Geoestatistica: Fundamentos e Aplicações

Geoestatstica: Fundamentos e Aplicaes
GEOESTATSTICA: FUNDAMENTOS E APLICAES
Eduardo Celso Gerbi Camargo
5.1 INTRODUO
Como nos ensina Burrough (1998), quando os dados so abundantes, a maior parte
dos mtodos de interpolao produz valores semelhantes. Como discutido no captulo
anterior, os mtodos tradicionais de interpolao espacial, como triangulao, mdia
local das amostras e mtodo da distncia inversa, esto amplamente disponveis nos
SIGs do mercado. No caso de dados esparsos, no entanto, tais mtodos possuem
limitaes na representao da variabilidade espacial, porque desconsideram a
anisotropia e a continuidade do fenmeno que se quer observar. Alm disso, deixam
sem resposta algumas questes importantes, tais como (Burrough, 1987):
Qual o tamanho ideal do domnio ou da janela de estimao ?
Que forma e orientao deve ter a janela para se obter uma estimao tima ?
Existem outros modos para estimar os pesos alm daqueles baseados em funo
de distncia ?
Quais so os erros (incertezas) associados aos valores estimados ?
Na realidade, as propriedades naturais da superfcie terrestre so espacialmente

contnuas, sendo restritivo descrev-las atravs de simples funes matemticas que no
respondem as questes acima formuladas. Modelos inferenciais para este objetivo vm
sendo propostos. A krigeagem um desses modelos, e sua base conceitual est
fundamentada na teoria das variveis regionalizadas, formalizada por Matheron (1971).
O termo krigeagem derivado do nome de Daniel G. Krige, que foi o pioneiro

em introduzir o uso de mdias mveis para evitar a superestimao sistemtica de
reservas em minerao (Delfiner e Delhomme, 1975). O que diferencia a krigeagem 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 krigeagem tambm fornece estimadores exatos com
propriedades de no tendenciosidade e eficincia.
Geoprocessamento em Projetos Ambientais 5-1

Portanto, a incorporao de procedimentos geoestatsticos em SIGs, baseados

em tcnicas de krigeagem, importante, porque essa associao melhora os
procedimentos tradicionais de tais sistemas devido qualidade do estimador e,
principalmente, pela informao de acurcia fornecida nesse modelo inferencial.
Neste contexto, este captulo discute o uso de procedimentos geoestatsticos

baseado em tcnicas de krigeagem no ambiente de Geoprocessamento. Estes
procedimentos englobam anlise exploratria, gerao e modelagem de
semivariogramas, validao do modelo e interpolao de krigeagem e tem como
principal objetivo a anlise em duas dimenses para dados espacialmente distribudos,
no que diz respeito interpolao de superfcies geradas a partir de amostras
georreferenciadas obtidas por amostragem.
Os resultados aqui discutidos serviram de base para o desenvolvimento de um

Mdulo de Procedimentos Geoestatsticos no SPRING (Camargo, 1997). Ferramentas
semelhantes esto disponveis no ARC/INFO e GRASS.
5.2 FUNDAMENTAO TERICA
A variabilidade espacial de algumas caractersticas do solo vem sendo uma das

preocupaes de pesquisadores praticamente desde o incio do sculo. Smith (1910)
estudou a disposio de parcelas no campo em experimentos de rendimento de
variedades de milho, numa tentativa de eliminar o efeito de variaes do solo.
Montgomery (1913), preocupado com o efeito do nitrognio no rendimento do trigo, fez
um experimento em 224 parcelas, medindo o rendimento de gros. Vrios outros
autores, como Waynick e Sharp (1919), tambm estudaram variaes de nitrognio e o
carbono no solo.
Os procedimentos usados na poca baseavam-se na estatstica clssica e

utilizavam grandes quantidades de dados amostrais, visando caracterizar ou descrever a
distribuio espacial da caracterstica em estudo. Por estatstica clssica entende-se
aquela que se utiliza de parmetros como mdia e desvio padro para representar um
fenmeno e se baseia na hiptese principal de que as variaes de um local para outro
so aleatrias.
Krige (1951), trabalhando com dados de concentrao de ouro, concluiu que

somente a informao dada pela varincia seria insuficiente para explicar o fenmeno
em estudo. Para tal, seria necessrio levar em considerao a distncia entre as

observaes. A partir da surge o conceito da geoestatstica, que leva em considerao a

localizao geogrfica e a dependncia espacial.
Matheron (1963, 1971), baseado nas observaes de Krige, desenvolveu a teoria

das variveis regionalizadas. Uma varivel regionalizada uma funo numrica com
distribuio espacial, que varia de um ponto a outro com continuidade aparente, mas
cujas variaes no podem ser representadas por uma funo matemtica simples.
A teoria das variveis regionalizadas pressupe que a variao de uma varivel

pode ser expressa pela soma de trs componentes (Burrough, 1987): a) uma componente
estrutural, associada a um valor mdio constante ou a uma tendncia constante; b) uma
componente aleatria, espacialmente correlacionada; e c) um rudo aleatrio ou erro
residual.
Se x representa uma posio em uma, duas ou trs dimenses, ento o valor da

varivel Z, em x, dada por (Burrough, 1987):
Z(x) = m(x) + (x) + (5.1)
onde:
m(x) uma funo determinstica que descreve a componente estrutural de Z

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

m(x);
um rudo aleatrio no correlacionado, com distribuio normal com

mdia zero e varincia 2.
As Figuras 5.1(a) e 5.1(b) ilustram as trs componentes principais da variao

espacial. A Figura 5.1(a) apresenta uma componente determinstica que varia
abruptamente, enquanto a componente determinstica na Figura 5.1(b) apresenta uma
tendncia constante.

Figs. 5.1(a) e 5.1(b) - Principais componentes da variao espacial.

