Aplicação da Geoestatística em Ciências Agrárias

UNIVERSIDADE ESTADUAL PAULISTA

FACULDADE DE CIÊNCIAS AGRONÔMICAS
CAMPUS DE BOTUCATU
GRUPO DE ESTUDOS E PESQUISAS AGRÍCOLAS GEORREFERENCIADAS - GEPAG

Aplicação da Geoestatística em Ciências Agrárias

Alessandra Fagioli da Silva

Waylson Zancanella Quartezani
Célia Regina Lopes Zimback
Paulo Milton Barbosa Landim

Botucatu - SP
2011
 UNIVERSIDADE ESTADUAL PAULISTA
FACULDADE DE CIÊNCIAS AGRONÔMICAS
Grupo de Estudos e Pesquisas Agrícolas Georreferenciadas - GEPAG

Layout e editoração: Alessandra Fagioli da Silva

Ilustrações: Alessandra Fagioli da Silva
Capa: Alessandra Fagioli da Silva
Impressão: PubTec - Publicações Técnicas

Impresso no Brasil
Edição: 2011

FICHA CATALOGRÁFICA ELABORADA PELA SEÇÃO TÉCNICA DE AQUISIÇÃO E

TRATAMENTO DA INFORMAÇÃO – SERVIÇO TÉCNICO DE BIBLIOTECA E
DOCUMENTAÇÃO - UNESP - FCA - LAGEADO - BOTUCATU (SP)

Aplicação da geoestatística em Ciências Agrárias /

A642 Alessandra Fagioli da Silva ... [et al.]. --
Botucatu: FEPAF, 2011
136 p. : il. color., tabs.

2. Simpósio de Geoestatística Aplicada a Ciências

Agrárias
ISBN

1. Estatística agrícola. 2. Geoestatística.

3. Geologia – Métodos estatísticos. I. Silva,
Alessandra Fagioli. II. Quartezani, Waylson
Zancanella. III. Zimback, Célia Regina Lopes. IV.
Landim, Paulo Milton Barbosa. V. Fundação de Estudos
e Pesquisas Agrícolas e Florestais. VI. Simpósio de
Geoestatística Aplicada a Ciências Agrárias (2. :
2011 : Botucatu). VII. Título.

CDD 21.ed. (519.2)

 Sumário
1. Introdução......................................................................................................................... 3
2. Análise exploratória de dados .......................................................................................... 4
2.1. Distribuição de frequências e histograma .................................................................. 4
2.2. Estatísticas ................................................................................................................. 4
2.2.1. Média aritmética............................................................................................... 5
2.2.2. Variância e desvio padrão ............................................................................... 5
2.2.3. Coeficiente de variação ................................................................................... 6
2.2.4. Valor Mínimo e Valor Máximo .......................................................................... 6
2.2.5. Coeficiente de assimetria e coeficiente de curtose .......................................... 7
2.3. Outras medidas descritivas ........................................................................................ 7
3. Amostragem ..................................................................................................................... 8
4. Princípios da análise geoestatística ................................................................................. 9
4.1. Um breve histórico ................................................................................................... 10
4.2. Hipóteses consideradas ........................................................................................... 11
5. Análise da dependência espacial ................................................................................... 15
5.1. Variograma .............................................................................................................. 16
5.1.1. Confecção de um variograma ........................................................................ 20
5.1.2. Exemplo de cálculo do variograma ................................................................ 22
5.2. Grau de dependência espacial ................................................................................ 24
5.3. Isotropia e anisotropia .............................................................................................. 25
5.4. Modelos teóricos ...................................................................................................... 30
5.4.1. Modelos com patamar ................................................................................... 31
5.4.1.1. Modelo linear .................................................................................... 31
5.4.1.2. Modelo Esférico ................................................................................ 32
5.4.1.3. Modelo Exponencial ......................................................................... 33
5.4.1.4. Modelo Gaussiano ............................................................................ 34
5.4.2. Modelos sem patamar ................................................................................... 35
5.5. Escalonamento do variograma ................................................................................ 36
6. Interpolação de dados .................................................................................................... 37
6.1. Krigagem ordinária ................................................................................................... 39
6.1.1. Exemplo: estimativa de um ponto .................................................................. 42

1
7. Validação de modelos de variogramas ........................................................................... 47
7.1. Validação cruzada.................................................................................................... 48
8. Krigagem indicativa ........................................................................................................ 49
9. Cokrigagem .................................................................................................................... 52
9.1. Variograma cruzado ................................................................................................. 52
9.1.1. Características ideais ..................................................................................... 53
9.2. Cokrigagem .............................................................................................................. 54
10. Utilização do programa GS+® para análise geoestatística e interpolação..................... 54
10.1. Utilização do programa GS+® para gerar variograma............................................. 55
10.1.1. Importação dos dados ................................................................................. 55
10.1.2. Análise Exploratória dos dados.................................................................... 58
10.1.3. Confecção e ajuste do variograma .............................................................. 61
10.2. Interpolação dos dados no GS+®............................................................................ 67
10.2.1. Validação do modelo ................................................................................... 69
10.2.2. Representação Gráfica dos Dados Interpolados ......................................... 70
11. Utilização do programa GS+® para interpolar por Krigagem Indicativa ......................... 71
12. Uso do GS+® no ajuste de variograma cruzado e interpolação por Cokrigagem para
geração de mapas .............................................................................................................. 77
12.1. Exemplo de aplicação com malha reticulada da variável primária completa ......... 77
12.2. Exemplo de aplicação com malha reticulada para variável primária incompleta ... 89
13. Utilização do programa Surfer® para confecção de mapas .......................................... 96
13.1. Importação dos dados.......................................................................................... 109
13.2. Análise Exploratória dos dados ............................................................................ 110
13.3. Confecção e ajuste do variograma....................................................................... 115
13.4. Interpolação dos dados no Surfer® ...................................................................... 120
13.4.1. Validação do modelo ................................................................................. 121
13.4.1.1. Representação Gráfica dos Dados Interpolados .......................... 122
13.5. Representação Gráfica dos Dados Interpolados de uma malha irregular ............ 126
14. Referências ................................................................................................................ 132

2
1. Introdução
A geoestatística difere da denominada “estatística clássica” na forma de avaliar a
variação dos dados. A estatística clássica supõe que as realizações das variáveis
aleatórias são independentes entre si, ou seja, não há relação entre a variação e a
distância entre os pontos de amostragem, enquanto a geoestatística considera existir uma
dependência da variação com relação ao espaço de amostragem.
Fenômenos naturais apresentam frequentemente uma certa estruturação na
variação entre vizinhos, e desta forma pode-se dizer que as variações não são aleatórias,
e apresentam algum grau de dependência espacial (GUIMARÃES, 2004).
Se a distribuição espacial das amostras for observada e levada em consideração,
em muitos casos é possível tirar vantagem da variabilidade espacial (MATA, 1997). E
nesse sentido é oportuna a observação de Reichardt (1985) de que a estatística clássica e
a geoestatística completam-se. Uma não exclui a outra, e perguntas não respondidas por
uma, muitas vezes podem ser respondidas pela outra.
A variabilidade espacial das variáveis pode ser estudada por meio das
ferramentas fornecidas pela geoestatística, que se fundamenta na teoria das variáveis
regionalizadas, segundo a qual os valores de uma variável estão, de alguma maneira,
relacionada à sua disposição espacial e, portanto, as observações tomadas a curta
distância se assemelham mais do que aquelas tomadas a distâncias maiores (VIEIRA et
al., 1981; VAUCLIN et al., 1983).
A agricultura de precisão, por exemplo, 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. A melhoria da qualidade da
estimativa depende da escolha do método de interpolação que obtenha dados dos solos
em locais não amostrados e da aplicação apropriada de métodos indicados para as
características dos dados (KRAVCHENKO; BULLOCK, 1999).
Neste texto serão abordados aspectos básicos da metodologia geoestatística para
a análise espacial de dados, com ênfase na análise do variograma como ferramenta de
determinação da dependência espacial. Serão introduzidos conceitos básicos da
geoestatística e da análise da dependência espacial por meio de variograma e também de
interpolação utilizando a metodologia da Krigagem na elaboração de mapas de isolinhas,

3
como base de dados para a utilização nos sistemas de informação geográfica e/ou
agricultura de precisão. Também serão abordadas as técnicas da Krigagem indicativa e da
Cokrigagem.
Para a realização das análises variográficas e elaboração dos mapas serão
utilizados e apresentados os programas GS+® 7.0 (GAMMA DESIGN SOFTWARE, 2004) e
o SURFER® 8.0 (GOLDEN SOFTWARE, 2005), que são de fácil entendimento, permitindo
uma rápida visualização do comportamento espacial da variável em estudo.

2. Análise exploratória de dados

A análise exploratória de dados é um procedimento importante na análise
geoestatística introdutória, devendo ser aplicada para conhecer e resumir a variável em
estudo. Este tipo de análise se baseia em construção e interpretação gráfica, cálculos e
interpretação de estatísticas.
No presente texto far-se-á uma revisão dos principais instrumentos de análise
exploratória de dados, sendo que tais procedimentos podem ser encontrados em cursos
de estatística básica e em livros de estatística básica.

2.1. Distribuição de frequências e histograma

A distribuição de freqüências consiste em agrupar as observações de uma variável
em classes ou categorias e o histograma é uma das representações gráficas mais usadas
dessa distribuição. A distribuição de frequências e o histograma podem ser obtidos em
programas computacionais comercias com o Excel® e em programas específicos para
análise geoestatística, como, por exemplo, o GS+® (GUIMARÃES, 2004).
A finalidade da distribuição de frequências e do histograma é permitir uma
visualização do comportamento da variável em estudo, como a tendência de concentração
de dados, simétrica ou assimétrica (GUIMARÃES, 2004).

2.2. Estatísticas
Antes da aplicação das ferramentas geoestatísticas, os dados devem ser
analisados pela estatística descritiva, por meio das estatísticas, ou seja, valores obtidos a

4
partir de amostras, para visualizar o comportamento geral dos dados e identificar possíveis
valores discrepantes. Isso é fundamental para a tomada de decisões sobre os
procedimentos a serem realizados (SALVIANO, 1996).

2.2.1. Média aritmética

A média aritmética é uma medida de posição bastante utilizada na estatística e
tem como características principais a facilidade de cálculo, a sua adaptabilidade ao
tratamento algébrico e, também, é uma medida não tendenciosa, precisa, eficiente e
suficiente (GUIMARÃES, 2004).
Vale ressaltar que nem sempre a média aritmética é a medida de posição que
melhor representa uma variável. Em dados com assimetria à direita acentuada a moda ou
a média geométrica pode representar melhor a variável em estudo (GUIMARÃES, 2004).
A fórmula para o cálculo da média é:

x
n

X  i 1
(1)
n

onde: X é a média aritmética; xi é cada valor observado; n é o número total de

observações.

2.2.2. Variância e desvio padrão

A variância (s2) e o desvio padrão (s) são estatísticas que fornece uma idéia de
variabilidade das observações em torno da média aritmética.
As fórmulas de cálculo são respectivamente:

 x  X 
n

s 
2 i 1
(2)
n 1

s  S2 (3)

5
 Na análise descritiva a média aritmética deve estar sempre acompanhada do
desvio padrão para poder visualizar a dispersão média dos valores.

2.2.3. Coeficiente de variação

O coeficiente de variação (CV) fornece a dispersão relativa dos dados em relação
à média. O coeficiente de variação é dado por:

CV %  100 
s
(4)
X

A utilização do coeficiente de variação na avaliação da variabilidade dos dados

tem a vantagem de permitir a comparação entre propriedades distintas, pois é uma
medida adimensional, apresentando o mesmo valor independentemente das unidades
utilizadas nas medidas (WARRICK; NIELSEN, 1980; MACHADO, 1994). A variabilidade
dos dados pode ser classificada de acordo com os critérios propostos por Warrick e
Nielsen (1980), que consideram os valores do coeficiente de variação entre 12% e 60%
como de média variabilidade e os valores abaixo e acima deste intervalo como de baixa e
alta variabilidade, respectivamente.
Se a distribuição não é normal, significa que a média aritmética é uma medida
bastante influenciada pelos valores extremos, não sendo uma medida de tendência central
adequada para a representação dos dados (QUEIROZ, 1995; EGUCHI, 2001).
O desvio padrão dá idéia do afastamento dos valores observados em relação à
média estimada e o coeficiente de variação dá idéia da precisão com que foi realizado o
experimento. Nada informam, porém, quando a estrutura de dependência espacial dessas
propriedades, o que só é possível por meio de técnicas geoestatísticas (SOUZA, 1999).

2.2.4. Valor Mínimo e Valor Máximo

Estes valores permitem visualizar a menor e a maior ocorrência e podem ser um
primeiro indicativo de erros de amostragem, digitação, etc. A obtenção desses valores se
faz a partir da ordenação das observações.

6
 2.2.5. Coeficiente de assimetria e coeficiente de curtose
O coeficiente de assimetria mostra o afastamento da variável em relação a um
valor central, ou seja, na distribuição simétrica tem-se 50% dos valores observados acima
da observação central e 50% abaixo. Se a distribuição é assimétrica, esta relação não é
observada. O coeficiente de assimetria é utilizado para caracterizar como e quanto a
distribuição de frequências se afasta da simetria, sendo que se Cs > 0 ocorre a distribuição
assimétrica à direita ou positiva; se Cs < 0 a distribuição é assimétrica à esquerda ou
negativa; e se Cs = 0 a distribuição é simétrica.
Em uma distribuição com assimetria positiva, a média é maior que a mediana e
esta maior que a moda. Se a assimetria for negativa, a média será menor que a mediana e
esta menor que a moda. Nas curvas simétricas, tanto a média quanto a mediana e a moda
são coincidentes (ASSIS et al., 1996).
O coeficiente de curtose é utilizado para caracterizar a distribuição de frequências
quanto ao seu formato isto é, leptocúrtica, mesocúrtica ou platicúrtica. A distribuição
normal apresenta um formato mesocúrtico. Em alguns programas computacionais como o
Excel® e GS+® esse valor é zero, se Ck < 0 a forma é a platicúrtica e se Ck > 0, a forma é a
leptocúrtica (GUIMARÃES, 2004).
Estes dois coeficientes são utilizados, em conjunto, para inferências sobre a
função de distribuição normal da variável em estudo.
Para uma melhor interpretação do coeficiente de assimetria e do coeficiente de
curtose, alguns programas, como o GS+®, calculam também o erro padrão desses
coeficientes e a partir dos valores dos coeficientes associados com seus respectivos erros
padrão, pode-se concluir se os dados têm distribuição normal ou não. Por exemplo, se o
valor obtido na amostra para Cs = 0,30 com erro padrão de 0,65 e se o valor de C k = 0,5
com erro padrão de 0,40, pode-se dizer que a distribuição tende a normal (GUIMARÃES,
2004).

2.3. Outras medidas descritivas

As estatísitcas descritas acima são as mais comuns e as que frequentemente são
usadas. Entretanto outros recursos podem ser aplicados como, por exemplo: gráfico box-

7
plot; gráficos da distribuição normal; gráfico h-dispersão, outras estatísticas (quartil,
mediana, moda, etc.) e testes de normalidade (Shapiro–Wilk, Kolmogorov–Smirnov), etc..

3. Amostragem
O primeiro passo em qualquer estudo espacial é a definição do delineamento
experimental, que envolve, entre outros procedimentos, a escolha da técnica de coleta de
amostras e também da malha de amostragem. A malha de amostragem pode ser do tipo
aleatória quando a distribuição dos pontos de coleta é casual; agregada ou agrupada
quando ocorrem grupos (cluster) de pontos mais próximos entre si; e regular quando os
pontos estão regularmente espaçados (LANDIM et al., 2002) (Figura 1).

(a) (b) (c)

Figura 1. Malha do tipo aleatória (a), agregada (b) e regular (c).

Um requisito básico na amostragem para fins de análise de dependência espacial

utilizando métodos geoestatísticos é que as amostras sejam georreferenciadas. Não é
necessário utilizar coordenadas geográficas, mas algum tipo de referencia deve existir
para saber a localização de cada ponto, por exemplo, amostras coletadas em casa de
vegetação (linha 1 e coluna 1).
Um tipo de amostragem bastante utilizado em geoestatística é a amostragem
sistemática. Neste tipo de amostragem os pontos avaliados (amostras) são obtidos de
forma equidistantes, quer seja no espaço ou no tempo, formando uma malha de pontos no
caso bidimensional. No entanto esse não é um procedimento obrigatório, basta que se
tenha a referência dos dados para se proceder a análise espacial. Um exemplo típico de
amostragem não sistemática é para variáveis climáticas, onde as estações climatológicas,

8
geralmente, não são equidistantes, mas apresentam a referência geográfica
(GUIMARÃES, 2004).
Um questionamento básico que surge quando da aplicação da geoestatística é
"Quantas amostras devem ser utilizas para a análise geoestatística?". Alguns autores
recomendam que sejam utilizados pelo menos 100 pontos amostrais, entretanto isso não é
regra e sim recomendação, pois existem trabalhos com bons resultados de ajuste de
variogramas usando 45 pontos de amostragem. É sabido, porém, que quanto maior o
número de pontos, maior será o número de pares para o cálculo do variograma e,
teoricamente, maior será a precisão das estimativas das variâncias (GUIMARÃES, 2004).
Pode-se dizer que o número de observações dependerá dos objetivos que se tem no
trabalho, da escala, ou seja, da dimensão, e do relevo do terreno (plano ou inclinado),
entre os outros fatores que devem ser avaliados pelo pesquisador.
Amostragens em malhas mais adensadas fornecem uma clara visão da
variabilidade espacial de uma variável regionalizada, porém, com custos mais elevados
quando comparados com esquemas amostrais menos densos (GROENIGEN et al., 1999).
Portanto, é preciso aliar um número mínimo de pontos amostrados com uma máxima
representação do local amostrado, pela mínima variância, otimizando o esquema de
amostragem e barateando os custos (MONTANARI et al., 2005).

4. Princípios da análise geoestatística

A base da geoestatística vem da teoria das variáveis regionalizadas. Segundo
esta teoria, a diferença nos valores de uma dada variável tomados em dois pontos no
campo depende da distância entre eles (MATHERON, 1962).
A diferença entre os valores do atributo tomados em dois pontos mais próximos no
espaço deve ser menor do que a diferença entre os valores tomados em dois pontos mais
distantes. Portanto, cada valor carrega consigo uma forte interferência dos valores de sua
vizinhança, ilustrando uma continuidade espacial (ISAAKS; SRIVASTAVA, 1989). A
dependência está presente em todas as direções e fica mais fraca à medida que aumenta
a dispersão na localização dos dados (CRESSIE, 1993).
O estudo da dependência espacial de atributos do solo ou da planta, através da
geoestatística, permite a interpretação e a projeção dos resultados com base na análise

9
da estrutura da sua variabilidade natural. Por exemplo, permitem separar nas respostas
das culturas a proporção referente ao tratamento ou manejo, daquela correspondente as
diferenças de solos entre pontos de um mesmo campo (VIEIRA, 2000).
O objetivo da geoestatística aplicada à agricultura de precisão é pesquisar a
variabilidade espacial dos atributos do solo e das plantas e fazer estimativas, utilizando o
princípio da variabilidade espacial e identificar inter-relações destes atributos no espaço,
além de permitir estudar padrões de amostragem adequada (VIEIRA, 2000).

