GRUPO DE ESTUDOS E PESQUISAS AGRÁRIAS

GEORREFERENCIADAS
UNIVERSIDADE ESTATUAL PAULISTA
FACULDADE DE CIÊNCIAS AGRONÔMICAS

GEOESTATISTICA

Profa. Célia Regina Lopes Zimback

Botucatu
Junho - 2003
 Apostila de Geoestatística

ELEMENTOS DE GEOESTATÍSTICA

1. INTRODUÇÃO

Nos últimos anos, esforços tem sido despendidos para a elaboração de classificações
taxonômicas de solos com o intuito de facilitar o seu agrupamento deles em classes com
características e propriedades semelhantes ou as mais aproximadas possíveis.
Nas classificações mais utilizadas (a Soil Taxonomy, da FAO e a Classificação
Brasileira de Solos), as classes apresentam intervalos que enquadram ou não determinado solo
em uma classe específica. Quando os mapas interpretativos eram confeccionados à mão e
através de ábacos, esse procedimento era de vital importância para a interseção e construção
de mapas com classes utilizadas para uso e/ou manejos específicos.
Com o advento de técnicas automatizadas de confecção de mapas e conjuntos de
mapas, fica a dúvida da validade dos procedimentos anteriores expostos, visto que, através de
programas específicos, consegue-se dividir e subdividir as áreas em classes, de maneira mais
rápida e eficiente, eliminando-se a subjetividade decorrente durante a confecção manual
(Campos et al., 1998 e Zimback & Cataneo, 1998).
Recentemente, ferramentas computacionais e sistemas de informação geográfica
efetivaram-se no auxílio do melhor entendimento e representação dos modelos complexos de
distribuição espacial dos atributos e propriedades dos solos.
O método convencional da representação cartográfica dos solos, caracteriza-se pela
delimitação dos grupos de solos em polígonos, mostrando a extensão e distribuição superficial
do atributo estudado (Vink, 1963 e Webster, 1973). À primeira vista, este método é prático
porque simplifica a localização e determinação de uso e manejo do conjuntos dos grupos de
solos. Entretanto, essa representação não atende a verdadeira ocorrência das variáveis
analisadas, visto serem estas de variação contínua, não existindo um ponto onde elas mudam
abruptamente de um valor para outro, além de Ter sido verificado que podem existir outras
maneiras de representação das classes de solos (Cataneo & Zimback, 1998 a,b).
Por outro lado, se atributos e propriedades dos solos variam grandemente dentro de
cada polígono delimitador, este não pode ser usado e manejado de maneira única, devido a
ocorrência desta variação. A título de exemplificação, na Classificação Brasileira de Solos
(Embrapa, 1999), solos com textura acima de 15% e abaixo de 35% de argila, são
2
 Apostila de Geoestatística

considerados de textura média e devem pertencer à mesma classe de textura do solo.

Entretanto, sabe-se que um solo com 16% de argila, na maior parte dos casos, tem
comportamento físico, químico, morfológico e mineralógico distinto daquele com 34% de
argila. Os polígonos representantes dos diferentes grupos do mapeamento podem conter, na
verdade, uma larga escala de associação de atributos, embora sejam apresentados como
relativamente homogêneos.
Com a Teoria das Variáveis Regionalizadas proposto por Matheron, em 1971 e o
conseqüente emprego da interpolação em geoestatística (Krigagem) além da evolução da
ciência da computação e dos sistemas de informação geográfica, não há mais necessidade de
agrupamento dos dados primários em classes, sendo os mapas-base elaborados
automaticamente como mapas de isolinhas (McBratney & De Gruijter, 1992, Burrough et al.,
1997 e McBratney & Odeh, 1997 e Zimback, 2001).
Openshaw (1988) ressalta a importância de análises mais acuradas na confecção de
mapas, assegurando maior confiabilidade nas informações-base usadas em Sistemas de
Informação Geográfica, bem como da avaliação da margem de erro contida em cada entrada
de dados no sistema.
A agricultura de precisão requer princípios de manejo de acordo com a variabilidade
no campo, o que requer novas técnicas para estimar e mapear a variabilidade espacial dos
atributos e propriedades dos solos. O aumento da qualidade da estimação depende, da escolha
dos métodos de interpolação que obtenham dados dos solos em locais não amostrados; e da
aplicação apropriada de métodos indicados para as características dos dados (Kravchenko &
Bullock, 1999).
Este texto tem por objetivo sumarizar os principais conceitos de geoestatística para
que o aluno tenha possibilidade de elaborar uma análise espacial de dados ambientais,
podendo também avaliar o uso do método geoestatístico da Krigagem como interpolador na
elaboração de mapas de isolinhas, como base de dados para a utilização direta nos sistemas de
informação geográfica e/ou agricultura de precisão.

2. GEOESTATÍSTICA E VARIABILIDADE ESPACIAL

A geoestatística é um tópico especial da estatística aplicada que trata de problemas

referentes às variáveis regionalizadas, aquelas que tem comportamento espacial mostrando
características intermediárias entre as variáveis verdadeiramente aleatórias e as totalmente

3
 Apostila de Geoestatística

determinísticas (Landim, 1998).

Estas variáveis tem em comum uma dupla característica: são aleatórias já que os
valores numéricos observados podem variar consideravelmente de um ponto a outro no
espaço; são espaciais e porque apesar de muito variáveis dentro do espaço, os valores
numéricos observados não são inteiramente independentes (Guerra, 1988).
A teoria fundamental da geoestatística é a esperança de que, na média, as amostras
próximas no tempo e espaço sejam mais similares entre si do que as que estiverem distantes
(Isaaks & Srivastava, 1989).
Alguns métodos estimadores geoestatísticos da autocorrelação espacial são usados
como ferramentas de continuidade espacial, como: o variograma ou semivariograma, o
covariograma e o correlograma. Essas ferramentas são usadas para investigar a magnitude da
correlação entre as amostras e sua similaridade ou não, com a distância.
A função semivariograma deve o seu nome a Matheron (entre 1957 e 1962), bem
como o seu tratamento e interpretação teórica e prática, embora seja uma função conhecida
anteriormente, já tendo sido citada por Langsaetter em 1926 (Valente, 1989).
Segundo Guerra (1988), ocorrem três tipos de semivariogramas: observado ou
experimental (obtido a partir das amostras colhidas no campo), verdadeiro (real, mas
desconhecido) e teórico (de referência, utilizado para o ajuste do modelo).
A definição teórica dessas ferramentas são baseadas na Teoria da funções aleatórias
(Journel & Huijbregts, 1978; Isaaks & Srivastava, 1989 e Braga, 1990), que apresenta a
estimativa experimental dessas estatísticas. Supondo que Z(x) represente o valor da variável
para o local x, onde x é o vetor (x,y) e Z (x+h) representa o valor da mesma variável para
alguma distância h (ou “lag”), em qualquer direção. O variograma resume a continuidade
espacial para todos os pareamentos (comparação de dois valores) e para todos os h
significativos.
A dependência espacial é analisada, segundo Isaaks & Srivastava (1989), pela
expressão:

∑ [Z ( ]
1 2
γ (h ) = xi ) − Z (xi + h )
2N

onde: γ (h) - é o valor do semivariograma estimado para a distância h;

x- é a medida de posição;
h- é a distância entre medições.
4
 Apostila de Geoestatística

Dentre os modelos teóricos dos semivariogramas sobressaem o esférico, o

exponencial, o gaussiano e os lineares com e sem patamar (Guerra, 1988).
A análise e o ajuste do semivariograma experimental a um teórico denomina-se
Análise Estrutural, que pode ser representado pela figura abaixo.

