Escolar Documentos
Profissional Documentos
Cultura Documentos
1. INTRODUÇÃO ................................................................................................................. 8
3. COKRIGAGEM ............................................................................................................... 17
3.1 Modelos de covariância direto e cruzados.................................................................................................21
3.2 Vantagem teórica do modelo de cokrigagem ............................................................................................24
3.3 Influência dos dados secundários .............................................................................................................25
3.4 Condições tradicionais e não tradicionais da cokrigagem .........................................................................26
3.5 Modelo intrínseco de corregionalização ....................................................................................................27
5. MODELOS DE MARKOV................................................................................................. 31
8. EXERCÍCIOS................................................................................................................... 40
8.1 Exercício 1 – Krigagem simples com médias locais ....................................................................................40
8.2 Exercício 2 – Cokrigagem ordinária estandarizada ....................................................................................53
8.3 Exercício 3 – Cokrigagem ordinária utilizando os modelos de Markov MM1 E MM2 ...............................67
8.4 Exercício 4 – Utilização de MAF para krigagem de valores independentes ...............................................79
3
ÍNDICE DE FIGURAS, TABELAS E EQUAÇÕES
4
EQUAÇÃO 30 : DECOMPOSIÇÃO DA VARIÁVEL ALEATÓRIA POR UM VALOR MÉDIO E RESIDUAL. ...................... 33
EQUAÇÃO 31: ORTOGONALIDADE ENTRE AS MEDIDAS DE TREND E RESÍDUO ........................................................... 33
EQUAÇÃO 32: CONDIÇÃO DE NÃO VIÉS DA KRIGAGEM DE RESÍDUOS ............................................................................... 34
EQUAÇÃO 33: VALOR DA MÉDIA DA VARIÁVEL PRIMÁRIA COMO VALOR DE REGRESSÃO DA SECUNDÁRIA
NA KRIGAGEM DE RESÍDUOS .................................................................................................................................................................. 34
EQUAÇÃO 34: DEFINIÇÃO DA MATRIZ DE COVARIÂNCIAS DOS DADOS ............................................................................ 35
EQUAÇÃO 35: DEFINIÇÃO DA MATRIZ DE VARIÂNCIAS DOS FATORES ............................................................................. 35
EQUAÇÃO 36: TRANSFORMAÇÃO LINEAR DOS DADOS EM FATORES ................................................................................ 36
EQUAÇÃO 37: AUTOVALORES E AUTOVETORES DA MATRIZ DE COVARIÂNCIAS ....................................................... 36
EQUAÇÃO 38: FUNÇÃO DE MINIMIZAÇÃO DA VARIÂNCIA DOS FATORES ........................................................................ 37
EQUAÇÃO 39: COMPATIBILIDADE DAS VARIAÇÕES ENTRE AS VARIÁVEIS E SUA TRANSFORMAÇÃO LINEAR
EM AUTOVETORES E AUTOVALORES ................................................................................................................................................. 37
EQUAÇÃO 40: PROPORÇÃO DA ASSIMILAÇÃO DA VARIÂNCIA PELO FATOR .................................................................. 38
EQUAÇÃO 41: RELAÇÃO ENTRE AS MATRIZES DE DISPERSÃO E COVARIÂNCIA DESLOCADAS ........................... 38
EQUAÇÃO 42: COMBINAÇÃO LINEAR DAS COVARIÂNCIAS DESLOCADAS DOS DADOS ............................................ 38
EQUAÇÃO 43: CORRELAÇÃO DOS DADOS OBTIDA PELA COVARIÂNCIA DOS MESMOS ............................................ 39
EQUAÇÃO 44: COEFICIENTE DE RAYLEIGHT .................................................................................................................................. 39
TABELA 1 - ESTATÍSTICA DESCRITIVA DAS AMOSTRAS PRIMÁRIAS ................................................................................. 40
FIGURA 14 - MAPA DE LOCALIZAÇÃO DAS AMOSTRAS PRIMÁRIAS .................................................................................... 42
FIGURA 15- HISTOGRAMA DA VARIÁVEL PRIMÁRIA .................................................................................................................. 43
FIGURA 16 - MÉDIAS DECLUSTERIZADAS POR CÉLULAS MÓVEIS ....................................................................................... 43
TABELA 2- VALORES DE ESTATÍSTICAS DECLUSTERIZADAS ................................................................................................. 44
FIGURA 17 - HISTOGRAMA DECLUSTERIZADO DOS DADOS .................................................................................................... 44
FIGURA 18 - REGRESSÃO LINEAR ENTRE A VARIÁVEL PRIMÁRIA E SECUNDÁRIA ..................................................... 44
