Você está na página 1de 18

ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS

DO ESTADO DO PARAN UTILIZANDO


UM SOFTWARE LIVRE

CLUDIO MARCHAND KRGER


Professor e Coordenador - Engenharia Civil - UnicenP/Centro Universitrio Positivo
kruger@unicenp.edu.br

dadaVinci
Vinci, Curitiba,
, Curitiba,v. v.2 2, n., n.1,1,p.p.79-86,
1-208,2005
2005 87
ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

RESUMO
No presente trabalho so realizadas anlises geoestatsticas de dados obtidos de esta-
es meteorolgicas distribudas no territrio do Estado do Paran. O software livre R foi
utilizado em todas as etapas do trabalho. Para as anlises geoestatsticas, foi utilizada a exten-
so geoR. A estatstica espacial o conjunto de mtodos estatsticos nos quais a localizao
espacial desempenha um papel importante na anlise de dados. O principal objetivo da
geoestatstica modelar variaes espaciais contnuas assumindo uma estrutura de correlao
espacial da varivel aleatria analisada. O software R e a extenso geoR demonstraram grande
eficincia para este tipo de estudo, sendo uma alternativa vivel em comparao com softwares
comerciais especializados nesta rea de conhecimento.
Palavras-chave: Geoestatstica, software livre, interpolao espacial.

ABSTRACT
In this paper geostatistical analysis of meteorological data collected from stations
distributed along the Paran State are presented. The free software R was used in all phases of
the work. For the geostatistical analysis, the geoR software extension was employed. Spatial
Statistics is the set of statistical methods in which spatial locations play an important role in
the analysis of data. The main aim of geostatistics is to model continuous spatial variation
assuming a spatial correlation structure for the random variable under analysis. The free
softwares R and geoR showed to be very efficient for this kind of study, and they are a viable
alternative in comparison to commercial software dedicated to this area of knowledge.
Key-words: Geostatistics, free software, spatial interpolation.

88 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS


DO ESTADO DO PARAN UTILIZANDO
UM SOFTWARE LIVRE
CLUDIO MARCHAND KRGER

1 INTRODUO

No presente trabalho so realizadas anlises geoestatsticas dos dados meteorolgicos


obtidos de estaes meteorolgicas distribudas no territrio do Estado do Paran. O software
livre R foi utilizado em todas as etapas do trabalho.
R uma linguagem e ambiente computacional para clculos estatsticos e elaborao
de grficos (www.r-project.org). Faz parte do projeto de softwares livres conhecido como
GNU (www.gnu.org) e similar ao software comercial S desenvolvido pelos Laboratrios
Bell. O programa proporciona uma grande variedade de recursos de estatstica e grficos e
facilmente extensvel atravs de mdulos desenvolvidos por grupos de pesquisas em diferen-
tes reas da matemtica e da computao distribudos ao redor do mundo.
No presente estudo, foi utilizada uma extenso do software R desenvolvida especial-
mente para anlises geoestatsticas e previses espaciais, chamada geoR (RIBEIRO e
DIGGLE, 2001). Esta extenso foi desenvolvida no Departamento de Matemtica e Estats-
tica da Universidade de Lancaster, Reino Unido (www.est.ufpr.br/~paulojus/geoR) e tem
recebido contribuies do Prof. Paulo Justiniano Ribeiro Jr., do Departamento de Estatstica
da UFPR.

2 O QUE GEOESTATSTICA?

A geoestatstica tem suas origens em problemas ligados estimativa de reservas mine-


rais (CRESSIE, 1993). Seu desenvolvimento posterior acabou ocorrendo em grande parte de
forma independente das correntes principais da estatstica espacial.
A estatstica espacial o conjunto de mtodos estatsticos nos quais a localizao
espacial desempenha um papel importante na anlise de dados. O principal objetivo da
geoestatstica modelar variaes espaciais contnuas assumindo uma estrutura de correlao
espacial da varivel analisada (DIGGLE e RIBEIRO, 2000).
A geoestatstica assume que a distribuio das diferenas de variveis entre dois pon-
tos amostrados a mesma para toda a regio em estudo, e que isto depende somente da
distncia entre eles e da orientao dos pontos. Ou seja, as diferenas existentes entre as
diversas variveis devem ser consistentes, porm no constantes.