γ(h)

C
C0

A Distância

onde:
γ(h) - Semivariância;
Co - Efeito Pepita;
C - Semivariância Estrutural ou Espacial;
C+Co - Patamar ou Soleira;
A - Alcance.

O Efeito Pepita (Co) corresponde a cota do ponto onde o semivariograma corta o eixo
das ordenadas. Segundo Valente (1989), este ponto reflete as microestruturas não captadas
pela menor escala da amostragem, erros de amostragem, de análises laboratoriais, etc.
O Alcance (A) corresponde ao conceito da Zona de Influência ou de Dependência
Espacial de uma amostra, marcando a distância a partir da qual as amostras tornam-se
independentes (Guerra, 1988).
O Patamar (C+Co) corresponde ao ponto onde toda semivariância da amostra é de
influência aleatória, correspondendo a variância total (s2) obtida pela estatística clássica
(Trangmar et al., 1985).
Quando o Efeito Pepita (Co) for aproximadamente igual ao Patamar (C+Co),
denomina-se Efeito Pepita Puro demonstrando que a amostra não recebe influência espacial
(Trangmar et al., 1985).
Ainda, Trangmar et al. (1985) sugeriram o uso da % da semivariância do Efeito Pepita
5
 Apostila de Geoestatística

para mensurar a dependência espacial, sendo que Cambardella et al. (1994) propuseram os
seguintes intervalos para avaliar a % da semivariância do Efeito Pepita: ≤ 25% - forte
dependência espacial; entre 25% e 75% - moderada dependência espacial e ≥ 75% - fraca
dependência espacial, denominado de IDE (Índice de Dependência Espacial):

C0
IDE = .100
C + C0

Zimback (2001) propôs a inversão dos fatores, como:

C
IDE = .100
C + C0
sendo a dependência espacial fraca para valores ≤ 25%; entre 25% e 75%,
moderada e ≥ 75% dependência forte.
Os semivariogramas expressam o comportamento espacial da variável regionalizada
ou de seus resíduos e mostram o tamanho da zona de influência em torno de uma amostra, a
variação nas diferentes direções do terreno e mostrando também continuidade da
característica estudada no terreno (Landim, 1998).
Segundo Rossi et al. (1994), o variograma e outros parâmetros geoestatísticos de um
modelo de função aleatória estacionária são constantes em um determinado espaço amostral e
estimados das medidas verdadeiras. Sabendo-se que, o padrão espacial ocorre em uma
pequena ou grande escala e tendo alguma idéia do tamanho desses padrões, garantir-se-á o
sucesso dos instrumentos geoestatísticos que serão utilizados para fornecerem estimativas de
locais não amostrados (interpolação).
Como auxiliar na descrição e representação de variáveis contínuas de atributos dos
solos e paisagens, primeiramente a geoestatística foi utilizada para estudar uma única
variável, posteriormente métodos geoestatísticos foram desenvolvidos para múltiplas
variáveis e para quantificar variáveis correlacionadas, não conhecidas ou de difícil
determinação (Stein et al., 1988 e McBratney et al., 1991). No Brasil, o emprego de
amostragem regionalizada e de métodos geoestatísticos para solos ainda é incipiente e muito
pouco disseminado em comparação aos métodos convencionais de análises estatísticas.
Segundo Carter (1995), a habilidade dos variogramas em separar a variância de
amostras entre componentes espaciais e casuais permite avaliações aperfeiçoadas de

6
 Apostila de Geoestatística

espaçamento e quantidade de amostragem de solo, além do melhor visão da continuidade

destas características.
A sensibilidade dos semivariogramas, para detectar a variabilidade espacial das
amostras, está diretamente ligada ao melhor ajuste dos dados experimentais ao modelo teórico
do variograma. Cressie & Hawkins (1980), Armstrong & Jabin (1981), Armstrong (1982),
Dunn (1983), Horowitz & Hillel (1983), Mc Bratney & Webster (1983 e 1986), Baker (1984),
Cressie (1985), Issaks & Srivastava (1988), Barnes (1991), Shapiro & Botha (1991), Goyway
& Hartford (1996), Tsegaye & Hill (1998) e Ahn et al. (1999) descrevem as inferências sobre
a escolha do modelo teórico e ajuste desse modelo ao semivariograma experimental.
Alguns autores utilizaram a geoestatística para o estudo da variabilidade, dependência
e continuidade espacial de atributos da natureza, como: Tragmar et al. (1985), Kirda et al.
(1988), Vieira et al. (1992), Reichardt et al. (1993), Van Es & Van Es (1993) e Shouse et al.
(1995).
Outros autores estudaram o mapeamento de características especificas, bem com a
variabilidade e dependência espacial destas nos solos, como: medidas de umidade e
temperatura superficiais do solo (Davidoff & Selim, 1988), densidade e condutividade
hidráulica dos solos (Bresler et al., 1984; Ciollaro & Romano, 1995; Rogowski & Wolf, 1994
e Gupta et al., 1995), retenção de água (Burden & Selim, 1989; Voltz & Goulard, 1994;
Folegati, 1996 e Mallants et al., 1996), propriedades físicas dos solos (Borgelt et al., 1994;
Horn et al., 1994 e Ribeiro Jr., 1995), porosidade do solo (Puentes et al., 1992), resistência à
penetração (Moolman & Van Huysstem, 1989 e Ley & Laryea, 1994), nível do lençol
freático (Aboufirassi & Marino, 1983), drenagem em solos salinos (Agrawal et al., 1995),
salinidade do lençol freático (Hooda et al., 1986 e Samra et al., 1989), contaminação do lençol
(Reynolds et al., 1994), acidez do solo (Boyer et al., 1996), resistência e plasticidade (Alli et
al., 1990) e processos erosivos (Cremers et al., 1996), etc.
Especificamente, para as propriedades químicas dos solos, outros autores, como Marx
(1988), Cahn et al. (1994), Gonzales & Zak (1994), Davis et al. (1995), Cora (1997) e
Kravchenko & Bullock (1999), Oliveira et al. (1999) e Cassel et al (2000) verificaram a
variabilidade espacial dos principais atributos e propriedade dos solos.

3. O SEMIVARIOGRAMA

Para a confecção do semiveriograma, todos os dados são pareados em todas as

7
 Apostila de Geoestatística

combinações possíveis e agrupados dentro de classes (Lags) de distâncias e direções

aproximadamente iguais. Esse processo é efetuado dentro do módulo “Análise do
semivariograma”, onde sãoo construídos os semivariogramas experimentais (Deutsch &
Journel, 1992), sendo neles verificada a possibilidade das variáveis estudadas possuírem a
propriedade de anisotropia que é a não homogeneidade das distribuições das variâncias em
ângulos diferentes no espaço (Englund & Sparks, 1988). Quando o semivariograma é
isotrópico, apenas um (o unidirecional) é suficiente para descrever a variabilidade da variável
no campo.
Automaticamente modelos teóricos de semivariogramas são superpostos à seqüência
de pontos obtidos no variograma experimental, de modo que a curva que melhor se ajustou
aos pontos obtidos representasse a magnitude, alcance e intensidade da variabilidade espacial
da variável estudada.
A confirmação do modelo que forneceu o melhor ajuste foi efetuado por meio da
escolha do modelo que apresentou o menor erro.
O programa GS+ possui cinco opções de modelo:
a) Esférico
γ(h) = Co + C [ 1,5 (h/A) – 0,5(h/A)3]
b) Exponencial:
γ(h) = Co + C [ 1 - exp(-h/A)]
c) Gaussiano:
γ(h) = Co + C [ 1 - exp (-h/A)2]
d) Linear:
γ(h) = Co + [ h (C/A)]
e) Linear com patamar:
γ(h) = Co + [ h (C/A)] para h ≤ A
γ(h) = Co + C para h > A.