TABELA 3 - ESTATÍSTICAS DO TREND E DO RESÍDUO ............................................................................................................... 45
TABELA 4- VALORES OUTLIERS RETIRADOS DO PROBLEMA................................................................................................. 45
FIGURA 19 - MODELO DE REGRESSÃO APÓS RETIRADA DE OUTLIERS ............................................................................. 45
TABELA 5 - ESTATÍSTICAS DO TREND E DO RESÍDUO DA VARIÁVEL PRIMÁRIA APÓS RETIRADA DE
OUTLIERS ......................................................................................................................................................................................................... 46
EQUAÇÃO 45: MODELO DE REGRESSÃO LINEAR ENTRE AS VARIÁVEIS ........................................................................... 46
FIGURA 20- MAPA DE CLASSES DA VARIÁVEL SECUNDÁRIA.................................................................................................. 47
FIGURA 21 - MAPA DOS VALORES RESIDUAIS DA VARIÁVEL PRIMÁRIA .......................................................................... 48
FIGURA 22 - HISTOGRAMA DOS RESÍDUOS DA VARIÁVEL PRIMÁRIA ................................................................................ 49
FIGURA 23 - VARIOGRAMA DOS RESÍDUOS ..................................................................................................................................... 49
EQUAÇÃO 46: VARIOGRAMA DOS RESÍDUOS .................................................................................................................................. 49
TABELA 6 - VALORES UTILIZADOS NA ESTRATÉGIA DE BUSCA DA KRIGAGEM DOS RESÍDUOS ........................... 50
FIGURA 24 - MAPA DOS VALORES KRIGADOS DO RESÍDUO .................................................................................................... 50
FIGURA 25 – VALORES DA VARIÂNCIA DE KRIGAGEM DOS DADOS .................................................................................... 51
FIGURA 26 - KRIGAGEM SIMPLES COM MÉDIAS LOCAIS ........................................................................................................... 51
FIGURA 27- HISTOGRAMA DOS VALORES KRIGADOS ................................................................................................................. 52
TABELA 7 - ANÁLISE DE DERIVA GLOBAL DA KRIGAGEM........................................................................................................ 52
FIGURA 28 - MAPA DE LOCALIZAÇÃO DAS VARIÁVEIS PRIMÁRIAS..................................................................................... 53
FIGURA 29 - MAPA DE LOCALIZAÇÃO DAS VARIÁVEIS SECUNDÁRIAS .............................................................................. 53
FIGURA 30- ESTATÍSTICAS DA VARIÁVEL PRIMÁRIA ................................................................................................................. 54
FIGURA 31- ESTATÍSTICAS DAS VARIÁVEIS SECUNDÁRIAS .................................................................................................... 54
FIGURA 32 - ESTATÍSTICA BIVARIADA DAS INFORMAÇÕES SECUNDÁRIAS ................................................................... 55
FIGURA 33 - ESTATÍSTICA BIVARIADA DA VARIÁVEL PRIMÁRIA E DA INFORMAÇÃO COM VIÉS DE +25%.... 55
FIGURA 34 - ESTATÍSTICA BIVARIADA DA VARIÁVEL PRIMÁRIA E DA INFORMAÇÃO COM VIÉS DE -25% ..... 55
5
TABELA 8 – COEFICIENTES DE CORRELAÇÃO ENTRE AS VARIÁVEIS PRIMÁRIA E SECUNDÁRIAS ..................... 56
TABELA 9 - VARIÂNCIA À PRIORI DOS DADOS ............................................................................................................................... 56
TABELA 10 - MODELO DE CORREGIONALIZAÇÃO DAS VARIÁVEIS PRIMÁRIA E SECUNDÁRIAS........................... 56
FIGURA 35 - VARIOGRAMA PRIMÁRIA ............................................................................................................................................... 57
FIGURA 36 - VARIOGRAMA SECUNDÁRIA VIÉS +25% ................................................................................................................ 58
FIGURA 37 - VARIOGRAMA SECUNDÁRIA COM VIÉS -25% ...................................................................................................... 58
FIGURA 38 - VARIOGRAMA CRUZADO +20 -25 ............................................................................................................................... 59
FIGURA 39 - VARIOGRAMA CRUZADO 20 +25 ................................................................................................................................ 59
FIGURA 40 - VARIOGRAMA CRUZADO +25 -25 ............................................................................................................................... 60
FIGURA 41- HISTOGRAMA DAS VARIÁVEIS PADRONIZADAS.................................................................................................. 61