4.1. Um breve histórico

Na África do Sul, no início dos anos 50 do século passado, o engenheiro de minas
Daniel G. Krige e o estatístico H.S. Sichel, desenvolveram empiricamente uma técnica
própria de estimativa para o cálculo de reservas minerais, a qual posteriormente recebeu
tratamento formal por G. Matheron, na França com o nome Geoestatística, para o estudo
das chamadas variáveis regionalizadas, ou seja, variáveis contínuas com condicionamento
espacial (MATHERON 1962, 1963 e 1965). Inicialmente a metodologia geoestatística era
aplicada apenas para situações em geologia mineira e, posteriormente se estendeu para
outros campos, inclusive para as ciências agrárias.
Em relação ao desenvolvimento da geoestatística pode-se dizer, segundo Guerra
(1988), que:
- até 1968 ela foi empregada para estimativa de reservas;
- entre 1968 e 1970 foi desenvolvida a teoria da Krigagem universal, para
aplicação a cartografia submarina com tendência sistemática, visando buscar melhores
métodos que aquele dos mínimos quadrados;
- em 1972, Matheron criou a teoria intrínseca de ordem k, aplicada à meteorologia;
- entre 1972 e 1973 surgiram os princípios da analise convexa, visando maximizar
as reservas recuperáveis de jazidas subterrâneas, bem como aperfeiçoar os métodos de
otimização de pit;
- em 1974 nasceu à teoria das funções de recuperação e baseada nela a
geoestatística não-linear aplicada na seleção de reservas recuperáveis.
A análise espacial de dados, utilizando a geoestatística, ganhou impulso em áreas
distintas da mineração e da geologia a partir de 1980, com grande aplicabilidade na

10
ciência do solo. Uma justificativa para tal fato é a facilidade computacional que viabilizou
alguns cálculos relativamente trabalhosos nesta metodologia (GUIMARÃES, 2004).
Na área de Agronomia no Brasil destacam-se os trabalhos pioneiros
desenvolvidos pelos pesquisadores Sidney Rosa Vieira com dados de solos na
Universidade da Califórnia e de Paulo Libardi e Klaus Reichardt com atributos de solos no
Brasil, ainda na década de 80. A partir desta década vários outros pesquisadores se
dedicaram ao estudo e aplicação da geoestatística.

4.2. Hipóteses consideradas

Entende-se por variável aleatória aquela que pode tomar valores diferentes em
diferentes lugares de observação, mostrando desta forma uma determinada
independência de um lugar a outro (GUERRA, 1988).
Todos os conceitos teóricos de geoestatística têm suas bases em funções e
variáveis aleatórias, as quais, por convenção, recebem símbolos maiúsculos. Os valores
medidos recebem símbolos minúsculos. É preciso também entender que uma realização
em particular de uma função é um valor numérico assumido por esta função dentro de
uma dada condição fixa. Por exemplo, Cos 0o = 1, então 1 é uma realização da função
cosseno para o ângulo 0 (zero) graus (VIEIRA, 2000).
Na teoria das variáveis regionalizadas, Z(xi) pode ser definida como uma variável
aleatória que assume diferentes valores Z em função da posição x dentro de certa região
S, e representa pares de coordenadas (xi, yi), conforme Figura 2 (OLIVEIRA, 2007). O
ponto de referência para o sistema de coordenadas é arbitrário e fixado a critério do
pesquisador. O conjunto de variáveis Z(xi) medidas em toda a área S pode ser
considerado uma função aleatória Z(xi) uma vez que, segundo Isaaks e Srivastava (1989),
são variáveis aleatórias regionalizadas e assume-se que a dependência entre elas é
especificada por algum mecanismo probabilístico.

11
Figura 2. Variável aleatória regionalizada Z(xi).

A interpretação probabilística de que a variável regionalizada Z(x) é uma

realização particular de certa função aleatória Z(xi) é consistente quando se pode inferir
toda ou pelo menos parte da lei de distribuição de probabilidade que define essa função
aleatória (JOURNEL; HUIJBREGTS, 1978). No entanto, em problemas práticos, em cada
ponto xi tem-se apenas uma realização Z(xi) e o número de pontos é sempre finito. Isto torna
usualmente impossível inferir sobre a distribuição de Z(x). Em vista disto hipóteses de
estacionaridade são necessárias, as quais envolvem diferentes graus de homogeneidade
espacial.
Diz-se que um processo (ou uma variável) é estacionário se o desenvolvimento
desse processo no tempo ou no espaço ocorrer de maneira mais ou menos homogênea,
com oscilações aleatórias contínuas em torno de um valor médio, em que nem a amplitude
média nem as oscilações mudam bruscamente no tempo ou no espaço. As características
de um processo estacionário independem da origem adotada (GUIMARÃES, 2004).
A hipótese de estacionaridade de primeira ordem é definida como sendo a hipótese
de que o momento de primeira ordem da distribuição da função aleatória Z(xi) é constante
em toda a área, ou seja:

EZ xi   EZ xi  h   m (5)

onde:
m = média dos valores amostrais;

12
h - distância que separa as amostras;
E [Z(xi)] = esperança matemática da função aleatória Z(xi);
E [Z(xi+h)] = esperança matemática da função aleatória Z(xi + h).

Decorre dessa definição que se for tomado um vetor h de separação entre dois
pontos, o qual apresenta módulo e direção, para qualquer h tem-se:

EZ xi   xi  h   0 (6)

Considerando-se que a diferença entre as duas variáveis aleatórias [Z(xi) - Z(xi+h)] é

uma variável aleatória, isto corresponde a afirmar que o primeiro momento desta variável
aleatória é igual a zero.
A estacionaridade de segunda ordem é definida quando, além de atender a
estacionaridade de primeira ordem, a função aleatória apresenta a característica de, para
cada par de valores [Z(xi) - Z(xi+h)], a covariância existir e depender apenas da distância de
separação h que pode ser definida por:

Covxi , xi  h   EZ xi   xi  h   mxi   mxi  h  (7)

O segundo momento da variável aleatória correspondente à diferença entre dois

pontos, sendo dado por duas vezes à variância menos duas vezes a covariância dos valores,
em que a sua metade é um valor denominado função de variância, definido como:

2 xi , xi  h   EZ xi   xi  h 

2
(8)

Portanto, se a hipótese de estacionaridade de segunda ordem puder ser satisfeita,

a covariância C(h) e o variograma 2  (h) são ferramentas equivalentes para caracterizar a
dependência espacial. A primeira expressa a similaridade dos valores e a segunda o
afastamento relativo destes. A existência de estacionaridade dá a oportunidade de repetir
um experimento mesmo que as amostras devam ser coletadas em pontos diferentes,

13
porque todas as amostras são consideradas pertencentes a populações com os mesmos
momentos estatísticos (VIEIRA, 2000).
Usualmente, a aceitação de uma estacionaridade de segunda ordem pode não ser
satisfeita. Necessita-se então de outro modelo estatístico, menos limitado, que é baseado
na hipótese intrínseca, a qual considera apenas que a média dos valores Z(x) e a
variância dos incrementos Z(x)-Z(x+h) ocorrem independentemente da localização na
região, sendo função apenas do valor de h (ALMEIDA; RIBEIRO, 1996). Esta hipótese
requer somente a hipótese de existência do variograma, sem a exigência da variância
finita. Assim, a variância de Z(x) não é finita, mas a variância do primeiro incremento de Z,
Z(x+h)-Z(x), é finita, e este incremento é fracamente estacionário (VIEIRA et al., 1983;
COSTA, 1999).
Vauclin et al. (1983) e Prevedello (1987) afirmaram que a dependência entre
amostras é comumente descrita através de autocorrelogramas e/ou variogramas. A
utilização do correlograma tem como requisito a aceitação da estacionaridade de segunda
ordem; já para o variograma há uma pequena modificação nesses requisitos, tornando-os
menos rigorosos, com aceitação apenas da hipótese intrínseca, também conhecida como
de fraca estacionaridade. Os gráficos gerados por meio dos variogramas expressam a
variância em função de h.
A hipótese intrínseca é a hipótese mais frequentemente usada em geoestatística,
por ser menos restritiva e, portanto, o variograma é a ferramenta mais difundida na
geoestatística porque exige apenas a hipótese intrínseca, enquanto o autocorrelograma
exige a estacionaridade de segunda ordem (GUIMARÃES, 2004).
Quando os dados violam completamente a estacionaridade, não atendendo nem
mesmo a hipótese intrínseca, o variograma manifesta-se sem estrutura (FOLEGATTI,
1996). Hamlett et al. (1996) salientaram que a estacionaridade é mais exceção que regra
e, assim, a não estacionaridade dos dados deve ser considerada.
Assumida a estacionaridade, por meio da hipótese intrínseca e, considerando que
a associação das variáveis em pontos distintos é maior à medida que se reduz à distância
entre eles, o passo seguinte é descrever e modelar estas relações entre distâncias e
associação espacial.
A curva do variograma, ao contrário do autocorrelograma, aumenta à medida que
h cresce, atingindo um patamar quando a variância é aproximadamente igual à variância

14
da população (PREVEDELLO, 1987), embora isto não ocorra para populações que
satisfazem apenas a hipótese intríseca.
Processos não estacionários podem apresentar trechos estacionários; Se uma variável é
estacionária de segunda ordem, então ela é também intrínseca, mas o inverso nem sempre ocorre.
As Figuras 3a, 3b e 3c ilustram, respectivamente, uma variável estacionária de
segunda ordem, uma variável estacionária de primeira ordem e uma outra não
estacionária. Para qualquer trecho que for selecionado e calculado a média e a variância,
estas permanecerão aproximadamente constante (Figura 3a); apenas a média permanece
constante (Figura 3b) nem a media nem a variância permanecem constantes (Figura 3c).

30 30
a b
25 25
Y

20 Y 20

15 15

10 10
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
X X

30
c
25
Y

20

15

10
0 5 10 15 20 25 30 35 40 45 50
X

Figura 3. Exemplos de estacionaridade: a) processo estacionário de segunda ordem; b)

processo estacionário de primeira ordem e c) processo não estacionário.

5. Análise da dependência espacial

As duas funções utilizadas com maior intensidade na análise geoestatística para a
determinação da dependência espacial ou temporal de variáveis são as funções
autocorrelação e a função variância, que gera o variograma.
Será descrita, por ser mais usual, a função variância e variograma como
instrumento de análise espacial de dados.
15
 5.1. Variograma
Até o início dos anos 60, a análise de dados era realizada sob a hipótese de
independência estatística ou distribuição espacial aleatória, para permitir o uso de métodos
estatísticos como análise de variância e parâmetros como o coeficiente de variação
(HARRADINE, 1949). Entretanto, este tipo de hipótese não pode simplesmente ser feito
antes que se prove a não existência de correlação de amostras com a distância. Se provada
a correlação espacial, a hipótese de independência é inadequada.
Um dos métodos mais antigos para se estimar a dependência no espaço ou no
tempo, de amostras vizinhas é através da autocorrelação. Quando a amostragem envolve
duas direções (xi, yi) o instrumento mais indicado na estimativa da dependência entre
amostras é o variograma (SILVA, 1988).
O variograma analisa o grau de dependência espacial das amostras e define os
parâmetros necessários para a estimativa de valores para locais não amostrados,
utilizando a interpolação por Krigagem.
O variograma é uma ferramenta básica de suporte às técnicas de Krigagem, que
permite representar quantitativamente a variação de um fenômeno regionalizado no espaço.
A definição teórica dessas ferramentas é baseada na teoria das funções aleatórias
(JOURNEL; HUIJBREGTS, 1978; 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 entre dois valores) e para todos os h
significativos.
O variograma é, por definição,

 h   E Z xi   xi  h 
1 2
(9)
2

e pode ser estimado através da equação

16
 N h 

 h    Z x   Z x  h
1 2

2 N h  (10)
i i
i 1

onde:
N(h) = número de pares de valores medidos Z(xi), Z(xi+h) separados por um vetor h.

O gráfico de (h) versus os valores correspondentes de h, chamado variograma, é

uma função do vetor h e, portanto, dependem de ambos em magnitude e direção de h.
A Figura 4 mostra um variograma com características bem próximas do ideal, as
quais serão discutidas a seguir. O seu comportamento representa o que, intuitivamente, se
deve esperar de dados de campo. Espera-se que: as diferenças [Z(xi) - Z(xi+h)] decresçam
assim que a distância (h) que os separa, decresça; as medições localizadas próximas sejam
mais parecidas entre si do que aquelas separadas por grandes distâncias; e que (h)
aumente com a distância h. Por definição,  (0) =0, como pode ser visto pela Equação 7,
quando h=0. Entretanto, na prática, à medida que h tende para 0 (zero), (h) se aproxima de
um valor positivo chamado efeito pepita e que recebe o símbolo C0. O valor de C0 revela a
descontinuidade do variograma para distâncias menores do que a menor distância entre as
amostras. Parte dessa descontinuidade pode ser também devido a erros de medição, mas é
impossível quantificar qual contribui mais, se os erros de medição ou variabilidade a uma
escala menor do que aquela amostrada.
Existem três tipos de variogramas:
- variograma observado (variograma experimental). É aquele obtido a partir do
conjunto de amostras derivadas da amostragem realizada, portanto o único conhecido.
- variograma verdadeiro é o variograma real das amostras, e é sempre
desconhecido.
- variograma teórico é um variograma teórico de referência.

17
Figura 4. Variograma experimental e modelo teórico.

De acordo com Isaaks e Srivastava (1989) à medida que h aumenta a variância (h)
também aumenta até um valor máximo no qual ele se estabiliza correspondente à distância
“a” (Figura 5). Este valor no qual (h) se estabiliza chama-se patamar (C0+C), e é
aproximadamente igual à variância dos dados, Var [Z(xi)]. O valor de efeito pepita (C0) pode
ser atribuído a erros de medição ou ao fato de que os dados não foram coletados a
intervalos suficientemente pequenos, para mostrar o comportamento espacial subjacente
do fenômeno em estudo, isto é, não é capturado um fenômeno numa escala maior. A
distância na qual (h) atinge o patamar é chamada de alcance, recebe o símbolo de a, e é a
distância limite de dependência espacial. Medições localizadas a distâncias maiores que o
alcance, tem distribuição espacial aleatória e por isto são independentes entre si. Para estas
amostras, a estatística clássica pode ser aplicada sem restrições. Por outro lado, amostras
separadas por distâncias menores que o alcance estão correlacionadas umas às outras, o
que permite que se façam interpolações para espaçamentos menores do que os
amostrados, assim toda amostra cuja distância ao ponto a ser estimado for menor ou igual
ao alcance, fornece informações sobre o ponto. Dessa maneira, o alcance (a) é a linha
divisória para a aplicação de geoestatística ou estatística clássica, e por isso o cálculo do
variograma deveria ser feito rotineiramente para dados de campo para garantir as hipóteses
estatísticas sob as quais serão analisados. Dados que apresentarem variogramas
semelhantes aos da Figura 5, muito provavelmente poderão ser estacionários de ordem 2,

18
porque têm um patamar claro e definido, e com toda certeza, estarão sob a hipótese
intrínseca.

Figura 5. Variograma típico e seus componentes.

Se o variograma for constante e igual ao patamar para qualquer valor de h, e não

apresentar valor alcance tem-se um gráfico mostrando “efeito pepita puro” e, neste caso,
tem-se a ausência total de dependência espacial, ou se a dependência espacial existir ela
será manifestada à distância menor do que o menor espaçamento entre amostras.
Alta porcentagem obtida para o efeito pepita reflete que grande parte da variação
encontrada é devida a variações a distâncias menores que a distância amostrada. Para
diminuir os valores do efeito pepita é necessário que a amostragem seja realizada a
distâncias menores que a utilizada para que assim se possa detectar a estrutura da
variância, ou seja, a escala de variabilidade natural do fenômeno (JOURNEL; HUIJBREGTS,
1978; LAMPARELLI et al., 2001).
O efeito pepita, que é um parâmetro importante do variograma, reflete o erro
analítico, indicando uma variabilidade não explicada (ao acaso) de um ponto para o outro,
que pode ser devida tanto a erros de medidas ou microvariação não detectada em função da
distância de amostragem utilizada (CAMBARDELLA et al., 1994; VIEIRA, 1997), sendo
impossível quantificar a contribuição individual dos erros de medições ou da variabilidade.
Nas Figuras 6a e 6b é apresentado o comportamento de variogramas com e sem
efeito pepita.

19
Figura 6. Variogramas: (a) sem efeito pepita; (b) com efeito pepita.

Um outro tipo de variograma que pode ocorrer é aquele que cresce sem limites
para todos os valores de h calculados. Este variograma indica a presença de fenômeno
com capacidade infinita de dispersão, o qual não tem variância finita, e para o qual a
covariância, não pode ser definida. Ele indica também, que o tamanho do campo
amostrado não foi suficiente para exibir toda a variância e é provável que exista uma
grande tendência nos dados, numa determinada direção. Se isto for constatado, têm-se
duas alternativas distintas: a) remove-se a tendência e trabalha-se com os resíduos para
examinar se enquadram nas hipóteses de estacionaridade de ordem 2 ou intrínseca, ou
b) trabalha-se com hipótese de tendência nos dados originais com o uso da krigagem
universal. Deve-se preferir a primeira alternativa. Um método bastante eficiente para
retirada da tendência é através da superfície de tendência (DAVIS, 1973). Se após retirar
a tendência, não houver nenhuma dependência espacial expressa no variograma dos
resíduos, isto significa que a superfície de tendência encontrada é a melhor representação
espacial do fenômeno. Um exemplo de retirada de tendência em dados unidimensionais e
análise dos resíduos pode ser encontrado em Vieira et al. (1983) e Vieira e Hatfield (1984).