Na análise estrutural do semivariograma, além do efeito pepita (Co), do patamar (C

+Co) e do alcance (A), outros parâmetros podem ser fornecidos para posterior análise:
- Alcance Efetivo – para alguns modelos o alcance é igual ao efetivo (esférico, linear e linear
com patamar), para outros, como o gaussiano e exponencial, o alcance efetivo representa 3A e
1,7A, respectivamente, devido ao longo espaço de curvatura da curva (Guerra, 1988);

8
 Apostila de Geoestatística

- Estrutura ou Proporção Espacial C/(C+Co) – que determina quanto da variância espacial

está presente na variância total da amostra;
- Soma dos Quadrados dos Resíduos (SQR) – que determina o ajuste do modelo teórico ao
semivariograma experimental. Quanto menor o valor de SQR, melhor o ajuste (Zimmerman
& Zimmerman, 1991);
- Coeficiente de Determinação (r2) – que indica quantos dos pontos do semivariograma
experimental encontram-se na curva do modelo teórico, embora não seja considerado um bom
indicativo de ajuste (GS+, 2000).

4. INTERPOLAÇÃO DE DADOS

A técnica da confecção dos mapas de isolinhas, onde são geradas estimativas de dados
de pontos não amostrados a partir de pontos amostrados, denomina-se interpolação de dados.
Na confecção de mapas interpolados denominados de isolinhas ou isovalores que
mostram a variabilidade dos dados em estudo, necessários para a entrada de dados em
Sistemas de Informação Geográfica, até o presente momento, não se tem limites de confiança
com relação aos valores estimados, mesmo nos Sistemas de Informação Geográfica mais
complexos e completos (Lourenço, 1998).
Muitos autores pesquisaram métodos de interpolação e principalmente compararam os
diversos métodos, como: método da triangulação (Lam, 1983), método dos polígonos (Isaaks
& Srivastava, 1989), método do inverso da distância (Brookers, 1991 e Gotway et al., 1996),
método do vizinho mais próximo (Myers, 1991) e método da Krigagem (Yost et al., 1982,
Alli et al., 1990, Hosseini et al, 1993), entretanto, a maioria desses métodos não fornecem o
algoritmo dos erros associados aos resultados obtidos o que, efetivamente, é fornecido pelo
método geoestatístico da Krigagem, segundo um modelo contínuo de variação espacial
A geoestatística oferece uma ampla e flexível variedade de ferramentas que fornecem
estimativas para locais não amostrados, sendo que estas técnicas estimam valores pela média
linear ponderada das amostras disponíveis, não diferentemente da regressão linear múltipla.
O tremo “Krigagem” foi usado por Matheron, em 1965, em homenagem ao
Engenheiro de Minas Sul-Africano Daniel G. Krige, que primeiro formulou e implementou
essa forma de interpolação, em 1951. A Krigagem pode ser usada em variáveis discretas e
contínuas e é, porisso, sensível para a estimação de variáveis binárias na presença ou
ausência da característica estudada (Rossi et al., 1994).

9
 Apostila de Geoestatística

Como os métodos tradicionais de interpolação de pontos (como a ponderação da

distância inversa, a triangulação e a média das amostras locais), a Krigagem pode fornecer a
estimativa para um local específico. Freqüentemente, os métodos tradicionais podem ser tão
acurados mas consomem muito mais tempo do que a Krigagem (Isaaks & Srivastava, 1989).
Landim (1998) descreve a Krigagem como uma série de técnicas de análise de
regressão que procura minimizar a variância estimada, a partir de um modelo prévio, que leva
em conta a dependência estocástica entre os dados distribuídos no espaço.
Segundo Rossi et al. (1994), três características da Krigagem a distinguem dos outros
métodos de interpolação. Primeiro, a Krigagem pode fornecer uma estimativa que é maior ou
menor do que os valores da amostra, sendo que as técnicas tradicionais estão restritas a faixa
de variação das amostras. Segundo, enquanto os métodos tradicionais usam distâncias
Euclidianas para avaliar as amostras, a Krigagem tem vantagem de usar a distância e a
geometria (relação de anisotropia) entre as amostras. Terceiro, diferentemente dos métodos
tradicionais, a Krigagem leva em conta a minimização da variância do erro esperado, por
meio de um modelo empírico da continuidade espacial existente ou do grau de dependência
espacial com a distância ou direção, isto é, através do variograma, covariograma ou
correlograma.
As formas mais usuais de Krigagem lineares são: simples, ordinária, universal e
intrínseca. As krigagens não-lineares utilizam alguma transformação não-linear dos dados
originais e são: lognormal, multigaussiana, indicativa, probabilística e disjuntiva (Landim,
1998).
A Krigagem Simples é a mais comum das estimações usadas na ciência do solo,
conforme o descrito por Burgess & Webster (1980), Vieira et al. (1981), Journel (1986) e Alli
et al. (1990).
A Krigagem Ordinária, que é a variação mais utilizada da Krigagem simples, descrita
^
por Trangmar et al. (1985), como o valor interpolado Z( x0 )
de uma variável regionalizada Z,

num local xo pode ser determinada por:

[ ]
^

Z( x0 )
= ∑ λi .Z ( xi )
onde:
^

Z( x0 )
- valor estimado para local xo não amostrado;

Z (xi) - valor obtido por amostragem no campo;

10
 Apostila de Geoestatística

n - número de amostras vizinhas;

λi - pesos aplicados em cada Z(xi), sendo gerados por um estimador
BLUP (best linear unbiased predictor), descrito por Robinson (1991) como estimadores
lineares não viciados e de mínima variância.
^
A construção do estimador Z( x0 )
, na Krigagem Ordinária, não requer o conhecimento

inicial da média estacionária da amostragem (Landim, 1998) mas requer que a soma dos pesos

∑λ i seja igual a 1 (Uzumaki, 1994).

Ainda, de acordo com Uzumaki (1994), o sistema de Krigagem Ordinária tem solução
única se o modelo de variograma for válido. A Krigagem, além de ser um estimador não
tendencioso, é um interpolador exato, isto é, se o ponto a ser estimado coincidir com um dos
pontos amostrados, o valor estimado deverá ser igual ao valor amostrado.
A interpolação estatística conhecida como Krigagem Ordinária (OK) é essencialmente
idêntica a regressão linear múltipla, com algumas diferenças quanto ao uso das matrizes
utilizadas para resolver os sistemas (David, 1988 e Isaaks & Srivastava, 1989).
A Krigagem pode ser também utilizada para determinar variáveis subamostradas,
através de outras com amostragens mais adensadas. Conforme Reichardt (1985) e Kirda et al.
(1988), por exemplo, a umidade do solo pode possibilitar inferências, através do cross-
correlograma, sobre outros parâmetros, tais como: produtividade, fixação biológica do
nitrogênio, absorção de nutrientes e parâmetros da planta.
Alguns trabalhos utilizando-se da Krigagem como interpolador foram desenvolvidos,
nos últimos anos, para estudos de atributos de fenômenos ambientais, dentre eles destacam-se
os estudos de Armstrong & Matheron (1986a e 1986b), Cressie (1986 e 1988), Solow (1986 e
1993), Bardossy (1988), Carr & Mao (1993), Laslett (1994), Zhu (1996) e Anderson et al.
(1999).
As técnicas de interpolação comumente usadas na agricultura, segundo Franzen &
Peck (1995) e Weisz et al. (1995), incluem a ponderação do inverso da distância (IDW) e a
Krigagem. Ambos os métodos estimam valores de locais não amostrados baseados na
medição de locais vizinhos com pesos determinados para cada medição. A ponderação do
inverso da distância é mais fácil de se realizar, enquanto que a Krigagem consome mais
tempo e é mais complicada de se aplicar; contudo a Krigagem faz uma descrição mais acurada
da estrutura espacial dos dados e produz valiosa informação sobre a distribuição da estimação
do erro. A exatidão desses dois processos tem sido comparados em numerosos estudos

11
 Apostila de Geoestatística

(Kravchenko & Bullock, 1999).