TABELA 11 - PARÂMETROS UTILIZADOS PARA A COKRIGAGEM DOS DADOS DE INFORMAÇÃO SECUNDÁRIA
COM VIÉS +25% ............................................................................................................................................................................................. 61
FIGURA 42 –MAPA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS +25% ............................................................... 62
FIGURA 43 - HISTOGRAMA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS +25%.............................................. 63
EQUAÇÃO 47: RETROTRANSFORMAÇÃO DOS DADOS DA VARIÁVEL PRIMÁRIA .......................................................... 63
FIGURA 44 - COMPARAÇÃO ENTRE A COKRIGAGEM COM VIÉS +25% E OS DADOS INICIAIS ................................. 63
TABELA 12 - PARÂMETROS UTILIZADOS PARA A COKRIGAGEM DOS DADOS DE INFORMAÇÃO SECUNDÁRIA
COM VIÉS -25% .............................................................................................................................................................................................. 64
FIGURA 45 - MAPA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS -25% ............................................................... 65
FIGURA 46 - HISTOGRAMA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS -25% ............................................... 66
FIGURA 47 - COMPARAÇÃO ENTRE A COKRIGAGEM COM VIÉS -25% E OS DADOS INICIAIS .................................. 66
FIGURA 48 - MAPA DE LOCALIZAÇÃO DA VARIÁVEL URÂNIO (PPM) ................................................................................. 67
FIGURA 49 - REDUÇÃO DA MÉDIA PELO TAMANHO DE CÉLULAS NA DECLUSTERIZAÇÃO ..................................... 68
FIGURA 50 - HISTOGRAMA DECLUSTERIZADO DO URÂNIO .................................................................................................... 68
FIGURA 51 - MAPA DE LOCALIZAÇÃO DA VARIÁVEL VANÁDIO............................................................................................. 69
FIGURA 52 - ESTATÍSTICAS DA VARIÁVEL VANÁDIO ................................................................................................................. 69
FIGURA 53 - CORRELAÇÃO ENTRE A VARIÁVEL PRIMÁRIA E SECUNDÁRIA ................................................................... 70
TABELA 12- PARÂMETROS UTILIZADOS PARA O VARIOGRAMA EXPERIMENTAL DO URÂNIO ............................ 70
FIGURA 54- VARIOGRAMA DA VARIÁVEL PRIMÁRIA URÂNIO ............................................................................................... 71
EQUAÇÃO 48: VARIOGRAMA MODELADO DA VARIÁVEL URÂNIO ....................................................................................... 71
FIGURA 55 - PARÂMETROS UTILIZADOS PARA A COKRIGAGEM COM MODELO DE MARKOV 1 ............................ 72
FIGURA 56- COKRIGAGEM UTILIZANDO MODELO DE MARKOV 1 ........................................................................................ 73
FIGURA 57 - ESTATÍSTICAS DA VARIÁVEL COKRIGADA PELO MODELO DE MARKOV................................................ 74
TABELA 13 - DIFERENÇAS DA ESTATÍSTICAS DECLUSTERIZADAS E DA COKRIGAGEM POR MODELO DE
MARKOV 1 ........................................................................................................................................................................................................ 74
FIGURA 15 - HISTOGRAMA DOS RESÍDUOS DA VARIÁVEL PRIMÁRIA ................................................................................ 75
FIGURA 59 - VARIOGRAMA DOS RESÍDUOS DA VARIÁVEL PRIMÁRIA .............................................................................. 75
EQUAÇÃO 44: VARIOGRAMA OMNIDIRECIONAL DO RESÍDUO DA VARIÁVEL PRIMÁRIA ......................................... 75
FIGURE 60 - VARIOGRAMAS DAS VARIÁVEIS SECUNDÁRIAS .................................................................................................. 76
EQUAÇÃO 45: VARIOGRAMA DA VARIÁVEL SECUNDÁRIA ....................................................................................................... 76
EQUAÇÃO 46: COMBINAÇÃO LINEAR PARA DETERMINAÇÃO DO VARIOGRAMA CRUZADO ................................... 76
TABELA 14 - VARIOGRAMA CRUZADO ............................................................................................................................................... 76
FIGURA 61 - INPUT DE DADOS MODELO MARKOVIANO 2........................................................................................................ 77
FIGURE 62 – RESULTADO COKRIGAGEM MM2 ............................................................................................................................... 78
FIGURA 63 - MAPA DE LOCALIZAÇÃO DAS VARIÁVEL CD........................................................................................................ 80
FIGURE 64 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL CO .......................................................................................................... 81