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 89


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

De maneira resumida, os passos de um estudo de geoestatstica consistem em:


- anlise exploratria dos dados: coleta das amostras a serem analisadas, clculo de
estatsticas bsicas e anlises de tendncias;
- anlise estrutural dos dados: anlise e inferncia de valores correlacionados de uma
varivel no espao ou no tempo, chamada de modelagem do variograma;
- realizao de inferncias: aplicao das tcnicas de Krigagem (nome genrico dado ao
processo de estimativa baseado na teoria das variveis regionalizadas) simples e ordi-
nria. Essa etapa comumente chamada de Krigagem ou simulao.

2.1 Modelagem do Variograma

A natureza estrutural de um conjunto de dados definida a partir da comparao de


valores tomados simultaneamente em dois pontos, segundo uma determinada direo. A fun-
o variograma uma medida da varincia das diferenas nos valores da varivel regionalizada
entre pontos separados por uma certa distncia. Pontos mais prximos, por estarem
correlacionados, tero essa varincia pequena, aumentando medida que os pontos se distan-
ciam.
Pode-se dizer que as tcnicas geoestatsticas de estimativa so superiores por permiti-
rem o clculo do erro associado, chamado varincia de krigagem.

3 DADOS UTILIZADOS

3.1 Dados meteorolgicos

Foram utilizados os dados de temperatu-


ra mdia (graus Celsius), umidade relativa do ar
mdia (%) e total de horas de insolao mdia
mensal de 55 estaes meteorolgicas do Esta-
do do Paran e prximas em So Paulo e Santa
Catarina. Os dados meteorolgicos foram for-
necidos pela COPEL (Sistema MET) e tambm
obtidos de publicaes oficiais (Boletim
Meteorolgico, 1988; Brasil, 1969 e 1992; San-
ta Catarina, 1986). A figura 1 mostra o mapa do
Estado do Paran e a localizao das estaes
meteorolgicas utilizadas.
Figura 1 Localizao das estaes meteorolgicas

90 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

4 ANLISE GEOESTATSTICA

4.1 Anlise de variogramas

Uma funo de fundamental importncia em geoestatstica a funo denomi-


nada de variograma. O variograma de um processo estocstico Y(x) a funo

(1)

onde x e x representam as coordenadas genricas de duas observaes quaisquer Y(x)


e Y(x) em um espao n-dimensional. Para um certo conjunto de dados observados
(Y i , Xi ): i=1, ... n, os valores esperados tericos na equao acima so substitudos pelas
mdias das diferenas ao quadrado entre pares de observaes Yi e Yj cujas localiza-
es so dadas pelas coordenadas genricas xi e xj . Na anlise, supe-se inicialmente
que Y (x), estacionrio.
O variograma emprico de um conjunto de dados (Y i , xi ): i=1, ... n o conjunto de
pontos (uij , vij ): j > i onde u ij =|| xi - xj|| a distncia euclidiana entre xi e x j e

(2)

A aplicao da equao acima ao conjunto de todos os dados (Y i , Xi ): i=1, ... n


d origem a uma nuvem de pontos com variabilidade muito grande para a modelagem
terica do processo. Por esta razo, mais til suavizar a nuvem de pontos do variograma
emprico atravs do clculo das mdias de v ij para grupos de pontos que estejam a
uma certa distncia de separao uij .

