3

ANLISE ESPACIAL DE SUPERFCIES

Eduardo Celso Gerbi Camargo
Suzana Druck Fucks
Gilberto Cmara

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).

Figura 3-1 Ilustrao do processo de interpolao: amostras (cruzes) e aproximao da

superfcie por uma grade regular (crculos).
Para gerar superfcies que aproximem o fenmeno estudado de forma realista,
necessrio modelar sua variabilidade espacial. Os modelos que objetivam gerar
superfcies a partir de procedimentos de interpolao, de forma geral, representam
a varivel em estudo como uma combinao da variabilidade em larga e pequena

escala. Esse enfoque, entretanto, no nico. Assim, pode-se tomar trs grandes
abordagens: Para tanto, pode-se tomar trs grandes abordagens:

Modelos determinsticos de efeitos locais: cada ponto da superfcie estimado

apenas a partir da interpolao das amostras mais prximas, utilizando funes
como inverso do quadrado da distncia. A suposio implcita que
predominam os efeitos puramente locais. Neste caso, no feita qualquer
hiptese estatstica sobre a variabilidade espacial. Estes interpoladores sero
apresentados na seo 3.2 deste captulo.

Modelos determinsticos de efeitos globais: a suposio implcita nesta classe de

interpoladores que, para a caracterizao do fenmeno em estudo, predomina
a variao em larga escala, e que a variabilidade local no relevante. Este
caso do interpoladores por superfcies de tendncia, apresentados na seo 3.3
deste captulo.

Modelos estatsticos de efeitos locais e globais (krigagem): cada ponto da

superfcie estimada apenas a partir da interpolao das amostras mais
prximas, utilizando um estimador estatstico. Esses procedimentos requerem
que a variabilidade local e global sejam modelada atravs de modelos
apresentados como
p

Z (x ) = j f j + (x )
j =1

Nesse caso E {Z ( x )} =

j =1

f j aonde j um conjunto de parmetros

desconhecidos e f j um conjunto de funes bsicas, em geral, polinomiais.

Esses estimadores apresentam propriedades de no ser tendenciosos e de
procurar minimizar os erros inferenciais. Eles podem ser estimados atravs de
procedimentos como a krigagem universal e as funes intrnsecas de ordem k
no abordadas nesse captulo.
Neste captulo, iremos dar nfase ao uso de tcnicas de krigagem ordinria, ou
seja a um caso particular desse modelo global em que p=1 e k=0 , aonde k
representa a ordem da funo f j ,e 1 igual a mdia local. A nfase nesse
procedimento devido s suas propriedades, sua grande importncia na modelagem
de fenmenos naturais e tambm porque esse capitulo objetiva procedimentos que
priorizam a interpolao espacial (predio). A modelagem de tendncias ou
variao em larga escala se faz necessria quando a etiologia de um fenmeno deve
ser estudada e aonde a estimao da tendncia importante na compreenso do
fenmeno. As tcnicas da krigagem so discutidas a partir da seo 3.4. Para a
comparao entre os interpoladores, foram utilizados dados da EMBRAPA Solos,

obtidos na Fazenda Canchim, em So Carlos - SP. Trata-se de amostragem de 85

observaes georreferenciadas coletadas no horizonte Bw (camada do solo com
profundidade mdia de 1m), conforme ilustra a Figura 3-2. Dentre as variveis
disponveis, selecionou-se para estudo o teor de argila, cujas estatsticas bsicas
amostrais so apresentadas na Tabela 3.1.

Figura 3-2- Disposio das amostras de teor de argila da Fazenda Canchim (EMBRAPA).

Tabela 3-1 - ESTATSTICAS DA AMOSTRA.

Nmero de observaes

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

O histograma das amostas mostra que a distribuio do teor de argila

levemente alongada direita. Neste caso, a distribuio dita ser positivamente
assimtrica, com coeficiente de assimetria de 0,214. Quanto ao grau de
achatamento, o coeficiente de curtose (2,344) indica que a distribuio

ligeiramente platicrtica. Dentre outros valores apresentados na Tabela 3-1, nota-se

que a mdia e a mediana, medidas que procuram caracterizar o centro da mesma
distribuio de freqncias, possuem valores prximos (33,035 e 33,0),
respectivamente. Assim sendo, a distribuio da varivel em estudo, pode ser
considerada aproximadamente simtrica.

3.2 MODELOS DETERMINSTICOS LOCAIS

Uma alternativa simples para gerar uma superfcie bidimensional a partir de
amostras pontuais ajustar uma funo bidimensional sobre os amostras
considerados, compondo uma superfcie cujo valor ser proporcional local
intensidade de amostras. A formulao geral para este tipo de interpolao :
n

wij z j
zi =

j =1
n

wij

(3.1)

j =1

onde: zi o valor de cota de um ponto i qualquer da grade, zj a cota de uma

amostra j vizinha do ponto i da grade e wij um fator de ponderao. A Figura 3-3
ilustra o procedimento de estimao.