FIGURA 65 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL CR .......................................................................................................... 82
FIGURA 66 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL CU .......................................................................................................... 83
6
FIGURA 67 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL LAND USE .......................................................................................... 84
FIGURA 68 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL NI ........................................................................................................... 85
FIGURA 69 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL PB .......................................................................................................... 86
FIGURA 70 – MAPA DA LOCALIZAÇÃO DA VARIÁVEL AMOSTRA ROCK ............................................................................. 87
FIGURA 71 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL ZN .......................................................................................................... 88
TABELA 15- CORRELAÇÕES ENTRE AS VARIÁVEIS DO PROBLEMA .................................................................................... 89
FIGURA 72-VARIGORAMA CRUZADO MAF1-MAF2 ....................................................................................................................... 90
FIGURA 73 - VARIOGRAMA CRUZADO MAF1-MAF6..................................................................................................................... 90
FIGURA 74- VAIROGRAMA CRUZADO MAF2-MAF3 ...................................................................................................................... 91
FIGURA 75-VARIOGRAMA CRUZADO MAF7-MAF9 ....................................................................................................................... 91
TABELA 16 – PARÂMETROS UTILIZADOS PARA O CÁLCULO DO VARIOGRAMA EXPERIMENTAL ........................ 92
TABELA 17 - PARÂMETROS DO MODELO DE VARIOGRAMA DAS VARIÁVEIS MAF ...................................................... 92
FIGURA 76 - VARIOGRAMA MAF1 ......................................................................................................................................................... 93
FIGURA 77- VARIOGRAMA MAF2 .......................................................................................................................................................... 93
FIGURA 78- VAROGRAMA MAF3............................................................................................................................................................ 94
FIGURA 79- VARIOGRAMA MAF4 .......................................................................................................................................................... 94
FIGURA 80- VARIOGRAMA MAF5 .......................................................................................................................................................... 95
FIGURA 81- VARIOGRAMA MAF6 .......................................................................................................................................................... 95
FIGURA 82- VARIOGRAMA MAF7 .......................................................................................................................................................... 96
FIGURA 83 - VARIOGRAMA MAF8 ......................................................................................................................................................... 96
FIGURA 84- VARIOGRAMA MAF9 .......................................................................................................................................................... 97
TABELA 18- GRID REALIZADO PARA AS KRIGAGENS DOS FATORES .................................................................................. 97
TABELA 19 -ESTRATÉGIA DE KRIGAGEM UTILIZADA ................................................................................................................ 97
FIGURA 85 – MAF 1 – INVERSA – VARIÁVEL CD ............................................................................................................................ 98
FIGURA 86 - MAF 2 -INVERSA - VARIÁVEL CO ............................................................................................................................... 99
FIGURA 87 - MAF 3- INVERSA - VARIÁVEL CR ............................................................................................................................. 100
FIGURA 88- MAF 4 - INVERSA- VARIÁVEL CU ............................................................................................................................. 101
FIGURA 89 MAF 5 - INVERSA - VARIÁVEL LANDUSE ............................................................................................................... 102