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 91


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

Figura 2 Variogramas empricos e suavizados

92 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

Nas trs figuras anteriores, as linhas tracejadas so envelopes dos variogramas, ob-
tidos atravs da simulao por troca de posies dos pontos na amostra. Desta forma, a faixa
mostrada no envelope mostra uma larga variao possvel do variograma amostral. Esta gran-
de variabilidade pode ser parcialmente explicada pelo nmero relativamente pequeno de pon-
tos amostrais (55). Ainda assim, evidencia-se a existncia de uma estrutura de correlao
espacial nas trs variveis analisadas.
Uma forma alternativa de anlise de variogramas a considerao de uma direo
preferencial de variao da varivel analisada. Por exemplo, ao se estudar a disperso espacial
da poluio produzida por uma indstria, vale a pena concentrar a anlise na direo do vento
dominante no local e dar menos importncia s variaes em outras direes. Pela anlise dos
variogramas direcionais, pode-se notar uma anisotropia razoavelmente bem definida haven-
do maior variao na variabilidade espacial quando se consideram ngulos de orientao de
45o e 135o. Estas orientaes devem-se s caractersticas do relevo do Estado (mais marcante
na direo Leste-Oeste) e da variao climtica (com grande variabilidade no sentido Norte-
Sul). Devido ao nmero reduzido de pontos amostrais, tornando difcil a avaliao do ngulo
de anisotropia mais adequado baseando-se nos variogramas direcionais, as anlises seguintes
no consideraram o aspecto de anisotropia.
semivariance

semivariance
semivariance

Figura 3 Variogramas direcionais

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 93


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

4.2 Ajuste de parmetros do modelo geoestatstico

O modelo geoestatstico adotado assume que as observaes representam uma verso


com rudo de um sinal que descreve a verdadeira variabilidade da varivel aleatria na rea
de estudo. Um dos objetivos da anlise geoestatstica prever o sinal na rea ou alguma
quantidade que possa ser descrita como uma funo do sinal.
Um procedimento bastante comum (mas no o mais preciso) para estimativa de
parmetros do modelo geoestatstico ajustar uma curva ao variograma emprico (figura 4).
Desta forma, os parmetros do modelo podem ser lidos diretamente do modelo terico ajus-
tado. O jargo normalmente utilizado neste caso chamar o intercepto da curva de nugget ou
pepita, fazendo referncia s origens da geoestatstica na rea de minerao. A diferena
entre a assntota horizontal do variograma e o nugget chamado de sill (ou patamar) e a
distncia na qual o variograma terico atinge seu mximo conhecido como range (ou alcan-
ce). Estes nomes correspondem aos parmetros (nugget), (sill) e (range), respecti-
vamente. O parmetro normalmente expresso multiplicado por uma constante, depen-
dendo do modelo utilizado. Para modelos onde o alcance infinito, utiliza-se um alcance
prtico, que seria o ponto onde o variograma atinge 95% da assntota. interessante notar
que, mesmo para uma distncia igual a zero, normalmente os dados amostrais apresentam um
resduo de variabilidade, chamado pepita. Este resduo pode ser atribudo a erros de observa-
o ou a descontinuidades locais da varivel analisada, por exemplo, a ocorrncia de uma
pepita de ouro em um campo de minerao.

semivarincia

Figura 4 Componentes do variograma

No presente estudo, inicialmente, foram tentados ajustes a sentimento, para tentar


encontrar valores iniciais coerentes dos parmetros , e . Esta anlise inicial revela-se
importante, pois as anlises subseqentes, como ajuste por mnimos quadrados e mxima
verossimilhana, usam os parmetros iniciais nos procedimentos de otimizao.

94 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

4.2.1 Famlias de modelos de funes de correlao

Os variogramas tericos usados no presente estudo incluem o efeito pepita. No


caso estacionrio, o variograma com este efeito pode ser representado por (DIGGLE e RI-
BEIRO, 2000):
(3)

Na expresso acima uma funo de correlao espacial. Nem toda funo


terica pode ser candidata a representar . Alm de alguns requisitos no-triviais do
ponto de vista matemtico no citados aqui, usualmente exige-se que o modelo usado para a
funo de correlao incorpore os seguintes atributos (DIGGLE e RIBEIRO, 2000):

1. seja monotonamente no-crescente com u (a correlao entre duas observaes


decresce com o aumento da distncia entre dois pontos amostrais);
2. quando (a correlao tende para zero para grandes distncias entre
pontos);
3. pelo menos um parmetro no modelo deve controlar a taxa na qual tende para zero
(visto que a distncia de separao na qual a correlao torna-se desprezvel no conhecida
de antemo).