5.1.1. Confecção de um variograma

Para a confecção dos variogramas experimentais são computados valores de (h)

confrontando-os com os respectivos h. As somatórias necessárias para o cálculo de (h),
porém, devem ser construídas por um número suficiente de pares, que tornem o resultado
consistente (LANDIM, 2003). Como regra prática, adota-se para tanto um mínimo de 30

20
pares, o que pode ser conseguido se for escolhido como maior h a metade da maior
distância existente entre os pontos (JOURNEL; HUIJBREGTS, 1978).
A determinação do variograma é o início do procedimento de estimativa
geoestatística. É o passo mais importante, porque o modelo escolhido será utilizado através
de todo o processo de interpolação e influenciará todos os resultados e conclusões. Nesse
estágio, o avaliador deverá decidir se pode ou não aplicar a geoestatística para inferências,
pois o variograma é a única maneira para verificar se a variável em estudo tem continuidade
espacial ou não.
Para a construção do variograma as amostras devem estar distribuídas segundo
um arranjo regular. Considerar, porém, o conjunto de amostras distribuídas em arranjo
irregular, conforme apresentado na Figura 7. Neste caso, para determinar o variograma
experimental, é necessário introduzir limites de tolerância para direção e distância.

Figura 7. Parâmetros para o cálculo do variograma. (FONTE: Modificada de Deutsch e Journel

,1992)

Tomar como referência o lag2 (lag refere-se a uma distância pré-definida, a qual é
utilizada no cálculo do variograma) da Figura 7. Supor um incremento de lag igual a 100
metros com tolerância de 50 metros. Considerar ainda a direção de medida 45º com
tolerância angular 22.5º. Então, qualquer par de observações cuja distância esteja
compreendida entre 150m e 250m e 22.5º e 67.5º será incluído no cálculo do variograma
de Lag2. Este processo se repete para todos os lags.

21
 Ainda com referência na Figura 7, a largura de banda (BW) se refere a um valor
de ajuste a partir do qual se restringe o número de pares de observações para o cálculo
do variograma. Após obtido o variograma, conhecido como experimental, a próxima etapa
constitui o seu ajuste a um modelo teórico.

5.1.2. Exemplo de cálculo do variograma

Considerar o seguinte conjunto de valores que representam os teores de pH do
solo:
7; 7,4; 6,9; 7,5; 7,3; 7,8; 7,7; 6,8; 6,8;

Supor que se dispõe de uma séria discreta de amostras obtidas num intervalo l,
com distâncias iguais uma da outra no valor a (Figura 8).

a a a a

x(z1) x(z2) x(z3) x(z4) x(z5)

Figura 8. Amostras com distâncias a.

A estimativa de  (h) será,

para amostras separadas a uma distância h = a

1 4
2 h  a   2 a    X zi   X zi  a 2 (11)
2 i 1

para h =2a

1 3
2 2a    X zi   X zi  2a 2 (12)
3 i 1
.
.
.

22
 etc.
Considerando, então, que os valores de pH do solo estejam a uma distância a,
obtém-se:

2 (a) 
1
8
 
7  7,42  7,4  6,92  ...  6,8  6,82  0,235
(13)

2 2a  
1
7
 
7  6,92  7,4  7,52  ...  7,7  6,82  0,32 (14)

.
.
.
etc.

A medida que for aumentando a distância entre as amostras, os valores de 2 h 

tenderão a aumentar.
Essas diferenças quadráticas entre valores que levam em conta a distância h que
os separa, permite a construção do variograma. Os valores calculados através da função
variograma podem ser representados graficamente, plotando-se no eixo das abscissas a
distância h e no eixo das ordenadas o valor do variograma  h  , como na Figura 9.

Figura 9. Variograma experimental.

23
 A interpretação do variograma permite obter parâmetros que descrevem o
comportamento espacial das variáveis regionalizadas. Uma feição resultante da análise
dos parâmetros do variograma é a zona de influência, ou seja, qualquer valor de Z(x)
estará correlacionado com outros valores Z(x+h) que estiverem dentro de um raio “a” de x.

5.2. Grau de dependência espacial

Os variogramas 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, indicando também continuidade da
característica estudada no terreno (LANDIM, 1998).
Trangmar et al. (1985) sugeriram o uso da % da variância do efeito pepita para
mensurar a dependência espacial, sendo que Cambardella et al. (1994) propuseram os
seguintes intervalos para avaliar a % da variância 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 (15)
C0  C

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

C
IDE  100 (16)
C0  C

e a classificação quanto ao grau de dependência espacial da variável em estudo é:

i) variável independente espacialmente – se a relação entre a componente
estrutural e patamar for igual a 0 %, neste caso temos o variograma será com efeito pepita
C
puro ou  0.
C0  C

24
 ii) variável com fraca dependência espacial – se a componente estrutural for
 C 
menor ou igual a 25% do patamar   0,25 ;
 C0  C 
iii) variável com moderada dependência espacial – se a componente estrutural
 C 
representar entre 25% e 75% do patamar  0,25   0,75 ;
 C0  C 
iv) variável com forte dependência espacial – se a relação entre componente
 C 
estrutural e patamar estiver entre 75% e 100%  0,75   1,00 ;
 C0  C 

5.3. Isotropia e anisotropia

Notar que h é um vetor e o variograma depende da magnitude e da direção de h.
Quando o variograma é idêntico para qualquer direção de h ele é chamado de isotrópico e
quando o variograma apresenta os parâmetros C, C0, a e/ou modelo diferenciado
dependendo da direção de h, ele é chamado anisotrópico. Se o variograma é anisotrópico
ele deve sofrer transformações antes de ser usado. Vieira (1995) alega que, em geral, a
precisão da interpolação ou o tipo de hipótese satisfeita, não são afetados se, ao invés de
se preocupar com a escolha de método de transformação de anisotropia, apenas limitar a
faixa de distância na qual se utiliza o variograma.
Quando os dados forem coletados em uma transeção (linha), o variograma é
unidimensional e nada pode ser dito sobre anisotropia (GUIMARÃES, 2004).
A anisotropia pode ser facilmente constatada através da observação dos
variogramas obtidos para diferentes direções. As principais direções de h (Figura 10)
examinadas são: 0º (na direção X), 90º (na direção Y), 45º e 135º (nas duas diagonais
principais).

25
 N 0o
45o

90o

O L

135o

S
Figura 10. Direções usadas na geoestatística.

Considerar os variogramas obtidos para as direções 0°, 45°, 90° e 135°, ilustrados
na Figura 11. Verifica-se uma similaridade bastante grande entre eles. Esta é a
representação de um caso simples e menos frequente, em que a distribuição espacial do
fenômeno é denominada isotrópica. Neste caso, um único modelo é suficiente para
descrever a variabilidade espacial do fenômeno em estudo.

(h)
•• •
C
• •
•• • •••
•• •
• •
• 0O
•••
•• 45O
•• 90O
Co 135O

a
Figura 11. Representação gráfica de variogramas isotrópicos.

Por outro lado, se os variogramas não são iguais em todas as direções, a

distribuição é denominada anisotrópica. Se a anisotropia é observada e é refletida pelo

26
mesmo patamar (C) com diferentes alcances (a) do mesmo modelo, então ela é
denominada geométrica.
Considerar o variograma ilustrado na Figura 12. Os pontos interligados com linhas
tracejadas são os variogramas experimentais em duas direções ortogonais. O variograma
que atinge primeiro o patamar (vermelho) se refere à direção de 120° e o variograma com
maior alcance (verde) se refere à direção de 30°. As linhas sólidas em ambas direções são
os modelos teóricos de ajuste dos variogramas experimentais.

(h)

30
O

120
Co O

a a h
Figura 12. Representação gráfica de anisotropia geométrica.

Um modo direto de visualizar e calcular os parâmetros (fator e ângulo) da

anisotropia geométrica é através do esboço gráfico de uma elipse, calculada através dos
alcances obtidos em direções distintas, conforme Figura 13. As convenções que seguem,
são as adotadas por Deutsch e Journel (1992). Para o eixo maior da elipse, denominado
direção de máxima continuidade, aplica-se o maior alcance (a1). O ângulo da direção de
máxima continuidade é definido a partir da direção Norte e no sentido horário. Seu valor
corresponde à direção de maior alcance. O eixo menor define o alcance (a2) na direção de
menor continuidade, sendo este ortogonal à direção principal.

27
 N 0o
o
30
Parâmetros da anisotropia
a1 Fator de anisotropia (Fa)
Fa = a2 / a1
o
90
Ângulo de anisotropia (Aa)
O a2 L Aa = tomado da direção Norte para o eixo de maior
continuidade. No exemplo = 30o.
o
120

S
o
Figura 13. 180
Representação gráfica da anisotropia geométrica em duas direções.
FONTE: Modificada de Deutsch e Journel (1992), p. 24.

O fator de anisotropia geométrica é definido como a razão entre o alcance na

direção de menor continuidade (a2) e o alcance na direção de maior continuidade (a1).
Neste caso, o fator de anisotropia geométrica é sempre menor que a unidade e o
ângulo de anisotropia é igual ao ângulo da direção de máxima continuidade.
Para efeitos de estimativa deve ser obtido um variograma único, entretanto este
modelo geral deve levar em conta tal anisotropia (GUERRA, 1988).
Como a anisotropia geométrica afeta apenas as características geométricas, isto
é, não altera a variância o problema consiste em “corrigir” a distância que intervém no
cálculo do variograma através de:

d x1  x2 2   y1  y2 2 (17)

 h  =  d  variograma “isotrópico”
Utilizando-se a expressão anterior obtém-se um modelo isotrópico e é indiferente
de tomar como base o alcance ax ou o alcance ay (Figura 14).

28
 Tornar isotrópico
a a para menor alcance a
1 2 2

Tornar isotrópico para

maior alcance

a
1

Figura 14. Modelo isotrópico.

Existe ainda um outro tipo de anisotropia em que os variogramas apresentam os

mesmos alcances (a) e diferentes patamares (C). Neste caso, a anisotropia é denominada
Zonal. Como a isotropia, a anisotropia zonal também é um caso menos frequente presente
nos fenômenos naturais. O mais comum é encontrar combinações da anisotropia zonal e
geométrica, denominada anisotropia combinada.
Considerar o variograma apresentado na Figura 15. Os pontos interligados com
linhas tracejadas correspondem a variogramas experimentais em duas direções
ortogonais. O variograma com maior patamar (vermelho) refere-se à direção de 60° e o
variograma com menor patamar (verde) refere-se à sua direção perpendicular (150°). Os
modelos de ajuste aos variogramas estão representados por linhas sólidas.

29
 (h)

C
C

60
O
Co
150
O

a a h

Figura 15. Representação gráfica de anisotropia combinada.

Segundo Isaaks e Srivastava (1989), a anisotropia zonal pode ser considerada

como um caso particular da anisotropia geométrica, ao se supor um fator de anisotropia
muito grande. Nesta condição, o alcance implícito na direção de menor continuidade é
muito grande. A estrutura do variograma é então adicionada somente para a direção de
maior continuidade.

5.4. Modelos teóricos

O ajuste de um modelo teórico ao variograma experimental é um dos aspectos
mais importantes da aplicação da teoria das variáveis regionalizadas e pode, se as
devidas cautelas não forem tomadas, tornar-se uma das maiores fontes de ambiguidade e
polêmica nessa aplicação. Toda estimativa geoestatística depende do modelo variográfico
encontrado. Por isso se o modelo ajustado estiver errado, todos os cálculos subsequentes
também o estarão. Como regra, quanto mais simples puder ser o modelo ajustado,
melhor, e não se deve dar importância excessiva a pequenas flutuações que podem ser
artifícios referentes a um pequeno número de dados.
O ajuste do modelo do variograma pode ser a sentimento ou manual e automático.
O ajuste a sentimento ou manual é feito por quem esta analisando os dados, comparando
visualmente qual modelo teórico que melhor se ajusta aos dados. Já o automático é feito
por um software como, por exemplo, com base nos valores da soma dos quadrados dos
resíduos e do r2 da validação cruzada.
30
 Na análise estrutural do variograma, além do efeito pepita (C0), do patamar (C +
C0) e do alcance (a), outros parâmetros podem ser fornecidos para posterior análise:
- Alcance Efetivo – para alguns modelos o alcance é igual ao efetivo (esférico e
linear), 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);
- Estrutura ou Proporção Espacial C/(C+C0) – que determina quanto da variância
espacial está presente na variância total da amostra.
Dependendo do comportamento da variância (h) para altos valores de h, os
modelos podem ser classificados em: modelos com patamar e modelos sem patamar.
Os modelos com patamar normalmente são ajustes que representam a
estacionaridade de segunda ordem, onde a variância aumenta com o aumento da distância
entre amostras, até atingir o patamar onde se estabiliza (MACHADO, 1994). Já os modelos
sem patamar satisfazem apenas a hipótese intrínseca e os variogramas podem ser definidos,
mas não se estabilizam em nenhum patamar.

5.4.1. Modelos com patamar

Para os modelos com patamar são encontradas, basicamente, quatro funções
teóricas que se ajustam aos modelos de variograma: a) linear; b) esférico; c)exponencial;
d) gaussiano (VIEIRA et al., 1983).
Definindo C0 como efeito pepita, C0 + C como patamar e a como alcance esses
modelos são:

5.4.1.1. Modelo linear

A equação do modelo linear é:

 h   C0 
C
h 0ha (18)
a

 h  C0  C h  a (19)

31
onde: C/a é o coeficiente angular para 0<h<a. Neste modelo (Figura 16), o patamar é
determinado por inspeção; o coeficiente angular, C/a, é determinado pela inclinação da reta
que passa pelos primeiros pontos de (h), dando-se maior peso àqueles que correspondem a
maior número de pares; o efeito pepita, C0, é determinado pela interseção da reta no eixo
(h); o alcance, a, é o valor de h correspondente ao cruzamento da reta inicial com o
patamar; e C = patamar - C0.

Figura 16. Modelo Linear.

5.4.1.2. Modelo Esférico

A equação do modelo esférico é:

3  h  1h 
3

 h   C 0  C        0ha (20)
 2  a  2  a  

 h  C0  C ha (21)

O modelo esférico (Figura 17) é obtido selecionando-se os valores do efeito pepita

(C0) e do patamar (C0 + C), depois passando uma reta que intercepte o eixo y em C0 e seja
tangente aos primeiros pontos próximos de h=0. Esta reta cruzará o patamar à distância

32
a'=2/3 a. Assim, o alcance (a) será a=3a'/2. Como definido, o modelo esférico é
aproximadamente linear até cerca de 1/3 a, conforme Vieira (2000).

Figura 17. Modelo Esférico.

Vários pesquisadores (TRANGMAR et al., 1987; PAZ et al., 1996; SALVIANO,

1996) afirmam que o modelo esférico é o mais adaptado para descrever o comportamento
de variogramas de atributos de plantas e de solos. Neste o patamar e o alcance são
claramente identificados e geralmente o efeito pepita é pequeno em relação a este
patamar (LAMPARELLI et al., 2001).

5.4.1.3. Modelo Exponencial

A equação do modelo exponencial é:

   3   
  h 

 h   C 0  C 1  e   a   
  0 < h < d (22)

onde: d é a máxima distância na qual o variograma é definido. Uma diferença fundamental

entre o modelo exponencial e o esférico é que o exponencial (Figura 18) atinge o patamar
apenas assintoticamente, enquanto que o modelo esférico o atinge no valor do alcance. Os

33
parâmetros C0 e C para os modelos exponencial e gaussiano são determinados da mesma
maneira que para o esférico.

Figura 18. Modelo Exponencial.

O gráfico para o modelo exponencial aumenta mais devagar da origem em direção

ao patamar, e não se pode dizer que o modelo atinja realmente o patamar (LAMPARELLI
et al., 2001). Caso o efeito pepita seja muito pequeno e a estrutura de variabilidade
crescer de maneira bastante suave, o variograma pode ser melhor ajustado pelo modelo
gaussiano. Esse modelo é altamente desejável, pois apresenta boas propriedades, como
uma continuidade na variabilidade a medida que os pontos se afastam entre si.

5.4.1.4. Modelo Gaussiano

A equação do modelo gaussiano é:

  3 h   
 2
  a  
 h   C0  C 1  e  
  0<h<d (23)
 

O modelo gaussiano (Figura 19) é um modelo transitivo, muitas vezes usado para
modelar fenômenos extremamente contínuos (ISAAKS; SRIVASTAVA, 1989).

34
Figura 19. Modelo Gaussiano.

Semelhante no modelo exponencial, o modelo gaussiano atinge o patamar

assintoticamente e o parâmetro a é definido como o alcance prático ou distância na qual o
valor do modelo é 95% do patamar (ISAAKS; SRIVASTAVA, 1989). O que caracteriza este
modelo é seu comportamento parabólico próximo à origem.

5.4.2. Modelos sem patamar

Estes modelos correspondem a fenômenos que têm uma capacidade infinita de
dispersão, e por isso, não têm variância finita e a covariância não pode ser definida. Indicam
presença de tendência nos dados. Eles podem ser escritos da seguinte maneira:

 h  C0  Ah B 0<B<2 (24)

Os parâmetros A e B são constantes que definem o modelo, sendo B estritamente

maior que zero e menor que dois para garantir a condição de positividade definida
condicional (GUIMARÃES, 2004).

35
 5.5. Escalonamento do variograma
Quando se escalona um variograma pela variância, o efeito pepita torna-se
automaticamente uma fração do patamar (VIEIRA et al., 1998), facilitando as
interpretações e comparações entre variogramas de diferentes propriedades, já que assim
pode verificar se contam com o mesmo padrão de variabilidade espacial, uma vez que
assumem valores em uma escala padronizada.
Quando se escalonam dois variogramas de variáveis diferentes eles podem
passar a apresentar variabilidade espacial semelhante, ou seja, valores próximos de efeito
pepita, alcance e patamar (VIEIRA, 1997). Quando isto ocorre, a razão mais provável é
que os processos que regulam estas variáveis na área de estudo são semelhantes no
espaço. Espera-se este comportamento para variáveis como CTC e V%, principalmente
em áreas pequenas, uma vez que expressam grandezas semelhantes, e sendo assim
espera-se que tenham comportamentos espaciais parecidos (VIEIRA, 1997).
Como a escala de (h) pode variar muito é utilizado o escalonamento dos
variogramas individuais para a uniformização.

 1 h 
 sc h   (25)
1

onde: 1 é o fator de escala. Os fatores de escala pode ser: valor da S 2 de cada variável;
valor da média ao quadrado; C do variograma individual.
Após escalonar os variogramas, a soma dos parâmetros C0 e C deve ser 1, já que
o fator de escala utilizado são os valores das variâncias (VIEIRA, 1997). Caso esse valor
se exceda e se apresente como 1,1, significa que o patamar está excedendo a variância
em 10%.
Na Figura 20 é apresentado o variograma não escalonado e o variograma
escalonado.

36
 1.5
20.0

Variância
15.0 1.0
Variância

10.0
0.5
5.0

0.0 0.0
0 5 10 15 20 0 5 10 15 20
Distância (h) Distância (h)

Figura 20. Variograma não escalonado e variograma escalonado pela variância dos
dados.