FIGURA 90- MAF 6 - INVERSA - VARIÁVEL NI ............................................................................................................................. 103
FIGURA 91 - MAF 7 - INVERSA – VARIÁVEL PB ........................................................................................................................... 104
FIGURA 92 - MAF 8 - INVERSA - VARIÁVEL ROCK ..................................................................................................................... 105
FIGURA 93 - MAF 9 -INVERSA - VARIÁVEL ZN ............................................................................................................................. 106
FIGURA 94- TAMANHO DE CÉLULA ESCOLHIDO PARA A DECLUSTERIZAÇÃO............................................................ 107
FIGURA 95- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CD)........................................................................ 107
FIGURA 96- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CO) ........................................................................ 108
FIGURA 97- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CR) ........................................................................ 108
FIGURA 98 -COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CU) ........................................................................ 108
FIGURA 99 - COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL LANDUSE) ........................................................ 109
FIGURA 100- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL NI) ...................................................................... 109
FIGURA 101- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL PB) ..................................................................... 109
FIGURA 102- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL ROCK) ............................................................... 110
FIGURA 103- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL ZN) ..................................................................... 110
TABELA 20- DIFERENÇAS ENTRE AS ESTATÍSTICAS DAS VARIÁVEIS DECLUSTERIZADAS E DA KRIGAGEM
MAF .................................................................................................................................................................................................................. 110
7
1. INTRODUÇÃO
Como todo modelo, naturalmente ela não envolverá toda a gama possível de variações e
situações encontradas, pois é de fato uma simplificação da realidade. Ao adotarmos a geoestatística
convencional, colocamos sob julgamento uma variável objetivo independente de qualquer outro fator,
que caracterizará por todo o processo de decisão. A krigagem ordinária, por exemplo, tem como
variável independente as amostras situadas em cada local, e como resposta o valor médio desta variável
em um ponto considerado. Mas nada indica que esta variável dependente é apenas condicionada a uma
única variável. Tomemos como exemplo um problema físico, demonstrado na Figura 2, em que o
objetivo é determinar o ponto de parada de uma bola de canhão. Se desconsiderarmos o efeito da
resistência do ar, a posição da bola será apenas dependente da velocidade inicial. O modelo inicial é
mais simples, mas não garantirá boa precisão, mas se incorporarmos uma variável correlata tal como a
resistência do ar, o modelo se tornará mais fiel e semelhante com a realidade. De fato nunca haverá
modelo que consiga se acercar de todas as possibilidades de variação, mas cada modelo mais robusto
caracterizará melhor as incertezas do problema.
8
Figura 2 - Lançamento da bola de canhão
9
Figura 3 - Influência da probabilidade condicional na estipulação do modelo
Outra questão a ser levantada é que nem sempre as informações obtidas possuem o mesmo
caráter de confiabilidade ou suporte considerado. Informações obtidas através de testemunhos de
sondagem são altamente confiáveis em contrapartida com outros métodos tais como, ship sample,
canaletas e demais formas de análise. O ganho de confiabilidade, no entanto, é acompanhado de um
custo adicional à exploração. Uma análise multivariada permite incorporar as informações secundárias
necessárias para um melhor modelo estimado, além de também auxiliar na rejeição daquelas variáveis
que não auxiliam para o ganho de informação. Em (Donald, 1999), questiona-se o fato de que o risco
geológico pode ser reduzido por três formas características:
Segundo o autor, depósitos porfiríticos de cobre possuem alta correlação entre seus componentes
minerais sulfetados. Comenta-se o fato do custo aumentar pelo aumento do número de amostras de
alta confiabilidade, o que pode ser desfavorável se comparado ao custo do aumento de informação
secundária de menor confiabilidade, mas utilizada extensivamente. A redução do risco pela utilização
de uma sondagem pode ser equiparável à utilização extensiva de uma variável secundária tal como
10
uma medida geofísica. A Figura 4 é uma representação de alguns dos objetivos permissíveis para a
utilização de geoestatística multivariada.
