Escolar Documentos
Profissional Documentos
Cultura Documentos
Universidade de So Paulo
RESUMO
Nestas ltimas dcadas tem aumentado o interesse na determinao de geides gravimtricos, um dos principais
motivos, a sua utilizao na determinao de altitudes ortomtricas a partir das altitudes geomtricas, obtidas no
posicionamento por satlite (GPS). Vrios so os mtodos utilizados para a determinao do geide, como a integral de
Stokes e suas variantes, colocao por mnimos quadrado, colocao rpida (fast collocation), entre outros. A colocao
por mnimos quadrados permite a estimao eficiente do campo de gravidade, mediante a utilizao das caractersticas
estatsticas de dados heterogneos sobre a forma de funes covarincias. Portanto, a interpretao estatstica da
colocao, baseada no pressuposto de que as observaes do campo de gravidade so uma realizao de um processo
estocstico e que, quer as observaes, ou os sinais a serem estimados, so variveis centradas. A funo covarincia
o elemento central desse processo, toda a informao relativa ao comportamento do campo de gravidade, sua
variabilidade, distancia de correlao e anisotropias, bem como a relao funcional entre os vrios elementos do campo
esto condicionados a eficincia na sua determinao. O presente trabalho tem por objetivo a discusso da modelagem
das funes covarincias, a partir da utilizao de dados com distribuio regular e irregular. A distribuio dos dados
tem implicaes diretas com a estimao dos parmetros da funo covarincia. Sendo assim, sero vistos os
fundamentos tericos dos mtodos de estimao das funes covarincias, seguida da aplicao.
Palavras chaves: Colocao por mnimos quadrados, Funes covarincias, Geide.
ABSTRACT
In the last decades there has been an increase of interest in the gravimetrics geoids determination. One of the main
reasons for this is its use in the determination of ortometrics altitudes from the geometric altitudes, obtained through the
Global Positioning System (GPS). There are several methods for the geoid determination, such as the Stokes' integral
and its variations, least square collocation, fast collocation, and others. The least square collocation allows efficient
estimation of the gravitational field, under the utilization of heterogeneous data's statistic characteristics on covariance
functions forms. Therefore, the statistic interpretation of the collocation is based on the conjecture that the gravity field
observations are the realization of a stochastic process and that both the observations and the signals to be estimated are
centered variants. The covariance function is the central element of this process. All information related to the behavior
of the gravitational field, its variability, correlation distance and anisotropies, as well as the functional relation between
the many elements of the field are conditioned to efficiency in its determination. This work aims the discussion of the
covariances functions tracing, from data utilization with regular and irregular distribution. Data distribution has straight
Revista Brasileira de Cartografia No 60/01, Abril 2008. (ISSN 1808-0936)
99
implications on the estimation of the covariance function parameters. Therefore it will be seen the theoretical
fundamentals of the covariance function estimation methods, followed by application.
Keywords: Least Square Collocation, Covariance function, Geoid.
1. INTRODUO
A colocao por mnimos quadrados (C.M.Q)
envolve as covarincias de todos os elementos do
campo de gravidade que so utilizados na aproximao.
Isto decorre da interpretao do campo de gravidade
anmalo como um processo estocstico estacionrio. Do
ponto de vista estatstico, a funo covarincia
caracteriza a correlao estatstica de duas quantidades
do campo de gravidade em dois pontos distintos, ou
seja, a tendncia que apresentam em ter a mesma
magnitude e o mesmo sinal. A determinao da funo
covarincia sempre necessria como indicador do
comportamento do campo gravfico numa determinada
regio, seja o caso em que se pretende estimar novos
valores para a anomalia gravimtrica ou no clculo do
geide. A funo covarincia representa a estrutura de
campo de gravidade anmalo na CMQ. Isto introduz
dois requisitos desejveis nos modelos adotados; o de
reproduzir as propriedades estatsticas contidas nos
dados e de admitir uma representao analtica simples.
