Escolar Documentos
Profissional Documentos
Cultura Documentos
GEORREFERENCIADAS
UNIVERSIDADE ESTATUAL PAULISTA
FACULDADE DE CIÊNCIAS AGRONÔMICAS
GEOESTATISTICA
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
3
Apostila de Geoestatística
∑ [Z ( ]
1 2
γ (h ) = xi ) − Z (xi + h )
2N
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
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
3. O SEMIVARIOGRAMA
7
Apostila de Geoestatística
8
Apostila de Geoestatística
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
[ ]
^
Z( x0 )
= ∑ λi .Z ( xi )
onde:
^
Z( x0 )
- valor estimado para local xo não amostrado;
inicial da média estacionária da amostragem (Landim, 1998) mas requer que a soma dos pesos
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
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.
14
Apostila de Geoestatística
6. REFERÊNCIAS BIBLIOGRÁFICAS
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
17
Apostila de Geoestatística
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
21
Apostila de Geoestatística
22
Apostila de Geoestatística
23
Apostila de Geoestatística
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