Adicionalmente, til incluir no modelo alguma flexibilidade na forma geral da fun-


o de correlao. Desta forma, um modelo paramtrico para a funo de correlao deve ter
um ou dois parmetros, e um modelo para o variograma trs ou quatro (dois parmetros de
correlao mais os dois componentes da varincia ( e ) (DIGGLE e RIBEIRO, 2000).
A seguir, algumas famlias de funes que atendem a estes requisitos e que foram
utilizadas na presente anlise:

Famlia Esfrica

(4)

Como esta famlia depende apenas do parmetro , no h flexibilidade para a for-


ma. Adicionalmente, segundo DIGGLE e RIBEIRO (2000), a lgica de sua aplicao fsica
questionvel em problemas no espao bidimensional.

Famlia Exponencial
(5)

onde > 0 e . A funo de correlao exponencial corresponde ao caso em que


k=1. Para k=2 , esta funo chama-se funo de correlao gaussiana. Esta famlia
freqentemente produz um ajuste qualitativamente razovel estrutura de correlao dos

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 95


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

dados espaciais, mas as previses baseadas neste modelo tendem a ser pouco robustas a
pequenas variaes sobre o modelo escolhido (DIGGLE e RIBEIRO, 2000).

Famlia de Matrn
(6)

onde ( , k ) so parmetros, G representa a funo gama e Kk representa uma funo de bessel


modificada de ordem k. A famlia vlida para > 0 e k > 0. O caso k=0,5 corresponde exatamente
funo de correlao exponencial, . A funo gaussiana corresponde ao
caso limite no qual . Segundo RIBEIRO et al. (2003), A famlia de Matrn particularmen-
te atrativa, pois o valor do parmetro k controla a suavidade do processo do sinal subjacente. Desta
forma, conclui-se que a famlia de Matrn provavelmente a melhor escolha para funo de correla-
o para uso geral, por sua flexibilidade e simplicidade (apenas dois parmetros).
As figuras a seguir mostram os variogramas empricos de temperatura, umidade e insolao,
juntamente com os ajustes (a sentimento) de funes de correlao exponencial e esfrica e tambm
os ajustes por mnimos quadrados ponderado (WLS) e ordinrio (OLS). So mostrados tambm os
ajustes da funo de Matrn e a estimativa de parmetros diretamente (sem auxlio do variograma)
por mxima verossimilhana.

96 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

Figura 5 Semivariogramas tericos

4.3 Uso do modelo para previso e interpolao espacial (Kriging)

Na maioria das aplicaes de geoestatstica, o maior interesse est na realizao de


inferncias sobre o sinal S(x) , tais como prever o valor de S(x) sobre a rea de estudo, ou
estimar a probabilidade de que S(x) esteja acima de um certo valor limite.
O problema da previso ento reduz-se ao estudo da distribuio condicionada de
S(x) dados os valores observados y, e para tal considera-se uma malha de previso sobre a
regio. Considerando um valor isolado S0 em um local genrico x0 , (S0 , Y ) possui, sob a
hiptese de um modelo gaussiano, uma distribuio condicionada de previso [ S0 | Y ] com
mdia e varincia dadas por:
(7)

(8)
onde:

r um vetor (n x 1) com os elementos onde || xi - xj || a distncia euclidiana


entre x e xj ;
R uma matriz (n x n) com os (i,j)-simos elementos ;
I uma matriz identidade (n x n).

Com todos os parmetros do modelo considerados conhecidos, as equaes acima


so chamadas de equaes de kriging simples. As frmulas acima esto implementadas na
funo do R chamada krige.conv, cujo nome significa kriging convencional. As entradas
para a funo so o objeto geodata e coordenadas dos pontos amostrais e informaes do
modelo, incluindo valores dos parmetros. A funo calcula estimativas das mdias e varincias
na malha de previso.

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 97


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

As figuras a seguir mostram os mapas com as previses de temperatura, umidade e


insolao, usando o modelo de Matrn. Por motivo de falta de espao, sero omitidos os
resultados do modelo de mxima verossimilhana. Em seguida, so mostrados os mapas com
os erros de previso e a seqncia de comandos do R. As coordenadas esto representadas
em graus e as variveis em graus Celsius (temperatura), porcentagem (umidade relativa) e
horas (insolao).