11
Em relação às metodologias da geoestatística multivariada, podemos classificá-las segundo o
uso da informação secundária. A Figura 6 é um exemplo das metodologias cabíveis:
Modelos
markovianos
Krigagem simples
Informação
com médias
extensiva
locais
Krigagem simples
Variáveis
com tendência
dependentes
externa
Informação
Multivariado Co-krigagem
localizada
Variáveis
PCA/MAF
independentes
12
2. USO EXAUSTIVO DA INFORMAÇÃO SECUNDÁRIA
𝑛
∗
𝑍𝑠𝑘 (𝑢) − 𝑚 = ∑ 𝛿𝛼𝑠𝑘 [𝑍(𝑢𝛼 ) − 𝑚]
𝛼=1
∗ (𝑢)
𝑍𝑠𝑘 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
Sob a hipótese de estacionaridade a média local é idêntica à média global. Logo a utilização de
krigagem simples envolve a hipótese forte do conhecimento da média. A krigagem simples com médias
locais é então uma alternativa para o uso da krigagem simples, em que o valor médio constante ao
longo do domínio é substituído por valores em cada ponto considerado. Logo para a utilização de
krigagem simples com médias locais é necessário haver valores extensivos da variável secundária, que
constituirá em um modelo para o valor médio da variável primária no ponto considerado. A equação da
krigagem simples com médias locais pode ser então substituída pela Equação 2:
𝑛
∗
𝑍𝑠𝑘 (𝑢) − 𝑚𝑠𝑘 (𝑢) = ∑ 𝛿𝛼𝑠𝑘 [𝑍(𝑢𝛼 ) − 𝑚𝑠𝑘 (𝑢𝛼 )]
∗
𝛼=1
∗ (𝑢)
𝑍𝑠𝑘 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
13
Em (Goovaerts, 1988) relata-se as diferentes formas de obtenção da média local a partir da
informação secundária.
1. A informação secundária pode ser incorporada como um ponderador da informação primária pela
utilização de uma variável categórica. Essa variável pode ser representada como a ocorrência de
um dado elemento que tenha correspondência com a variável primária, como demonstrado na
Equação 3:
𝑛
1
𝑚𝑠𝑘 (𝑢𝛼 ) = ∑ 𝑖(𝑢𝛼 ; 𝑠𝑘 ) . 𝑧(𝑢𝛼 )
𝑛𝑘
𝛼=1
2. No segundo caso a média da variável primária pode ser incorporada pela utilização de uma
função da variável secundária, tal como demonstrado na Equação 4:
14
Modelo do valor médio da variável primária
20.00
pela utilização da variável secundária
18.00
16.00
Variável primária (Y)
14.00
12.00
10.00
8.00
6.00
4.00
2.00
0.00
0.00 5.00 10.00 15.00 20.00 25.00
Variável Secundária (X) Y = A.X+B
Figura 7- Modelo do valor médio da variável primária pela utilização da variável secundária
A krigagem com tendência externa é outra variação da krigagem simples em que são estimados
os resíduos locais. No entanto, à medida que a krigagem com médias locais incorpora um grid em que
são colocados os valores da média em cada ponto estimado, independentemente de qualquer função
utilizada para a incorporação da mesma, a krigagem com tendência externa assume um modelo de
regressão linear. Os valores de trend considerados podem então ser escritos como uma função linear,
tal como demonstrado na Equação 5:
15
𝑛
Assim como na krigagem simples, a krigagem com tendência externa possui as mesmas
condições de não enviesamento e correspondência entre os resíduos estimados e reais. A Equação 6
demonstra a condição de não viés da krigagem com tendência externa:
.:
𝑛
𝐸𝑟𝑟𝑜(𝑢) = 𝑍𝑘𝑒𝑑 (𝑢) − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑦(𝑢) − ∑ 𝛿𝛼𝑠𝑘 [𝑍(𝑢𝛼 ) − 𝑎0 (𝑢𝛼 ) + 𝑎1 (𝑢𝛼 )𝑦(𝑢𝛼 )]
𝛼=1
∑ 𝛿𝛼𝑠𝑘 = 1
𝛼=1
Além da condição de contorno característica da krigagem simples, mais uma condição deve ser
imposta no problema, tal que a média dos valores estimados seja igual à media real do ponto. Pela
Equação 7, temos que:
16
𝑛
Aconselha-se a escolha da variável secundária como informação da média local da primária que
exista correspondência não apenas matemática, mas também física. Por exemplo, ao assumir o
tempo de reflexão da sísmica com a profundidade da camada considerada, cria-se um modelo
não apenas matematicamente possível como também racional. Além do conhecimento da
correlação entre variáveis é importante conhecer os motivos da sua existência
A relação entre o trend da variável primária e secundária deve ser linear, no entanto, existe a
possibilidade da transformação da variável secundária para a garantia de correlação linear entre
as médias.