FONTE: Modificada de Burrough (1987), p. 155.
5.2.1 HIPTESES CONSIDERADAS
Diferente dos mtodos convencionais de estimao, a krigeagem est

fundamentada na teoria das variveis regionalizadas. A hiptese mais comum a
chamada "estacionaridade de 2a. ordem" (Burrough, 1987):
A componente determinstica, m(x), constante (no h tendncias na regio).
A varincia das diferenas entre duas amostras depende somente da distncia

h entre elas, isto :
Var[Z(x)-Z(x+h)] = E{[Z(x)-Z(x+h)]2} = 2(h) , (5.2)
onde (h) chamado de semi-varincia.
Para mostrar a contribuio da semivarincia, podemos reescrever a equao 5.1 como
Z(x) = m(x) + (h) + (5.3)

Em outras palavras, como supomos m(x) ser constante, a variao local das amostras (e
seu relacionamento espacial) pode ser caracterizado pela semivarincia (h).
5.3 VARIOGRAMA
O variograma uma ferramenta bsica de suporte s tcnicas de krigeagem, que permite

representar quantitativamente a variao de um fenmeno regionalizado no espao
(Huijbregts, 1975). Considere duas variveis regionalizadas, X e Y, onde X = Z(x) e Y
= Z(x+h). Neste caso, referem-se ao mesmo atributo (por exemplo, o teor de zinco no
solo) medido em duas posies diferentes, conforme ilustra a Figura 5.2, onde
Fig. 5.2 - Amostragem em duas dimenses.
x denota uma posio em duas dimenses, com componentes (xi , yi), e h um vetor
distncia (mdulo e direo) que separa os pontos.
O nvel de dependncia entre essas duas variveis regionalizadas, X e Y,

representado pelo variograma, 2(h), o qual definido como a esperana matemtica do
quadrado da diferena entre os valores de pontos no espao, separados pelo vetor
distncia h, isto ,
2(h) = E{[Z(x)-Z(x+h)]2} = Var[Z(x)-Z(x+h)] . (5.4)
Atravs de uma amostra z(xi), i=1, 2, ..., n, o variograma pode ser estimado por
N( h )
2 ( h) =
1
N( h )
[z(x i )- z(x i + h)]2 , (5.5)
i=1

onde:

2 ( h) - o variograma estimado;
N(h) - o nmero de pares de valores medidos, z(xi) e z(xi+h), separados por

um vetor distncia h;
z(xi) e z(xi+h), - so valores da i-sima observao da varivel

regionalizada, coletados nos pontos xi e xi+h (i = 1, ..., n), separados pelo vetor
h.
5.3.1 PARMETROS DO SEMIVARIOGRAMA
A Figura 5.3 ilustra um semivariograma experimental com caractersticas muito

prximas do ideal. O seu padro representa o que, intuitivamente, se espera de dados de
campo, isto , que as diferenas {Z(xi) - Z(xi + h)} decresam medida que h, a
distncia que os separa decresce. esperado que observaes mais prximas
geograficamente tenham um comportamento mais semelhante entre si do que aquelas
separadas por maiores distncias. Desta maneira, esperado que (h) aumente com a
distncia h.
Fig. 5.3 - Exemplo de semivariograma.

Os parmetros do semivariograma podem ser observados diretamente da Figura

5.3 :
Alcance (a): distncia dentro da qual as amostras apresentam-se

correlacionadas espacialmente. Na Figura 5.3, o alcance ocorre prximo de
25m.
Patamar (C): o valor do semivariograma correspondente a seu alcance (a).

Deste ponto em diante, considera-se que no existe mais dependncia espacial
entre as amostras, porque a varincia da diferena entre pares de amostras
(Var[Z(x) - Z(x+h)]) torna-se invariante com a distncia.
Efeito Pepita (C0): idealmente, (0)=0. Entretanto, na prtica, medida que h

tende para 0 (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. Parte desta
descontinuidade pode ser tambm devida a erros de medio (Isaaks e
Srivastava, 1989), mas impossvel quantificar se a maior contribuio provm
dos erros de medio ou da variabilidade de pequena escala no captada pela
amostragem.
Contribuio (C1): a diferena entre o patamar (C) e o Efeito Pepita (Co).
5.3.2 CLCULO DO SEMIVARIOGRAMA A PARTIR DE AMOSTRAS REGULARMENTE

ESPAADAS
Considere o conjunto de amostras regularmente espaadas, em duas dimenses,

conforme apresentado na Figura 5.4.
Fig. 5.4 - Amostras regularmente espaadas em duas dimenses.

Para determinar o semivariograma experimental, por exemplo, na direo de 900

o clculo de ( h ) repetido para todos os intervalos de h. Suponha a distncia entre
dois pontos consecutivos igual a 100 metros (d=100m). Ento, qualquer par de
observaes,

na direo 900, cuja distncia igual a 100m ser includo no clculo de
(90 o , 100m) . Isto feito, os clculos so repetidos para a prxima distncia, por
exemplo, 200m. Isto inclui todos os pares de observaes cuja distncia igual a 200m.
O processo repetido at que algum ponto de parada desejado seja alcanado. Este
procedimento pode ser melhor compreendido com o auxlio da Figura 5.5 e tambm
deve ser realizado para outras direes (00, 450 e 1350).
Fig.5.5 - Ilustrao para o clculo do semivariograma a partir de amostras regularmente

espaadas.