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

Variaes desse esquema bsico so os interpoladores: (a) por vizinho mais

prximo; (b) por mdia simples; (c) por mdia ponderada; Nos trs primeiros
casos, considera-se uma regio em torno do ponto a ser interpolado como contendo
os pontos que influenciam na interpolao. A interpolao por vizinho mais
prximo definida pela escolha de apenas uma amostra vizinha para cada ponto da
grade. Este interpolador deve ser usado quando se deseja manter os valores de cotas
das amostras na grade, sem gerar valores intermedirios. A interpolao por mdia
simples considera o valor de cota z do elemento da grade igual a mdia aritmtica
dos valores de cota das amostras vizinhas. Neste caso considera-se que o fator de
ponderao wij igual a 1/n para qualquer amostra considerada. Na interpolao
por mdia ponderada o valor de cota de cada elemento da grade definido pela
mdia ponderada dos valores de cota das amostras vizinhas. A ponderao mais
usada na prtica o inverso da distncia euclidiana do ponto da grade amostra
considerada ou seja:

wij = 1 d ijk ,

(3.2)

onde: k o expoente da distncia, geralmente igual a 1 ou 2 e; dij o valor de

distncia da amostra j ao ponto i da grade, expresso por:
dij =

( xi x j ) 2 + ( yi y j ) 2

(3.3)

Uma comparao visual entre os resultados desses interpoladores mostrada na

Figura 3-4 para os dados do teor de argila da Fazenda Canchim. Os mapas ilustram
os defeitos tpicos dessas funes simples: as funes de vizinho mais prximo e
mdia simples tendem a produzir superfcies com variaes abruptas; no caso do
inverso do quadrado da distncia, os mximos locais tendem a ser muito
acentuados, formando picos artificiais.

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)

ou o kernel de quarta ordem

k ( x, y, ) =

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.

3.3 SUPERFCIES DE TENDNCIA

As superfcies de tendncia so interpoladores determinsticos globais. A
superfcie aproximada por um ajuste polinomial aos dados, atravs de um
processo de regresso mltipla entre os valores do atributo e as localizaes
geogrficas. Essa funo polinomial ento utilizada para estimar os valores dos
pontos em todas as localizaes de uma grade regular que aproxima a superfcie.
As superfcies de tendncia buscam modelar a variao espacial em larga escala
atravs de uma regresso mltipla entre os valores de atributo e as localizaes
geogrficas. A sada uma funo polinomial na qual o valor do atributo expresso
em funo das coordenadas da superfcie, expressas em duas ou trs dimenses.
Exemplos incluem equaes lineares do tipo:

z = 1 + 2 x + 3 y

(3.7)

e equaes quadrticas como:

w = 1 + 2 x + 3 y + 4 xy + 5 x 2 + 6 y 2

(3.8)

A suposio implcita nos interpoladores por superfcies de tendncia que,

para a caracterizao do fenmeno em estudo, predomina a variao em larga
escala, e que a variabilidade local no relevante. Neste modelo, a funo de
autocorrelao continua decaindo mesmo aps ultrapassar a distncia onde h
influncias locais; a covarincia no se estabiliza com a distncia e assim o
fenmeno analisado no-estacionrio.

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.

Figura 3-6 Distribuio espacial das estaes monitoradas pela Epagri.

A partir dos dados dirios, foi calculada a mdia decendial. Esta mdia das 27
estaes foi utilizada no clculo de superfcies de tendncia a partir de uma equao
do tipo:

z ( x, y , h) = 1x+ 2 y + 3h + 4

(3.9)

onde z a temperatura calculada a partir da longitude (x), latitude (y) e

altitude (h). Para o primeiro decndio (11/10 a 20/10), os resultados esto
mostrados na Tabela 3.1. Na anlise dos coeficientes da regresso, mostrada na
Tabela 3.2, a relao entre as variveis independentes com a varivel dependente
(temperatura mdia decendial) foi verificada, inicialmente, pelo teste F e, depois,

pelo teste t de Student. Esta anlise indicou todos os coeficientes como

significativos. A normalidade dos resduos foi avaliada pelo teste de Keifer-Salmon,
e aceita a hiptese.
Tabela 3-2 - Coeficientes para Estimativa de Temperatura em Santa Catarina
(Decndio de 11/10 a 20/10).=
Valor

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

Teste T p-valor Comentrios

Significativo

0,909

A grande vantagem das superfcies de tendncia sua simplicidade e facilidade

de clculo. No entanto, a suposio implcita do modelo, em negligenciar a
variabilidade local, no realista para a maior parte dos dados naturais.
Adicionalmente, os parmetros estimados so muito sensveis a valores extremos
(outliers). Apesar destes problemas, as superfcies de tendncia so teis para
remover efeitos de primeira ordem, quando a mdia varia de forma consistente no
espao. Outros usos importantes so a anlise dos resduos de estimao; tais
resduos tambm so bastante informativos, pois mostram a existncia de subregies que apresentam diferenas significativas na tendncia geral.
No exemplo apresentado, trata-se de uma situao favorvel, em que, em
funo do comportamento da temperatura, da poca do ano e das caractersticas do
estado de Santa Catarina, apenas a variao em larga escala foi capaz de produzir
estimativas acuradas. Esta situao no a mais usual. Na prtica, na maior parte
das vezes as variaes locais no podem ser ignoradas. Neste caso, ser preciso
modelar o comportamento da varivel e para isto, utiliza-se a abordagem
geoestatstica, descrita a seguir.