A variável secundária deve variar pouco no espaço. A erraticidade pode causar instabilidade no
modelo de krigagem com tendência externa. Trends locais muito variáveis como mineralizações
controladas em falhas podem não ser uma boa escolha para a variável secundária.
Variáveis secundárias muito erráticas produzirão um modelo de continuidade espacial dos
resíduos também afetado, o que prejudicará nas etapas de krigagem.
3. COKRIGAGEM
A utilização do prefixo “co”, da mesma forma que nas demais palavras do português, adiciona o
sentido de cooperação ou união. A cokrigagem é, portanto, uma extensão do problema de krigagem, em
que existe cooperação entre as diversas variáveis para o auxílio da máxima correlação e informação da
variável preditora. Segundo (Hans, 1995), a grande vantagem da utilização da cokrigagem é que sua
utilização não implica necessidade de dados isotópicos. A média da variável preditora anteriormente
calculada pela utilização de amostras da mesma variável é agora considerada como uma combinação
linear de uma variável primária e várias secundárias. A cokrigagem deve ser considerada um modelo
matemático, mas não necessariamente físico. Na verdade, qualquer variável secundária que possuir
17
correlação com a primária pode ser incorporada no modelo sem haver necessidade de correspondência
física. Como garantia de que os valores da variável secundária não alimentem a média da primária, a
soma de seus ponderadores é sempre igual à zero. Na verdade, a variável secundária é apenas um
suporte modificador dos pesos da variável primária. A Equação 8 demonstra a função utilizada como
estimativa da cokrigagem:
𝑁 𝑛
∗
𝑍𝑖0 (𝑢) = ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )
𝑖=1 𝛼=1
Por uma condição de não viés amostral, sabemos que a soma dos ponderadores deve
corresponder às seguintes condições de contorno, demonstrados pela Equação 9:
𝑛
1 , 𝑠𝑒 𝑖 = 𝑖0
∑ 𝛿𝛼𝑖 = {
0, 𝑠𝑒 𝑖 ≠ 𝑖0
𝛼=1
O erro de estimativa da cokrigagem pode então ser representado pela Equação 10:
𝑁 𝑛
𝛿𝛼𝑖 = 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠
Podemos demonstrar que a variância do erro é numericamente igual à Equação 11. O termo
dependente das variáveis e das amostras foi dividido em duas partes, uma em que as variáveis i e j são
18
iguais e uma que as variáveis j e i são diferentes. Isso gerará as covariâncias cruzadas que serão
definidas posteriormente:
𝑁 𝑛 2
𝑁 𝑛 𝑁 𝑁 𝑛 𝑛
𝑗
𝑉𝑎𝑟(𝐸𝑟𝑟𝑜(𝑢)) = 𝐸 [𝑍𝑖𝑜 (𝑢)2 − 2 𝑍𝑖𝑜 (𝑢) ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 ) + ∑ ∑ ∑ ∑ 𝛿𝛽 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 )]
𝑖=1 𝛼=1 𝑗=1 𝑖=1 𝛽=1 𝛼=1
𝑁 𝑛
𝑁 𝑛
+ 𝜇𝑖 (∑ 𝛿𝛼𝑖 − 1)
𝛼=1
𝜇𝑖 = 𝐿𝑎𝑔𝑟𝑎𝑛𝑔𝑖𝑎𝑛𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖
𝑛
19
Equação 13: Variância de cokrigagem
𝜕
𝑉𝑎𝑟(𝐸𝑟𝑟𝑜(𝑢))
𝜕𝛿𝛼𝑖
𝑁 𝑛 𝑁 𝑛 𝑛
𝜕
𝑉𝑎𝑟(𝐸𝑟𝑟𝑜(𝑢))
𝜕𝛿𝛼𝑖
𝑁 𝑛 𝑁 𝑛 𝑛
𝑁 = 𝑛𝑖
𝑁 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑞𝑢𝑎çõ𝑒𝑠
𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠
20
positiva definida é que as covariâncias cruzadas e diretas possam ser representadas como uma
combinação linear das mesmas.