No primeiro caso, pode ser verificado atravs de
comparaes entre os resultados obtidos na
aproximao e na observao de alguns elementos. O
segundo possvel para covarincias homogneas e
isotrpicas. Na prtica, o fator dominante na escolha de
um modelo a quantidade e a distribuio geogrfica
dos dados. Mesmo nos dias de hoje, com milhes de
dados gravimtricos, as informaes estatsticas sobre
alguns parmetros ainda so precrias. Isto significa que
ainda necessrio distinguir-se os modelos globais dos
locais. Nos modelos globais, as covarincias so obtidas
de valores mdios representativos de blocos cujas
dimenses indicam a resoluo do campo e das
varincias de baixo grau que resultam do rastreio de
satlites artificiais. Nos modelos locais, as covarincias
so obtidas de dados pontuais e da varincia de seus
gradientes. Neste trabalho, sero utilizadas na
modelagem de covarincias amostrais, as anomalias
gravimtricas, que ainda so em maior nmero no
Brasil. O objetivo principal estudar o comportamento
das funes covarincias, numa pequena regio da
Terra, a partir de dados distribudos regularmente e
irregular
2. COLOCAO POR MNIMOS QUADRADOS
DOS
A C.M.Q uma tcnica matemtica que permite
a determinao do campo de gravidade pela combinao
de dados diferentes em tipo e preciso. Dado o potencial
anmalo (T ) e um conjunto de observaes
relacionadas com o campo de gravidade da Terra ( l ),
pode-se expressar atravs de um funcional linear (L),
tais observaes como:
l = L(T )
(1)
(2)
T,T + nT D 1 n = mnimo
(3)
1
1
1
X = AT (C + D) A AT (C + D) I (4)
T
1
T = ( BK ) ( C + D ) (I AX )
(5)
X2 = mnimo
(6)
T2 = mnimo
(7)
100
= =1
(8)
(9)
(10)
s = C st C 1 (l )
lembrando que, C = C tt + C nn
e
s = ( P )
(19)
(11)
BK = C st
(12)
t = BT
(13)
t
s
u
(14)
g1
l= M
g f
C nn
(20)
2g
2
g f
(21)
(15)
C st = C Pg
L C Pg
C g g
C tt = M
C
g g
L C g g
M
L C g g
l = AX + s + n
l = s+n
(16)
(17)
s2 = C ss C st C 1 C ts
(18)
(22)
(23)
101
(24)
(25)
g = {g , g , L , g
r
r
1
r
2
r
n
C0 = C(0)
(26)
C ( k ) = cov(g ir , g rj ) = M {g ir g rj }
(27)
C ( k ) =
1
nk
i =1
j =1
C ( 1 ) =
C0
2
(31)
g rj
(28)
= 12
(30)
i, j k +
2
2
(29)
G0
C0
(32)
(33)
(34)
102
1 2 2
T ( , )T ( ' , ')sen d d d
8 2 =0 =0 =0
(35)
(37)
sendo a nm ,bnm , coeficientes dos harmnicos esfricos
associados funo covarincia. Com o carter
isotrpico da funo covarincia a expresso (37) se
reduz a:
(41)
(42)
K ( ) = k n Pn (cos )
(38)
N =2
k n = a nm + bnm
m =0
(39)
n +1
Pn (cos )
l j = LQjT ( P )
que substituindo em (35), proporcionam
P
i
Q
j
n +1
Pn (cos )
(45)
(40)
(43)
(46)
103
cov(gP , gQ ) = C(P, Q) =
+
2
2
K(P, Q) +
K(P, Q)
rP rQ
rPrQ
2
4
K(P, Q) +