5.3.3 CLCULO DO SEMIVARIOGRAMA A PARTIR DE AMOSTRAS

IRREGULARMENTE ESPAADAS
Considere o conjunto de amostras irregularmente espaadas, em duas

dimenses, conforme apresentado na Figura 5.6. Neste caso, para determinar o
semivariograma experimental, necessrio introduzir limites de tolerncia para direo
e distncia.
Fig. 5.6 - Parmetros para o clculo do semivariograma a partir de amostras

irregularmente espaadas em duas dimenses.
FONTE: Modificada de Deutsch e Journel (1992)
Tome como referncia o Lag2 (Lag refere-se a uma distncia pr-definida, a

qual utilizada no cculo do semivariograma) da figura acima. Suponha um
incremento de Lag igual a 100 metros com tolerncia de 50 metros. Considere ainda a
direo de medida 450 com tolerncia angular 22.50. Ento, qualquer par de observaes
cuja distncia est compreendida entre 150m e 250m e 22.50 e 67.50 ser includo no
clculo do semivariograma de Lag2. Este processo se repete para todos os Lags.
Ainda com referncia na Figura 5.6, a largura de banda (BW) se refere a um

valor de ajuste a partir do qual se restringe o nmero de pares de observaes para o
clculo do semivariograma. A prxima etapa constitui o ajuste de um modelo terico ao
semivariograma experimental, conforme descrito a seguir.

5.3.4 MODELOS TERICOS

O grfico do semivariograma experimental, ( h ) , calculado atravs da Equao
(5.5), formado por uma srie de valores, conforme ilustra a Figura 5.3, sobre os quais
se objetiva ajustar uma funo. importante que o modelo ajustado represente a

tendncia de ( h ) em relao a h. Deste modo, as estimativas obtidas a partir da
krigeagem sero mais exatas e, portanto mais confiveis.
O procedimento de ajuste no direto e automtico, como no caso de uma

regresso, por exemplo, mas sim interativo, pois nesse processo o intrprete faz um
primeiro ajuste e verifica a adequao do modelo terico. Dependendo do ajuste obtido,
pode ou no redefinir o modelo, at obter um que seja considerado satisfatrio.
Os modelos aqui apresentados so considerados modelos bsicos, denominados

de modelos isotrpicos por Isaaks e Srivastava (1989). Esto divididos em dois tipos:
modelos com patamar e modelos sem patamar. Modelos do primeiro tipo so
referenciados na geoestatstica como modelos transitivos. Alguns dos modelos
transitivos atingem o patamar (C) assintoticamente. Para tais modelos, o alcance (a)
arbitrariamente definido como a distncia correspondente a 95% do patamar. Modelos
do segundo tipo no atingem o patamar, e continuam aumentanto enquanto a distncia
aumenta. Tais modelos so utilizados para modelar fenmenos que possuem
capacidade infinita de disperso. Os modelos transitivos mais utilizados so: modelo
esfrico (Sph), modelo exponencial (Exp) e modelo gaussiano (Gau). Estes modelos
esto apresentados na Figura 5.7 com o mesmo alcance (a).
Fig. 5.7 - Representao grfica de modelos transitivos normalizados.

FONTE: Modificada de Isaaks e Srivastava (1989).

5.3.4.1 MODELO ESFRICO
O modelo esfrico um dos modelos mais utilizados e est representado em vermelho

na Figura 5.7. A equao normalizada deste modelo :
0 , | h| = 0

| h| | h| 3
Sph ( h ) = 1,5 0,5 , 0 < | h| a (5.6)
a a
1 , | h| > a
5.3.4.2 MODELO EXPONENCIAL
Um outro modelo bastante utilizado o modelo exponencial, o qual

apresentado em azul na Figura 5.7. A equao normalizada deste modelo :
0 , | h|= 0

xp ( h ) = | h| (5.7)
1 exp a , | h| 0
Este modelo atinge o patamar assintoticamente, com o alcance prtico definido

como a distncia na qual o valor do modelo 95% do patamar (Isaaks e Srivastava,
1989).
5.3.4.3 MODELO GAUSSIANO
O modelo gaussiano um modelo transitivo, muitas vezes usado para modelar

fenmenos extremamente contnuos (Isaaks e Srivastava, 1989). Sua formulao dada
por:
0 , | h|= 0

Gau ( h ) = | h| 2 (5.8)
1 exp , | h| 0
a
Semelhante no modelo exponencial, o modelo gaussiano atinge o patamar

assintoticamente e o parmetro a definido como o alcance prtico ou distncia na qual
o valor do modelo 95% do patamar (Isaaks e Srivastava, 1989). O que caracteriza este
modelo seu comportamento parablico prximo origem, conforme representado na
Figura 5.7 atravs da linha slida verde.

5.3.4.4 MODELO POTNCIA
O modelo potncia no um modelo transitivo, portanto no atinge o patamar.

Em geral, este tipo de modelo utilizado para modelar fenmenos com capacidade
infinita de disperso. A Figura 5.8 ilustra o modelo potncia, o qual expresso atravs
de:
0 ,| h|= 0
Pot (| h|) = (5.9)
c. | h|e ,| h| 0
onde,
c o coeficiente de declividade, e
e o expoente.
Fig.5.8 - Representao grfica do modelo potncia.
At este ponto foram apresentados os principais modelos bsicos normalizados,

os quais so utilizados para modelar ou ajustar o semivariograma experimental. Na
prtica, os semivariogramas experimentais possuem valores de efeito pepita (Co) maior
que zero e valores de patamar (C) maiores que a unidade, conforme ilustrado na Figura
5.9.