3.4 MODELOS ESTATSTICOS DE EFEITOS LOCAIS E GLOBAIS: KRIGAGEM

3.1.1

FUNDAMENTAO TERICA

A krigagem compreende um conjunto de tcnicas de estimao e predio de

superfcies baseada na modelagem da estrutura de correlao espacial. A hiptese
implcita no procedimento geoestatstico que o processo estudado estacionrio
(veja-se a definio de estacionariedade no captulo 1 do livro). Os passos num
estudo empregando tcnicas de krigagem incluem:
(a) anlise exploratria dos dados;
(b) anlise estrutural (modelagem da estrutura de correlao espacial);
(c) interpolao estatstica da superfcie.
O procedimento de interpolao chamado de krigagem em honra a Daniel
Krige, o pioneiro em introduzir o uso de mdias mveis para evitar a
superestimao sistemtica de reservas em minerao. O que diferencia a krigagem
de outros mtodos de interpolao a estimao de uma matriz de covarincia
espacial que determina os pesos atribudos s diferentes amostras, o tratamento da
redundncia dos dados, a vizinhana a ser considerada no procedimento inferencial
e o erro associado ao valor estimado. Alm disso, a krigagem tambm fornece
estimadores com propriedades de no tendenciosidade e eficincia.
A estrutura terica da krigagem est baseada no conceito de varivel
regionalizada, desenvolvida por Georges Matheron. Uma varivel regionalizada
uma varivel distribuda no espao (ou tempo) cujos valores so considerados como
realizaes de uma funo aleatria (ou processo aleatrio, ou campo aleatrio, ou
processo estocstico). Esta teoria permite incluir hipteses estatsticas em processos
espaciais locais. A variao espacial de uma varivel regionalizada pode ser expressa
pela soma de trs componentes: 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 o vetor x
representa uma posio em uma, duas ou trs dimenses, ento o valor da funo
aleatria Z, em x, dada por:

Z ( x ) =( x ) + ' ( x ) + ' '

(3.10)

onde:

(x) uma funo determinstica que descreve a componente estrutural de Z

em x;

(x) um termo estocstico correlacionado, que varia localmente;

um rudo aleatrio no correlacionado, com distribuio normal com

mdia zero e varincia 2.

Figura 3-7- Componentes de uma varivel regionalizada.

As Figura 3-7(a) e (b) ilustram as trs componentes principais da variao
espacial. A Figura 3.8(a) apresenta uma componente determinstica que possui um
comportamento regular (diferena entre os nveis mdios), enquanto a componente
determinstica na Figura 3.8(b) apresenta uma tendncia constante.
A hiptese mais simples sobre o comportamento da varivel regionalizada que
a mdia do fenmeno, (x), seja constante na regio de estudo, o que implica em
no haver variao significativa na larga escala. Esta hiptese d origem aos
interpoladores de Krigagem ordinria, discutida a seguir. No caso de se querer
modelar uma tendncia, h vrios mtodos disponveis: Krigagem Universal,
Funes Aleatrias Intrnsecas de Ordem k, no discutidos neste captulo.
Na hiptese da Krigagem ordinria, (x) constante e denotada por m. Deste
modo, o valor esperado da funo aleatria Z nas posies x e x + h so iguais a m.
Isto implica que o valor esperado da diferena entre os valores observados em x e x
+ h, separados por um vetor de distncia h, nulo:
E [Z(x) - Z(x+h)] = 0

(3.11)

Admite-se tambm que o fenmeno considerado seja estacionrio de segunda

ordem, isto , a covarincia entre dois pares quaisquer 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).Z(x+h)] m2

(3.12)

Adicionalmente, a estacionariedade da covarincia implica na estacionariedade

da varincia:

Var(Z(x)) = E [Z(x)- m]2 = E[Z2(x)] 2E[Z(x)].m + m2

(3.13)

Var(Z(x)) = E[Z2(x)] 2m.m + m2 = E[Z2(x)] m2 = C(0)

(3.14)

ou ainda

Deste modo, verifica-se que as hipteses de mdia constante e estacionariedade

da covarincia implicam que a determinao da funo C(h) suficiente para
caracterizar a varivel regionalizada. Isto quer dizer que, com base na Equao 3.10,
a funo C(h) permite caracterizar o termo estocstico (x). Para determinar C(h),
utiliza-se uma funo auxiliar, chamada de funo variograma 2(h), definida por:
2(h)= E[Z(x) - Z(x+h)]2

(3.15)

que pode ser desenvolvida em:

2(h)= E[Z2(x) -2 Z(x).Z(x+h) - Z2(x+h)]

(3.16)

2(h)= E[Z2(x)] -2 E[Z(x).Z(x+h)] - E[Z2(x+h)]

(3.17)

ou ainda

Da equao (3.14), obtm-se

E[Z2(x)] = E [Z2(x+h)] = C(0) + m2

(3.18)

e da equao (3.13) obtm-se

E[Z(x).Z(x+h)] = C(h) + m2

(3.19)

Substituindo as equaes (3.18) e (3.19) na equao (3.17), obtm-se:

2(h) = 2C(0) 2C(h) ou (h) = C(0) C(h)

(3.20)

onde:

(h) representa o semivariograma, que metade do variograma. A relao em

(3.20) indica que sob a hiptese de estacionariedade de 2a ordem, que a covarincia
e o semivariograma so formas alternativas de caracterizar a autocorrelao dos
pares Z(x) e Z(x+h) separados pelo vetor h.

