parametrizao da estrutura de
correlao espacial (como no caso da geoestatstica). As superfcies interpoladas so
suaves e aproximam muitos fenmenos naturais e socioeconmicos. As
desvantagens destes estimadores so a forte dependncia no raio de busca e a
excessiva suavizao da superfcie, que pode em alguns casos esconder variaes
locais importantes.
Figura 3-5- Superfcies de teor de argila interpoladas por kernel de quarta ordem. esquerda, raio
de busca de 500m; direita, raio de busca de 1500m.
z = 1 + 2 x + 3 y
(3.7)
(3.8)
Para o caso dos dados de teor de argila da Fazenda Canchim (acima descritos),
foi realizada uma anlise de tendncia usando uma regresso linear. Os ajustes
indicaram um coeficiente de determinao (R2 ajustado) de apenas 17,3%, o que
indica no haver efeitos espaciais significativos de larga escala. Deste modo, pode-se
esperar que estes dados sejam modelveis por interpoladores locais, sejam
determinsticos (seo 3.2) ou estocsticos (seo 3.4 e seguintes).
Um exemplo tpico de superfcies de tendncia o uso de dados de longitude,
latitude e altitude para estimar a distribuio de temperatura. Neste caso, o objetivo
foi estimar a distribuio de temperatura para o estado de Santa Catarina, para a
poca do plantio de soja, em intervalos de 10 dias (decndios). Partindo da poca
recomendada para semeadura e do ciclo de diferentes cultivares de soja,
determinou-se um perodo de anlise compreendido entre 11/10 e 20/05 (22
decndios), permitindo que cultivares com ciclos diferentes, semeadas dentro da
poca recomendada, tivessem todo o seu ciclo avaliado neste estudo. Foram
coletados dados de temperatura mdia diria e precipitao diria de 27 estaes
meteorolgicas monitoradas pela Empresa de Pesquisa Agropecuria e Extenso
Rural de Santa Catarina S. A. Epagri, com uma srie histrica de
aproximadamente cinco anos, mostrados na Figura 3-6.
z ( x, y , h) = 1x+ 2 y + 3h + 4
(3.9)
Teste F
Intercepto
9,475
7,169
Latitude
-0,447
0,169
-2,637
(idem)
Longitude
0,466
0,085
5,488
(idem)
Altitude
-0,005
0,000
-16,162
(idem)
R ajustado
0,909
FUNDAMENTAO TERICA
(3.10)
onde:
(3.11)
(3.12)
(3.13)
(3.14)
ou ainda
(3.15)
(3.16)
(3.17)
ou ainda
(3.18)
(3.19)
(3.20)
onde:
3.1.2
y
z(x1+h)
y2
h
y1
z(x1)
x1
x2
( h ) =
1 N( h )
[ z( xi ) z ( xi + h )] 2
2 N ( h ) i =1
(3.21)
onde:
Patamar (C)
^(h)
MODELOS TERICOS
O grfico do semivariograma experimental, (h) , calculado atravs da Equao
(3.22), formado por uma srie de valores, conforme ilustra a Figura 3-9, 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 krigagem 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
modelos isotrpicos. 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. Os modelos transitivos mais utilizados so: modelo esfrico (Sph),
modelo exponencial (Exp) e modelo gaussiano (Gau). Estes modelos esto
apresentados na Figura 3-10 com o mesmo alcance (a).