6. Interpolação de dados
A técnica da confecção dos mapas de isolinhas, onde são geradas estimativas de
valores em pontos não amostrados a partir de pontos amostrados, denomina-se
interpolação de dados (ZIMBACK, 2003).
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; GOTWAY et al., 1996), método do vizinho mais próximo (MYERS,
1991). Entretanto esses métodos não fornecem o algoritmo dos erros associados aos
resultados obtidos o que ocorre apenas com a metodologia geoestatística da Krigagem,
segundo um modelo contínuo de variação espacial (HOSSEINI et al., 1993; YOST et al.,
1982).
A Krigagem é o método de interpolação geoestatística, que usa a dependência
espacial expressa no variograma entre amostras vizinhas para estimar valores em qualquer
posição dentro do campo, sem tendência e com variância mínima. Estas duas características
fazem da Krigagem um interpolador ótimo (BURGESS; WEBSTER, 1980). Todavia não há
garantia que o mapa obtido pela Krigagem tenha o mesmo variograma e a mesma variância
que os dados originais, pois se trata, pela própria natureza do método, de um mapa com
valores suavizados. Essa questão é resolvida pela simulação, que permite infinitas
realizações de mapas, cada qual com aproximadamente o mesmo variograma e a mesma
variância que os dados originais. Teoricamente a média de um grande número de mapas

37
simulados deve fornecer resultados mais reais e, consequentemente, mais confiáveis para
predições.
O nome Krigagem foi dado em homenagem ao engenheiro de minas Sul Africano,
Krige. Segundo Rossi et al. (1994), três características da Krigagem a distinguem dos outros
métodos de interpolação. São elas: pode fornecer uma estimativa maior ou menor que o
valor das amostras, sendo as técnicas tradicionais restritas as faixas de variações das
amostras; tem a vantagem de usar a distância e a geometria entre as amostras, enquanto
que os métodos tradicionais usam distâncias euclidianas para avaliar as amostras; e,
diferente 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, expresso pelo variograma.
Como postulado por Burrough et al. (1998), quando os dados são abundantes, a
maior parte dos métodos de interpolação produz valores semelhantes. Os métodos
tradicionais de interpolação espacial, como triangulação, média local das amostras e
método da distância inversa, estão amplamente disponíveis nos programas do mercado.
No caso de dados esparsos, no entanto, tais métodos possuem limitações na
representação da variabilidade espacial, porque desconsideram a anisotropia e a
continuidade do fenômeno que se quer observar. Além disso, deixam sem resposta
algumas questões importantes, tais como: o tamanho ideal do domínio ou da janela de
estimação, a forma e a orientação que deve ter a janela para se obter uma estimação
ótima, se existem outros modos para estimar os pesos além daqueles baseados em
função de distância, e quais são os erros (incertezas) associados aos valores estimados.
Segundo Oliver e Webster (1990), a Krigagem engloba um conjunto de métodos
de estimação: Krigagem simples, Krigagem ordinária, Krigagem indicativa, Krigagem
universal, Krigagem disjuntiva, Cokrigagem, etc.
A Krigagem ordinária é mais utilizada do que a Krigagem simples por não exigir
conhecimento nem estacionariedade da média sobre toda a área estudada; o
conhecimento da média em uma determinada área de trabalho exige que se tenha tido
muitos dados anteriores ao atual estágio, que permitam tal estimativa (ANDRIOTTI, 2005).

38
 6.1. Krigagem ordinária
A Krigagem ordinária utiliza um estimador linear não-viciado com mínima variância
("BLUE-Best Linear Unbiased Estimator") para interpolação do atributo medido em
posições não-amostradas (ISAAKS; SRIVASTAVA, 1989). Linear porque suas estimativas
são feitas por combinações lineares; Unbiased (sem viés) porque o erro de estimativa
esperado é nulo; e best porque seu objetivo é minimizar a variância destes erros de
estimativa (INOUE et al., 1999). O estimador é uma combinação linear que é uma média
móvel e leva em conta a estrutura de variabilidade encontrada para aquela variável
(medida), expressa pelo variograma e pela localização dos valores conhecidos
(LAMPARELLI et al., 2001). Pontos próximos da posição a ser interpolada apresentam
maiores pesos que os mais distantes.
Na Krigagem ordinária, que é a mais utilizada, e descrita por Trangmar et al. (1985),
o valor interpolado de uma variável regionalizada Z(x0), num local x0, pode ser determinada
por:

n
Z x0    i  Z x1  (26)
i 1

onde:
Z( x 0 ) = valor estimado para local x 0 não amostrado;
Z( x i ) = valores obtidos por amostragem no campo; e
 i = pesos associados ao valor medido na posição xi

A melhor estimativa de z*(x0) é obtida quando:

a) o estimador é não tendencioso

EZ * x0   Z x0   0 (27)

b) a variância da estimativa é mínima

39
 Var Z * x0   Z x0   mínimo (28)

Para que z* seja uma estimativa não tendenciosa de z, a soma dos pesos das
amostras deve ser igual a 1.

 i 1 (29)

Para obter a variância mínima sob a condição de  i  1 , introduz-se o

multiplicador de Lagrange para a dedução das equações e o sistema de Krigagem

resultante é:

   x , x      x , x 
n

i i j i 0 (30)
i 1

onde:  é o multiplicador de Lagrange.

A variância de estimativa é dada por:

 E2     i  xi , x0  (31)

O sistema de equações da Krigagem contém n+1 equações e n+1 incógnitas e

uma única solução produz n pesos  e um multiplicador de Lagrange  .
Em notação matricial, chamando de A a matriz das variâncias dos valores
amostrados envolvidos na estimativa de z*(x0);  a matriz coluna que contém os pesos i

e o multiplicador de Lagrange e b a matriz coluna das variâncias entre os valores

amostrados e o ponto a ser estimado, tem-se:

A  b (32)

40
 E, portanto:

  A1b (33)

A variância da estimativa  E2 é dada por:

 E2  b t  (34)

As matrizes A, b e  são:

 x1 , x1   x1 , x2  ......  x1 , xn  1   x1 , xn  1

 x2 , x1   x2 , x2  ......   x2 , xn  1   x2 , xn  2
...... ...... ...... ...... ...... ...... ...
A= ...... ...... ...... ...... ...... b= ......  = ... (35)
...... ...... ...... ...... ...... ...... ...
 xn , x1   xn , x2  ......   xn , xn  1   xn , xn  n
1 1 ...... 1 0 1 

Obs.: i) A matriz A é simétrica e possui diagonal principal igual a zero, ou igual ao

valor do efeito pepita.
ii) Os valores 1 que aparecem nas matrizes A e b são consequência do
multiplicador de Lagrange.
iii) O sistema deve ser resolvido para cada estimativa z* e para cada variação do
número de amostras envolvidos na estimativa.

Segundo Landim, 2000, ao ser constatado que a variável não possui continuidade
espacial na área estudada, não há sentido lógico em estimar/interpolar usando a
Krigagem, e o único meio disponível para se verificar a existência ou não de continuidade
espacial e, se houver, quais os parâmetros que caracterizam este comportamento
regionalizado, é a análise variográfica.
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

41
misturadas várias amostras para compor uma amostra composta, sendo neste caso é
indicado a Krigagem em bloco porque ela irá representar uma área.
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.

6.1.1. Exemplo: estimativa de um ponto

Este exemplo foi retirado de Landim (2003). Seja uma situação hipotética em que
se dispõem de 4 pontos com observações referentes à profundidade de um filão
mineralizado e se deseja estimar em um novo pontos a profundidade desse veio (Figura
21). Supõe também que a análise variográfica revelou um modelo linear para os dados
com uma relação de 5m2 km-1 , dentro de uma vizinhança de 40 km.
Modelo linear:  =5h

Figura 21. Pontos amostrais.

Pontos Xi Yi Zi
1 0 30 500
2 30 30 450
3 0 0 550
4 30 0 490
X 15 15 ?

Como os pontos se apresentam numa rede quadrada de dimensões 30 x 30, as

distâncias entre eles são:

42
 d 1  2  d 1  3  d 2  4  d 3  4  30km (36)

d 1  4  d 2  3  42,43km (37)

d 1  x  d 2  x   d 3  x  d 4  x  21,21km (38)

Pelo modelo linear do variograma, tais distâncias correspondem às seguintes

variâncias:

21,21  106,05km 2 (39)

30,00  150km 2 (40)

12,43  212,15km 2 (41)

Desse modo, pode-se construir o sistema de equações para a estimativa por

Krigagem ordinária do ponto X:

(42)
o qual é resolvido segundo

   A B
1
(43)

43
 (44)

(45)

Isso significa que, como esperado pela distribuição regular dos pontos, cada um
deles tem o peso de 0,25 para a estimativa de X:
Z x  0,25500  0,25450  0,25550  0,25450  497,50m (46)

A variância associada a tal estimativa é:

Sk2  0,25106,5  0,25106,5  0,25106,5  0,25106,5  21,9875  84,063m2 (47)

S k  9,169m (48)

Supondo que, a distribuição dos valores da estimativa apresente distribuição

normal em torno do valor real e que, portanto, 95% dessa distribuição está no intervalo de
mais ou menos 1,96 desvio padrão, tem-se que o intervalo de confiança é da ordem de 
9,169 * 1,96 = 18 m.
A estimativa do ponto X é, portanto: 497,50 m  18 m.

44
 Supor, em seguida, que um dos pontos de controle coincida com aquele a ser
estimado, por exemplo, que o local X seja o mesmo que 1 (Figura 22). Neste caso apenas
o vetor B  apresenta-se modificado, permanecendo inalterado a matriz A :

Figura 22. Pontos amostrais a ser estimado.

(49)
Resolvendo o sistema, encontra-se o seguinte resultado:

1  1 e 2  3  4  0 (50)

Z x  1500  0450  0550  0490  500m (51)

que é exatamente o valor do poço1.

A variância da estimativa, como esperado, é igual a:

S k2  10  0150  0150  0212,15  0 (52)

Isso mostra que a Krigagem é um método que fornece interpoladores exatos, pois
ao prever valores em pontos previamente conhecidos o faz sem erro.

45
 Através da análise de mapas de contorno ou de superfície, gerados por meio da
Krigagem, pode-se tomar decisões importantes, por exemplo, em relação ao aumento da
eficiência na utilização de fertilizantes, com redução de custo e aumento de produtividade.
Isto porque a aplicação de recomendações médias de fertilizantes, usualmente utilizadas
pelos agricultores, pode resultar em uma super ou sub-fertilização de uma área, com
implicações negativas no ambiente e na relação custo-benefício (MULLA et al., 1992). O
mapeamento da variabilidade espacial das propriedades do solo permite a aplicação de
fertilizantes por zonas de manejo, de forma diferenciada, favorecendo a otimização da
produtividade, aumentando a eficiência do insumo, maximizando os benefícios e
reduzindo custos.

Conforme (LANDIM, 2000), a técnica da Krigagem apresenta as seguintes

vantagens:
- valores estimados baseiam-se no variograma; se for apropriado, fornece as seguintes
informações: - parâmetros adequados de amostragem: número de amostras, distribuição e
densidade; - parâmetros adequados de busca: tamanho de área de busca, forma (circular
ou elipsóide) e, se elipsóide, orientação do eixo principal; - parâmetros adequados de
grade: tamanho das células, forma e orientação; - natureza da distribuição espacial da
variável investigada: uniformidade da distribuição, importância relativa da influência
espacial x casual; - previsibilidade da variação da variável avaliada;
- se o variograma for apropriado controla a Krigagem, com as seguintes vantagens: - evita
ponderação arbitrária dos pontos amostrados; - permite a determinação das melhores
estimativas sem tendenciosidade: o melhor estimador é aquele que produz a melhor
precisão (menor variância); - permite o estabelecimento de limites de confiança, indicando
se os resultados são aceitáveis e se a estratégia de amostragem deve ser modificada; -
precisão, contornos suaves, artefatos indesejáveis raros a não ser nas bordas do mapa;
- interpolador exato: os valores estimados são exatamente iguais aos valores amostrados
na mesma posição;
- estima além dos limites máximo e mínimo dos valores dos pontos amostrados;
- modela tanto tendências regionais quanto anomalias locais;
- Calcula variância dos pontos estimados (erros), que podem ser utilizadas para:

46
- quantificar um intervalo de valores (±) para os pontos estimados, definindo estimativas
realistas;
- calcular intervalos de confiança para verificar a probabilidade dos valores ocorrerem
dentro de um intervalo de ± 2 unidades de desvio padrão da média; variâncias mapeadas
podem indicar locais para adensamento da amostragem.
Segundo Landim (2000), a técnica da Krigagem apresenta as seguintes
desvantagens:
- o usuário pode não compreender o uso dos controles matemáticos e apesar disto
resultados são sempre obtidos;
- é necessário tempo para preparo do variograma e entendimento de geoestatística;
- pode não ser possível a construção de um variograma adequado devido à natureza da
variação espacial da variável analisada. Isto pode ocorrer devido à magnitude da
amostragem e por erros analíticos;
- requer longo tempo de computação para grupos de dados grandes ou complexos.
- necessidade de programa capacitado.
Conforme Landim (2000), a técnica da Krigagem deve ser utilizada quando:
- estiverem presentes tanto tendências regionais quanto anomalias locais;
- anomalias local não presente em toda a área, por ex. em ambientes fluvial;
- quiser estimar com base em uma Média global;
- tiver dados irregularmente amostrados ou agrupados;
Conforme Landim (2000), a técnica da Krigagem não deve ser utilizada quando:
- ocorrer menos de 30 pontos amostrados: número insuficiente de pares para modelar o
variograma;
- valores discrepantes de Z: removê-los antecipadamente;
- erro grande e inexplicado (efeito pepita pronunciado);
- amostras de populações diversas.

7. Validação de modelos de variogramas

O ajuste do variograma é um procedimento que fica a critério do pesquisador, mas
geralmente é feito "a sentimento". Para este tipo de ajuste pode-se utilizar algumas

47
técnicas chamadas de validação cruzada ou de autovalidação para selecionar o
variograma adequadamente (GUIMARÃES, 2004).

7.1. 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 verificar 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), tem o
propósito de predição de locais não amostrados. 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 “jack-knifing”.
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. Têm-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.
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
amostras vizinhas usadas para a estimação (GOOVAERTS, 1997). O raio de pesquisa
onde serão avaliadas as amostras, também, é muito importante para uma boa estimação
e, consequentemente, uma boa validação, como o definido por Kane et al. (1982).

48
 Deve ser ressaltado ainda que, a estimação do valor depende do modelo
variográfico escolhido, (ISAAKS; SRIVASTAVA, 1989).

8. Krigagem indicativa
A Krigagem indicativa, consiste basicamente na aplicação da Krigagem ordinária
para a variável transformada, ou seja, a variável resultante da aplicação da função não
linear f(z) = 0 ou 1. O conceito inicial foi apresentado por Journel (1983) como uma
proposta para construir uma função de distribuição de probabilidades acumuladas
(cumulative distribution function, “cdf”) para a estimativa de distribuições espaciais. O
conceito da transformação indicativa é dos mais simples e amigável, visto que os
variogramas indicativos são os mais fáceis de modelar (LANDIM; STURARO, 2002).
No processo básico da Krigagem, a estimativa é feita para determinar um valor
médio em um local não amostrado. Pode-se, porém, também fazer estimativas baseadas
em valores que se situam abaixo ou acima de um determinado nível de corte (cutoff)
(LANDIM; STURARO, 2002).
Este procedimento, estabelecido para vários níveis de corte (percentis, decis e/ou
quartis, por exemplo) de uma distribuição acumulada, conduzirá a uma estimativa de
vários valores dessa distribuição em um determinado local, cuja função pode ser ajustada
(LANDIM; STURARO, 2002).
Segundo a metodologia geoestatística os valores de um determinado atributo num
determinado ponto do espaço x podem ser considerados como uma realização de uma
variável aleatória (VA), descrita como Z(x). No ponto x, portanto, Z(x) pode assumir
diferentes valores para o atributo considerado, com cada valor associado a uma
determinada probabilidade. Desse modo, uma variável aleatória, contínua ou discreta,
após ordenada pode ser caracterizada pela sua função de distribuição acumulada
condicionada, isto é, uma função de distribuição acumulada condicionada aos n dados
amostrados (conditional cumulative distribution function, “ccdf”) (LANDIM; STURARO,
2002).
Para se atingir estes objetivos o primeiro passo, na Krigagem indicativa, é
transformar os dados originais em indicadores, isto é, transformar os valores que estão
acima de um determinado nível de corte em zero (0) e os que estão abaixo em um (1):

49
 i j v c   1 se v j  v c (53)

i j vc   0 se v j  vc (54)

onde vc = nível de corte e vj é o valor observado.

A frequência acumulada de valores observados, por exemplo, abaixo do nível de
corte pode ser expressa por:

 i v 
n

F v c  
1
j c (55)
n i 1

De modo idêntico, a proporção de valores abaixo do nível de corte pode, também,

ser considerada como a média ponderada dos indicadores, no caso 1, situados na
vizinhança do local avaliado segundo:

 w i v 
n

F vc   j j c (56)
j 1

onde wj são os pesos, cuja soma deve ser 1 pela condição de não viés; ij os
indicadores e vc o nível de corte.
Desta forma, são calculados os variogramas experimentais indicativos para
determinados níveis de corte e estabelecidos os modelos variográficos para os mesmos.
Os variogramas indicativos podem ser estimados pela função:

Nh

 i h, v c    ix  h, v   ix, v 

1 2
c c (57)
2N h i 1

onde:
h = passo (lag) básico
Vc= nível de corte (cutoff)
N = número de pares

50
 Efetuando-se a Krigagem ordinária pontual nos valores transformados, obtém-se a
probabilidade de vi < vc. À medida que se incrementa vc, obter-se-ão valores estimados da
função de distribuição de probabilidades acumuladas, assim expresso (LANDIM;
STURARO, 2002):

 v   iv, v c  
F  v c   E   (58)
 n   n 

com (vi;vc) = 1, se vi ≤ vc.

Definidas as funções da distribuição acumulada, pode-se, portanto, obter qualquer
intervalo probabilístico da variável, ou seja:

F v j   F v i  (59)

onde: vj > vi .
Por fim, de posse dessas proporções para os vários níveis, estabelece-se a
função de distribuição acumulada condicionada para os diversos locais de ocorrência da
variável sob análise.
Se não há níveis de corte com especial significado com relação à variável sob
estudo, o usual é escolher 9 níveis correspondentes aos decis da distribuição.
Independentemente do número de níveis distribuição acumulada da curva será
sempre em função de um número finito de pontos. Para uma estimativa completa haverá
necessidade de interpolações, entre os níveis considerados, e extrapolações para as além
do primeiro e do último nível.
Antes de efetuar a Krigagem indicativa, é necessário que para cada nível de corte
seja encontrado um variograma e uma boa aproximação, se possível, é procurar encontrar
o mesmo modelo para todos eles, principalmente aquele correspondente à mediana
(ISAAKS; SRIVASTAVA, 1989).