Para a distribuição da precipitação anual, Creutin & Obled (1982) e Tabios & Salas
(1985) compararam a Krigagem com muitas outras técnicas de interpolação, incluindo o
método do inverso da distância, encontrando superioridade na Krigagem. Warrick et al.
(1988) também descreveu a Krigagem como superior ao inverso da distância para mapear a
produtividade de tomate e propriedades do solo (% de areia, teor de cálcio e taxa de
infiltração de água no solo).
Segundo Laslett et al. (1987), Voltz & Webster (1990) e Zimback et al. (1998), a
Krigagem Ordinária tem se mostrado o melhor método de interpolação e Burrough et al.
(1992) e Irvin et al. (1997) verificaram que esse uso é bastante eficiente na representação dos
atributos do solo.
Laslett et al. (1987) obteve dados mais acurados de pH usando a Krigagem do que
pelo método do inverso da distância. Leenaers et al. (1990) descreveram a Krigagem como
superior ao método do inverso da distância para a maioria dos dados de conteúdo de Zn no
solo.
Alguns estudos, entretanto, encontraram o inverso da distância bem mais acurado do
que a Krigagem, como: Weber & Englund (1992), Wollenhaupt et al. (1994), para mapear
níveis de P e K no solo, e Gotway et al. (1996), para o mapeamento da matéria orgânica e
NO3- no solo.
A Krigagem pode ser significativamente afetada pela estrutura e variabilidade espacial
dos dados (Leenaers et al., 1990), e pela escolha do modelo do variograma, do raio
pesquisado e pelo número de vizinhos próximos utilizados para a estimação. Os estudos de
Weber & Englund (1992), Wollenhaupt et al. (1994) e Gotway et al. (1996) utilizaram um
número pequeno de pontos para o cálculo da Krigagem. Por exemplo, a escolha do modelo do
variograma foi limitado para o modelo esférico e um número fixo de vizinhos foi usado para
todos os conjunto de dados. Nos estudos subseqüentes, Weber & Englund (1994) notaram que
com uma criteriosa seleção dos modelos dos variogramas e do número dos vizinhos mais
próximos usados na estimação, mostraram-se significativamente melhores na precisão da
estimação por Krigagem, tornando-se um método mais acurado do que o método do inverso
da distância.
A maneira como é feita a coleta de amostras e a sua representatividade determinam
como deverá ser calculada a Krigagem ordinária: pontual ou em bloco. A Krigagem pontual é
indicada quando a coleta é de amostras simples, isto é, não foram misturadas várias amostras

12
 Apostila de Geoestatística

para compor uma amostra composta, sendo neste caso é indicado a Krigagem em bloco
porque ela irá representar uma área.
A Krigagem Ordinária lognormal (KOlog) deve ser calculada quando a distribuição de
freqüência dos dados for lognormal, sendo seu cálculo similar a Krigakem ordinária normal,
exceto pelo fato dos dados necessitar anteriormente transformação em logarítmos naturais,
como descrito por Rendu (1979), Reivoirard (1990) e Weber & Englund (1992 e 1994).

5. VALIDAÇÃO CRUZADA

Para a comparação dos métodos de interpolação alguns critérios são utilizados, como
por exemplo: quadrado médio do erro (Warrick et al., 1988), quadrado da soma dos erros
(Laslett et al., 1987) e coeficiente de correlação entre os valores observados e estimados
obtidos pela Validação Cruzada (cross-validation) proposto por Leenaers et al. (1990).
Com toda a subjetividade e variabilidade de resultados nos cálculos dos parâmetros do
variograma, é importante que se tenha um meio para checar se o modelo ajustado é
satisfatório ou não (David, 1988), bem como para validar o plano de Krigagem antes do seu
uso na construção de mapas.
O método da reutilização da amostra utilizado por Schucany (1981) que tem o
propósito de predição de locais não amostrados, foi empregado por Geisser (1975) pela
primeira vez.
Mais tarde, Davis (1987) descreveu o método de “deixar um dado de fora” (leaving-
one-out), ressaltando a diferença da validação cruzada com outro método, muito confundido
em inúmeros trabalhos, que tem função distinta que é o “Jackknife”.
É muito importante destacar as diferenças entre os dois métodos: validação cruzada é
um método de verificação dos dados estimados e “Jackknife” é um estimador introduzido por
Quenouille, em 1956, para reduzir a tendência; sendo que Tukey, em 1958, estendeu o seu uso
para construir o intervalo de confiança da amostra (Davis, 1987).
O processo de validação cruzada, de acordo com Myers (1997), é bastante simples:
remove-se um dado do conjunto de dados amostrais e, usando-se um estimador e função
ponderada relacionada com a distância, estima-se o valor retirado, utilizando-se as amostras
remanescentes. Tem-se, agora, dois valores para o mesmo ponto, o real e o estimado. O erro
da estimação pode ser calculado pela diferença entre o valor real e o estimado, sendo repetido
para cada local amostrado.

13
 Apostila de Geoestatística

O módulo de validação cruzada do programa GS+ (GS+, 2000) calcula o melhor ajuste
pelo método do quadrado mínimo, descrito em uma equação de regressão linear, sendo o erro
padrão da estimação definido por:
DP est. = DP real . ( 1 - r2 ) ^0,5
onde:
DP est - desvio padrão da estimação
DP real - desvio padrão dados atuais
r2 - coeficiente de determinação.

O erro padrão de estimação avalia quantitativamente o ajuste do variograma e os erros

dele decorrentes na Krigagem, utilizando-se dos conceitos definidos por Davis (1987).
Um fator que afeta o cálculo de precisão do método de interpolação é o número de
amostragens vizinhas usadas para a estimação (Goovaerts, 1997). O raio de pesquisa onde
serão avaliadas as amostras, também, é muito importânte para uma boa estimação e,
consequentemente, uma boa validação, como o definido por Kane et al. (1982).
Deve ser ressaltado que, a estimação do valor depende do modelo variográfico
escolhido, aquele que teve o melhor ajuste (Isaaks & Srivastava, 1989).
Alguns autores descreveram o emprego e vantagens da validação cruzada sobre outros
métodos na avaliação do ajuste do modelo do semivariograma e na exatidão da Krigagem,
entre eles: Dunn (1983), Agterberg (1984) e Davis (1986), Hamlett et al. (1986), David
(1988), Guerra (1988), Isaaks & Srivastava (1989) e Goovaerts (1999).