(h)
Modelo Exponencial
Modelo Esfrico
Modelo Gaussiano
C=1
0
0
0
, | h |=0
3
| h |
| h |
0,5
Sph ( h ) =1,5
a , 0 <| h |a
a
1
, | h |>a
(3.22)
Modelo Exponencial
Um outro modelo bastante utilizado o modelo exponencial, o qual apresentado
na Figura 3-10. A equao normalizada deste modelo :
0 , | h |=0
xp( h )=
| h |
1exp a , | h |0
(3.23)
0 , | h |=0
2
Gau( h )=
| h |
1exp , | h |0
a
(3.24)
Modelo Exponencial
Modelo Esfrico
Modelo Gaussiano
C1
C = Co + C1
C1 : Contribuio
do Modelo
Co
0
0
, | h |= 0
3 | h | 1 | h | 3
=C +C [ Sph (| h |) ] ,0 <| h |a
(h)=C +C
o 1 2 a 2 a o 1
,| h |>a
Co +C1
(3.25)
,| h |= 0
0
(h)=
| h |
C o + C 11exp a =C o + C 1 [ Exp (| h |)]
, | h | 0
(3.26)
,| h |= 0
0
(h)=
| h |
+
1
exp
=C o + C1 [Gau (| h |)] ,| h | 0
C
C
1
o
a
(3.27)
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; em muitos casos, os
modelos aninhados so necessrios para explicar a variao de fenmenos
decorrentes da combinao de fatores independentes de formao. Por exemplo,
um modelo aninhado til em estudos de minerao e pesquisa de solo o duplo
esfrico, definido como:
3 | h | 1 | h |
C0 + C1 2 a 2 a = 1 (h) , 0 < | h | a1
1
1
(h)=
3 | h | 1 | h |
C0 + C 2 2 a 2 a = 2 (h) , a1 < | h | a 2
2
2
C + C + C
,| h | > a
1
2
2
0
0
,| h | = 0
(3.28)
onde,
(h)
C2
1 (h)
C1
C0
2 (h)
a1
a2
h
3.5 KRIGAGEM
O termo krigagem 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. Inicialmente, o mtodo de krigagem foi desenvolvido para
solucionar problemas de mapeamentos geolgicos, mas seu uso expandiu-se com
sucesso no mapeamento de solos, mapeamento hidrolgico, mapeamento
atmosfrico e outros campos correlatos. A diferena entre a krigagem 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 krigagem fornece, em mdia,
estimativas no tendenciosas e com varincia mnima1.
KRIGEAGEM ORDINRIA
n
Z* ( x 0 ) =0 + i Z(x i )
i =1
E [Z(x0) Z*(x0)] = 0
A relao acima impe que as duas mdias sejam iguais; assim aplicando-se a
Equao 3.34 em 3.35, obtm-se:
n
n
(3.31)
Z * (x 0 ) = i Z ( x i ) , com
i =1
=1
(3.32)
i =1
i =1 ,
i =1
n
j C( x i , x j ) = C( xi , x0 ) para i = 1, ..., n
j=1
n
j =1
j=1
(3.33)
onde,
ko2 =Var[ Z ( x ) Z * ( x 0 )] = C( 0 ) i C( x i ,x 0 )
(3.34)
i =1
(h)
Semivariograma Omnidirecional
390
Modelo Esferico
351
312
273
234
195
156
117
78
39
0
h
0
1000
2000
3000
4000
5000
h
( h ) = C o + C1 Sph =118,85 + 230,89 Sph
a
3989,20
(3.35)
3.7 CONCLUSES
Conclui-se que possvel melhorar a distribuio espacial das variveis
ambientais significativamente quando procedimentos geoestatsticos so aplicados.
Ficou constatado que o teor de argila varia mais intensamente numa direo do que
em outra. Tal fato refere-se anisotropia da varivel em estudo. Muitos aspectos
particulares dos dados ficariam ocultos sem o uso de semivariogramas e da
modelagem da anisotropia, mostrando, por exemplo, a tendncia da distribuio
espacial nos dados de teor de argila. Informaes como estas no so apresentadas
quando se usam apenas parmetros estatsticos clssicos como mdias e varincias
ou ento, procedimentos determinsticos.
APNDICE
MODELAGEM DA ANISOTROPIA
A anisotropia uma caracterstica muito freqente nos elementos da natureza,
isto , a variabilidade ou distribuio espacial de tais elementos ocorre mais
intensamente numa direo e menos intensamente em outra direo. Tome como
exemplo o mapeamento do teor de zinco, dentro de uma regio de interesse,
pouco provvel que tal propriedade se espalhe igualmente em todas as direes.
Para lidar com a anisotropia, importante que o modelo proposto represente
bem a variabilidade espacial da propriedade em estudo. Procedimentos
determinsticos para este fim so limitados, porque no consideram a estrutura de
autocorrelao espacial bem como a anisotropia presente. Modelos mais adequados
para este objetivo vem sendo propostos e a geoestatstica engloba esses modelos.
TIPOS DE ANISOTROPIA
Antes de apresentar os tipos de anisotropia, necessrio mostrar as convenes
direcionais usadas na geoestatstica. Isto resumido conforme ilustra a Figura 3-15.