Fig. 5.9 - 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
(h) = C + C = C + C [ Sph (| h|) ] , 0 < | h| a (5.10)
o 1 2 a 2 a o 1
C + C , | h| > a
o 1
Modelo Exponencial de Semivariograma:
0 , | h| = 0

(h) = | h| (5.11)
C o + C 1 1 exp a = C o + C 1 [ Exp (| h|)] ,| h| 0

Modelo Gaussiano de Semivariograma:
0 , | h| = 0

(h) = | h| 2 (5.12)
o
C + C 1 1 exp = C o + C 1 [Gau (| h|)] ,| h| 0

a


De maneira anloga, o modelo potncia escrito em termos de semivariograma da

seguinte forma:
Modelo Potncia de Semivariograma :
0 ,| h|= 0
(h) = (5.13)
C 0 + c.| h|e = C 0 + Pot (| h|) ,| h| 0
5.3.4.5 MODELOS ANINHADOS
Existem determinados fenmenos em que so necessrios modelos mais

complexos de semivariograma para explicar suas variaes espaciais. Estes modelos so
combinaes de modelos simples, denominados aninhados. McBratney e Webster
(1986) observaram que modelos aninhados so necessrios para explicar a variao do
solo decorrente de fatores independentes de formao. Por exemplo, um modelo
aninhado til em estudos de minerao e pesquisa de solo o duplo esfrico.
McBratney et al. (1982) o utilizaram para descrever a variao do cobre e do cobalto no
solo. Este modelo definido como:
3
3 | h| 1 | h|
C0 + C1 2 a 2 a = 1 (h ) , 0 <| h| a1
1 1

3
(h) = 3 | h| 1 | h|
C0 + C2 2 a 2 a = 2 (h) , a1 <| h| a2 (5.14)
2 2

C + C , | h| > a
0 2 2
0 , | h|= 0
onde,
a1 e C1 correspondem aos parmetros de alcance e contribuio,

respectivamente, do primeiro modelo esfrico (1 (h)) e
a2 e C2 correspondem aos parmetros de alcance e contribuio,

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

Este modelo mostrado na Figura 5.10, onde as linhas slidas representam os

modelos de ajuste terico ao semivariograma experimental.
Fig. 5.10 - Representao grfica de um modelo duplo esfrico.
Dependendo do fenmeno em estudo, outros modelos aninhados so necessrios

para caracterizar a variabilidade espacial. Por exemplo: duplo exponencial, exponencial
com duplo esfrico, linear com duplo esfrico, etc.
5.3.5 ANISOTROPIA
A anisotropia pode ser facilmente constatada atravs da observao dos

semivariogramas obtidos para diferentes direes. As convenes direcionais usadas na
geoestatstica so mostradas na Figura 5.11.
Fig. 5.11 - Convenes direcionais usadas na geoestatstica.

Considere os semivariogramas obtidos para as direes 00, 450, 900 e 1350,

ilustrados na Figura 5.15. Verifica-se uma similaridade bastante grande entre eles. Esta
a representao de um caso simples e menos freqente, em que a distribuio espacial
do fenmeno denominada isotrpica. Neste caso, um nico modelo suficiente para
descrever a variabilidade espacial do fenmeno em estudo.
Fig. 5.12 - Representao grfica de semivariogramas isotrpicos.
Por outro lado, se os semivariogramas no so iguais em todas as direes, a

distribuio denominada anisotrpica. Se a anisotropia observada e refletida pelo
mesmo Patamar (C) com diferentes Alcances (a) do mesmo modelo, ento ela
denominada Geomtrica.
Considere o semivariograma ilustrado na Figura 5.13. Os pontos interligados

com linhas tracejadas so os semivariogramas experimentais em duas direes
ortogonais. O semivariograma que atinge primeiro o patamar (azul) se refere direo
de 1200 e o semivariograma com maior alcance (vermelho) se refere direo de 300.
As linhas slidas em ambas direes so os modelos tericos de ajuste dos
semivariogramas experimentais.

Fig. 5.13 - Representao grfica de anisotropia geomtrica.
Um modo direto de visualizar e calcular os parmetros (fator e ngulo) da

anisotropia geomtrica atravs do esboo grfico de uma elipse, calculada atravs dos
alcances obtidos em direes distintas, conforme Figura 5.14. As convenes que
seguem, so as adotadas por Deutsch e Journel (1992). Para o eixo maior da elipse,
denominado direo de mxima continuidade, aplica-se o maior alcance(a1). O ngulo
da direo de mxima continuidade definido a partir da direo Norte e no sentido
horrio. Seu valor corresponde direo de maior alcance. O eixo menor define o
alcance(a2) na direo de menor continuidade, sendo este ortogonal direo principal.
Fig. 5.14 - Representao grfica da anisotropia geomtrica em duas dimenses.

FONTE: Modificada de Deutsch e Journel (1992), p. 24.
O fator de anisotropia geomtrica definido como a razo entre o alcance na

direo de menor continuidade (a2) e o alcance na direo de maior continuidade (a1).
Neste caso, o fator de anisotropia geomtrica sempre menor que a unidade e o ngulo
de anisotropia igual ao ngulo da direo de mxima continuidade.
Existe ainda um outro tipo de anisotropia em que os semivariogramas

apresentam os mesmos Alcances (a) e diferentes Patamares (C). Neste caso, a
anisotropia denominada Zonal. Como a isotropia, a anisotropia zonal tambm um
caso menos freqente presente nos fenmenos naturais. O mais comum encontrar
combinaes da anisotropia zonal e geomtrica, denominada anisotropia combinada.
Considere o semivariograma apresentado na Figura 5.15. Os pontos interligados

com linhas tracejadas correspondem a semivariogramas experimentais em duas direes
ortogonais. O semivariograma com maior patamar (azul) refere-se direo de 600 e o
semivariograma com menor patamar (vermelho) refere-se sua direo perpendicular
(1500). Os modelos de ajuste aos semivariogramas esto representados por linhas
slidas.
Fig. 5.15 - Representao grfica de anisotropia combinada.
Segundo Isaaks e Srivastava (1989), a anisotropia zonal pode ser considerada

como um caso particular da anisotropia geomtrica, ao se supor um fator de anisotropia
muito grande. Nesta condio, o alcance implcito na direo de menor continuidade

muito grande. A estrutura do semivariograma ento adicionada somente para a direo

de maior continuidade.
5.4 KRIGEAGEM
O termo krigeagem derivado do nome Daniel G. Krige, que foi o pioneiro a