3.1.2

DETERMINAO EXPERIMENTAL DO SEMIVARIOGRAMA

O semivariograma uma ferramenta bsica de suporte s tcnicas de

Krigeagem, pois permite representar quantitativamente a variao de um fenmeno
regionalizado no espao. O semivariograma pode ser calculado experimentalmente,
considerando o esquema de amostragem em duas dimenses mostrado na Figura
3-8, onde z(x) denota o valor de uma posio cujos componentes so (x1, y1), e
z(x+h) o valor da amostra numa posio cujos componentes so (x2 , y2), sendo h
um vetor distncia (mdulo e direo) que separa os pontos.

y
z(x1+h)

y2
h

y1

z(x1)

x1

x2

Figura 3-8 Amostragem em duas dimenses.

A determinao experimental do semivariograma, para cada valor de h,
considera todos os pares de amostras z(x) e z(x+h), separadas pelo vetor distncia h,
a partir da equao:

( h ) =

1 N( h )
[ z( xi ) z ( xi + h )] 2
2 N ( h ) i =1

(3.21)

onde:

(h) o semivariograma estimado e N(h) o nmero de pares de valores

medidos, z(x) e z(x+h), separados pelo vetor h. Esta frmula, entretanto, no
robusta. Podem existir situaes em que variabilidade local no constante e se
modifica ao longo da rea de estudo (heteroscedasticidade). Um caso particular
desse fato (denominado efeito proporcional) ocorre quando as distribuies so
assimtricas e a mdia se correlaciona com a varincia. O estimador de
semivariograma apresentado em (3.22) no resistente a esse efeito e apresenta
tendncias que impedem a estimao correta de seus parmetros. Para expresses
alternativas, deve-se consultar Cressie (1993).

Na prtica, pode-se fazer a hiptese adicional de que o fenmeno isotrpico

(com comportamento igual em todas as direes). Neste caso, a determinao
experimental do semivariograma depende apenas da distncia entre as amostras e
no da direo relativa entre elas. O tratamento da anisotropia (caso em que a
estrutura espacial do fenmeno varia conforme a direo) discutido no Apndice
deste captulo.
As hipteses de estacionariedade e mdia constante levam a postular um
comportamento idealizado para o semivariograma experimental, mostrado na
Figura 3-9. Espera-se que observaes mais prximas geograficamente tenham um
comportamento mais semelhante entre si do que aquelas separadas por maiores
distncias. Assim, o valor absoluto da diferena entre duas amostras z(x) e z(x+h)
deveria crescer medida que aumenta a distncia entre elas, at um valor na qual os
efeitos locais no teriam mais influncia.

Patamar (C)

^(h)

Efeito Pepita (Co)

Alcance (a)

Figura 3-9 Parmetros do variograma.

Os parmetros do semivariograma podem ser observados na Figura 3-9:

Alcance (a): distncia dentro da qual as amostras apresentam-se correlacionadas

espacialmente.

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 aproximadamente constante.

Efeito Pepita (C0): idealmente, (0)=0. Entretanto, na prtica, medida que h

tende para zero, (h) se aproxima de um valor positivo chamado Efeito Pepita
(C0), que revela a descontinuidade do semivariograma para distncias menores
do que a menor distncia entre as amostras. O efeito pepita o valor da

semivarincia para a distncia zero e representa a componente da variabilidade

espacial que no pode ser relacionado com uma causa especfica (variabilidade
ao acaso). Parte desta descontinuidade pode ser tambm devida a erros de
medio, sendo impossvel quantificar se a maior contribuio provm dos erros
de medio ou da variabilidade de pequena escala no captada pela
amostragem.
3.1.3

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

Figura 3-10 Representao grfica de modelos transitivos normalizados.

Modelo Esfrico
O modelo esfrico um dos modelos mais utilizados e est representado na Figura
3-10. A equao normalizada deste modelo :

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)

Este modelo atinge o patamar assintoticamente, com o alcance prtico definido

como a distncia na qual o valor do modelo 95% do patamar.
Modelo Gaussiano
O modelo gaussiano um modelo transitivo, muitas vezes usado para modelar
fenmenos extremamente contnuos. Sua formulao dada por:

0 , | h |=0

2
Gau( h )=
| h |
1exp , | h |0
a

(3.24)

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. O que caracteriza este modelo seu
comportamento parablico prximo origem, conforme a Figura 3-10 .
At este ponto foram apresentados os principais modelos bsicos normalizados,
os quais so utilizados para ajustar o semivariograma experimental. Na prtica, os
semivariogramas experimentais possuem valores de efeito pepita (Co) maior que
zero e valores de patamar (C) maiores que a unidade, conforme ilustrado na Figura
3-11.
(h)

Modelo Exponencial
Modelo Esfrico
Modelo Gaussiano

C1
C = Co + C1
C1 : Contribuio
do Modelo

Co
0

Figura 3-11 - Representao grfica de semivariogramas experimentais e modelos tericos.