K(P, Q)
rQ rP
rP rQ
(47)
cov(g P , Q ) =
cov( P , Q ) =
1
2
K (P, Q) + K (P, Q) (48)
P rP
rP
K (P , Q )
(49)
P Q
n+ 2
Pn (cos ) +
A(n 1) R
+
n= N +1 (n 2 )(n + B ) rP rQ
2
B
(50)
n+ 2
Q2 =
Pn (cos )
1
( y y 0 )T C y1 ( y y 0 )
( n m)
(52)
104
n =0
n =0
F = s n +1 Pn (t ) = s s n Pn (t ) =
Fi =
n =0
Fi =
n =0
s
1 2 st + s 2
(53)
1 n +1
s Pn (t )
n+i
para
i>0
(54)
1 n +1
s Pn (t )
n+i
para
i0
(55)
L = 1 2st + s 2 M = 1 L st
N = 1 + M st
e
t = cos
(63)
ARB2
+
(
)(
)
+
+
B
2
B
1
1
cov( P , Q ) =
(B +1)F2 (B + 2)(F1 s 3 P(t ))
P Q
3
2
+
s s t s P2 (t )
B B +1 B + 2
(64)
(56)
para a anomalias de altitude, e
primeiros
3ts + 1 2
2 1 t 2
(57)
F2 = s M
+ s P2 (t ) ln +
N
4
F1 = s M + ts ln
N
F0 = s ln
2
N
2s
F1 = ln1 +
1 s + L
(58)
(59)
cn =
1
1
B +1 B + 2
+
(60)
(B + 2)(B + 1) n 2 n 1 n + B
K ( ) =
ARB2
( B + 2)( B + 1)
B + 2 n+1
1
B + 1 n+1
n +1
n 2 s Pn (t ) n 1 s Pn (t ) + n + B s Pn (t )
=
=
=
n
n
n
3
3
3
ARB2
=
+
(B + 2)(B + 1)
s 3 P2 (t )
s
s 2t
+ (B + 1)F2 (B + 2)(F1 s 3 P(t ))
B B + 1 B + 2
(61)
onde
R2
s= B
r r
P q
(62)
ARB2
cov g p , Q =
+
P
rP P (B + 2 )
s 3 P2 (t )
s
s 2t
+ F2 FB
B B + 1 B + 2
(65)
105
-43
-42
-17
-18
-19
-19
-19
-19
-19
-19
-20
-20
-20
-20
-21
-21
-21
-21
-22
-22
-22
-22
-22
-23
-56
-23
-50
-20
-21
-56
-21
-51
-55
-54
-53
-52
-51
-50
-55
-54
-53
-52
-51
-50
-21
-23
-52
-51
-52
-51
-50
-50
-49
-49
-48
-47
-48
-47
-46
-17
-44
-18
-52
-47
-45
-18
-53
-48
-46
-18
-54
-49
-47
-52
-17
-18
-55
-50
-48
-17
-17
-18
-56
-17
-51
-23
-46
-46
-21
-23
-48
-48
-21
-20
-21
-22
-47
-47
-46
-45
-44
-43
-46
-45
-44
-43
-23
-42
-42
-21
-21.5
-22
-22
-23
-23
-22
-22
-22
-23
-23
-24
-24
-25
-25
-25
-26
-26
-22
-22.5
-24
-25
-23
-23.5
-24
-24
-24.5
-25
-25
-23
-24
-25.5
-26
-26
-26
-26
-26.5
-27
-56
-55
-54
-53
-52
-27
-50
-51
-52
-56
-17
-55
-54
-53
-52
-51
-50
-49
-48
-47
-46
-45
-51
-44
-43
-50
-18
-19
-19
-20
-20
-21
-21
-22
-22
-23
-23
-24
-24
-25
-25
-27
-56
-48
-47
-27
-46
-47
-46
-45
-44
-43
-27
-42
-42
-17
-18
-26
-49
-27
-48
-26
-55
-54
-53
-52
-51
-50
-49
-48
-47
-46
-45
-44
-43
-27
-42
Figura 2 - Diviso da rea em Blocos, Distribuio dos Dados Gravimtricos e Modelo Digital de Terreno
que devero ser suficientemente grandes para dispormos
de dados de observao que cumpram a condio do
A determinao da covarincia local ser
mtodo (mdia zero), mas por outro lado, devem
efetuada para cada Bloco, estimando os coeficientes de
respeitar a condio de que o campo de gravidade seja
um modelo paramtrico, por meio do ajuste aos dados
homogneo e isotrpico; respondendo a pergunta
empricos da funo covarincia. A primeira deciso
levantada no pargrafo anterior.