6. TRATAMENTO ESTATÍSTICOS DOS DADOS

Quando dispõe-se de um grande número de observações, torna-se extremamente difícil

a sua compreensão pela simples leitura dos valores colocados em tabelas. Enquanto não
organizados numericamente, os dados são considerados brutos. Há necessidade, portanto, de
organizá-los, seja por seleção, agrupamento ou divisão proporcional, a fim de que, após
resumidos, possam ser facilmente manuseados. Quando distribuídos em classes, de modo
agrupado, ou não são denominadas “distribuições de freqüência” (Landim, 1998).
Para a distribuição de freqüência dados devem ser obtidas as medidas de posição
(média, mediana e moda), de dispersão (variância, desvio padrão e amplitude interquartis) e
de forma da distribuição (coeficiente de variação, coeficiente de assimetria e coeficiente de

14
 Apostila de Geoestatística

curtose), segundo o descrito por Gomes (1976) e Guerra (1988).

Na verificação do tipo de distribuição que os dados seguem, utilizou-se, para testar a
normalidade da distribuição dos dados, do teste W, proposto por Shapiro e Wilk, 1965 ou Y,
proposto por Kolmogorov-Smirnov, descritos por Landim (1998).

6. REFERÊNCIAS BIBLIOGRÁFICAS

ABOUFIRASSI, M., MARINO, M. A. Kriging of water levels in the Souss Aquifer,

Morocco. Mathematical Geology, v. 15, p. 537-550, 1983.
AGRAWAL, O. P., RAO, K. V. G. K., CHAUHAN, H.S., KHANDELWAL, M.K.
Geostatistical analysis of soil salinity improvement with subsurface drainage system.
Transactions of the ASAE, v. 38, p. 1427-1433, 1995.
AGTERBERG, F. P. Trend surface analysis. In: Spatial statistics and analysis, Gaile, G.L.,
Willmott, C. J.(ed.). Reidel, Netherlands, 1984. 605p.
AHN, C. W., BAUMGARDNER, M. F., BIEHL, L. L. Delineation of soil variability using
geostatistics and fuzzy clustering analyses of hyperspectral data. Soil Sci. Soc. Am. J.., v. 63,
p. 142-150, 1999.
ALLI, M. M., NOWATZKI, E. A., MYERS, D. E. Probabilistic analysis of collapsing soil by
indicator kriging. Math. Geol., v. 22, p. 15-38, 1990.
ANDERSON, D. L., PORTIER, K. M., OBREZA, T. A., COLLINS, N. E., PITTS, D. J. Tree
regression analysis to determine effects of soil variability on sugarcane yields. Soil Sci. Soc.
Am. J., v. 63, p. 592-600, 1999.
ARMSTRONG, M., JABIN, R. Variogram models must be positive-definite. Mathematical
Geology, v. 13, p. 455-459, 1981.
ARMSTRONG, M. Common problems seen in variograms. Mathematical Geology, v. 16, p.
305-313, 1982.
ARMSTRONG, M., MATHERON, G. Disjuntive kriging revisited: part I. Mathematical
Geology, v. 18, p. 711-727, 1986.
ARMSTRONG, M., MATHERON, G. Disjuntive kriging revisited: part II. Mathematical
Geology, v. 18, p. 729-742, 1986.
BAKER, R. Modeling soil variability as a random field. Mathematical Geology, v. 16, p. 435-
448, 1984.

15
 Apostila de Geoestatística

BARDOSSY, A. Notes on the robustness of the kriging system. Mathematical geology, v. 20,
p. 189-203, 1988.
BARNES, R.J. The variogram sill and the sample variance. Mathematical geology, v. 23, p.
673-697, 1991.
BORGELT, S.C., SEARCY, S.W., STOUT, B.A., MULLA, D.J. Spatially variable liming
rates: a method for determination. Translations of the ASAE, v. 37, p. 1499-1507, 1994.
BOYER, D. G., WRIGHT, R.J., FELDHAKE, C.M., BLIGH, D. P. Soil spatila variability
relationships in a steeply sloping acid soil environment. Soil Sci., v. 161, p. 278-287, 1996.
BRAGA, L.P.V. Geoestatística e aplicações. Depto. de Métodos Estatísticos, UFRJ, 1990.
36p.
BRESLER, E., DAGAN, G., WAGENET, R.J., LAUFER, A. Statistical analysis of salinity
and texture effects on spatial variability of soil hydraulic conductivity. Soil Sci. Soc. Am. J.,
v.48, p. 16-25, 1984.
BROOKERS, P. I. A geostatistical primer. Londres, Ed. World Scientific, 1991. 95p.
BURDEN, D.S., SELIM, H.M. Correlation of spatially variable soil water retention for a
surface soil. Soil Sci., v. 148, p. 436-447, 1989.
BURGESS, T.M., WEBSTER, R. Optimal interpolation and isarithmic mapping of soil
properties, 1. The semi-variogram and punctual kriging. J. Soil Sci., v. 31, p. 315-331, 1980.
BURROUGH, P. A., McMILLAN, R.A., van DEURSEN, W.P.A. Fuzzy classification
methods for determining land suitability from soil profile observations and topography. J. Soil
Sci., v. 43, p. 193-210, 1992.
BURROUGH, P. A. Soil variability: a late 20th century view. Soil and Fertilizers, v. 56, n.5,
p. 529-562, 1993.
BURROUGH, P. A., VAN GAANS, P. F. M., HOOTSMANS, R. Continuous classification
in soil survey: spatial correlation, confusion and boundaries. Geoderma, v. 77, p. 115-135,
1997.
CAHN, M. D., HUMMEL, J. W., BROUER, B. H. Spatial analysis of soil fertility for site-
specific crop management. Soil Sci. Soc. Am. J., v. 58, p. 1240-1248, 1994.
CAMBARDELLA, C. A., MOORMAN, T. B., NOVAK, J. M., PARKIN, T. B., KARLEN,
D. L., TURCO, R. F., KONOPKA, A. E. Field-scale variability of soil properties in Central
Iowa soils. Soil Sci. Soc. Am. J., v.58, p. 1501-1511, 1994.
CAMPOS, S. P., SIMÕES, L. B., RIBEIRO, F. L., ZIMBACK, C. R. L. Krigagem ordinária
na avaliação da suscetibilidade de solos à erosão. In: SIMPÓSIO NACIONAL DE

16
 Apostila de Geoestatística

CONTROLE DE EROSÃO, 4, 1998, Presidente Prudente. Anais... Presidente Prudente:

Associação Brasileira de Geologia de Engenharia, 1998. CDRom.
CANDELA, L., OLEA, R. A., CUSTÓDIO, E. Lognormal kriging for the assessment of
reliability in grondwater quality control observation networks. J. Hidrol., v. 103, p. 67-84,
1988.
CARR, J. R., MAO, N. A general form of probability kriging for estimation of the indicator
and uniform transforms. Mathematical Geology, v. 25, p. 425-438, 1993.
CARTER, M. R. Spatial variability of porosity under reduced tillage in a homo-ferric podzol.
Can. J. Soil Sci., v. 75, p. 149-152, 1995.
CASSEL, D. K., WENDROTH, O., NIELSEN, D. R. Assenssing spatial variability in an
agricultural experiment station field: opportunities arising from spatial dependence. Agron. J.,
n. 92, p. 706-714, 2000.
CATANEO, A., ZIMBACK, C. R. L. Definição de classes de solos suscetíveis à erosão por
métodos multivariados. In: SIMPÓSIO NACIONAL DE CONTROLE DE EROSÃO, 4,
1998, Presidente Prudente. Anais... Presidente Prudente: Associação Brasileira de Geologia de
Engenharia, 1998a. CDRom.
CATANEO, A., ZIMBACK, C. R. L. Mapeamento da suscetibilidade à erosão em uma área
de reflorestamento. In: LATINOAMERICANO DE INGENHARIA RURAL, I, 1998.
Argentina, Anais... Argentina: Sociedade Brasileira de Engenharia Agrícola, 1998b.
(CDRom).
CHIEN, Y. J., LEE, D. Y., GUO, H. Y., HOUNG, K. H. Geostatistical analysis of soil
properties of mid-west Taiwan soils. Soil Sci., v. 162, p. 291-298, 1997.
CIOLLARO, G., ROMANO, N. Spatial variability of the hydraulic properties of a volcanic
soil. Geoderma, v. 65, p. 263-282, 1995.
CORA, J. E. The potential for site-specific management of soil and corn yield variability
induced by tillage. Dissertation, Michigan State University, 1997. 104p.
CREMERS, N.H.D.T., VAN DIJK, P.M., ROO, A.P.J., VERZANDVOORT, M.A. Spatial
and temporal varaibility of soil surface roughness and the application in hydrological and soil
erosion modelling. Hydrol. Processes, v.10, p.1035-1047, 1996.
CRESSIE, N. Kriging nonstationary data. J. Am. Statistical Assoc., v. 81, p. 625- 634, 1986.
CRESSIE, N., HAWKINS, D. M. Robust estimation of the variogram: I. Mathematical
geology, v. 12, p. 115-125, 1980.