Em resumo, os semivariogramas dos modelos transitivos bsicos so assim
definidos:

Modelo Esfrico de Semivariograma:

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)

Modelo Exponencial de Semivariograma:

,| h |= 0
0

(h)=

| h |
C o + C 11exp a =C o + C 1 [ Exp (| h |)]

, | h | 0

(3.26)

Modelo Gaussiano de Semivariograma:

,| 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,

a1 e C1 correspondem aos parmetros de alcance e contribuio,

respectivamente, do primeiro modelo esfrico ( 1 (h) ).

a2 e C2 correspondem aos parmetros de alcance e contribuio,

respectivamente, do segundo modelo esfrico ( 2 (h) ).

Este modelo mostrado na Figura 3-12, onde as linhas slida e pontihada

representam os modelos de ajuste terico ao semivariograma experimental.

(h)

C2
1 (h)
C1

C0

2 (h)
a1

a2
h

Figura 3-12 - Representao grfica de um modelo duplo esfrico.

Dependendo do fenmeno em estudo, outros modelos aninhados so
necessrios para caracterizar a variabilidade espacial.

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.

Estimativas no tendenciosas significam que, em mdia, a diferena entre valores

estimados e observados para o mesmo ponto deve ser nula; e varincia mnima
significa que estes estimadores possuem a menor varincia dentre todos os estimadores no
tendenciosos.

A krigagem engloba um conjunto de mtodos de estimao, incluindo

procedimentos estacionrios(krigagem simples e ordinria), no estacionrios
(krigagem universal, funoes intrinsicas de ordem k), univariados e multivariados (
co-krigeagem etc). Este captulo limita-se apresentao da krigagem ordinria,
descrita a seguir.
3.5.1.

KRIGEAGEM ORDINRIA

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(xi), i=1, ..., n}, onde xi identifica uma posio em duas
dimenses representada pelos pares de coordenadas (xi, yi). Suponha que se objetive
estimar o valor de Z no ponto c. O valor desconhecido de Z(x0) pode ser estimado
a partir de uma combinao linear dos n valores observados, adicionado a um
parmetro 0 :
(3.29)

n
Z* ( x 0 ) =0 + i Z(x i )

i =1

Deseja-se um estimador no tendencioso, isto ,

EPKPMF

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

E [Z(x 0 )]=E 0 + i .Z(x i )m=0 + i m

i =1
i =1

(3.31)

A krigagem ordinria no requer o prvio conhecimento da mdia m. Neste

caso, para que a igualdade da Equao 3.36 seja satisfeita necessrio que
n

0 =0 e i =1 .Portanto, o estimador de Krigeagem ordinria :

i =1

Z * (x 0 ) = i Z ( x i ) , com
i =1

=1

(3.32)

i =1

Minimizando a varincia do erro (Var [Z(x0) Z*(x0)]) na condio de

i =1 ,
i =1

os pesos i so obtidos a partir do seguinte sistema de equaes, denominado

sistema de krigeagem ordinria:

n
j C( x i , x j ) = C( xi , x0 ) para i = 1, ..., n
j=1

n
j =1
j=1

(3.33)

onde,

C(xi, xj) e C(xi, x0) so, respectivamente, a semivarincia entre os pontos xi

e xj e entre os pontos xi e x0.

o multiplicador de Lagrange necessrio para a minimizao da

varincia do erro.

A correspondente varincia minimizada do erro, denominada varincia de

krigagem ordinria ( 2ko ), dada pela expresso
n

ko2 =Var[ Z ( x ) Z * ( x 0 )] = C( 0 ) i C( x i ,x 0 )

(3.34)

i =1

A krigagem ordinria um interpolador exato no sentido de que, quando as

equaes acima forem usadas, os valores interpolados iro coincidir com os valores
dos pontos amostrais. Alm disso, a varincia da krigagem ordinria, indicada na
equao (3.35), fornece informao importante sobre a confiabilidade dos valores
interpolados.

3.6 ESTUDO DE CASO

` Tomemos como exemplo a distribuio amostral apresentada na Figura 3-2,
cuja as estatsticas descritivas esto sumarizadas na Tabela 3-1. A anlise da
variabilidade espacial, do teor de argila, realizada com o auxlio do
semivariograma. Esta uma das etapas mais importantes, pois o modelo de
semivariograma escolhido representa a estrutura de correlao espacial a ser
utilizada nos procedimentos inferenciais de krigagem. O resultado apresentado na
Figura 3-13, mostra o semivariograma omnidirecional (caso isotrpico) e seu
modelo de ajuste.

(h)

Semivariograma Omnidirecional

390

Modelo Esferico

351
312
273
234
195
156
117
78
39
0

h
0

1000

2000

3000

4000

5000

Figura 3-13 Semivariograma omnidirecional e modelo esfrico

O modelo de ajuste, mostrado na Figura 3-13, tm os seguintes parmetros:
Estrutura tipo Esfrica, Efeito Pepita (Co) = 118,85; Contribuio (C1) = 230,89 e
Alcance (a) = 3989,20. O modelo terico, normalizado em relao ao alcance, leva
a seguinte notao:

h
( h ) = C o + C1 Sph =118,85 + 230,89 Sph

a
3989,20

(3.35)

Uma vez definido o modelo e validado o mesmo, a etapa seguinte refere-se

estimao de krigagem ordinria. Como resultado tm-se uma grade de valores
estimados e uma outra que refere-se varincia de krigagem. Ambas so convertidas
em superfcies e apresentadas na Figura 3-14. Na Figura 3-14 esquerda, regies
mais claras representam altos valores de teor de argila e vice-versa. Diferente dos
mtodos determinsticos (ver Figura 3-4), o uso da krigagem ordinria como
mtodo de interpolao espacial permitiu capturar e, portanto, representar com
mais qualidade, a variabilidade espacial inerente propriedade em estudo. Alm
disso, conforme ilustra a Figura 3-14 direita, a krigagem ordinria fornece a
varincia da estimativa (denominada varincia de krigagem). Tal informao pode
ser til para identificar regies onde a amostragem pode ser melhorada.

