Escolar Documentos
Profissional Documentos
Cultura Documentos
Botucatu - SP
2011
UNIVERSIDADE ESTADUAL PAULISTA
FACULDADE DE CIÊNCIAS AGRONÔMICAS
Grupo de Estudos e Pesquisas Agrícolas Georreferenciadas - GEPAG
Impresso no Brasil
Edição: 2011
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.
2.2. 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).
x
n
X i 1
(1)
n
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.
CV % 100
s
(4)
X
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).
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).
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).
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).
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.
11
Figura 2. Variável aleatória regionalizada Z(xi).
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:
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
h E Z xi xi h
1 2
(9)
2
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.
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.
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).
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.
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.
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
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 7,42 7,4 6,92 ... 6,8 6,82 0,235
(13)
2 2a
1
7
7 6,92 7,4 7,52 ... 7,7 6,82 0,32 (14)
.
.
.
etc.
C0
IDE 100 (15)
C0 C
C
IDE 100 (16)
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
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.
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.
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.
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
a
1
29
(h)
C
C
60
O
Co
150
O
a a h
h C0
C
h 0ha (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.
3 h 1h
3
h C 0 C 0ha (20)
2 a 2 a
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).
3
h
h C 0 C 1 e a
0 < h < d (22)
33
parâmetros C0 e C para os modelos exponencial e gaussiano são determinados da mesma
maneira que para o esférico.
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.
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
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)
x , x x , x
n
i i j i 0 (30)
i 1
E2 i xi , x0 (31)
A b (32)
40
E, portanto:
A1b (33)
E2 b t (34)
As matrizes A, b e são:
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.
Pontos Xi Yi Zi
1 0 30 500
2 30 30 450
3 0 0 550
4 30 0 490
X 15 15 ?
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)
(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 0,25500 0,25450 0,25550 0,25450 497,50m (46)
S k 9,169m (48)
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 :
(49)
Resolvendo o sistema, encontra-se o seguinte resultado:
1 1 e 2 3 4 0 (50)
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.
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.
47
técnicas chamadas de validação cruzada ou de autovalidação para selecionar o
variograma adequadamente (GUIMARÃES, 2004).
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)
i v
n
F v c
1
j c (55)
n i 1
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
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 iv, v c
F v c E (58)
n n
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
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.
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
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
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).
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®.
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).
57
Figura 26. Janela para colocar o nome da variável e para selecionar a variável a ser
analisada.
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).
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.
60
Figura 30. Localização espacial das observações
61
Figura 31. Análise da variância
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.
63
Figura 33. Modelos e análises dos modelos
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.
65
Figura 35. Valores listados.
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+®.
69
Figura 39. Validação cruzada da Krigagem no GS+®.
70
Figura 41. Representação da interpolação em 3D.
®
11. Utilização do programa GS+ para interpolar por Krigagem Indicativa
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.
72
Figura 43. Resultado da análise variográfica dos dados binários do chumbo.
73
Figura 44. Modelo e parâmetros do variograma binário do chumbo.
75
Figura 47. Definindo malha irregular.
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
77
Figura 50. Planilha de dados com os pontos das coordenadas e variáveis completa a
serem utilizados na geração do variograma cruzado.
78
Figura 51. Janela de definição da variável primária 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.
(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.
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).
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)
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).
84
Figura 59. Variograma cruzado e seus parâmetros ajustados ao modelo exponencial para
variável primária (R solar) usando como covariável a (Evapot).
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).
86
Figura 61. Validação cruzada da variável (R solar) estimadas por cokrigagem, baseada
nos parâmetros do variograma cruzada ajustado, utilizando como covariável a
Evapotranspiração.
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.
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:
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).
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.
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].
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.
97
Figura 73. Apresentação da tela do modo PLOT.
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).
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®.
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
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.
103
Figura 80. Itens do primeiro menu grid.
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]
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.
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.
107
Figura 84. 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.
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).
110
Figura 88. Janela para a análise exploratória.
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.
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).
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).
6
Y (m)
0
0 1 2 3 4 5 6 7 8 9 10
X (m)
115
Figura 95. Janela para análise da variância.
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):
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).
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)
119
Figura 101. Número de pares do ponto do variograma experimental.
®
13.4. Interpolação dos dados no Surfer
120
selecionado o interpolador, neste caso, a Krigagem. Clique em Advanced Options (Figura
103):
121
Figura 104. Tabela com valores real e estimado pela Krigagem.
O mapa gerado pode ser editado com um duplo clique sobre ele e seus objetos
(Figura 106).
123
melhor visualização de valores mais altos e mais baixos assumidos pela variável. Figura
107 do mapa editado.
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)
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.
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)
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
Mapa de pontos
5.5
4.5
3.5
Y (m)
2.5
1.5
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
127
Com a ferramenta de digitalização selecionada, em seguida marcar no mapa os
pontos de contorno para a área escolhida (Figura 114).
Após digitalizar os pontos de contorno para a área desejada, gravar o arquivo com
a extensão *.bln, no caso digit.bln (Figura 115).
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.
Após gravar o arquivo *.bln, com a opção 0, escolher no Menu Grid a opção Blank
(Figura 117).
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.
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
131
14. Referências
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