Figura 6 Mapas de previso e erros de previso

98 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

5 CONCLUSES

No presente trabalho foram analisados os dados meteorolgicos de 55 estaes distri-


budas pelo Estado do Paran e perto das fronteiras nos estados vizinhos de So Paulo e
Santa Catarina. As seguintes concluses foram obtidas da anlise geoestatstica dos dados de
temperatura mdia, umidade relativa do ar mdia e insolao mdia mensal:
- Os envelopes dos variogramas empricos demonstraram a existncia de estrutura de
correlao espacial para as trs variveis meteorolgicas analisadas.
- A anlise da anisotropia foi dificultada pela grande variabilidade dos variogramas
direcionais causada pelo pequeno nmero de pontos amostrais, sendo desconsiderada
nas anlises subseqentes. Ainda assim, evidenciou-se a existncia de anisotropia nos
dados das trs variveis analisadas.
- Os parmetros do modelo geoestatstico foram obtidos atravs do ajuste das fun-
es de correlao esfrica, exponencial e Matrn e tambm pela inferncia direta aos
dados atravs de estimativas por mxima verossimilhana.
- As estimativas por mxima verossimilhana nem sempre se mostram visualmente as
melhores, comparando-se os pontos do variograma emprico com a funo terica
ajustada, mas os erros de previso mostraram-se menores que os outros mtodos, em
alguns casos.
- O modelo de Matrn foi o que apresentou os menores erros de previso, entre as
funes de correlao testadas. Pela literatura pesquisada, o modelo mais vantajoso
para uso geral entre as funes candidatas, por ser simples (apenas dois parmetros) e
flexvel, adaptando-se melhor aos dados atravs da escolha do parmetro k.
- Os mapas com os erros de previso demonstraram um resultado melhor para as
variveis temperatura e insolao mdia. A varivel umidade relativa apresentou mai-
ores desvios na previso.
- O software R e a extenso geoR demonstraram grande eficincia para este tipo de
estudo, sendo uma alternativa vivel em comparao com softwares comerciais
especializados nesta rea de conhecimento.

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 99


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

REFERNCIAS BIBLIOGRFICAS
BOLETIM METEOROLGICO. Dados meteorolgicos do Estado de So Paulo. DAEE,
1988.

BRASIL. Ministrio da Agricultura. Escritrio de Meteorologia. Normas Climatolgicas.


Rio de Janeiro, 1969. v.4

BRASIL. Ministrio da Agricultura e Reforma Agrria. Normas Climatolgicas: 1961-


1990. Braslia, 1992.

CRESSIE, N. Statistics for spatial data. New York: Wiley, 1993.

DIGGLE, P. J.; RIBEIRO JNIOR, P. J. Model Based Geostatistics. In: SINAPE, 14., 2000,
Caxambu. Anais... So Paulo: Associao Brasileira de Estatstica, 2000.

RIBEIRO JNIOR, P. J.; CHRISTENSEN, O. F.; DIGGLE, P. J. Geostatistical software :


geoR and geoRglm. In:INTERNATIONAL WORKSHOP ON DISTRIBUTED
STATISTICAL COMPUTING, 3. Anais... Viena: ustria, 2003.

RIBEIRO JNIOR, P. J.; DIGGLE, P. J. GeoR: a package for geostatistical analysis. R.


News, v.1-2, June 2001.

SANTA CATARINA. Gabinete de Planejamento e Coordenao Geral. Subchefia de Esta-


tstica, Geografia e Informtica. Atlas do Estado de Santa Catarina. Rio de Janeiro: Aerofoto
Cruzeiro, 1986.

100 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

ANEXOS

COMANDOS DA LINGUAGEM R

##
## Variogramas
##

## Temperatura

temp.vario <- variog(temp,option=cloud)


plot(temp.vario,main=Variograma da Temperatura (nuvem))
temp.vario <- variog(temp)
plot(temp.vario,main=Variograma Emprico da Temperatura)
temp.vario.env <- variog.mc.env(temp, obj.v=temp.vario)
plot(temp.vario, env=temp.vario.env,main=Variograma de
Temperatura)

## dados transformados (lambda = 3)

temp.vario <-
variog(temp,lambda=3,trend=~temp$covar[,1]+temp$covar[,2]+temp$coords[,1]
+temp$coords[,2],max.dist=5.5)
plot(temp.vario,main=)
temp.vario.env <- variog.mc.env(temp, obj.v=temp.vario)
plot(temp.vario, env=temp.vario.env,main=Temperatura (rem. de
tendncias))