Figura 3-14 esquerda a superfcie do teor de argila e direita a varincia de krigagem.

Com algumas ressalvas, o mtodo da mdia ponderada pelo inverso do
quadrado da distncia, produz resultado que se assemelha ao resultado da krigagem
ordinria. O ponto crtico, porm, ocorre em regies onde h agrupamento
(clusters) de amostras. A krigagem ordinria, por utilizar intrinsecamente uma
estrutura de covarincia, consegue tratar redundncias (clusters), isto , atribuir
pesos adequados para os agrupamentos de amostras. Fato este no considerado nos
procedimentos determinsticos. Alm disso, na krigagem ordinria, a rea de
influncia na interpolao indicada pelo alcance; j nos procedimentos
determinsticos, como o mtodo da mdia ponderada pelo inverso do quadrado da
distncia, o raio de busca arbitrrio.
Os resultados produzidos pelos mtodos mdia simples e vizinho mais prximo,
so menos expressivos com relao aos demais. O mtodo da mdia simples produz
resultado que apresenta imbricao, principalmente na regio central da rea de
estudo. J o mtodo de inferncia relativo ao vizinho mais prximo, embora sendo
o que pior expressa a variabilidade espacial do fenmeno estudado, revela a rea de
influncia de cada ponto de observao. Tal informao de grande valia, como,
por exemplo, numa anlise preliminar para deteco de valores amostrais suspeitos.
Um outro fato que merece ateno, que os resultados apresentados na Figura
3-14 so oriundos de um modelo isotrpico. A suposio de isotropia, que rara
em fenmenos naturais, simplifica a modelagem por procedimentos geoestatsticos.
Se a anisotropia existe, deve ser detectada e modelada, afim de representar com
mais qualidade, a variabilidade espacial inerente propriedade em estudo. No

apndice ao Captulo, so apresentados alguns tpicos sobre anisotropia e uma

tcnica para a modelagem da mesma.

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.

3.8 REFERNCIAS BIBLIOGRFICAS

A estrutura terica da geoestatstica est apresentadas na Teoria das Variveis
Regionalizadas, desenvolvida por Matheron (1971) e um artigo detalhado e terico
sobre geoestatstica escrito por Journel (1988). A referncia bsica sobre
geoestatstica, com um conjunto extensivo de exemplos o livro de Issaks e
Srivastava (1989). A descrio da GSLIB, uma das bibliotecas mais utilizadas para o
desenvolvimento de programas em geoestatstica, pode ser encontrada no livro de
Deutsch e Journel (1992). Com relao integrao entre geoestatstica e SIGs, o
leitor deve referir-se a Camargo (1997), que descreve o desenvolvimento de um
mdulo geoestatstico no ambiente SPRING. Referncias bsicas sobre mtodos de
interpolao so descritas por Burrough (1987). O exemplo de superfcies de
tendncia est baseado no trabalho de Bnisch (2001).
Bnisch, S. (2001) Geoprocessamento Ambiental com Tratamento de Incerteza: O
Caso do Zoneamento Pedoclimtico para a Soja no Estado de Santa Catarina.
Dissertao (Mestrado em Sensoriamento Remoto) Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos.
Burrough, P. (1987). Principles of geographical information systems for land
resources assessment. Oxford, Clarendon Press.
Camargo, E. (1997). Desenvolvimento, Implementao e Teste de Procedimentos
Geoestatsticos (Krigeagem) no Sistema de Processamento de Informaes
Georreferenciadas (SPRING). Dissertao (Mestrado em Sensoriamento
Remoto) Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos.

Deutsch, C. e A. Journel (1992). GSLIB: Geostatistical Software Library and users

guide. New York, Oxford University Press.
Issaks, M. e E. Srivastava (1989). An Introduction to Applied Geostatistics. New
York, Oxford University Press, 1989.
Journel, A. (1988). Fundamentals of geostatistics in five lessons. California,
Stanford Center for Reservoir Forecasting Applied Earth Sciences Department.
Matheron (1963, 1971). The theory of regionalized variables and its applications.
Paris, Les Cahiers du Centre de Morphologie Mathematique de Fontainebleu,
1971. 211p.

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.

Figura 3-15 - Convenes direcionais usadas na geoestatstica.

Quando os semivariogramas experimentais direcionais apresentam diferenas
acentuadas, 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, conforme ilustra a Figura 3-16. Existe
ainda um outro tipo de anisotropia em que os semivariogramas experimentais
direcionais apresentam os mesmos Alcances (a) e diferentes Patamares (C). Neste
caso, a anisotropia denominada zonal. Como a isotropia, a anisotropia zonal
tambm pouco presente nas variveis ambientais. O mais comum encontrar
combinaes da anisotropia Zonal e Geomtrica, denominada anisotropia

Combinada, conforme Figura 3-16. Na Figura 3-16, a1 e a2 esto relacionados s

direes de menor e maior continuidade espacial da varivel, respectivamente.
(h)

(h)

C1
C2
1

Co1

Co2

Co
a1

a2

a1

a2

Figura 3-16 esquerda Anisotropia Geomtrica e direita Anisotropia Combinada.