51
9. Cokrigagem

9.1. Variograma cruzado

Existem alguns casos em que a determinação de variáveis em estudo é cara e de
difícil amostragem, comprometendo assim o estudo da variabilidade espacial de tal
variável. Para esses casos aplica-se um método chamado cokrigagem que se baseia nos
parâmetros expressos por um variograma cruzado entre duas variáveis para a estimativa
de novos valores em locais não amostrados.
Os variogramas cruzados têm por objetivo descrever a variabilidade espacial e/ou
temporal simultâneas entre duas variáveis aleatórias, sendo que, uma dessas variáveis
deve ser de simples determinação (covariável), isto é, fácil amostragem e/ou baixo custo e
apresentar uma alta correlação espacial com a variável de difícil determinação (variável
primária) que se deseja estimar valores. Desta forma, estará trabalhando com a idéia de
covariável.
Considerar duas variáveis {Z1(t1i), i=1,...,n1} e {Z2(t2j), j=1,...,n2}, com as
amostragens feitas no mesmo espaço (área ou tempo), mas que o número de amostras de
Z1 seja superior ao número de amostras de Z2 (n1 >n2). Assumindo que pelo menos a
hipótese intrínseca está sendo atendida para cada variável individualmente e para a
distribuição conjunta das variáveis, pode-se definir os variogramas individuais e os
variogramas cruzados como:

Cov12 h  EZ1 x  hZ 2 x   m1 m2 (60)

Cov21 h  EZ 2 x  hZ1 x m2 m1

(61)

Consequentemente, o variograma cruzado entre estas variáveis será:

1  N h  
 12 h     Z1 x  h   Z1 x Z 2 x  h   Z 2 x 
2 N h   i 1
(62)


52
 O variograma cruzado só será calculado quando algumas exigências forem
atendidas:
A) As informações existentes devem ser provenientes da mesma posição geográficas
para ambas as variáveis. Isto significa que Z1 e Z2 devem ser definidas para os
mesmos locais;
B) As variáveis em estudo Z1 e Z2 devem ser correlacionadas. A covariável utilizada
deve apresentar uma alta correlação espacial com a variável primária a ser
estimada;
C) As variáveis Z1 e Z2 devem apresentar dependência espacial individualmente. Tanto
a variável primária a ser estimada, quanto a covariável utilizada, devem apresentar
o variograma experimental ajustado a um modelo teórico, e parâmetros bem
definidos;
D) Para que a cokrigagem seja aplicada, as variáveis Z1 e Z2 devem apresentar
dependência espacial em conjunto, dependência esta expressa pelo variograma
cruzado.

9.1.1. Características ideais

Um variograma cruzado com características que podem ser identificadas como
ideais, teria aparência do variograma simples (de uma única variável, ou seja, patamar
definido, variância crescente para pequenas distâncias, modelo esférico), porém, com
significados diferentes, pelo simples fato de envolver o produto das diferenças de duas
variáveis diferentes. Por exemplo, ao contrário do variograma, não é obvio que o valor do
variograma cruzado para h=0, deva ser nulo. Assim, além de espaços menores do que à
distância de amostragem, acumulado no mesmo parâmetro, está à falta de correlação
entre as duas variáveis. O alcance aqui representa apenas o final ou a distância máxima
de dependência espacial entre as variáveis. Já o patamar do variograma cruzado, se
existir, deve aproximar-se do valor da covariância entre as duas variáveis. Assim, quando
as duas variáveis forem de correlação inversa, isto é, quando aumenta uma a outra
diminui, a covariância será negativa e, consequentemente, o variograma cruzado será
negativo. Os modelos utilizados para o variograma cruzado são os mesmos já discutidos
para o variograma simples (VIEIRA, 1998).

53
 9.2. Cokrigagem
A cokrigagem é um procedimento geoestatístico segundo o qual diversas variáveis
regionalizadas podem ser estimadas em conjunto, com base na correlação espacial entre
si. É uma extensão multivariada do método da Krigagem quando para cada local
amostrado obtém-se um vetor de valores em lugar de um único valor.
A aplicação da cokrigagem torna-se bastante evidente quando duas ou mais
variáveis são amostradas nos mesmos locais dentro de um mesmo domínio espacial e
apresentam significativo grau de correlação. Valores ausentes não se tornam
problemáticos, pois o método deve ser usado exatamente quando uma das variáveis
apresenta-se sub-amostrada em relação às demais (LANDIM et al., 2002).
A estimativa de uma variável Z* para qualquer local x deve ser uma combinação
0

linear de Z e Z , ou seja:
1 2

n1 n2
Z x0    i Z1 xi    i Z 2 xi 
*
(63)
i 1 i 1

Em que N e N são os número de vizinhos medidos de Z e Z , respectivamente, e

1 2 1 2

λ e λ são os ponderadores associados a Z e Z os quais são distribuídos de acordo com

1 2 1 2

a dependência espacial de cada uma das variáveis entre si e com a correlação cruzada
entre elas. Da mesma forma que a Krigagem, para que este estimador seja ótimo, ele
também deve ter variância mínima e ser não tendencioso.

®
10. Utilização do programa GS+ para análise geoestatística e interpolação

O programa GS+® é um aplicativo completo e de fácil interação que esta disponível

no mercado para a análise geoestatística. Pode ser adquirido ou encontrada uma versão
de demonstração no endereço: http://www.gammadesign.com. O programa possui uma
excelente ajuda interna, através do “Help” do programa.

54
 10.1. Utilização do programa GS+® para gerar variograma
São apresentados exemplos de importação dos dados, análise exploratória dos
dados, confecção e ajuste do variograma, interpolação dos dados, validação do modelo, e
representação gráfica dos dados interpolados. Nos exemplos será utilizada a Versão 7.0
do GS+® (Figura 23).

Figura 23. Programa GS+® Versão 7.0.

10.1.1. Importação dos dados

Como ponto de partida é descrito a estrutura do arquivo de dados com vistas a
posterior análise geoestatística, pois, é necessário que os valores obtidos estejam
referenciados, ou seja, tenham suas coordenadas bem definidas. Será realizado a análise
bidimensional e, portanto, tem-se as coordenadas X e Y para cada observação.
O arquivo pode ser criado no próprio programa GS +® ou em outro programa, como
o Excel®, necessitando, neste caso de uma importação de dados ou de "copiar" e "colar".
Os dados podem ser importados de vários aplicativos, porem recomenda-se fazer a
planilha de dados no Excel® para posterior importação, devido à facilidade de manuseio.

55
 Ao abrir o programa aparece uma planilha semelhante ao Excel ®. Clicar em Impot
file (Figura 24) e procurar onde se encontra a planilha elaborada no Excel®.

Figura 24. Importação de dados para o GS+®

A planilha deve aparecer no GS+®. Clicar OK. Caso ocorra o aparecimento de

dados estranhos ou símbolos, verificar se em Iniciar – Configurações - Painel de
Controle – Configurações Regionais está selecionado Ingês (EUA), por que no GS+® o
sistema não é o métrico e o decimal é representado por ponto e não vírgula.
A Figura 25 mostra o aspecto básico do arquivo de dados.

56
Figura 25. Janela inicial do GS+® com exemplo de arquivo de dados contento as
coordenadas (x,y) e 2 variáveis para a análise (densidade do solo e % de
argila).

Na primeira coluna encontra-se a coordenada X, na segunda coluna a coordenada

Y e na terceira e quarta colunas tem-se as variáveis, ou seja, neste caso estão sendo
consideradas duas 2 variáveis (Z1 e Z2).
No topo de cada coluna, quando clicado, aparece a Figura 26 abaixo, onde pode
ser selecionado o nome de cada variável. Para selecionar a variável a ser estudada basta
clicar na coluna correspondente e selecioná-la como a variável principal. Por exemplo,
procede-se da seguinte forma:

57
Figura 26. Janela para colocar o nome da variável e para selecionar a variável a ser
analisada.

- Clicar sobre a coluna de interesse (coluna 3, neste exemplo); a coluna é

selecionada e aparece a segunda janela, indicando a coluna ativa.
- Clicar em Z (Primary variable) para selecionar esta coluna como sendo sua
variável de analise.
- Clicar em OK para confirmar a opção
Pode-se ainda trabalhar com duas variáveis simultaneamente. Neste caso
seleciona-se uma variável Z2 como covariável.

10.1.2. Análise Exploratória dos dados

A barra de ferramenta apresenta os seguintes símbolos que são destinados a este
tipo de análise (Figura 27):

58
Figura 27. Barra de ferramenta para análise exploratória.

Os ícones não ativos são destinados a análise com duas variáveis (variograma
cruzados, cokrigagem, etc).
Para exemplificar o resultado deste tipo de análise será utilizado os dados da
primeira variável (densidade do solo - coluna 3).
Clicando no ícone Σ, os principais parâmetros estatísticos são disponibilizados
(Figura 28).

Figura 28. Estatísticas da variável “densidade do solo”.

Como uma análise geral desses dados verifica-se que a densidade do solo
apresentou média de 1,328 (g cm-3), com uma dispersão média em torno desse valor de
0,202 (g cm-3) e, portanto, uma variabilidade de 15,21%. Deste modo nota-se que as
observações se dispersam pouco em torno da média. O menor valor observado (0,82 g
cm-3) e o maior valor observado (1,82 g cm-3) reforçam a idéia de baixa variabilidade das

59
observações e também mostram que, provavelmente, não ha valores discrepantes que
poderiam ser atribuídos a erros de determinação, digitação ou de amostragem. O
histograma mostra uma tendência dos dados à simetria e este fato também pode ser
verificado por meio dos coeficientes de assimetria e curtose associados aos seus
respectivos erros padrão, que são respectivamente: 0,35±0,22 e -0,44±0,44. Como
assimetria e curtose esta próximos de zero tem-se uma distribuição normal aproximada
dos dados.
Notar ainda que existe a possibilidade de se fazer análises com dados
transformados.
Para disponibilizar os gráficos de distribuição de freqüência, clicar como Figura 29.

Figura 29. Análise gráfica dos dados

No detalhamento da distribuição da variável em um primeiro momento tem-se a

visualização do histograma e posteriormente pode-se fazer análises com distribuição de
freqüências acumuladas e gráfico da distribuição normal.
Qualquer modificação dos gráficos pode ser realizada usando Edit graph.
Uma outra análise utilizada no GS+® é a localização espacial dos pontos
amostrados com relação a intervalos de ocorrência. Para visualizar a espacialização da
amostragem, clicar como Figura 30.

60
Figura 30. Localização espacial das observações

Verifica-se, por meio da Figura 30, que a princípio há indícios de concentração de

valores altos ou baixos em setores específicos da malha, mas parece não existir tendência
nos dados e, provavelmente, se existir relação espacial, esta poderá ser representada por
um variograma médio (isotrópico).

10.1.3. Confecção e ajuste do variograma

Na confecção dos variogramas, selecionar Variogram-Z, para visualizar o
variograma teórico.
Ativando o ícone do variograma, o programa apresenta a seguinte janela (Figura
31):

61
Figura 31. Análise da variância

A distância máxima para cálculo da variância deve ser no máximo igual à

máxima distância de coleta da amostra. O GS +® adota como critério inicial 50% da
distância máxima, isto se justifica pelo fato de que a grandes distâncias o número de pares
para o cálculo da variância reduz-se drasticamente, fazendo com que a estimativa da
variância tenha pouca precisão. Este valor pode ser alterado pelo usuário.
Os passos para cálculo das variâncias consiste em como as variâncias vão ser
agrupadas. Quanto maior for este valor menos pontos ter-se-a no variograma.
Vale ressaltar também que, se este passo for muito pequeno, tem-se classes de
distância sem pares para cálculo da variância.
Para a análise do variograma isotrópico o ângulo de tolerância (offset tolerance)
deve ser de 90° e, neste caso, os variogramas para as diferentes direções serão iguais.
Não sera abordado neste texto a discussão sobre isotropia e anisotropia e procedimentos
de análise de anisotropia.
Na janela “variogram options” da Figura 33, se não for marcado as opções tem-
se apenas o variograma experimental. Se for marcado a primeira opção, aparecerá uma
linha tracejada que representa a variância amostral (s2), sendo desejável que, quando o

62
nível de estabilização do variograma seja próxima a esta linha. Ao ser marcada a segunda
opção tem-se uma proposta de modelo ajustado.
A Figura 32 ilustra o resultado de um variograma.

Figura 32. Exemplo de um variograma

Notar que a Figura 32 apresenta ainda a opção model e a opção expand. O

resultado da execução dessas funções são apresentados nas Figuras 35 e 36.
A Figura 33 exibe as opções de modelos de variogramas.

63
Figura 33. Modelos e análises dos modelos

Conforme observado na Figura 35 o modelo ajustado aos dados de densidade do

solo é o esférico, com um valor de efeito pepita de 0,0137 e patamar de 0,04600. O
alcance encontrado para a densidade do solo é de 3,61m, ou seja, num raio de até 3,61m
os dados estão correlacionados espacialmente. A soma de quadrado do erro é de 3,537
10-5 (ou 0,00003537), que é um erro muito pequeno, e o r2 é de 86%, mostrando assim
que o modelo ajustado ao variograma experimental é adequado. A relação entre o C e o
patamar, ou seja o índice de dependência espacial, foi de 70% apresentado moderada
dependência espacial, conforme ZimbacK (2001).
O GS+® permite, no comando model (Figura 33), visualizar os modelos com os
respectivos ajustes feito pelo programa (vale relembrar que o GS+® seleciona o modelo
com a menor soma de quadrados de resíduos (RSS)). Ao usuário é permitido a
modificação do modelo selecionado ou, então, dos parâmetros dos modelos e, realizadas
modificações, deve ser dado OK para que o programa tome este modelo como o modelo
de variabilidade espacial ou temporal daquela variável. Para retornar ao modelo padrão do
GS+® clicar no comando Autofit.
Observações:
a) O programa não apresenta o modelo com efeito pepita puro. Para obter este
modelo utilize o modelo linear com C0 = C0 +C.

64
 b) No ajuste do modelo a sensibilidade do usuário é muito mais importante do que
os valores de R2 e RSS e, portanto, tentativas de ajustes diferentes ao proposto pelo
programa devem ser utilizadas, mesmo que isso cause queda no valor de R 2 e acréscimo
no valor de RSS.
g) O programa não apresenta a opção de ajuste de modelo sem patamar.

A Figura 34 mostra o resultado da execução do comando expand.

Figura 34. Variograma e opções de edição

Nesta tela tem-se a exibição das variâncias calculadas, do modelo de variograma

ajustado e dos parâmetros desse modelo. A listagem dos valores de variâncias (Figura 35)
com as respectivas distâncias de cálculo (list values), permite que estes valores sejam
transportados para outros programas e tenha a opção de agrupar vários modelos em uma
única figura.

65
Figura 35. Valores listados.

Deve-se selecionar Standardized variogram, quando se quer um variograma

padronizado, ou seja, o variograma onde cada variância é dividida pela variância dos
dados (Figura 36). Este tipo de variograma é utilizado para comparar variogramas de
diferentes dados com escalas diferentes.

66
Figura 36. Variograma padronizado

®
10.2. Interpolação dos dados no GS+

A interpolação dos dados pode feita pelo método do inverso ponderado das
distâncias (IDW), por Krigagem pontual ou em bloco e pela simulação condicional.
A Figura 37 mostra a janela da Krigagem no GS+®. Para ativar a Krigagem basta
ativar o ícone com a letra k. Como apresentado na figura 39 a Krigagem realizada foi a
pontual, que deve ser utilizada quando cada valor observado corresponde a um único
ponto; quando for utilizado um conjunto de pontos para representar um valor a Krigagem
deve ser em bloco.

67
Figura 37. Krigagem no GS+®.

A Krigagem pode ser expressa por meio de mapas, sendo necessário para isto,
ativar o ícone map, tendo como resultado a Figura 38.

68
Figura 38. Opções de mapas no GS+®.

10.2.1. Validação do modelo

O Coeficiente de Regressão apresenta o ajuste da equação de regressão linear
entre os valores reais ou obtidos experimentalmente e os valores estimados por
interpolação. Na Figura 39 está representado um exemplo de validação cruzada.
De acordo com o resultado da validação cruzada na Figura 39, a interpolação por
Krigagem esta estimando bem os dados de densidade do solo.

69
Figura 39. Validação cruzada da Krigagem no GS+®.

10.2.2. Representação Gráfica dos Dados Interpolados

Os dados podem ser representados de várias maneiras e em várias classes. A
seguir exemplo de representação em 2D (Figura 40) e em 3D (Figura 41).

Figura 40. Representação da interpolação em 2D.

70
Figura 41. Representação da interpolação em 3D.

Os pontos mais altos da representação 3D correspondem aos maiores valores de

densidade do solo.

®
11. Utilização do programa GS+ para interpolar por Krigagem Indicativa

Os dados são proveniente de um levantamento efetuado pelo “Swiss Federal

Institute of Technology” em Lausanne/Suíça (GOOVAERTS, P. (1997) – Geostatistics for
Natural Resources Evaluation: Oxford University Press). Nos 359 pontos foram coletados
solos para análise de cádmio (ppm), cobre (ppm), chumbo (ppm), cobalto (ppm), cromo
(ppm), níquel (ppm) e zinco (ppm). Porém neste exemplo será utilizado apenas os valores
dos teores de chumbo (Pb).
Para realizar a análise por Krigagem indicativa deve ser feita a transformação dos
valores dos dados para valores binários 0-1.
O nível de corte, necessário para a transformação binária 0-1, é de 50 para
chumbo. Esses valores são definidos como sendo o máximo tolerável para um solo ser
considerado não poluído.

71
 Para a transformação binária usar o aplicativo Excel®|função (fx)|Lógica|se, da
seguinte maneira:
Para chumbo =SE(F2<=50,0,1)
Na Figura 42 esta apresentado o mapa de amostragem dos dados.

Figura 42. Mapa de amostragem dos dados binários.

Ao realizar a análise variográfica dos dados binários de Chumbo obtém-se a

Figura 43.

72
Figura 43. Resultado da análise variográfica dos dados binários do chumbo.

O modelo e parâmetros do variograma binário de chumbo esta apresentada na

Figura 44. Utilizando um lag de 2,81 e passo de 0,19, o modelo ajustado aos dados
binários foi o exponencial. O valor de efeito pepita (C0) encontrado foi 0,1252; de patamar
foi 0,2514; e um alcance de 0,87m, ou seja, até um raio de 0,87m os dados estão
correlacionados espacialmente. O índice de dependência espacial (IDE) é de 50%, sendo
classificado como dependência moderada, de acordo com Zimback (2001).