## Umidade Relativa

umid.vario <- variog(umid,option=cloud)


plot(umid.vario,main=Variograma da Umidade (nuvem))
umid.vario <- variog(umid)
plot(umid.vario,main=Variograma Emprico da Umidade)
umid.vario.env <- variog.mc.env(umid, obj.v=umid.vario)
plot(umid.vario, env=umid.vario.env,main=Variograma de Umidade)

## dados transformados (lambda = 2)

umid.vario <-
variog(umid,trend=~umid$covar[,1]+umid$covar[,2]+umid$coords[,1]+umid$coords[,2],
lambda=2,max.dist=3.5)
plot(umid.vario,main=Variograma de Umidade - Remoo de
tendncia)
umid.vario.env <- variog.mc.env(umid, obj.v=umid.vario)
plot(umid.vario, env=umid.vario.env,main=Variograma de Umidade
(rem. tendncia))

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 101


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

## Insolao

inso.vario <- variog(inso,option=cloud)


plot(inso.vario,main=Variograma da Insolao (nuvem))
inso.vario <- variog(inso)
plot(inso.vario,main=Variograma Emprico da Insolao)
inso.vario.env <- variog.mc.env(inso, obj.v=inso.vario)
plot(inso.vario, env=inso.vario.env,main=Envelope com Variograma
de Insolao)

## dados transformados

inso.vario <-
variog(inso,trend=~inso$covar[,1]+inso$covar[,2]+inso$coords[,1]+inso$coords
[,2],max.dist=3.5)
plot(inso.vario,main=Insolao - Sem tendncias)
inso.vario.env <- variog.mc.env(inso, obj.v=inso.vario)
plot(inso.vario, env=inso.vario.env,main=Variograma de Insolao
(rem. tendncia))

# Anlise de anisotropia (variogramas direcionais)

plot(variog4(temp),main=Temperatura)
plot(variog4(umid),main=Umidade)
plot(variog4(inso),main=Insolao)

## INTERPOLAO ESPACIAL (KRIGING)


## Criao de grid regular na extenso total dos dados e um grid
## dentro do polgono do Estado
##install.packages(splancs)
##library(splancs,lib=c:\\temp)

require (splancs)
points(temp, pt.div=equal, bor=borderPR,xlab= Longitude,ylab=
Latitude,main= Grid de previso)
gridarea <- expand.grid(seq(-55,-47,0.1), seq(-28,-20,0.1))
points(gridarea, pch=+)
gridPR <- polygrid(seq(-55,-47,0.1), seq(-28,-20,0.1), borderPR)
points(gridPR, col=blue, pch=+)

##
## MAPAS DE PREVISES
## Mapa com os valores previstos de TEMPERATURA

temp.grid <- krige.conv(temp, loc=gridPR,


krige=krige.control(obj=temp.ml))
image(temp.grid,border=borderPR,loc=gridarea,col=topo.colors(200),main=
Temperatura, xlab= Longitude,ylab= Latitude,x.leg=c(-54,-

102 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005


CLUDIO MARCHAND KRGER

48), y.leg=c(-21.5,-21))

## Mapa com os valores previstos de UMIDADE

umid.grid <- krige.conv(umid, loc=gridPR,


krige=krige.control(obj=umid.ml))
image(umid.grid,border=borderPR,loc=gridarea,col=topo.colors(200),main=
Umidade Relativa do Ar, xlab= Longitude,ylab=
Latitude,x.leg=c(-54,-48), y.leg=c(-21.5,-21))

## Mapa com os valores previstos de INSOLAO

inso.grid <- krige.conv(inso, loc=gridPR,


krige=krige.control(obj=inso.ml))
image(inso.grid,border=borderPR,loc=gridarea,col=topo.colors(200),main=
Insolao mensal mdia, xlab= Longitude,ylab=
Latitude,x.leg=c(-54,-48), y.leg=c(-21.5,-21))

da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005 103


ANLISE GEOESTATSTICA DE DADOS METEOROLGICOS ...

104 da Vinci , Curitiba, v. 2 , n. 1, p. 87-104, 2005