introduzir o uso de mdias mveis para evitar a superestimao sistemtica de reservas
de minerao (Delfiner e Delhomme, 1975). Inicialmente, o mtodo de krigeagem foi
desenvolvido para solucionar problemas de mapeamentos geologicos, mas seu uso
expandiu-se com sucesso no mapeamento de solos (Burgess e Webster, 1980a,b),
mapeamento hidrolgico (Kitanidis e Vomvoris, 1983), mapeamento atmosfrico
(Lajaunie, 1984) e outros campos correlatos.
A diferena entre a krigeagem e outros mtodos de interpolao a maneira

como os pesos so atribudos s diferentes amostras. No caso de interpolao linear
simples, por exemplo, os pesos so todos iguais a 1/N (N = nmero de amostras); na
interpolao baseada no inverso do quadrado das distncias, os pesos so definidos
como o inverso do quadrado da distncia que separa o valor interpolado dos valores
observados. Na krigeagem, o procedimento semelhante ao de interpolao por mdia
mvel ponderada, exceto que aqui os pesos so determinados a partir de uma anlise
espacial, baseada no semivariograma experimental. Alm disso, a krigeagem fornece,
em mdia, estimativas no tendenciosas e com varincia mnima1.
Segundo Oliver e Webster (1990), a krigeagem engloba um conjunto de mtodos

de estimao, a saber: krigeagem simples, krigeagem ordinria, krigeagem universal,
Co-krigeagem, krigeagem disjuntiva, etc. Este trabalho limita-se somente
apresentao da krigeagem ordinria, descrita a seguir.
1
Estimativas no tendenciosas significam que, em mdia, a diferena entre valores
estimados e verdadeiros para o mesmo ponto deve ser nula; e varincia mnima
significa que estes estimadores possuem a menor varincia dentre todos os estimadores
no tendenciosos.

5.4.1 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 x0. O valor desconhecido de Z(x0) pode ser estimado a
partir de uma combinao linear dos n valores observados, adicionado a um parmetro,
0 (Journel, 1988):
n
Z*x = 0 + i Z( x i ) . (5.15)
0 i=1
Deseja-se um estimador no tendencioso, isto ,
E [Z x o - Z*x o ] = 0 . (5.16)
A relao acima impe que as duas mdias sejam iguais; assim aplicando-se a
Equao 5.39 em 5.40, obtem-se:

[ ]
n n
E Z x o = E 0 + i . Z(x i ) m = 0 + i m . (5.17)
i=1 i=1
A krigeagem ordinria no requer o prvio conhecimento da mdia m. Neste caso,

para que a igualdade da Equao 5.41 seja satisfeita necessrio que:
n
0 = 0 e i=1 .
i=1
Portanto, o estimador de krigeagem ordinria :

n
i =1 .
n
Z*x = i Z( x i ) , com (5.18)
0 i=1 i=1
Journel (1988) mostra que, minimizando a varincia do erro (Var [Z x 0 Z*x 0 ] ) sob a
n
condio de que i =1 , os pesos i so obtidos a partir do seguinte sistema de
i=1
equaes, denominado sistema de krigeagem ordinria:

n
j C(x i , x j ) = C( x i , x 0 ) para i = 1,..., n
j=1
(5.19)
n
j = 1
j=1
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 krigeagem

ordinria ( 2ko ), dada pela seguinte expresso (Journel, 1988):
n
= Var [ Z x 0 Z ] = C( 0) i C(x i , x 0 ) .
2
ko
*
x0 (5.20)
i =1
A krigeagem 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. A varincia da krigeagem ordinria, indicada na equao (5.20), fornece
informao importante sobre a confiabilidade dos valores interpolados (Burrough,
1998).

5.5 EXEMPLO DE APLICAO
Esta seo mostra, atravs de um experimento prtico, a importncia da integrao de

um SIG com procedimentos geoestatsticos na anlise e interpolao de dados
espacialmente distribudos.
Os dados utilizados, de propriedade do Centro Nacional de Pesquisas de Solos (CNPS -

RJ), foram obtidos no levantamento dos solos da Fazenda Canchim, em So Carlos -
SP. Estes se referem a uma amostragem de 85 observaes georreferenciadas coletadas
no horizonte Bw (camada do solo com profundidade mdia de 1m). Dentre as variveis
disponveis, selecionou-se para estudo o teor de argila.
O estudo de caso aqui apresentado refere-se anlise da variao espacial do teor de

argila sobre a rea da Fazenda Canchim. Considera-se o teor de argila ao longo do
perfil, classificado do seguinte modo (Calderano Filho et al., 1996):
MUITO ARGILOSO: solos que apresentam 59% ou mais de argila;

ARGILOSO: solos que apresentam de 35% a 59% de argila;
MDIO: solos que apresentam de 15% a 35% de argila;
ARENOSO: solos que apresentam menos de 15% de argila.
Para tal experimento, foram realizados os procedimentos de anlise geoestatstica:

anlise exploratria e de continuidade espacial do teor de argila, modelagem dos
semivariogramas experimentais, validao do modelo e interpolao atravs de
krigeagem. Para maiores detalhes, o leitor deve referir-se a Camargo (1997), que
descreve ainda o desenvolvimento de um mdulo geoestatstico no ambiente SPRING.
5.5.1 ANLISE EXPLORATRIA
Como mencionado anteriormente, a amostra composta por 85 observaes

georreferenciadas; dentre as variveis disponveis, escolheu-se o teor de argila. O valor
desta propriedade corresponde s observaes que se realizaram no interior do solo,
horizonte Bw. A Figura 5.16 apresenta a distribuio das observaes na rea de
estudo.