17
 Apostila de Geoestatística

CRESSIE, N. Fitting variogram models by weighted least squares. Mathematical geology, v.

17, p. 563-586, 1985.
CRESSIE, N. Spacial prediction and ordinary kriging. Mathematical geology, v. 20, p. 405-
421,1988.
CREUTIN, J. D., OBLED, C. Objetive analysis and mapping techniques for rainfalls fields:
An objetive comparison. Water Resourse Res., v. 18, p. 413-431, 1982.
DAVIDOFF, B., SELIM, H. M. Correlation between spatially variable soil moisture content
and soil temperature. Soil Sci., v. 145, p. 1-10, 1988.
DAVID, M. Handbook of applied advanced geostatistical ore sererve estimation. New York,
Elsevier, 1988. 216p.
DAVIS, B. M. Uses and abuses of cross-validation in geostatistics. Mathematical geology, v.
19, p. 241-248, 1987.
DAVIS, J. C. Statistics and data analysis in geology. John Wiley & Sons, New York, 1986.
281p.
DAVIS, J. G., HOSSNER, L. R., WILDING, L. P., MANU, A. Variability of soil chemical
properties in two sandy dunal soils of niger. Soil Sci., v. 159, p. 321-330, 1995.
DEUTSCH, C. V., JOURNEL, A. G. GSLIB. geostatistical software library. Oxford Unv.
Press, New York, 1998.
DUNN, M. R. A simple sufficient condition for a variogram model to yield positive variances
under restrictions. Mathematical geology, v. 15, p. 553-564, 1983.
EMBRAPA. Sistema Brasileiro de classificação de solos. Rio de Janeiro, CNPS, 1999. 412p.
ENGLUND, E. J., SPARKS, A. Geo-EAS. Users’s guide. USEMS, Las Vegas, 1988. sp.
FOLEGATI, M. V. Estabilidade temporal e variabilidade espacial da umidade e do
armazenamento de água em solo siltoso. Livre-Docência, ESALQ/USP, 1996. 84p.
FRAZEN, D. W., PECK, T. R. Field soil sampling density for variable rate fertilization. J.
Prod. Agric., v. 8, p. 568-574, 1995.
GEISERS, S. The predictive sample reuse methods with application. J. Am. Stat. Assoc., v.
70, p. 320-328, 1975.
GOMES, F. P. Curso de estatística experimental. Ed. CALQ/ESALQ, 1976. p.
GONZALES, O.J., ZAK, D.R. Geostatistical analysis of soil properties in a secondary
tropical dry forest, St. Lucia, West Indies. Plant and Soil, v. 45-54, 1994.
GOOVAERTS, P. Comparative performance of indicator algorithms for modeling conditional
probability distribution functions. Mathem. geol., v.26, p. 389-414, 1994.

18
 Apostila de Geoestatística

GOOVAERTS, P. Geostatistics for natural resources evaluation. Oxford Univ. Press., New
York, 1997. 650p.
GOOVAERTS, P. Geostatistics in soil science: state-of-art and perspectives. Geoderma, v.
89, p. 1-45, 1999.
GOTWAY, C. A., FERGUSON, R. B., HERGERT, G. W., PETERSON, T. A. Comparison
of kriging and inverse-distance methods for mapping soil parameters. Soil Sci. soc. Am. J., v.
60, p. 1237-1247, 1996.
GOTWAY, C. A., HARTFORD, A. H. Geostatistical methods for incorporating auxiliary
information in the prediction of spatial variables. J. Agri., Biol. Environ. Statistics, v. 1, p. 17-
39, 1996.
GS+. GS+ Geostatistical for Environmental Sciences. Version 5.0. Gamma Design Software,
Michigan, 2000.
GUERRA, P. A. G. Geoestatística operacional. Brasília, MME/DNPM, 1988. 145p.
GUPTA, R.P., AGGARWAL, P., CHAUHAN, A.S. Spatial variability analysis of bulk
density as a guide for tillage. J. Indian Soc. Soil Sci, v. 43, p. 549-557, 1995.
HAMLETT, J. M., HORTON, R., CRESSIE, N. A. C. Resistant and exploratory techniques
for use in semivariogram analyses. Soil Sci. Soc. Am. J., v. 50, p. 868-875, 1986.
HOAGLIN, D. C., MOSTELLER, F. TUKEY, J. W. Análise exploratória de dados –
Técnicas robustas. Um guia. Lisboa, Ed. Salamandra, 1992. 447p.
HOODA, P.S., DAHIYA, I.S., MALIK, R.S. Spatial variability of ground water salinity in a
watershed. J. Indian Soc. Soil Sci., v. 34, p. 372-378, 1986.
HORN, R., TAUBNER, H., WUTTKE, M., BAUMGARTL, T. Soil physical properties
releted to soil structure. Soil Till. Reser., v. 30, p. 187-216, 1994.
HOROWITZ, J., HILLEL, D. A critical of some recents attempts to characterize spatial
variability. Soil Sci. Soc. Am. J., Madison, v. 47, p. 614-615, 1983.
HOSSEINI, E., GALLICHAND, J., CARON, J. Comparison of several interpolators for
smoothing hydraulic conductivity data in south west Iran. Transl. ASAE, v. 36, p. 1687-1693,
1993.
HOSSEINI, E., GALLICHAND, J., MARCOTTE, D. Theoretical and experimental
performance of spatial interpolation methods for soil salinty analysis. Transl. ASAE, v. 37, p.
1799-1807, 1994.
IRVIN, B. J., VENTURA, S. J., SLATER, B. K. Fussy and isodata classification of landform
elements from digital terrain data in Pleasant Valley, Wisconsin. Geoderma, v. 77, p. 137-