73
Figura 44. Modelo e parâmetros do variograma binário do chumbo.

A validação cruzada dos dados binários esta apresentada na Figura 45.

Figura 45. Validação cruzada dos dados binários do chumbo

74
 O resultado da interpolação por Krigagem indicativa do chumbo esta apresentada
na Figura 46.

Figura 46. Mapa de interpolação por Krigagem indicativa do chumbo.

Normalmente o resultado se apresenta na forma de uma mapa com dimensões

regulares, um quadrado ou um retângulo, englobando, portanto, uma área maior do que
aquela amostrada. Há, porém, situações em que se quer o resultado referente apenas à
área amostrada e, portanto, restrita a uma polígono irregular. Para tanto obedecer ao
seguinte procedimento, na janela interpolação selecionar a opção include irregular
shapes (polygons) e clicar em Define (Figura 47).

75
Figura 47. Definindo malha irregular.

Na janela Define Polygon Outlines escrever na primeira linha exclude e inserir os

valores das coordenadas limite da área (Figura 48).

Figura 48. Definindo malha irregular com as coordenadas limites.

Depois de inserir os valores das coordenadas limites dar Exit e pedir para calcular
na janela da interpolação, gerando o mapa com contorno (Figura 49).

76
Figura 49. Mapa irregular do Chumbo.

®
12. Uso do GS+ no ajuste de variograma cruzado e interpolação por Cokrigagem
para geração de mapas

12.1. Exemplo de aplicação com malha reticulada da variável primária completa

Para o exemplo em questão sera considerado duas variáveis, Radiação Solar (R
solar) e a Evapotranspiração (Evapot), ambas compostas por uma malha regular com 364
pontos cada. A planilha de dados com o conjunto de observações das variáveis e suas
coordenadas pode ser observada logo abaixo na Figura 50.

77
Figura 50. Planilha de dados com os pontos das coordenadas e variáveis completa a
serem utilizados na geração do variograma cruzado.

Sera utilizado a (R solar) como variável primária e a (Evapot) como covariável, ou

seja, a variável (Evapot) servirá como suporte para estimativa da (R solar). A escolha da
variável primária e covariável podeser efetuada com um “click” sobre a coluna e célula na
qual se encontra o nome da respectiva variável, assim como observado nas Figuras 51 e
52.

78
Figura 51. Janela de definição da variável primária do conjunto de dados.

Figura 52. Janela de definição da covariável do conjunto de dados.

Observar que ao definir a variável primária e a covariável, fica designado a letra (Z)
e (Z2) respectivamente, para identificá-las, e ainda, todos os atalhos da barra de

79
ferramentas ficam disponíveis para ativação. A Figura 53 define todos os ícones que serão
utilizados como ferramentas para realização da análise em questão.

Figura 53. Identificação dos ícones ativos na barra de ferramentas utilizados na geração
do variograma cruzado e Cokrigagem.

Como visto anteriormente, para a realização da Cokrigagem é necessário que

algumas exigências sejam atingidas. Ver agora, quais as ferramentas que serão utilizadas
para observar se essas exigências são satisfeitas para os dados em questão:
1º. As informações das variáveis devem ser provenientes de posições
geográficas coincidentes, logo (Z) e (Z2) amostradas nos mesmos locais:
As formas de analisar se as variáveis que estamos estudando são constituídas de
dados amostrados em locais coincidentes, seria observando a minha planilha de dados
(worksheet) ou clicando na ferramenta que ilustra a dispersão dos dados da variável (Z) e
(Z2) na malha amostral, representada pelo seguinte ícone na barra de ferramentas,
respectivamente:

(Z) (Z2)
As Figuras 54 e 55 ilustram a dispersão dos dados da variável primária (R solar) e
da covariável (Evapot) na malha amostral, permitindo observar que, as variáveis
apresentam coincidência de amostragem para todas as observações, atendendo assim a
1º exigência.

80
Figura 54. Janela de ilustração da malha amostral com a distribuição das observações da
variável primária.

Figura 55. Janela de ilustração da malha amostral com a distribuição das observações da
covariável.

2º. As variáveis em estudo (Z) e (Z2) devem ser correlacionadas:

As variáveis utilizadas para a geração da CoKrigagem devem apresentar correlação
linear entre si. A confirmação dessa exigência pode ser observada com o auxílio da
análise descritiva de “Regressão” representada na barra de ferramenta pelo ícone:

81
 Com um “clik” sobre o ícone, abre-se uma janela que expressa o gráfico da análise
de regressão entre as variáveis, juntamente com o coeficiente de determinação (R 2) e os
coeficientes que determinam o modelo ajustado. A Figura 56 ilustra o gráfico da regressão
entre a variável primária Z (R solar) e a covariável Z2 (Evapot).

Figura 56. Gráfico e coeficientes da analise de regressão entre as variáveis utilizadas na

Cokrigagem.

Como pode ser observado visualmente na figura acima, pela distribuição dos
pontos experimentais ao longo da reta (modelo teórico) e pelo valor do coeficiente de
determinação R2 = 0.968, a variável primária (R solar) e a covariável (Evapot) apresentam
uma alta correlação positiva, atendendo assim a 2º exigência para aplicação da
Cokrigagem.
3º. (Z) e (Z2) devem apresentar variogramas definidos isoladamente:
Tanto a variável primária (Z) quanto à covariável (Z2) devem apresentar
dependência espacial individualmente para aplicação da CoKrigagem. Deve-se, portanto,

82
ajustar um variograma para cada variável, utilizando na barra de ferramentas os seguintes
ícones respectivamente:

(Z) (Z2)

As Figuras 57 e 58 mostram os variogramas ajustados e seus parâmetros, tanto

para a variável primária como para a covariável, evidenciando assim que as variáveis em
estudo apresentam dependência espacial isoladamente.

Figura 57. Variograma e seus parâmetros modelo exponencial para variável primária (R
solar).

83
Figura 58. Variograma e seus parâmetros ajustado ao modelo exponencial para covariável
(Evapot).

Atendida as exigências impostas para a aplicação da cokrigagem, o próximo passo

é o ajuste das duas variáveis em um só variograma, que mostrara se as variáveis
apresentam dependência espacial em conjunto. Para isso sera utilizada a ferramenta
variograma cruzado, representada na barra de ferramentas pelo ícone:

A Figura 59 ilustra o resultado do variograma cruzado ajustado, e seus parâmetros

para a variável primária (R solar) utilizando a (Evapot) como covariável.

84
Figura 59. Variograma cruzado e seus parâmetros ajustados ao modelo exponencial para
variável primária (R solar) usando como covariável a (Evapot).

Observa-se uma melhora de ajuste quando se utiliza o variograma cruzado em

relação ao variograma simples para a variável primária (R solar), baseado nos valores do
RSS (Soma do Quadrados dos resíduos), principal parâmetro adotado pelo programa
GS+® na escolha do melhor ajuste para o variograma gerado, sendo que, quanto menor
esse valor melhor o ajuste. Isso é confirmado analisando as Figuras 57 e 59, onde os
variogramas ajustados para a variável (R solar) apresentam redução no RSS de 16,1 para
0,832, respectivamente. Verifica-se ainda que a utilização da Evapotranspiração como
covariável na estimativa da Radiação solar provocou alteração no alcance da dependência
espacial com redução de 3,06 para 2,82.
Com o ganho no ajuste utilizando o variograma cruzado em relação ao simples,
o passo seguinte é realizar a co-crigagem. Para isso vamos utilizar o mesmo ícone que é
utilizado para a Krigagem simples, representada na barra de ferramentas como:

85
 Na janela de interpolação por Krigagem, no campo “Type” marque a opção
“point kriging” e “Cokring”, como mostra a Figura 60. Antes de gerar a grade interpolada
por coKrigagem, valide o modelo ajustado por meio da “Cross-Validate”.

Figura 60. Aspecto da janela de interpolação por cokrigagem em pontos para a variável (R
solar).

Ao clicar em “Cross-Validade”, abre -se uma janela que esboça o gráfico da

regressão e seus coeficientes entre a observação real da variável (R solar) amostrado em
campo e seu valor estimado pela cokrigagem, como mostra a Figura 61.

86
Figura 61. Validação cruzada da variável (R solar) estimadas por cokrigagem, baseada
nos parâmetros do variograma cruzada ajustado, utilizando como covariável a
Evapotranspiração.

Na Figura 61 observar que, quanto mais afastada estiver à reta da linha

pontilhada, maiores serão os desvios entre as observações reais amostradas em campo e
as estimadas pela cokrigagem, neste caso. Sendo que, quando a reta estiver acima da
linha pontilhada ela estará superestimando e quando abaixo, subestimando os valores das
observações, com o valor do intercepto passando a ser negativo.
Para saber se as observações da variável (R solar) serão mais bem estimadas por
meio da cokrigagem, deve-se comparar a sua validação cruzada com a da Krigagem
ordinária, que é ilustrada na Figura 62. Primeiramente, percebe-se visualmente que a reta
esta praticamente sobrepondo a linha pontilhada, evidenciando assim uma estimativa bem
melhor das observações da variável, que as apresentadas pela validação da CoKrigagem.
Ou ainda, baseado nos valores do coeficiente de regressão e do intercepto, que
constituem a equação da regressão, os melhores valores são encontrados para a
validação da Krigagem simples, com coeficiente de regressão próximo de 1 (um) e

87
intercepto próximo a 0 (zero), correspondendo a 1,002 e 0,02 respectivamente,
demonstrando assim ser um ótimo estimador, sem tendências e com variância mínima.

Figura 62. Validação cruzada da variável (R solar) estimadas por Krigagem simples,
baseada nos parâmetros do variograma ajustado.

Neste caso, mesmo com um ajuste melhor do variograma cruzado, a aplicação da

cokrigagem se torna desnecessária e sem sentido, pois não se obteve nenhum ganho no
uso da cokrigagem em relação à Krigagem simples. A principal explicação para o ocorrido
pode estar atrelado à malha amostral da variável primária utilizada, que apresenta o
mesmo número de observações da sua covariável. A vantagem de se utilizar a
cokrigagem normalmente existe quando a variável que se deseja estimar (variável
primária) apresenta uma menor densidade de amostragem que a covariável, como a
seguir.

88
 12.2. Exemplo de aplicação com malha reticulada para variável primária
incompleta
Para esse exemplo, sera utilizado as mesmas variáveis, e da mesma forma como
no caso anterior, a variável primária (R solar) será estimada com auxílio da covariável
(Evapot). A mudança aqui ocorrerá na densidade da malha amostral da variável (R solar),
que será inferior a da sua covariável. Isso para observar se, com o uso da cokrigagem
baseada nos parâmetros do variograma cruzado, iremos obter melhorias na estimativa,
quando comparada com a Krigagem simples. Para observar a mudança na malha da
variável (R solar) utilize as ferramentas de análise descritiva.
A diminuição no número de observações pode ser visualizada pelo “Resumo
Estatístico da variável primária (Z)”, representadas pelo seguinte ícone na barra de
ferramenta:

Além do resumo estatístico da variável primária (R solar), observa-se abaixo na

Figura 63, que foram excluídas 184 observações das 364 totais.

Figura 63. Janela do resumo estatístico da variável primária (R solar), em destaque o

número de observações que constitui a nova malha de amostragem e o
numero de pontos exclusos.

89
 Com a retirada de mais da metade das observações, têm-se uma nova malha
amostral para a variável a ser estimada (R solar). Com essa nova malha sera repetido
todos os passos realizados no primeiro exemplo, no que se refere às exigências impostas
para aplicação da cokrigagem e observar se elas são satisfeitas. Os resultados desses
passos são ilustrados pelas Figuras 64 a 68.

Figura 64. Janela de ilustração da nova malha amostral com a distribuição das
observações da variável primária (R solar).

Figura 65. Janela de ilustração da malha amostral com a distribuição das observações da
covariável (Evapot).

90
Figura 66. Variograma e seus parâmetros, ajustado ao modelo exponencial para variável
primaria (R solar).

Figura 67. Variograma e seus parâmetros, ajustado ao modelo exponencial para

covariável (Evapot).

91
Figura 68. Variograma cruzado e seus parâmetros, ajustado ao modelo exponencial para
variável primária (R solar) usando como covariável a (Evapot).

Com base nas Figuras 66 e 68, assim como no primeiro exemplo, houve uma
melhoria no ajuste ao se utilizar o variograma cruzado em relação ao variograma simples
para a variável primária (R solar). O variograma cruzado apresentou menor valor do
parâmetro RSS (1,94) e maior R2 (0,890). Verificou-se ainda com a utilização da (Evapot)
como covariável na estimativa da Radiação solar, um aumento no IDE de 0,869 para
0,999 e uma alteração no alcance da dependência espacial com redução de 5,16 para
4,62.
Atendida as exigências impostas para a aplicação da cokrigagem e com o ganho
no ajuste utilizando o variograma cruzado em relação ao simples, deve-se analisar a
validação cruzada da CoKrigagem.
As Figuras 69 e 70 mostram o resultado da validação cruzada para a variável (R
solar) interpolada por cokrigagem e Krigagem simples, respectivamente. Comparando a
validação cruzada por cokrigagem com a validação da Krigagem simples, baseado no
coeficiente de regressão e no intercepto, os melhores valores são encontrados para a
validação da cokrigagem, com coeficiente de regressão igual a 0,926, mais próximo de 1

92
(um) e intercepto igual a 1,44, mais próximo a 0 (zero), e ainda, maior R 2 (0,46),
demonstrando assim ser um estimador melhor que a Krigagem simples.

Figura 69. Validação cruzada da variável (R solar) estimada por cokrigagem, baseada nos
parâmetros do variograma cruzado ajustado.

93
Figura 70. Validação cruzada da variável (R solar) estimadas por Krigagem simples
baseada nos parâmetros do variograma ajustado.

Sendo assim, sera utilizado a grade interpolada por cokrigagem para a geração do
mapa de isovalores da variável (R solar). A Figura 71 ilustra o mapa da variável (R solar)
gerado por Krigagem ordinária e por cokrigagem.

94
 (a)

(b)
Figura 71. a) Mapa de isovalores da (R solar) gerado por Krigagem simples; b) - Mapas de
isovalores da (R solar) gerado por cokrigagem.

Avaliando ainda a estimativa das observações da variável pela validação cruzada

nas Figuras 69 e 70, observar-se visualmente pelo afastamento da reta a linha pontilhada,
que a cokrigagem, a partir de um valor médio da variável, superestima a medida que os
valores diminuem e subestima de acordo com o seu aumento. O contrário ocorre para a

95
Krigagem ordinária que apresenta intercepto negativo (-1,74). Esse comportamento pode
ser observado também comparando os valores da variável nas diferentes regiões entre os
mapas da Figura 71.

®
13. Utilização do programa Surfer para confecção de mapas
O Surfer® é um programa gráfico para gerar mapas e superfícies tridimensionais
no sistema operacional Microsoft Windows® (Figura 72). O programa interpola dados no
formato XYZ, onde X e Y são as coordenadas, espacialmente irregulares, originando uma
grade de dados regularmente espaçados, gravados num um arquivo [GRD].

Figura 72. Programa Surfer® Versão 8.0.

O Surfer® utiliza quatro tipos básicos de arquivo: arquivos de dados (.dat),

arquivos de grade (.grid), arquivos de contorno (.boundary) e arquivos surfer (.srf).
Arquivos de dados (.DAT) (Data files): São os arquivos que contém os dados de
entrada.

96
 Arquivos de grade (Grid files): gerados a partir de cálculos resultantes dos dados
do usuário. São usados para produzir mapas de contorno e plotagem de superfície,
variação de volume, cálculos matemáticos de grade e resíduo. Estes arquivos contêm um
conjunto regularmente espaçado de dados Z, organizados em colunas (Y) e linhas (X).
Arquivos de contorno (Boundary files): São arquivos que utilizam os dados dos
arquivos gride para gerar mapas de contorno e superfície, ou um único setor dos dados.
Estes arquivos podem tanto ser compostos por vetores, metafiles ou bipmaps.
Arquivos surfer [.SRF] são os arquivos gerados pelo programa, onde todos os
objetos e padrões da janela de plotagem serão armazenados.

Orientando-se na tela do Surfer®

O Surfer® possui dois modos de utilização: o modo Plot e o modo Worksheet.
O modo Plot serve para confecção de mapas, desenhos, interpolação de dados e
edição de imagens. Este é o modo de exibição principal do programa.
O modo worksheet serve para a entrada de dados e é um modo periférico para
criação e edição de planilhas.
Ao abrir um novo documento (Plot) no Surfer® (Figura 73), é visualizada a seguinte
tela.

97
Figura 73. Apresentação da tela do modo PLOT.

Na Barra de Ferramentas (Figura 74), encontra-se todas as funções e comandos

disponíveis no programa. Abaixo observa-se cada um destas funções e seus comandos.

Figura 74. Itens do primeiro menu.

Em File encontram-se as opções para abrir, salvar arquivos, imprimir mapas ou

superfícies, mudar as opções de impressão, criar novos arquivos, fechar e importar e
exportar arquivos em formatos diferentes dos utilizados pelo Surfer ® (LANDIM et al.,
2002).
O item Edit é utilizado basicamente para copiar, colar, apagar, selecionar e
identificar objetos (mapas, legendas, símbolos etc.), além de desfazer e refazer
procedimentos imediatamente anteriores e posteriores executados (LANDIM et al., 2002).
View é usado para definir o modo de visualização das figuras, escalas e réguas
auxiliares (LANDIM et al., 2002).

98
 No item Draw estão ferramentas para desenho e texto que podem ser
acrescentados aos mapas, úteis para a apresentação de um mapa final (LANDIM et al.,
2002).
O item Arrange possui comandos para a manipulação (orientação e ordenação)
dos objetos da figura, tais como rotação e ordem (sobreposição) desses objetos (LANDIM
et al., 2002).
Em Grid encontram-se os subitens mais importantes do programa, que são
utilizados para a geração das malhas de pontos dos mapas, sendo o núcleo do SURFER ®.
Map contém os recursos de visualização dos mapas gerados, podendo ser um
mapa de contornos, mais comumente usado, mapa de pontos amostrais, relevo
sombreado, mapa de vetores e superfícies pseudo 3-D, além da associação com mapas
base. Também nesse submenu são encontradas as opções de associação, escala e
rotação de mapas (LANDIM et al., 2002).
O item Window do menu principal somente é usado para a organização das
janelas de plotagem e planilha de dados (LANDIM et al., 2002).
Por fim, o item Help possui as informações que podem ser necessárias para
entender os algoritmos do programa e seu funcionamento (LANDIM et al., 2002).