Fig 5.16 - Distribuio das observaes na rea de estudo.
Utilizando os recursos disponveis do Mdulo de Anlise Exploratria desenvolvido no

sistema SPRING, pode-se determinar que a distribuio da varivel em estudo
aproximadamente normal, dando suporte hiptese de normalidade dos dados.
5.5.2 MODELAGEM DOS SEMIVARIOGRAMAS E DA ANISOTROPIA
Aps anlise exaustiva das diferente configuraes dos dados, descrita em Barbosa
(1997), foram considerados dois semivariogramas, como representativos da anisotropia
dos dodos: o associados direo Norte (0o), que possui maior alcance e o
semivariograma associado direo Leste (90o), que possui menor alcance. O resultado
do ajuste experimental dos semivariogramas apresentado na Figura 5.17.

Fig. 5.17 - Representao grfica dos modelos tericos de ajuste aos semivariogramas
experimentais nas direes 0o e 90o.
Conforme ilustrado na Figura 5.17, as linhas azuis, em ambas direes, so os modelos

tericos de ajuste dos semivariogramas direcionais. O semivariograma com maior
patamar foi ajustado com um efeito pepita de (83,0), uma estrutura esfrica com
contribuio (352,0) e alcance (4.031,0). De maneira anloga, o semivariograma na
direo 90o foi ajustado com efeito pepita (45,5), uma estrutura esfrica com
contribuio (210,0) e alcance (1.883,0).
O passo seguinte refere-se a modelagem da anisotropia. Inicialmente identifica-se os

eixos de anisotropia, isto , os eixos de maior e menor variabilidade espacial do
fenmeno em estudo. Neste caso, em particular, os eixos de anisotropia coincidem com
os eixos de coordenadas. Uma vez identificados os eixos de anisotropia, define-se um
nico modelo que descreve como o semivariograma varia quando mudam as distncias
e direes.

Um mtodo para combinar os modelos direcionais num nico modelo consistente para
todas as direes apresentado por Isaaks e Srivastava (1989, p. 377-386).
Resumidamente, este mtodo consiste em definir uma transformao que reduz o
modelo direcional a um modelo normalizado com alcance igual a 1 (substitui-se h pela
distncia h/a, onde a o alcance). O modelo nico (ou completo), o qual expresso
atravs da seguinte equao:
h o 2

h 0 o 2
h o 2 h o 2
+ 142,0 Sph +
90 0
(h ) = 45,5 + 210,0 Sph + + 90
4031,0 1883,0 4031,0

h 0o 2 h 90 o 2

+ 37,5 Sph +
. (5.21)

O modelo completo, apresentado na Equao 4.3, composto de quatro termos, a saber:
O primeiro termo referente ao efeito pepita (Co), igual a 45,5.
O segundo termo referente 1a componente estrutural, um modelo esfrico

com contribuio 210, alcance 4031,0 na direo Norte (0o) e alcance 1883,0
na direo Leste (90o).
O terceiro termo referente 2a componente estrutural, um modelo esfrico

com contribuio 142,0 e alcance 4031,0 relativo direo Norte (0o).
Por ltimo, o quarto referente 3a componente estrutural, um modelo esfrico
com contribuio 37,5 e alcance muito pequeno, , relativo direo Norte

(0o). Este um artifcio empregado para representar o segundo efeito pepita .

5.5.3 ANLISE E APRESENTAO DE RESULTADOS
Para a apresentao dos resulatdos, adotada a nomenclatura abaixo descrita:
GKrV: refere-se grade de valores estimados obtida da interpolao de

krigeagem, a partir de um modelo anisotrpico que supostamente representa a
verdadeira continuidade espacial do fenmeno em estudo. Da anlise
geoestatstica realizada, supe-se que o fenmeno apresenta maior
continuidade na direo Norte (0o) e menor na direo Leste (90o).
GKrVe: refere-se grade da varincia de krigeagem, associada a GKrV.
GKrI: refere-se a Grade de valores estimados obtida da interpolao de

krigeagem a partir de um modelo isotrpico. Neste caso, admite-se que a
continuidade espacial do fenmeno a mesma em qualquer direo.
GKrIe: refere-se grade da varincia de krigeagem, associada a GKrI.
GKrA : refere-se grade de valores estimados obtida da interpolao de

krigeagem, a partir de um modelo anisotrpico que utiliza direes
intermedirias (10o e 100o) s direes de mxima e mnima continuidade.
GKrAe: refere-se grade da varincia de krigeagem, associada a GKrA.
5.5.4 RESULTADOS DA KRIGEAGEM
Como ponto de partida, interessante verificar a continuidade espacial do

fenmeno em estudo (teor de argila). Para realizar tal anlise, necessrio transformar
as grades de valores estimados e as correspondentes grades de erros em imagens.
A seqncia de imagens a seguir apresenta os resultados obtidos sobre as grades

GKrV (Figura 5.18), GKrVe (Figura 5.19), GKrI (Figura 5.20), GKrIe (Figura 5.21),
GKrA (Figura 5.22) e GKrAe (Figura 5.23).


Atravs das imagens apresentadas, pode-se constatar algumas caractersticas

comuns:
essas imagens revelam que, nas regies Norte e Nordeste, o teor de argila
relativamente baixo;
na regio Central, observa-se mudanas graduais do teor de argila, indo de

valores moderados a altos, e
nas regies Sul e Sudoeste aproximadamente moderado.
De maneira anloga, as grades de varincia do erro mostram que o erro da estimativa

aumenta medida em que se afasta dos pontos de observaes. possvel tambm
identificar, nestas imagens, regies onde a amostragem pode ser melhorada.
Um outro aspecto a ser observado, e talvez o mais importante, o efeito da

anisotropia:
Observa-se, na grade GKrV, a qual supostamente representa a verdadeira

continuidade espacial, que as mudanas graduais do teor de argila so
visivelmente diferentes das demais, principalmente na regio central.
A imagem da grade GkrI mostra que a continuidade espacial do teor de argila se

propaga uniformemente em todas as direes. Neste caso a anisotropia
mascarada e, portanto, o resultado no revela a verdadeira continuidade espacial
da varivel em estudo.
Por outro lado, a imagem da grade GkrA apresenta um caso intermedirio da

suposta continuidade espacial verdadeira. Este caso tambm no revela a
verdadeira variabilidade espacial, apenas mostra que o teor de argila se propaga
mais intensamente na direo 10o e menos intensamente na direo ortogonal
(100o).
Resumindo, esta primeira anlise procurou enfocar, atravs de trs exemplos, que a
escolha do modelo decorrente da anlise de continuidade espacial deve ser a melhor
possvel, a fim de retratar a verdadeira variabilidade do fenmeno em estudo.
A anlise seguinte refere-se a uma operao de fatiamento realizada na grade GKrV, a

qual supostamente representa a verdadeira continuidade espacial do teor de argila. Os
valores utilizados no fatiamento esto definidos segundo Calderano Filho et al. (1996).
O resultado desta operao a imagem apresentada na Figura 5.25.