19
 Apostila de Geoestatística

154, 1997.
ISAAKS, E.H., SRIVASTAVA, M. Spatial continuity measures for probabilistic and
deterministic geostatistics. Mathematical geology, v. 20, p. 313-341, 1988.
ISAAKS, E.H., SRIVASTAVA, M. An introduction to applied geostatistics. Oxford Univ.
Press., New York, 1989. 600p.
JOURNEL, A. C., HUIJBREGTS, C. J. Mining geostatistics. Academic, London, 1978.
600p.
JOURNEL, A. C. The lognormal approuch to predicting local distributions of selective
mining unit grades. Math. Geol., v. 12, p. 285-303, 1980.
JOURNEL, A.G. Constrained interpolation and qualitative information - The soft kriging
approach. Mathematical geology, v. 18, p. 269-285, 1986.
KANE, V., BEGOVICH, C., BUTZ, T., MYERS, D. E. Interpretation of regional
geochemistry. Comput. Geosci., v. 8, p. 117-136, 1982.
KIRDA, C., HARDARSON, G., ZAPATA, F., REICHARDT, K. Spatial variability of root
zone soil watwer status and of fertilizer N uptake by forage crops. Soil Tech., v. 1, p. 223-
234, 1988.
KNIGHTON, R. E., JAMES, D. W. Soil test phosphorus as a regionalized variable in leveled
land. Soil Sci. Soc. Am. J., v.49, p. 675-679, 1985.
KRAVCHENKO, A. N., BULLOCK, D. G. A comparative study of interpertation methods
for mapping properties. Agron. J., v. 91, p. 393-400, 1999.
KRAVCHENKO, A. N., BULLOCK, D. G. Correlation of corn and soybean grain yeild with
topography and soil properties. Agron. J., v.92, p. 75-82, 2000.
LAM, N. Spatial interpolation methods. The American Cartographer, v. 10, p. 129-149, 1983.
LANDIM, P. M. B. Análise estatística de dados geológicos. São Paulo, Ed. UNESP, 1998.
226p.
LASLETT, G. M., McBRATNEY, A. B., PAHL, P., HUTCHINSON, M. Comparison of
several spatial prediction methods for soil pH. J. Soil Sci., v. 38, p. 325-341, 1987.
LASLETT, G.M., MCBRATNEY, A.B. Estimation and implications of instrumental drift,
random measurement error and nugget variance of soil attributes - a case study for soil pH. J.
Soil Sci., v. 41, p. 451-471, 1990.
LASLETT, G.M. Kringing and splines: Na empirical comparation of their predictive
performance in some applications. J. Am. Statistical Assoc., v. 89, p. 391-400, 1994.

20
 Apostila de Geoestatística

LEENAERS, H., OHX, J. P., BURROUGH, P. A. comparison of spatial prediction methods

for mapping floodsplain soil pollution. Catena, v. 17, p. 535-550, 1990.
LEY, G. J., LARYEA, K. B. Spatial variability in penetration resistance of a hardsetting
tropical Alfisol. Soil & Tillage Res., v. 29, p. 367-381, 1994.
LOURENÇO, R. W. Comparação entre métodos de interpolação para sistemas de
informações geográficas. Dissertação (Curso de Pós-Graduação em Geociências e Meio
Ambiente), 1998. 76p.
MALLANTS, D., MOHANTY, B.P., JACQUES, D., FEYEN, J. Spatial variability of
hydraulic properties in a multi-layered soil profile. Soil Sci., v. 161, p. 167-181, 1996.
MARX, D. B., GILMOUR, J. T., SCOTT, H. D., FERGUSON, J. A. Effects of long-term
water management in a humid region on spatial variability of soil chemical status. Soil Sci., v.
145, p. 188-193, 1988.
McBRATNEY, A.B., HART, G.A., McGARRY, D. The use of region partitioning to improve
the representation of geostatistically mapped soil attributes. J. Soil Sci., v. 42, p. 513-532,
1991.
McBRATNEY, A.B., WEBSTER, R. How many observations are needed for regional
estimation of soil properties. Soil Sci., v. 135, p. 177-183, 1983.
McBRATNEY, A.B., WEBSTER, R. Choosing functions for semi-variograms of soil
properties and fitting them to sampling estimates. J. Soil Sci., v. 37, p. 617-639, 1986.
McBRATNEY, A. B., DE GRUIJTER, J. J. A continuum approach to soil classification by
modified fuzzy k-means with extragades. J. Soil Sci., v. 43, p. 159-176, 1992.
McBRATNEY, A. B., ODEH, I. O. A. Application of fuzzy sets in soil science: fuzzy logic,
fuzzy measurements and fuzzy decisions. Geoderma, v.77, p. 85-113, 1997.
MOOLMAN, J.H., HUYSSTEEN, L.V. A geostatistical analysis of the penetrometer soil
strength of a deep ploughed soil. Soil Til. Res., v. 15, p. 11-24, 1989.
MYERS, D. E. Interpolation and estimation with spatially located data. Intell. Lab. Syst., v.
11, p. 209-228, 1991.
MYERS, J. C. Geostatistical error management. Qualifying uncertainty for enviromental
sampling and mapping. New York, Van Nostrand Reinhold, 1997. 571p.
OLIVEIRA, J. J., CHAVES, L. H. G., QUEIROZ, J. E. LUNA, J. G. Variabilidade espacial
de propriedades químicas em um solo salino-sódico. Ver. Bras. Cien. Solo, v. 23, p. 783-789,
1999.

21
 Apostila de Geoestatística

OLIVER, M. A. Exploring soil spatial variation geostatistically. 2a. European Conf. on

Precision Agriculture, Denmark, 1999. p. 11-15.
OPENSHAWS, S. Developments in geographical information systems. Econ. Social Res.
Council, v. 63, p. 11-14, 1988.
PARKIN, T. B., ROBINSON, J. A. Analysis of lognormal data. Adv. Soil Sci., v. 20, p. 191-
235, 1992.
PETERSEN, G. W., BELL, J. C., MCSWEENEY, K., NIELSEN, A. G., ROBERT, P. C.
Geographic informations systems in agronomy. Advances in agronomy, v. 55, p. 67-111,
1995.
PUENTES, R., WILDING, L. P., DREES, L. R. Microspatial variability and sampling
concepts in soil porosity studies of Vertisols. Geoderma, v. 53, p. 373-385, 1992.
REICHARDT, K. Processos de transferência no sistema solo-planta-atmosfera. Campinas,
Fundação Cargill, 1985. 445p.
REICHARDT, K., BACCHI, O.S., VILLAGRA, M.M., TURATTI, A.L., PEDROSA, Z.O.
Hydarulic variability in space and time in a dark red latosol of the tropics. Geoderma, v. 60, p.
159-168, 1993.
RENDU, J. M. M. Normal and lognormal estimation. Math. Geol., v. 11, p. 407-422, 1979.
REYNOLDS, W.D., JONG, R., VIEIRA, S.R., CLEMENTE, R.S. Methodology for
predicting agrochemical contamination of ground water resources. Soil Quality evaluation
program technical Report 4, Canada, 1994. 51p.
RIBEIRO Jr., P.J. Métodos geoestatísticos no estudo da variabilidade espacial de parâmetros
do solo. Dissertação (Mestrado em agronomia, Área de Concentração Estatística e
Experimentação Agronômica), ESALQ/USP, 1995. 99p.
RIVOIRARD, J. Teacher’said: a review of lognormal estimators for in situ reserves. Math.
Geol., v. 22, p. 213-221, 1990.
ROBINSON, G. K. That BLUP is a good thing: the estimation of random effects. Stat. Sci.,
v.6, p. 15-51, 1991.
ROGOWSKI, A. S. & WOLF, J. K. Incorporating variability into soil map unit delineations.
Soil Sci. Soc Am. J., Madison, v. 58, p. 163-174, 1994..
ROSSI, R. E., DUNGAN, J. L., BECK, L. R. Kriging in the shadows: geostatistical
interpolation for remote sensing. Remote Sens. Environ., v.49, p. 32-40, 1994.
RUSSO, D.A. Design of na optimal sampling network for estimating the variogram. Soil Sci.
Soc. Am. J., v.48, p. 708-716, 1984.