Conforme a figura 75 os comandos de File são:

Figura 75. Itens do primeiro menu File.

New: Cria um novo documento (Plot, Worksheet)

99
 Open: Abre um documento existente.
Close: Fecha o documento atual.
Save: Grava o documento atual.
Save As: Grava o documento com um novo nome.
Import: Importa contornos, metafiles e bipmaps.
Export: Exporta para diferentes formatos.
Print: Imprime o documento atual para a impressora instalada.
Print Setup: Exibe a lista de impressoras instaladas e permite as opções de
alteração.
Page Layout: Modifica os formatos da página.
1,2,3,: Abre os arquivos especificados.
Preferences: Options Controle os padrões de exibição, dos objetos selecionados
e as unidades da página.
Exit: Sai do SURFER®.

Conforme a figura 76 os comandos de Edit são:

Figura 76. Itens do primeiro menu Edit.

Undo: Desfaz a última mudança feita na janela Plot. Esta função pode reverter
diversas mudanças, permitindo retornar a etapas anteriores.
Redo: Refaz o último comando Undo. Esta função pode reverter diversos Undos,
permitindo retornar a etapas desfeitas.

100
 Cut :Remove o objetos selecionados e coloca-os na área de transferência. Este
comando só é disponível se algum objeto for selecionado.
Copy: Copia os objetos selecionados da área de transferência. Este comando só
é disponível se algum objeto for selecionado.
Paste: Cola uma cópia da área de transferência no documento ativo. Este
comando só é disponível quando esta não está vazia.
Paste Special: Especifica o formato do objeto quando colado no documento ativo.
Delete: Apaga os objetos selecionados.
Select All: Seleciona todos os objetos da janela ativa.
Deselect All: Cancela a seleção de todos os objetos
Invert Selection: Seleciona objetos não-selecionados/cancela seleção de objetos
selecionados.
Object ID: Nomeia um ID para o objeto selecionado (útil para o Gerenciador de
Objetos).
Reshape: Modifica polígonos e polilinhas existentes.
Properties: Exibe as propriedades do objeto selecionado

Conforme a figura 77 os comandos de View são:

Figura 77. Itens do primeiro menu Edit.

Page: Enquadra toda a página na janela ativa.

Fit to Window: Enquadra todo o documento na tela do computador.
Actual Size: Enquadra todo o documento ao tamanho original.
Full Screen: Permite a visualização do documento em toda a tela.
101
 Zoom Commands
Zoom In: Aumenta ao dobro da escala atual.
Zoom Out Diminui a metade da escala atual.
Zoom Rectangle Aumenta de acordo com o retângulo definido pelo usuário.
Zoom Selected Enquadra o objeto selecionado em toda a tela.
Zoom Realtime Enquadra o objeto suavemente, conforme o movimento do
cursor.
Redraw: Redesenha o documento.
Auto Redraw: Automaticamente redesenha o mapa cada vez que uma alteração
é feita.
Rulers: Exibe régua auxiliar
Drawing Grid: Exibe grade auxiliar para desenho
Toolbars: Permite Selecionar as barras de ferramentas ativas
Status Bar: Exibe ou esconde a barra de status
Object Manager: Exibe ou esconde o Gerenciador de objetos

Conforme a figura 78 os comandos de Draw são:

Figura 78. Itens do primeiro menu Draw.

Text: Cria um bloco de texto.

Polygon: Cria um polígono fechado.
Polyline: Cria uma polilinha.
Symbol: Cria um símbolo centrado.
Rectangle: Cria um retângulo.
Rounded Rect: Cria um retângulo arredondado.
Ellipse: Cria uma elipse.
102
 Conforme a figura 79 os comandos de Arrange são:

Figura 79. Itens do primeiro menu arrange.

Order Object: Move o objeto selecionado à frente ou atrás dos outros objetos.
Order Overlay: Move a camada selecionada para à frente ou atrás das outras
camadas.
Combine: Reúne os objetos selecionados.
Break Apart: Separa os objetos selecionados
Rotate: Gira o objeto selecionado.
Free Rotate: Gira o objeto selecionado utilizando o mouse.
Align Objects: Alinha os objetos dentro de um retângulo pré-selecionado.
Transform: Modifica Posição e dimensão (x,y) do objeto e rotaciona.

Conforme a figura 80 os comandos de Grid são:

103
Figura 80. Itens do primeiro menu grid.

Data: Produz um arquivo grade [.GRD] para um conjunto de dados X,Y,Z.

Variogram: Gera um variograma.
Function: Produz um arquivo gride [.GRD] com funções definidas pelo usuário.
Math: Produz um arquivo gride [.GRD] através de operação matemáticas em um
arquivo gride pré-existente.
Calculus: Oferece opções usada para interpretar dados [.GRD].
Filter: Filtra um arquivo [.GRD] utilizando um algoritmo de filtração e gera um novo
arquivo [.GRD]
Spline Smooth: Recria um arquivo [.GRD] com um novo número de linhas e
colunas.
Blank: Serve para remover parte dos dados de um arquivo [.GRD].Cria um novo
arquivo com (blank) [.GRD] com base em um [.GRD] existente e um arquivo [.BLN].
Convert: Converte arquivos [.GRD] em ASCII e binários, e converte [.GRD] para
X,Y,Z [.DAT]
Extract: Cria um arquivo gride subgrupo de um arquivo gride existente.
Transform: Altera o posicionamento XY de um valor pontual dentro de um arquivo
gride
Mosaic
Volume: Realiza cálculos de volume e área entre arquivos [.GRD]
Slice: Cria um perfil linear de um arquivo [.GRD] e um arquivo de contorno [.BLN]

104
 Residuals: Calcula as diferenças entre valores nas superfícies [.GRD] e os
valores originais
Grid Node Editor: Permite alterar individualmente cada ponto no gride [.GRD]

Conforme a figura 81 os comandos de Map são:

Figura 81. Itens do primeiro menu map.

Base Map: Cria um mapa base a partir de uma arquivo de contorno, metafile ou
bitmap
Contour Map: Cria um mapa de contorno (curva de nível) a partir de um arquivo
gride ou arquivo DEM
Post: Cria um mapa de pontos definidos
Classed Post: Cria um mapa de pontos definidos baseado na variação dos dados
Image: Cria uma imagem resterizada a partir de um arquivo gride ou DEM
Shaded Relief: Cria um mapa de relevo sombreado a partir de um arquivo gride
ou DEM.Vector Map:Cria um campo vetorial (Gradiente)
Surface: Cria uma superfície 3D a partir de um arquivo gride ou DEM.
Wireframa: Cria um gráfico “gradeado” 3D a partir de um arquivo grade.
Scale Bar: Cria uma escala de distâncias.
Digitize: Cria um arquivo de dados a partir das coordenadas do mapa ativo.
TrackBall: Controla a rotação e giro dos mapas ou sobreposições selecionados.
Scale: Controla a escala dos mapas ou sobreposições selecionados.
Limits: Define a extensão dos mapas ou sobreposições selecionados.
Stack Maps: Alinha os mapas selecionados na página.

105
 Overlay Maps: Combina os mapas selecionados em uma sobreposição.
Break Apart: Separa mapas sobrepostos pelo comando overlay.

Arquivo de dados
Um mapa é construído a partir das posições espaciais de pontos obtidos no
campo e são, normalmente, representados pelos valores X, Y e Z. As coordenadas são os
valores X, posição do ponto no eixo da ordenada leste-oeste, e Y, posição na abscissa
norte-sul, e Z é o valor observado da variável nesse ponto (LANDIM et al., 2002).
Para acessar a planilha de dados basta selecionar FILE/NEW/WORKSHEET,
como na figura 82.

Figura 82. Acesso à planilha de dados.

Aberta a planilha (Figura 83), basta completar as células com os dados, podendo
colocar rótulos na primeira linha das colunas com nome das variáveis. Podem se gravadas
diversas variáveis, porém o programa executa apenas uma variável por vez (LANDIM et
al., 2002).

106
Figura 83. Exemplo de planilha de dados.

O comando File, Edit, Window e Help do WORKSHEET são iguais as do Plot.

Conforme a Figura 84 os comandos de Format são utilizados para formatar a
planilha do Worksheet

107
Figura 84. Itens do primeiro menu.

Conforme a figura 85 os comandos de Data são:

Figura 85. Itens do primeiro menu.

108
 Sort: organiza os dados de forma crescente.
Transform: Transforma os dados, fazendo operações editáveis.
Statistics: Faz análise estatística descritiva dos dados.

13.1. Importação dos dados

O arquivo pode ser criado no próprio programa Surfer® ou em outro programa
como o Excel®, necessitando, neste caso de uma importação de dados ou de "copiar" e
"colar". Os dados podem ser importados de vários aplicativos. Recomenda-se fazer a
planilha de dados no Excel® para posterior importação.
Ao abrir o worksheet programa aparece uma planilha semelhante ao Excel®. Clicar
em File/Open procurar onde se encontra a planilha elaborada no Excel ® e abrir o arquivo
(Figura 86).

Figura 86. Importação de dados para o Surfer®.

A Figura 87 mostra o aspecto básico do arquivo de dados.

109
Figura 87. Worksheet do Surfer® com exemplo de arquivo de dados contento as
coordenadas (x,y) e 2 variáveis para a análise (densidade do solo e % de
argila).

Neste exemplo tem-se um arquivo de dados no Surfer®. Na primeira coluna temos

a coordenada X, na segunda coluna temos a coordenada Y e da terceira a quarta colunas
temos as variáveis.

13.2. Análise Exploratória dos dados

Para realizar a análise exploratória deve ser selecionada a coluna com a variável a
ser analisada e ao clicar em Data/Statistcs aparecerá a seguinte janela (Figura 88):

110
Figura 88. Janela para a análise exploratória.

Na janela Statistcs deve ser selecionado as opções Number of values, Minimum

ou outras que forem necessárias, para a análise exploratória e clicar em OK, para
aparecer os resultados (Figura 89):

111
Figura 89. Estatísticas da variável “dens. do solo”.

Como uma análise geral desses dados verifica-se que a densidade do solo
apresentou média de 1,328 (g cm-3), com um desvio padrão em torno de 0,20 (g cm -3) e,
portanto, uma variabilidade de 15,21%, deste modo nota-se que as observações se
dispersam pouco em torno da média. O menor valor observado (0,87 g cm -3) e o maior
valor observado (1,82 g cm-3) reforçam a idéia de baixa variabilidade das observações e
também mostram que, provavelmente, não ha valores discrepantes que poderiam ser
atribuídos a erros de determinação, digitação ou de amostragem. O histograma mostra
uma tendência dos dados à simetria e este fato também pode ser verificado por meio dos
coeficientes de assimetria e curtose, que são respectivamente: 0,35 e -0,41, como
assimetria e curtose esta próximos de zero temos uma distribuição normal aproximada dos
dados.
Para ir para o Plot basta clicar no ícone New (Figura 90):

112
Figura 90. Ícone new para ir ao plot.

Uma outra análise utilizada no Surfer® é a localização espacial dos pontos

amostrados. O mapa dos pontos amostrados se consegue pelo menu Map/Post Map/New
Post Map, e indica a posição espacial das amostras na área (Figura 91).

Figura 91. Localização espacial das observações.

113
 Entre suas propriedades pode-se definir o símbolo para o ponto, seu tamanho e
cor e inclusive rotular pontos com o nome da amostra se for especificado no arquivo de
dados, por exemplo, para separar amostras de diferentes naturezas ou medida por
diferentes técnicas (Figura 92).

Figura 92. Editando o mapa de pontos amostrais.

Para editar o mapa de pontos é só dar um clique duplo no mapa que aparecerá as
janelas de edição, e para editar os eixos x e y, dar clique duplo sobre o eixo desejado
(Figura 93).

Mapa de pontos da Ds
10

6
Y (m)

0
0 1 2 3 4 5 6 7 8 9 10
X (m)
Figura 93. Mapa de pontos editado.

114
 Para criar um mapa de pontos com classificação, selecione a opção Map/Post
Map/ New Classed Post Map, selecione o arquivo. Esta opção criará um mapa de pontos,
com uma diferenciação entre os pontos baseado no valor da variável (Figura 94).

Mapa de pontos classificado

10

6
Y (m)

0
0 1 2 3 4 5 6 7 8 9 10
X (m)

Figura 94. Mapa de pontos classificados.

Verifica-se, por meio da Figura 96, que a princípio há indícios de concentração de

valores altos ou baixos em setores específicos da malha, mas parece não existir tendência
nos dados e, provavelmente, se existir relação espacial, esta poderá ser representada por
um variograma médio (isotrópico).

13.3. Confecção e ajuste do variograma

Na confecção do variograma, selecionar Grid/Variogram/New variogram,
selecionar o arquivo e solicitar para abrir (Figura 95).

115
Figura 95. Janela para análise da variância.

Selecionar as colunas correspondentes as coordenadas X, Y e a variável a ser

analisada, neste caso densidade do solo, e dar OK. Observa-se pela Figura 96 que foi
gerado um variograma, em que o modelo teórico não esta ajustado ao modelo
experimental. O padrão é sempre aparecer o modelo linear, o que, evidentemente, deve
ser corrigido

Figura 96. Variograma sem modelo teórico ajustado. (IDEM)

116
 O ajuste do modelo teórico ao modelo experimental é feito visualmente no Surfer ®,
ao contrário do GS+®, em que o ajuste é automático. Para fazer o ajuste dê um clique
duplo sobre o variograma, onde aparecerá a seguinte janela (Figura 97):

Figura 97. Janela para ajuste do modelo teórico ao experimental.

Para a análise do variograma isotrópico o ângulo de tolerância (offset tolerance)

deve ser de 90° e, neste caso, os variogramas para as diferentes direções (anisotrópico)
serão iguais ao variograma isotrópico.
Na janela de ajuste do modelo teórico clique na aba Model e remova os
componentes do variograma. Clicar em Add para adicionar o um modelo teórico, por
exemplo o esférico (Spherical), em Scale digiti o valor 0,042 e em Length (A) o valor 3,7
(Figura 98). O Scale corresponde a componente estrutural e o Length ao alcance.

117
Figura 98. Ajuste do modelo teórico ao experimental.

Clique em Add para adicionar o efeito pepita (nugget effect), em Erro Variance
digiti o valor 0,008 e em Micro variance o valor 0 (Figura 99).

Figura 99. Ajuste do efeito pepita do modelo teórico.

Conforme observado na Figura 101 o modelo ajustado aos dados de densidade do

solo é o esférico, com um valor de efeito pepita de 0,008 e patamar de 0,042. O alcance

118
encontrado para a densidade do solo é de 3,7m, ou seja, num raio de até 3,7m os dados
estão correlacionados espacialmente.
Para retornar ao modelo padrão do Surfer® utilize o comando AutoFit.
A edição do variograma é feita dando um clique duplo sobre o variograma e
editando (Figura 100).

Dens. do solo
Direction: 0.0 Tolerance: 90.0
0.07

0.06

0.05
Variograma

0.04

0.03

0.02

0.01

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Distância (m)

Figura 100. Variograma editado.

Observações: No ajuste do modelo a sensibilidade do usuário é muito importante,

pois o programa não disponibiliza informações sobre a acurácia do ajuste.
A aba Plot possibilita a visualização da variância estatística e o número de pares
de cada ponto do variograma experimental (Figura 101).

119
Figura 101. Número de pares do ponto do variograma experimental.

®
13.4. Interpolação dos dados no Surfer

A interpolação dos dados em geoestatística é feita por Krigagem.

A Krigagem no Surfer® é realizada indo em Grid/Data, seleciona o arquivo com os
dados e pede para abrir, aparecerá a seguinte janela (Figura 102):

Figura 102. Krigagem no Surfer®.

Na janela da Krigagem deve ser selecionado as colunas correspondentes as

coordenadas X, Y e a variável a ser analisada. Em Gridding Method deve ser

120
selecionado o interpolador, neste caso, a Krigagem. Clique em Advanced Options (Figura
103):

Figura 103. Opções avançadas da Krigagem.

Na janela opções avançadas da Krigagem, clique em Get variogram para

carregar os parâmetros do variograma ajustado. Em Kriging Type selecione o tipo de
Krigagem, neste caso point (pontual). Dê Ok nas duas janelas (opções avançadas da
Krigagem e Grid Data). A interpolação por Krigagem foi realizada.

13.4.1. Validação do modelo

O Coeficiente de Regressão descreve o ajuste da equação de regressão linear
entre os valores reais ou obtidos experimentalmente e os valores estimados por
interpolação.
Para realizar a validação cruzado no Surfer®, antes de dar Ok na janela de Grid
Data, clique em Closs Validade, e dê Ok na janela que abre. Será salvo uma planilha
(.dat) na pasta de trabalho (Figura 104).

121
Figura 104. Tabela com valores real e estimado pela Krigagem.

Observa-se que na coluna C, os valores reais de densidade do solo (amostrado),

na coluna E os valores estimados de densidade do solo pela Krigagem e na coluna F a
diferença entre os valores estimados e reais.

13.4.1.1. Representação Gráfica dos Dados Interpolados

Os dados podem ser representados de várias maneiras e em várias classes
(classes de manejo).
Para criar o mapa basta ir Map/Contour Map/New Contour Map (Figura 105), e
escolher o arquivo de malha (GRID), gerado pelo procedimento de interpolação por
Krigagem.
122
Figura 105. Menu para criação do mapa de contornos.

O mapa gerado pode ser editado com um duplo clique sobre ele e seus objetos
(Figura 106).

Figura 106. Ferramentas de edição do mapa.

Com estas ferramentas é possível preencher com cores ou padrões, suavizar os

contornos, mudar as escalas de cores, rotular as isolinhas, mudar o padrão, cor e
espessuras das linhas, entre outras opções. A escala de cor que acompanha o mapa
também pode ser editada. A opção de cores, com a respectiva escala, permite uma

123
melhor visualização de valores mais altos e mais baixos assumidos pela variável. Figura
107 do mapa editado.

Densidade do solo (g dm-3)

10

8
1.85
7
1.7
6 1.55
Y (m)

5 1.4

4 1.25
1.1
3
0.95
2
0.8
1

0
0 1 2 3 4 5 6 7 8 9 10
X (m)

Figura 107. Mapa editado.

Para inserir símbolo no mapa como o Norte vai em Draw/Symbol clique onde
quer inserir o símbolo. Desative a ferramenta de inserir símbolo, por exemplo, dando Esc.
Selecione a ferramenta de seleção do Surfer® (seta branca) e clique sobre o local onde
inseriu o símbolo (Figura 108) e escolha o tipo de símbolo (Norte) e tamanho que quer
adicionar (Figura 109).