Fig. 5.24 - Geologia da regio de estudo.

Fig. 5.25 - Imagem relativa ao fatiamento
da grade GKrV.Observando as Figuras 5.24 e 5.25, nota-se que ambas

possuem feies semelhantes. Segundo Calderano Filho et al. (1996), no Arenito
Superficial, encontram-se os solos argilosos e de teor mdio de argila, na Formao
Serra Geral (diabsio) predominam os solos com teores argilosos a muito argilosos e na
Formao Arenito Botucatu encontram-se solos com teor mdio de argila e os solos
arenosos.
Um outro tipo de anlise refere-se comparao entre o mapa de classes de

solos segundo o teor de argila, Mp1, (concebido pelo CNPS-EMBRAPA) e o mapa de
teor de argila, Mp2, (gerado atravs de procedimentos geoestatsticos). Neste caso, a
anlise restrita, pois, considera-se apenas o teor de argila s respectivas classes de
solos. A Figura 5.26 confronta os resultados expressos pelos mapas Mp1 e Mp2.

Fig. 5.26 - Comparao entre o mapa de classes de solos segundo o teor de argila e o
mapa de teor de argila gerado atravs de procedimentos geoestatsticos.
Na Figura 5.26, alguns resultados so observados. Por exemplo, examinando a

regio norte e nordeste do mapa de solos (Mp1), observa-se a presena de solos
arenosos (classe AQd) e solos com teor mdio de argila (classes LEd3, LEa2, LEa3), o

que pode ser constatado tambm no mapa de teor de argila (Mp2). Um outro exemplo,
so os solos argilosos e muito argilosos (classes de solos Lud, LRd1 e Tre1), que se
encontram na regio central de ambos os mapas, Mp1 e Mp2. E assim, vrias outras
classes de solo, como LVa1, LVa2, etc.
Considerando a deficincia de amostragem, com as conseqentementes

limitaes impostas anlise geoestatstica efetuada, o resultado apresentado na Figura
5.26 de certa forma expressivo e revela a boa adequao das tcnicas de krigeagem ao
estudo de caso.
5.5.5 KRIGEAGEM VERSUS MTODOS CONVENCIONAIS DE ESTIMAO
Esta seo apresenta, de forma comparativa, os resultados obtidos da krigeagem

com outros mtodos de estimao disponveis no sistema SPRING, como: mdia
ponderada pelo inverso do quadrado da distncia, mdia simples e vizinho mais
prximo. No o objetivo deste trabalho detalhar cada um destes mtodos, pois os
mesmos so descritos na literatura, como, por exemplo, em Burrough (1987).
Das 85 observaes de campo realizadas nos limites da Fazenda Canchim, as seguintes

grades de valores estimados so geradas:
GKrV e GKrI : conforme definido anteriormente;

GID: refere-se grade de valores estimados obtida atravs do mtodo de
estimao mdia ponderada pelo inverso do quadrado da distncia;
GMS: refere-se grade de valores estimados obtida atravs do mtodo de

estimao mdia simples;
GVP: refere-se grade de valores estimados obtida atravs do mtodo de

estimao vizinho mais prximo.
A seqncia de imagens a seguir apresenta os resultados obtidos e se refere s grades

GKrV , GKrI , GID, GMS e GVP . O mapa geolgico utilizado como referncia
anlise comparativa.


Atravs das imagens apresentadas , pode-se constatar alguns

fatos:
relativamente fcil de ser constatado que a imagem referente GKrV

(Grade de Krigeagem obtida a partir de um modelo anisotrpico e que
supostamente representa a Verdadeira continuidade espacial do fenmeno) a
que melhor expressa a variabilidade do teor de argila. Por exemplo, no mapa
geolgico onde ocorre o diabsio, cujo teor de argila do produto de alterao
grande, observa-se que o resultado expresso pela grade GKrV tende a moldar
a variabilidade espacial do fenmeno nesta regio.
Com algumas ressalvas, o mtodo da mdia ponderada pelo inverso do

quadrado da distncia produz resultado que se assemelha ao resultado da
krigeagem proveniente de um modelo isotrpico. O ponto crtico, porm,
ocorre em regies onde h superestimao e subestimao do teor de argila o
que difere do resultado oriundo da krigeagem, onde as mudanas de valores do
teor de argila so graduais.
Os resultados produzidos pelos mtodos de estimao mdia simples e vizinho

mais prximo (Figura 4.31) 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 (Figura 4.30). J o mtodo
de estimao relativo ao vizinho mais prximo (Figura 4.31), 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.
Uma forma alternativa de avaliar os resultados produzidos pelos respectivos

estimadores atravs da operao de fatiamento aplicada s respectivas grades
geradas. Os resultados so apresentados a seguir.