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.

Figura 3-17 Mapa de Semivariograma do teor de argila.

MODELAGEM DA ANISOTROPIA
O princpio fundamental na modelagem de anisotropia (geomtrica, zonal ou
combinada), consiste em usar todas as estruturas presentes em todas as direes,
atribuindo um alcance infinito s inexistentes. Inicialmente identificam-se os eixos
de anisotropia, isto , os eixos de maior e de menor variabilidade espacial da
varivel em estudo. Isto realizado com auxlio do mapa de semivariograma
conforme descrito na seo anterior. Identificados os eixos de anisotropia,
calculam-se os dois semivariogramas experimentais direcionais, relativos s direes
de maior e menor variabilidade espacial da varivel em estudo, e procede-se o
ajuste dos mesmos. Estabelecidos os dois modelos, o passo seguinte combin-los
num modelo nico e consistente para todas as direes.
MODELAGEM DA ANISOTROPIA GEOMTRICA
Como dito anteriormente, se a anisotropia observada e refletida pelo
mesmo Patamar (C) com diferentes Alcances (a) do mesmo tipo de modelo, ento
ela denominada geomtrica. Considere o exemplo da Figura 3-18, as direes de
menor e maior variabilidade espacial so 0o e 90o respectivamente e os modelos de
ajustes so esfricos em ambas direes.

(h)

C=17
o

C1=15

90

Co=2

10

20

Figura 3-18 Exemplo de anisotropia geomtrica.

O modelo de semivariograma relativo direo 0o :

00 ( h ) = C o + C1 [Sph (h )]

(3.36)

O termo Sph (h) apenas uma notao representativa do modelo terico

esfrico normalizado, conforme apresentado na Seo 0. Lembre-se que h um
vetor, portanto seu mdulo pode ser decomposto; isto :

h=

(h ) + (h )
2

0o

(3.37)

90 o

A Figura 3-19 ilustra uma decomposio genrica para o vetor h.

Norte (0o)

|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)

Neste caso, como a componente

h 90o
a

sempre nula, podemos atribuir um

alcance infinito direo 90o. Assim, a equao 3.21 escrita da forma:

2

h o h o
h
= 0 + 90
a
a

(3.39)

O modelo normalizado do semivariograma relativo direo 0o definido

como:

00 ( h ) = C 0 + C1 Sph

2
2
h 00 h900
+

(3.40)

Substituindo os valores de C0, C1 e a, conforme Figura 3-18, tem-se:

00 ( h ) = 2 + 15 Sph

2
2
h 00 h900
+

10

(3.41)

De maneira anloga, o modelo de semivariograma relativo direo 90o :

900 ( h ) = 2 + 15 Sph

2
2
h 00 h900
+

20

(3.42)

Uma vez definidos os modelos relativos s direes de 0o e 90o, determina-se o

modelo nico e consistente para qualquer distncia e direo do vetor h. Das
Equaes 3.44 e 3.45, obtem- se o modelo nico que expresso atravs da seguinte
equao:

( h ) = 2 +15 Sph

2
2
h 00 h 900
+

10 20

(3.43)

A consistncia desse modelo verificada primeiro determinando-se os valores

das componentes h0o e h90o para um determinado vetor h. Em seguida, calcula-se o
valor de ( h). Por exemplo, deseja-se saber o valor de ( h) na direo 0o quando
|h| = alcance; isto , | h | = 10. Neste caso, as componentes h0o e h90o valem:
h0o = | h |.sen() = a.sen() = 10.sen(90o) = 10.
h90o = | h |.cos() = a.cos() = 10.cos(90o) = 0.
2
2
2
2

10 0
10 0
Sph(| h |) =1,5 + 0,5 + = 1
10 20
10 20

Seguindo, determina-se ( h):

( h ) = 2 +15 Sph

h 00 h900
+

10 20

= 2 + 15.[1] = 17

De maneira anloga, na direo 90o quando | h | = 20, temse que ( h) = 17.

E assim por diante, para uma direo qualquer quando | h | 0, tem-se que ( h)
= 2, que o Efeito Pepita.
MODELAGEM DA ANISOTROPIA COMBINADA
Neste caso, a anisotropia observada e refletida com diferentes Patamares (C)
e Alcances (a) do mesmo tipo de modelo, podendo ainda apresentar dois valores
distintos de Efeito Pepita (Co). O exemplo da Figura 3-20, referem-se aos
semivariogramas nas direes de maior e menor variabilidade espacial do teor de
argila, detectadas na Seo 0. Ambos semivariogramas foram ajustados com
modelos esfricos.

(h)

274

365

203

231

91
28
0

1677

2962

Figura 3-20 Anisotropia combinada referente ao teor de argila.