consiste na definio da dimenso dos blocos estudados,
106
5. EXPERIMENTOS
A distribuio e amostragem espacial dos dados
um fator importante para a modelagem das funes
covarincias. A amostragem compreende a aquisio de
um conjunto de amostras que geralmente representa um
determinado elemento do campo de gravidade. Ela no
pode ser insuficiente, nem tampouco redundante. A falta
de dados pode levar a modelagem de funes
covarincias pobres. A superabundncia, ou a excessiva
quantidade de dados, sobrecarrega o sistema com o uso
excessivo de memria computacional e pode prejudicar
os resultados de uma modelagem. Porque nenhuma
modelagem, por mais complexa ou sofisticada que seja,
pode compensar os efeitos de uma amostragem mal
feita.
A distribuio irregular de dados vantajosa
quando se quer evitar os erros provenientes da gerao
de modelos digitais. A determinao de modelos digitais
relativamente simples, pois existem vrios algoritmos
disponveis para isso. Entretanto, a escolha do
procedimento para a interpolao dos dados no uma
tarefa fcil. A modelagem de funes covarincias,
neste caso, diretamente afetada pela distribuio
espacial dos dados. A distribuio espacial dos dados no
processo de estimao da funo covarincia uma
condio importante na determinao dos parmetros,
podendo prejudicar os resultados obtidos. Para que um
efeito melhor deve-se considerar no somente a
quantidade, mas tambm o seu posicionamento em
relao aos demais. A principal dificuldade de utilizar
dados com distribuio irregular verificar a isotropia e
homogeneidade. Que na prtica so de interesse, devido
a simplicidade de clculo que proporcionam;
covarincias em funo apenas da distncia relativa
entre os pontos.
As covarincias amostrais foram determinadas
a partir da expresso (28), utilizando as anomalias
A
B
C
D
E
F
Covarincias
Amostrais
(mGal2)
138,2919
245,3668
480,2679
207,8470
410,2448
367,4591
Covarincias
Ajustada
(mGal2)
137,7401
243,5838
478,6879
207,5220
409,7262
367,2670
(km)
17
19
17
15
25
17
RB R
(km)
-3541,126
-3979,994
-3695,113
-2464,568
-4428,017
-3692,807
107
160
Covarincias Empricas
(dados Irregulares)
Covarincias Ajustadas
(dados Irregulares)
120
100
Covarincias Empricas
(dados Regulares)
80
Covarincias Ajustadas
(dados Regulares)
60
40
3.75
3.5
3.25
2.75
2.5
2.25
1.75
1.5
1.25
0.75
-20
0.5
0.25
20
0
Covarincias (mGal2)
140
-40
Distncias (Graus)
Figura 3 Representao das Funes Covarincias Empricas e Ajustadas para dados com distribuio Regular e
Irregular (Exemplo: Bloco A)
Para os dados regulares, os resultados obtidos
para as varincias empricas e ajustadas so vistos na
Tabela 2.
TABELA 2 - COVARINCIAS E PARMETROS
AJUSTADOS PARA OS BLOCOS COM DADOS
REGULARES
BLOCO
A
B
C
D
E
F
Covarincias
Amostrais
(mGal2)
105,4752
148,5823
301,4680
129,8566
281,2315
293,1245
Covarincias
Ajustada
(mGal2)
105,3492
148,0662
300,8120
128,8305
279,3523
292,1379
(km)
RB R
38
28
23
24
27
25
-6982,451
-7955,999
-6349,202
-8081,289
-5026,052
-8119,423
(km)
N k N l
(N k )(N l )
i =1
j =1
g g
rij
ri + k , j + l
(66)
108
C (r , s ) =
k
N k
i =1
j = l +1
(N k )(N l )
g g
rij
ri + k , j + l
(67)
(68)
C (r , s ) = C (r , s
(69)
e
k
109
110