De maneira anloga anlise anterior, constata-se que o resultado relativo ao fatiamento

da grade GKrV o que melhor expressa a variabilidade do fenmeno, quando
comparado ao mapa de classes de solos concebido pelo CNPS-EMBRAPA (Figura

4.34). Tambm verifica-se que o resultado referente ao fatiamento da grade GID (Figura
4.37) prximo ao resultado do fatiamento da grade GKrI (Figura 4.36), mas apresenta
regies que h superestimao e subestimao de valores. Os resultados referentes s
Figuras 4.38 e 4.39 so menos expressivos que os demais.
Este captulo se encerra com a ilustrao da Tabela 5.1, a qual apresenta, de

forma sintetizada, as principais razes pelas quais os resultados obtidos pela krigeagem
produziram resultados mais significativos em relao aos outros mtodos de estimao.
TABELA 5.1 - CARACTERSTICAS DOS MTODOS DE ESTIMAO.
Mtodos Geoestatsticos Mtodos Convencionais
os pesos so determinados a partir de os pesos so determinados meramente

uma anlise de correlao espacial em funo da distncia.
baseada no semivariograma. i = f (di)
i = f [(h)]
rea de influncia na interpolao raio de busca arbitrrio.

indicada pelo alcance.
Modela anisotropia, isto , detecta as Anisotropia ignorada.

direes de maior e menor
continuidade espacial do fenmeno.
Trata redundncia (Clusters), isto , Redundncia ignorada. Neste caso,

atribui pesos adequados para podem ocorrer superestimao ou
agrupamentos de amostras. subestimao de valores.

Geoestatistica: Fundamentos e Aplicações

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Geoestatistica: Fundamentos e Aplicações

Enviado por

Direitos autorais:

Formatos disponíveis

Geoestatstica: Fundamentos e Aplicaes

GEOESTATSTICA: FUNDAMENTOS E APLICAES

Eduardo Celso Gerbi Camargo

Qual o tamanho ideal do domnio ou da janela de estimao ?

Quais so os erros (incertezas) associados aos valores estimados ?

Na realidade, as propriedades naturais da superfcie terrestre so espacialmente

O termo krigeagem derivado do nome de Daniel G. Krige, que foi o pioneiro

Geoprocessamento em Projetos Ambientais 5-1

Portanto, a incorporao de procedimentos geoestatsticos em SIGs, baseados

Neste contexto, este captulo discute o uso de procedimentos geoestatsticos

Os resultados aqui discutidos serviram de base para o desenvolvimento de um

5.2 FUNDAMENTAO TERICA

A variabilidade espacial de algumas caractersticas do solo vem sendo uma das

Os procedimentos usados na poca baseavam-se na estatstica clssica e

Krige (1951), trabalhando com dados de concentrao de ouro, concluiu que

Geoprocessamento em Projetos Ambientais 5-2

observaes. A partir da surge o conceito da geoestatstica, que leva em considerao a

Matheron (1963, 1971), baseado nas observaes de Krige, desenvolveu a teoria

A teoria das variveis regionalizadas pressupe que a variao de uma varivel

Se x representa uma posio em uma, duas ou trs dimenses, ento o valor da

Z(x) = m(x) + (x) + (5.1)

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

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

um rudo aleatrio no correlacionado, com distribuio normal com

As Figuras 5.1(a) e 5.1(b) ilustram as trs componentes principais da variao

Geoprocessamento em Projetos Ambientais 5-3

Figs. 5.1(a) e 5.1(b) - Principais componentes da variao espacial.

5.2.1 HIPTESES CONSIDERADAS

Diferente dos mtodos convencionais de estimao, a krigeagem est

A componente determinstica, m(x), constante (no h tendncias na regio).

A varincia das diferenas entre duas amostras depende somente da distncia

Var[Z(x)-Z(x+h)] = E{[Z(x)-Z(x+h)]2} = 2(h) , (5.2)

onde (h) chamado de semi-varincia.

Para mostrar a contribuio da semivarincia, podemos reescrever a equao 5.1 como

Z(x) = m(x) + (h) + (5.3)

Geoprocessamento em Projetos Ambientais 5-4

O variograma uma ferramenta bsica de suporte s tcnicas de krigeagem, que permite

Fig. 5.2 - Amostragem em duas dimenses.

O nvel de dependncia entre essas duas variveis regionalizadas, X e Y,

2(h) = E{[Z(x)-Z(x+h)]2} = Var[Z(x)-Z(x+h)] . (5.4)

Geoprocessamento em Projetos Ambientais 5-5

N(h) - o nmero de pares de valores medidos, z(xi) e z(xi+h), separados por

z(xi) e z(xi+h), - so valores da i-sima observao da varivel

5.3.1 PARMETROS DO SEMIVARIOGRAMA

A Figura 5.3 ilustra um semivariograma experimental com caractersticas muito

Fig. 5.3 - Exemplo de semivariograma.

Geoprocessamento em Projetos Ambientais 5-6

Os parmetros do semivariograma podem ser observados diretamente da Figura

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

Patamar (C): o valor do semivariograma correspondente a seu alcance (a).

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

Contribuio (C1): a diferena entre o patamar (C) e o Efeito Pepita (Co).

5.3.2 CLCULO DO SEMIVARIOGRAMA A PARTIR DE AMOSTRAS REGULARMENTE

Considere o conjunto de amostras regularmente espaadas, em duas dimenses,

Fig. 5.4 - Amostras regularmente espaadas em duas dimenses.

Geoprocessamento em Projetos Ambientais 5-7

Para determinar o semivariograma experimental, por exemplo, na direo de 900

Fig.5.5 - Ilustrao para o clculo do semivariograma a partir de amostras regularmente

Geoprocessamento em Projetos Ambientais 5-8

5.3.3 CLCULO DO SEMIVARIOGRAMA A PARTIR DE AMOSTRAS

Considere o conjunto de amostras irregularmente espaadas, em duas

Fig. 5.6 - Parmetros para o clculo do semivariograma a partir de amostras

FONTE: Modificada de Deutsch e Journel (1992)

Tome como referncia o Lag2 (Lag refere-se a uma distncia pr-definida, a