O modelo de semivariograma relativo direo 17o :

17 0 ( h ) = 91+ 274 Sph

2
2
h170 h107 0

2962 +

(3.44)

O modelo de semivariograma relativo direo 107o :

107 0 ( h ) = 28 + 203 Sph

2
2
h170 h107 0

+ 1677

(3.45)

Uma vez estabelecidos os modelos relativos s direes de mnima e mxima

continuidade espacial do fenmeno, procede-se modelagem da anisotropia
combinada. A modelagem da anisotropia combinada um caso mais complexo que
a modelagem da anisotropia geomtrica. A idia bsica dividir em faixas
convenientes o grfico de semivariograma, conforme ilustra a Figura 3-21, de
maneira que, em cada faixa reste somente a anisotropia geomtrica. Evidentemente
que esta tcnica exige o conhecimento e prtica com semivariogramas e modelagem
da anisotropia.

(h)
365

274

4 Faixa

203

231

3 Faixa

91
2a Faixa
28
1a Faixa
0

2962

1677

Figura 3-21 Definio das faixas para modelagem da anisotropia combinada.

Uma vez estabelecido de forma conveniente as faixas, a anisotropia combinada
decomposta graficamente, conforme ilustra a Figura 3-22, de modo que, cada
parcela represente somente a anisotropia geomtrica.
(h)

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

Figura 3-22 Decomposio da anisotropia combinada.

1677

A anisotropia combinada apresentada na Figura 3-22 decomposta da seguinte

forma:
A 1a parcela refere-se a um valor constante, o Efeito Pepita (C0= 28). O modelo
relativo a 1a parcela :

1 ( h) = C 0

(3.46)

Para estabelecer a anisotropia geomtrica na 2a parcela, necessrio empregar

um artifcio. Este consiste em utilizar um modelo esfrico com alcance muito
pequeno (). sto necessrio para modelar o segundo efeito pepita (91) relativo
direo de 17o. Com relao a outra direo, 107o, observa-se que parte do modelo
esfrico participa com uma pequena contribuio. Desta forma, a anisotropia
geomtrica caracterizada da seguinte forma: em ambas direes modelos esfricos
com contribuio 63 (91 - 28), alcance () para a direo 17o e alcance 1677m para
a direo 107o. O modelo nico e consistente de semivariograma relativo 2a
parcela :

2 ( h ) = 63 Sph

2
2
h170 h1070

+ 1677

(3.47)

Na 3a parcela, a anisotropia geomtrica obtida de forma direta. Isto , parte

de ambos modelos contribuem para a caracterizao da mesma. Conforme pode ser
visto na Figura 3-22, esta composta de uma estrutura esfrica com alcance de
1677m na direo 107o, uma estrutura esfrica com alcance de 2962m na direo
170 e ambas com contribuio de 140 (231 91). O modelo nico e consistente de
semivariograma relativo 3a parcela :

3 ( h ) = 140 Sph

h17 0 h107 0

2962 + 1677

(3.48)

Para estabelecer uma anisotropia geomtrica 4a parcela necessrio empregar

um outro artifcio. Observando a Figura 3-22, nota-se que no existe um modelo
associado direo 107o. O segredo ento , atribuir um alcance muito grande, , a
esta direo. Tal artifcio utilizado apenas para estabelecer a anisotropia
geomtrica. Isto no influencia em nada no modelo final a ser determinado. O
resultado disto uma estrutura esfrica com alcance na direo 17o de 2962m, uma

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)

Finalmente, o modelo completo, (h), e consistente para qualquer distncia e

direo do vetor h, resume-se na soma das estruturas 1(h), 2(h), 3(h) e 4(h).
Ento,

( h) = 1(h) + 2(h) + 3(h) + 4(h)

( 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)

A Tabela 3.3 sumariza os parmetros estruturais que compem o modelo

expresso na Equao (3.54), e sua consistncia verificada de maneira anloga ao
caso de anisotropia geomtrica, conforme descrita anteriormente.
Tabela 3.3 Sumarizao dos Parmetros Estruturais.
Nmero de Estruturas
3
Efeito Pepita
28
Primeira Estrutura Tipo: Esfrica
Contribuio
63
ngulo de anisotropia
Maior Alcance
Menor Alcance

Segunda Estrutura Tipo: Esfrica

140
Contribuio
ngulo de anisotropia
Menor Alcance
1677 Maior Alcance

17o
1677
17o
2962

Terceira Estrutura Tipo: Esfrica

Contribuio
71
ngulo de anisotropia

17o

Menor Alcance

2962 Maior Alcance

A etapa seguinte refere-se estimao de krigagem ordinria. Como resultado,

tm-se uma grade de valores estimados e uma outra que refere-se varincia de
krigagem. Ambas so convertidas em superfcies e apresentadas na Figura 3-23.

Figura 3-23 esquerda superfcie anisotrpica do teor de argila e direita a varincia de

krigeagem.
Analisando os resultados apresentados nas Figura 3-14 e Figura 3-23, observase que as diferenas na distribuio espacial do teor de argila so acentuadas. O
resultado oriundo do modelo anisotrpico, Figura 3-23, mostra que a varivel em
estudo possui uma tendncia maior de espalhamento na direo de
aproximadamente 17o (ngulo de anisotropia) e uma menor tendncia na direo
ortogonal (107o). Este fato, mostra a importncia da modelagem da anisotropia na
reconstruo da distribuio espacial do teor de argila, proporcionando resultados e
anlises mais representativas.