124
Figura 108. Ícone de inserir símbolo.

Densidade do solo (g dm-3)

10

8
1.85
7
1.7
6 1.55
Y (m)

5 1.4

4 1.25
1.1
3
0.95
2
0.8
1

0
0 1 2 3 4 5 6 7 8 9 10
X (m)

Figura 109. Mapa editado e com o Norte.

A superfície 3-D (wireframe), na realidade pseudo 3-D, permite uma melhor

visualização espacial do comportamento da variável. É criada com o mesmo arquivo de
malha de interpolação (.GRD) pelo menu Map/Wireframe. Este mapa pode ser editado da
mesma forma que o mapa anterior (Figura 110).

125
 g dm -3
1.85
1.75
1.65
1.55
1.45
1.35
1.25
1.15
1.05
0.95
0.85

Figura 110. Mapa 3D editado.

Os pontos mais altos da representação 3D correspondem aos maiores valores de

densidade do solo.

13.5. Representação Gráfica dos Dados Interpolados de uma malha irregular

Será utilizado o dado de uma malha irregular conforme Figura 111.

Mapa de pontos

5.5

4.5

3.5
Y (m)

2.5

1.5

0.5 1 1.5 2 2.5 3 3.5 4 4.5

X (m)

Figura 111. Mapa de amostragem de malha irregular.

126
 Ao realizar a análise variograma e interpolação destes dados obtemos um mapa,
conforme o apresentado na Figura 112.
Chumbo (ppm)

5.5

4.5 1
0.9
4 0.8
0.7
3.5 0.6
Y (m)
3 0.5
0.4
2.5 0.3
0.2
2 0.1
0
1.5
-0.1
1

0.5 1 1.5 2 2.5 3 3.5 4 4.5

X (m)

Figura 112. Mapa de interpolação por Krigagem indicativa do chumbo.

Ao observar o mapa de pontos e o mapa gerado pela Krigagem percebe-se que

em alguns pontos do mapa de Krigagem os valores foram extrapolados, ou seja, foi
estimado valores fora da área de amostragem. Para solucionar este problema devemos
fazer uma mascara de contorno da área amostrada. Para tanto obdecer ao seguinte
procedimento: selecionar mapa de pontos na tela, clique com o botão direito do mouse e
escolhe a opção digitize (Figura 113).

Figura 113. Seleção da ferramenta de digitalização.

127
 Com a ferramenta de digitalização selecionada, em seguida marcar no mapa os
pontos de contorno para a área escolhida (Figura 114).

Figura 114. Digitalização do contorno do mapa.

Após digitalizar os pontos de contorno para a área desejada, gravar o arquivo com
a extensão *.bln, no caso digit.bln (Figura 115).

Figura 115. Salvando digitalização.

128
 Automaticamente será gravada nesse arquivo, com coordenadas XY referentes à
área escolhida, a primeira linha contendo o número de pontos e separados por virgula a
opção 1. Essa opção significa que a área interna do polígono é que será omitida. Como
não é essa a intenção, entrar na planilha de dados do Surfer® e substituir a opção 1 por 0
(Figura 116). Nesse caso a área externa ao polígono é que será omitida.

Figura 116. Arquivo digitalizado.

Após gravar o arquivo *.bln, com a opção 0, escolher no Menu Grid a opção Blank
(Figura 117).

Figura 117. Opção Blank do menu Grid.

129
 Abrir o arquivo *.GRD referente ao mapa utilizado inicialmente (Figura 118).

Figura 118. Abrindo arquivo .grd.

Em seguida abrir o arquivo *.bln (Figura 119).

Figura 119. Abrindo arquivo .bln.

Gerar um mapa com a área selecionada e gravar um novo arquivo *.GRD (Figura
120).

130
Figura 120. Salvando mapa com contorno no formato .grd.

Para a visualização do arquivo gerado anteriormente, entrar no menu Map e

escolher Map Contour/New map contour. O resultado será um mapa com a área
selecionada (Figura 121).

Mapa de Chumbo (ppm)

5.5

4.5 1
0.9
4 0.8
0.7
3.5 0.6
Y (m)

3 0.5
0.4
2.5 0.3
0.2
2 0.1
0
1.5
-0.1
1

0.5 1 1.5 2 2.5 3 3.5 4 4.5

X (m)
Figura 121. Mapa de chumbo com contorno.

131
14. Referências

ALMEIDA, C.F.P.; RIBEIRO JÚNIOR, P.J. Estimativa da distribuição espacial de retenção de

água em um solo utilizando Krigagem indicatriz. Curitiba: UFPR, Departamento de Estatística,
1996. 37p.
ANDRIOTTI, José Leonardo Silva. Fundamentos de Estatística e Geoestatística. São Leopoldo,
RS: Unisinos, 2005. 165 p.
ASSIS, F.N.; ARRUDA, H.V.; PEREIRA, A.R. Aplicações da estatística à climatologia. Pelotas:
Universidade Federal de Pelotas, 1996. 161p.
BRAGA, L.P.V. Geoestatística e aplicações. Depto. de Métodos Estatísticos, UFRJ, 1990. 36p.
BROOKERS, P. I. A geostatistical primer. Londres, Ed. World Scientific, 1991. 95p.
BURGESS, T.M.; WEBSTER, R. Optimal interpolation and isarithmic mapping of soil properties. I.
The semivariogram and punctual kriging. The Journal of Soil Science, Oxford, v. 31, p. 315-331,
1980.
BURROUGH, P. A.; McDONNELL, R. A. Principles of geographical information systems.
Oxford University Press, 331 p., 1998.
CAMBARDELLA, C.A.; MOORMAN, T.B.; NOVAK, J.M.; PARKIN, T.B.; KARLEN, D.L.; TURCO,
R.F.; KONOPKA, A.E. Fieldscale variability of soil properties in Central Iowa soils. Soil Science
Society of America Journal, v.58, p.1501-1511, 1994.
COSTA, T.C.C, da. Avaliação de estratégias para classificação de imagens orbitais em
mapeamento de uso e cobertura da terra, 1999. 109p. Tese (Doutorado), Universidade Federal
de Viçosa. Viçosa, 1999.
CRESSIE, N. Statistics for spatial data. New York: John Wiley & Sons, 1991. 900p.
CRESSIE, N. A. Statistics for spatial data. New York: John Wiley & Sons, 1993. 900 p.
DAVID, M. Handbook of applied advanced geostatistical ore sererve estimation. New York,
Elsevier, 1988. 216p.
DAVIS, J.C. Statistics and data analysis in geology. New York, John Wiley & Sons, 1973. 550p.
DAVIS, B. M. Uses and abuses of cross-validation in geostatistics. Mathematical geology, v. 19,
p. 241-248, 1987.
DEUTSCH, C. V., JOURNEL, A. G. GSLIB. geostatistical software library. Oxford Unv. Press, New
York, 1992.
EGUCHI, E.S. Variabilidade espacial de atributos físico-hídricos de um solo hidromórfico no
município de Lavras-MG. Lavras, 2001. 85p. Dissertação (Mestrado) - Universidade Federal de
Lavras. Lavras, 2001.
FOLEGATTI, M.V. Estabilidade temporal e variabilidade espacial da umidade e do
armazenamento de água em solo siltoso, 1996. Piracicaba, 84p. Tese (Livre - Docência) -
Escola Superior de Agricultura "Luiz de Queiroz", Universidade de São Paulo.Piracicaba, 1996.
®
GAMMA DESIGN SOFTWARE. GS+ - Geostatistics for the Environmental Sciences. Version
7.0. Michigan: 2004. 1 CD-ROM.
GOOVAERTS, P. Geostatistics for natural resources evaluation. Oxford Univ. Press., New
York, 1997. 650p.

132
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.
GROENIGEN, van J.W. et al. Contrained optmisation of soil sampling for minimisation of the kriging
variante. Geoderma, Amsterdam, v. 87, . 3-4, p. 239-259, 1999.
GUERRA, P.A.G. Geoestatística operacional. Brasília: Ministério das Minas e Energia,
Departamento de Produção Mineral, 1988. 145p.
GUIMARÃES, E. C. Geoestatística básica e aplicada. UFU/ FAMAT. Núcleo de estudos
estatísticos e biométricos. 2004. 48 p. Disponível em:
<www.famat.ufu.br/ednaldo/geoest/apgeo1.pdf>. Acesso em: 10 de ago. 2009.
HAMLETT, D.L.; HORTON, R.; CRESSIE, N.A.C. Resistant and exploratory techniques for use in
semivariogram analyses. Soil Science Society of America Journal, v. 50, p.868-875, 1986.
HARRADINE, F.F. The variability of soil properties in relation to stage of profile development. Soil
Science Society of America Proceedings, Madison, v. 14, p. 302-311, 1949.
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.
INOUE, N.; XAVIER, S.R.; ROMANEL, C. Análise geoestatística do subsolo da usina nuclear de
Angra 2 (compact disc). In: CONGRESSO E FEIRA PARA USUÁRIOS DE
GEOPROCESSAMENTO DA AMÉRICA LATINA - GIS BRASIL 99, 5., Salvador, 1999. Anais...
Salvador, 1999.
ISAAKS, E. H.; SRIVASTAVA, R. M. Applied Geostatistics. New York : Oxford University Press,
1989.
ISAAKS, E.H.; SRIVASTAVA, R.M. An introduction to applied geostatistcs. New York: Oxford
University Press, 1989. 561p.
JOURNEL, A.G.; HUIJBREGTS, C.J. Mining geoestatistics. London: Academic Press, 1978.
600p.
KANE, V., BEGOVICH, C., BUTZ, T., MYERS, D. E. Interpretation of regional geochemistry.
Comput. Geosci., v. 8, p. 117-136, 1982.
KRAVCHENKO, A. N., BULLOCK, D. G. A comparative study of interpertation methods for
mapping properties. Agron. J., v. 91, p. 393-400, 1999.
KRIGE, D.G. A statistical approach to some basic mine evaluation problems on the witwatersrand. J.
Chem. Metall. Min. Soc. S. Afri., Johanesburg, v. 52, p. 119-139, 1951.
LAM, N. Spatial interpolation methods. The American Cartographer, v. 10, p. 129-149, 1983.
LAMPARELLI, R.A.C.; ROCHA, J.V.; BORGHI, E. Geoprocessamento e agricultura de
precisão: fundamentos e aplicações. Guaíba: Agropecuária, 2001. 118p.
LANDIM, P. M. B. Análise estatística de dados geológicos. São Paulo, Ed. UNESP, 1998. 226p.
LANDIM, P. M. B.Introdução aos métodos de estimação espacial para confecção de mapas.
Texto Didático 02. Departamento de Geologia Aplicada – IGCE, 2000. Disponível em
<http://www.rc.unesp.br/igce/aplicada/textodi.html>
LANDIM, P.M.B. STURARO, J.R.; MONTEIRO, R. C. Exemplos de aplicação da cokrigagem .
DGA, IGCE, UNESP/Rio Claro, Lab. Geomatemática, Texto Didático 09, 17 pp. 2002. Disponível
em <http://www.rc.unesp.br/igce/aplicada/textodi.html>

133
LANDIM, P. M. B.; STURARO, J. R. Krigagem indicativa aplicada à elaboração de mapas
probabilísticos de riscos. Texto Didático 06. Departamento de Geologia Aplicada – IGCE, 2002.
Disponível em <http://www.rc.unesp.br/igce/aplicada/textodi.html>
LANDIM, P. M. B. Análise estatística de dados geológicos. 2.ed. São Paulo. UNESP, 2003. 253
p.
LANDIM, P.M.B.; MONTEIRO, T.C.; CORSI, A.C. Introdução à confecção de mapas pelo
software SURFER, DGA, IGCE, UNESP/Rio Claro, Lab. Geomatemática, Texto Didático 08, 21p.
2002. Disponível em <http;//www.rc.unesp.br/igce/aplicada/textodi.html>. Acesso em: 20 ago.
2009.
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.
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.
MACHADO, R.V. Variabilidade espacial de atributos físico-hídricos em uma hidrosequência
de solos bem à muito mal drenados, 1994. 88p. Dissertação (Mestrado), Escola Superior de
Agricultura de Lavras. Lavras, 1994.
MATA, J.D.V. da. Variabilidade espacial de indicadores da compactação de terra roxa
estruturada, sob dois sistemas de preparo, cultivada com feijão (Phaseolus vulgaris L.)
irrigado. Piracicaba, 1997. 73p. Tese (Doutorado) - Escola Superior de Agricultura "Luiz de
Queiroz", Universidade de São Paulo. Piracicaba, 1997.
MATHERON, G. Principles of geostatistics. Economic Geology. El Paso, V. 58, p. 11246-66,
1963.
MATHERON, G. The theory of regionalized variables and its applications. Les Cahiers du Centre
de Moffologie mathemathique. Fas. 5. C. G. Fontainebleau, 1971.
MONTANARI, R. et al. Forma da paisagem como critério para otimização amostral de latossolos
sob cultivo de cana-de-açúcar. Pesquisa Agropecuária Brasileira, Brasília, v. 40, n. 1, p. 69-77,
2005.
MULLA, D.J.; BHATTI, A.U.; HAMMOND, M.W.; BENSON, J.A. A comparasion of winter wheat
yield and quality under uniform versus spatially variable fertilizer management. Agriculture
Ecosystems and Environment, v.38, p.301-311, 1992.
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, R. B. de. Mapeamento e correlação de atributos do solo e de plantas de café
conilon para fins de agricultura de precisão. Alegre, 2007. 150f. Dissertação (Mestrado). Centro
de Ciências Agrárias - Universidade Federal do Espírito Santo. Alegre, 2007.
OLIVER, M. A., WEBSTER, R. Kriging: a method of interpolation for geographical information
systems. International Journal of Geographical Information System, v. 4, n. 3, p. 313-332,
1990.
PAZ, A.; TABOADA, M.T.; GÓMEZ, M.J. Spatial variability in topsoil micronutrients contents in one-
hectare cropland plot. Communication in Soil Science and Plant Analysis, v.27, n.3/4, p.479-
503, 1996.

134
PREVEDELLO, B.M.S. Variabilidade espacial de parâmetros de solo e planta. Piracicaba,
1987. 166p. Tese (Doutorado) - Escola Superior de Agricultura "Luiz de Queiroz", Universidade de
São Paulo. Piracicaba, 1997
QUEIROZ, J.E. Parâmetros hidrodinâmicos para um solo de várzea para fins de drenagem
subterrânea. Piracicaba, 1995. 167p. Tese (Doutorado) - Escola Superior de Agricultura "Luiz de
Queiroz", Universidade de São Paulo. Piracicaba, 1995.
REICHARDT, K. Processos de transferência no sistema solo-planta-atmosfera. Campinas,
Fundação Cargill, 1985. 445p.
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.
SALVIANO, A.A.C. Variabilidade de atributos de solo e de Crotalaria juncea em solo
degradado do município de Piracicaba-SP. Piracicaba, 1996. 91p. Tese (Doutorado) - Escola
Superior de Agricultura "Luiz de Queiroz", Universidade de São Paulo. Piracicaba, 1996.
SCHUCANY, W. R. Sample reuse. In: Kotz, S., Johnson, N. L. Encyclopedia of statistical science,
New York, John Wiley, 1981. p. 235-238.
SILVA, A.P. Variabilidade espacial de atributos físicos do solo. Piracicaba, 1988. 105p. Tese
(Doutorado) - Escola Superior de Agricultura "Luiz de Queiroz", Universidade de São Paulo.
Piracicaba, 1998.
SOUZA, L.C. de. Variabilidade espacial da salinidade de um solo aluvial no semi-árido
paraibano. Campina Grande, 1999. 77p. Dissertação (Mestrado) - Universidade Federal da
Paraíba. Campina Grande, 1999.
SURFER, version 8.0. Golden Software, 2005. Conjunto de programas. 1 CD-Rom e manuais.
(informações em http://www.goldensoftware.com).
TRANGMAR, B.B.; YOST, R.S.; WADE, M.K.; UEHARA, G. Applications of geostatistics to spatial
studies of soil properties. Advances in Agronomy, v.38, p.45-94, 1985.
TRANGMAR, B.B.; YOST, R.S.; WADE, M.K.; UEHARA, G.; SUDJADI, M. Spatial variation of soil
properties and rice yield on recently cleared land. Soil Science Society of America Journal, v.51,
p.668-674, 1987.
UZUMAKI, E. T. Geoestatística multivariada: Estudo de métodos de predição. Dissertação
(Estatística – Instituto de Matemática, estatística e Ciência da Computação), UNICAMP, 1994.
104p.
VAUCLIN, M.; VIEIRA, S.R.; VAUCHAUD, G.; NIELSEN, D.R. The use of cokriging with limited field
observations. Soil Science Society of America Journal, Madison, v. 47, p. 175-184, 1983.
VIEIRA, S.R.; NIELSEN, D.R.;BIGGAR, J.W. Spatial variability of field-measured infiltration rate. Soil
Science Society of America Journal, Madison, v. 45, p. 1040-1048, 1981.
VIEIRA, S.R.; HATFIELD, T.L.; NIELSEN, D.R.; BIGGAR, J.W. Geostatistical theory and application
to variability of some agronomical properties. Hilgardia, Berkeley, v. 51, n. 3 p. 1-75, 1983.
VIEIRA, S.R.; HATFIELD, J.L. Temporal variability of air temperature and remotely sensed surface
temperature for bare soil. International Journal of Remote Sensing, Basingstole, v. 5, n. 3, p. 587-
596, 1984.
VIEIRA, S. R. Curso de atualização em conservação do solo - Uso de geoestatística.
Campinas, IAC, v. 1 e 2, 1995.
VIEIRA, S. R. Variabilidade espacial de argila, silte e atributos químicos em parcela experimental
de um Latossolo Roxo de Campinas (SP). Bragantia. Campinas, v. 56, n.1, 1997.

135
VIEIRA, S. R.; TILLOTSON, P. M.; BIGGAR, J. W.; NIELSEN, D. R. Scaling of semivariograms and
the kriging estimation of field-measured prorperties. Revista Brasileira de Ciência do Solo.
Viçosa, v.21, n. 4, 1997.
VIEIRA, S.R. Geoestatística em estudos de variabilidade espacial. Campinas: IAC, 1998.
VIEIRA, S. R. Geoestatística em estudos de variabilidade espacial do solo. In: NOVAIS, R. F. de;
ALVAREZ V., V. H.; SCHAEFER, C. E. G. R. (Ed.). Tópicos em ciência do solo. Viçosa:
Sociedade Brasileira de Ciência do Solo, 2000. v. 1, p. 1-54.
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.
WARRICK, A. W.; NIELSEN, D. R. Spatial variability of soil physical properties in the field. In:
HILLEL, D. (ed.). Applications of soil physics. New York : Academic, 1980. p. 319-344.
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.
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.
ZIMBACK, C.R.L. Geoestatística. Apostila didática, FCA/UNESP, jun. 2003. 25p.

136