22
 Apostila de Geoestatística

SALVIANO, A. A. C., VIEIRA, S. R., SPAROVEK, G. Variabilidade espacial de atributos

de solo e de Crotalaria juncea (L.) em área severamente erodida. Rev. Bra. Cien. Solo, v. 22,
p. 115-122, 1998.
SAMRA, J.S., GILL, H.S., ANLAUF, R., RICHTER, J. Geostatistical evaluation of soil
sodicity and growth of Melia azedarach Linn. as simultaneous stochastic processes. Soil Sci.,
v. 148, p. 361-369, 1989.
SCHLOTZHAVER, S. D., LITTELL, R.C. SAS – System for elementary statistical analysis.
Cary, 1997. 441p.
SCHUCANY, W. R. Sample reuse. In: Kotz, S., Johnson, N. L. Encyclopedia of statistical
science, New York, John Wiley, 1981. p. 235-238.
SHAPIRO, A., BOTHA, J. D. Variogram fitting with a general classes of conditionally
nonnegative definite functions. Comp. Statistical & Data Analysis, v. 11, p. 87-96, 1991.
SHOUSE, P.J., RUSSELL, W.B., BURDEN, D.S., SELIM, H.M., SISSON, J.B., VAN
GENUCHTEN, M.T. Spatial variability of soil water retention functions in a silt loam soil.
Soil Sci., v. 159, p. 1-12, 1995.
SOLOW, A.R. Mapping by simple indicator kriging. Mathematical geology, v. 18, p. 335-
352, 1986.
SOLOW, A.R. On the efficiency of the indicator approach in geostetistics. Mathematical
geology, v. 25, p. 53-57, 1993.
STEIN, A., HOOGERWERF, M., BOUMA, J. Use of soil map delineations to improve
(co)kriging of point data on moisture deficits. Geoderma, v. 43, p. 163-177, 1988.
TABIOS, G. Q., SALAS, J. D. a comparative analysis of techniques for spatial interpolation
of precipitation. Water resour. Bull., v. 21, p. 365-380, 1985.
TAKEDA, E. Y. Variabilidade espacial de atributos físicos e químicos de uma associação de
solos sob a videira (Vitis vinifera, L.) em Vitória Brasil-SP. Dissertação ( Agronomia,
Faculdade de Engenharia de Ilha Solteira), UNESP, 2000. 102p.
TRAGMAR, B. B., YOST, R. S., UEHARA, G. Application of geostatistics to spatial studies
of soil properties. Advances in Agronomy, v. 38, p. 45-94, 1985.
TSEGAYE, T., HILL, R. L. Intensive tillage effects on spatial variability of soil test, plant
growth and nutrient uptake measurements. Soil Sci., v. 163, p. 155-165, 1998.
UZUMAKI, E. T. Geoestatística multivariada: Estudo de métodos de predição. Dissertação
(Estatística – Instituto de Matemática, estatística e Ciência da Computação), UNICAMP,
1994. 104p.

23
 Apostila de Geoestatística

VALENTE, J. M. G. P. Geomatemática – Lições de geoestatística. Ouro Preto, Ed. da

Fundação Gorceix, 1989. 8v.
VAN ES, H.M., VAN ES, C.L. Spatial nature of randomization and its effect on the outcome
of field experiments. Agronomy Journal, v. 85, p. 421-428, 1993.
VIEIRA, S. R., NIELSEN, D. R., BIGGAR, J. W. Spatial variability of field-measured
infiltration rate. Soil Sci. Sci. Am. J., v. 45, p.1040-1047, 1981.
VIEIRA, S.R., CASTRO, O.M., TOPP, G.C. Spatial variability of soil physical properties in
three soils of São Paulo, Brazil. Pesq. agrop. bras., v. 27, p. 333-341, 1992.
VINK, A. P. A. Planning of soil surveys in land development. Int. Inst. Land Reclam.
Improv., v. 10, 1963.
VOLTZ, M., WEBSTER, R. A comparation of kriging, cubic splines and classification for
predicting soil properties from sample information. J. Soil Sci., v. 41, p. 451-472, 1990.
VOLTZ, M., GOULARD, M. Spatial interpolation of soil moisture retention curves.
Geoderma, v. 62, p. 109-123, 1994.
WARRICK, A. W., ZHANG, R., HARRIS, M. K., MYERS, D. E. Direct comparations
between kriging and other interpolation – Validation of flow and transport models for the
unsaturated zone. New Mexico, 1988. p. 254-326.
WEBER, D. D., ENGLUND, E. J. evalution and comparison of spatial interpolators. Math.
Geol., v. 24, p. 381-391, 1992.
WEBER, D. D., ENGLUND, E. J. evalution and comparison of spatial interpolators II. Math.
Geol., v. 26, p. 589-603, 1994.
WEBSTER, R. Automatic soil-boundary location from transect data. Math. Geol., v. 5, p. 27-
37, 1973.
WEBSTER, R. Quantitative spatial analysis of soil in the field. Adv. Soil Sci., v.3, p. 1-70,
1985.
WEISZ, R. S., FLEISCHER, S., SMILOWITZ, Z. Map generation in high-value horticultural
integrated pest management: Appropriate interpolation methods for site-specific pest
management of Colorado potato beetle. J. Econ. Entomol., v. 88, p. 1650-1657, 1995.
WOLLENHAUPT, N. C., WOLKOWSKI, R. P., CLAYTON, M. K. Mapping soil test
phosphorus and potassium for variable-rate fertilizer application. J. Prod. agric., v. 7, p. 441-
448, 1994.
YOST, R. S., UEHARA, G., FOX, R. L. Geostatistical analysis of soil chemical properties of
large land areas. II. Kriging. Mathematical geology, v. 46, p. 10-33-1037, 1982.

24
 Apostila de Geoestatística

ZHANG, R., RAHMAN, S., VANCE, G.F., MUNN, L.C. Geostatistical analyses of trace
elements in soils and plants. Soil Sci., v. 159, p. 383-390, 1995.
ZHU, H. C., CHARLET, J. M., DOREMUS, P. Kriging randon concentrations of
groundwaters in Western Ardennes. Environmetrics, v. 7, p. 513-523, 1996.
ZIMBACK, C. R. L., CATANEO, A., RODRIGUES, J. B. T. Interpolação de características
físicas de solos por Krigagem ordinária e correlações. In: LATINOAMERICANO DE
INGENHARIA RURAL, I, 1998. Argentina, Anais... Argentina: Sociedade Brasileira de
Engenharia Agrícola, 1998. (CDRom).
ZIMBACK, C. R. L., CATANEO, A. Variabilidade espacial das características físicas de
solos. In: LATINOAMERICANO DE INGENHARIA RURAL, I, 1998. Argentina, Anais...
Argentina: Sociedade Brasileira de Engenharia Agrícola, 1998. (CDRom).
ZIMBACK, C.R.L. Análise espacial de atributos químicos de solos para fins de mapeamento
da fertilidade. Tese de Livre-Docência (Livre-Docência em Levantamento do solo e
fotopedologia), FCA/UNESP, 2001. 114p.
ZIMMERMAN, D. L. Another look at anisotropy in geostatistics. Math. Geol., v.25, p. 453-
470, 1993.
ZIMMERMAN, D.L., ZIMMERMAN, M. B. A comparison of spatial semivariogram
estimators and corresponding ordinary kriging predictors. Technometrics, v. 33, p. 77-91,
1991.

25