(h)
C1
C2
1
Co1
Co2
Co
a1
a2
a1
a2
DETEO DA ANISOTROPIA
Existem vrias formas de detectar a anisotropia, por exemplo calculando-se os
semivariogramas experimentais direcionais em vrias direes, desenhando todos
num nico grfico, e visualmente avaliando suas similaridades. Outra forma,
atravs do esboo grfico de uma elipse (conhecido tambm como diagrama da
rosa), calculada atravs dos alcances obtidos em direes distintas.
A forma mais eficiente e direta de detectar a anisotropia atravs do mapa de
semivariograma, conhecido tambm como semivariograma de superfcie, que um
grfico, 2D, no qual obtm-se uma viso geral da variabilidade espacial da varivel
em estudo. Alm disso, sobre o mapa de semivariograma possvel detectar
rapidamente os eixos de anisotropia, isto , as direes de maior e menor
variabilidade espacial da varivel em anlise. A Figura 3-17 ilustra o mapa de
semivariograma aplicado aos dados da EMBRAPA Solos, obtidos na Fazenda
Canchim, em So Carlos - SP., conforme descritos na Seo 3.1. Os eixos maior e
menor, da elipse, correspondem s direes de maior e menor variabilidade espacial
do teor de argila respectivamente. O ngulo de anisotropia tomado da direo
norte, em sentido horrio, at o eixo maior; neste caso igual a 17 o.
Conseqentemente a direo de menor variabilidade 17o + 90 o = 107 o.
Obviamente que a exigncia de ortogonalidade entre os eixos, pode no
corresponder realidade, mas necessrio para modelagem dos semivariogramas
como ser visto mais adiante.
(h)
C=17
o
C1=15
90
Co=2
10
20
00 ( h ) = C o + C1 [Sph (h )]
(3.36)
h=
(h ) + (h )
2
0o
(3.37)
90 o
|h
h0o
Leste (90o)
h90o
Figura 3-19 Decomposico genrica do vetor h.
Para direo de anlise em questo, 0o, o vetor h est sobre o eixo Norte,
portanto no possui componente na direo 90o; isto , para 0o => =90o (ver
na Figura 3-19), h0o = |h|.sen(90o) = | h | e h90o = | h |.cos(90o) = 0.
Normalizando 3.39 em relao ao alcance (a), tem-se:
2
h o h o
h
= 0 + 90
a
a a
(3.38)
h 90o
a
h o h o
h
= 0 + 90
a
a
(3.39)
00 ( h ) = C 0 + C1 Sph
2
2
h 00 h900
+
(3.40)
00 ( h ) = 2 + 15 Sph
2
2
h 00 h900
+
10
(3.41)
900 ( h ) = 2 + 15 Sph
2
2
h 00 h900
+
20
(3.42)
( h ) = 2 +15 Sph
2
2
h 00 h 900
+
10 20
(3.43)
10 0
10 0
Sph(| h |) =1,5 + 0,5 + = 1
10 20
10 20
( h ) = 2 +15 Sph
h 00 h900
+
10 20
= 2 + 15.[1] = 17
(h)
274
365
203
231
91
28
0
1677
2962
2
2
h170 h107 0
2962 +
(3.44)
2
2
h170 h107 0
+ 1677
(3.45)
(h)
365
274
4 Faixa
203
231
3 Faixa
91
2a Faixa
28
1a Faixa
0
2962
1677
365
170
4
274
107
231
2a
203
170
63
3a
+
91
2
1a
28
0
2962
1677
71
140
~
~
170
1070
170
107 0
1677
2962
2962
~
~
1070
1677
1 ( h) = C 0
(3.46)
2 ( h ) = 63 Sph
2
2
h170 h1070
+ 1677
(3.47)
3 ( h ) = 140 Sph
h17 0 h107 0
2962 + 1677
(3.48)
estrutura esfrica com alcance na direo 107o muito grande () e ambas estruturas
com contribuio de 71 (274 203). O modelo nico e consistente de
semivariograma relativo 4a parcela :
4 ( h ) = 90 Sph
2
2
h17 0 h107 0
2962 +
(3.49)
( h ) = 28 + 63 Sph
+ 71 Sph
2
2
h17 0 h107 0
+
+ 140 Sph
1677
(3.50)
2
2
h17 0 h107 0
2962 + 1677 +
2
2
h17 0 h107 0
2962 +
(3.51)
17o
1677
17o
2962
17o
Menor Alcance