O modelo geoestatístico define variáveis aleatórias regionalizadas como aquelas que se são
naturalmente diferentes em qualquer região considerada do espaço, mas que possuem correlação
segundo um modelo espacial. A função covariograma é então a relação de dependência linear entre
variáveis diferentes, que caracterizam o mesmo fenômeno, mas separadas por um vetor h, ou –h. Em
outros termos a variável 𝑍(𝑢) ≠ 𝑍(𝑢 + ℎ), mas que possui momentos estatísticos semelhantes. No
caso multivariado, as diferenças vão além da diferença espacial, mas também das diferenças entre as
variáveis consideradas.
Sob a singularidade de uma única variável primária, o covariograma pode ser explicitado como
demonstrado na Equação 15:
𝛼 = 𝑝𝑜𝑛𝑡𝑜 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜
21
A função covariograma direta é uma função par, tal que os seus valores não se alteram
submetidos à translação. O mesmo, no entanto, não pode ser definido para a função de covariância
cruzada como demonstrado na Equação 16. A covariância cruzada exige o conhecimento das médias das
variáveis consideradas e é uma função mais restritiva que a covariância direta, a medida que a última
pode ser calculada sem as médias se for considerado uma hipótese de estacionaridade da mesma:
𝛼 = 𝑝𝑜𝑛𝑡𝑜 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜
A variância cruzada não é necessariamente bijetora, o que torna a sua utilização prejudicada no
sistema de cokrigagem. Essa propriedade que a torna assimétrica é também chamada de lag effect.
Essa descorrelação segundo a origem, mas verificada em alguma distância do fenômeno pode ter causas
diversas, tais como as diferenças entre as mobilidades geoquímicas de elementos formadores do
depósito, por exemplo. A Figura 9 demonstra as diferenças entre as covariâncias diretas e cruzadas.
22
Figura 9 - Função de covariograma direto e cruzado
Toda função matemática pode ser escrita, no entanto, como uma soma de uma função par e
uma função ímpar. A decomposição da função covariograma pode ser escrita na Equação 17:
23
A definição do variograma cruzado pode ser expressa pela Equação 19:
𝑖, 𝑗 = 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑎𝑠
𝛼 = 𝑝𝑜𝑛𝑡𝑜 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜
Os variogramas cruzados são modelos que não incorporam a componente ímpar da covariância,
e portanto são menos restritivos.
𝑛
2
𝛾 𝑝𝑠𝑑 𝑖𝑗 (ℎ) = ∑ (𝑍𝑖 (𝑢𝛼 + ℎ) − 𝑍𝑗 (𝑢𝛼 ))
𝛼=1
𝑖, 𝑗 = 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑎𝑠
𝛼 = 𝑝𝑜𝑛𝑡𝑜 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜
24
𝐶1𝑖 (ℎ) = 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠 𝑐𝑟𝑢𝑧𝑎𝑑𝑎𝑠 𝑒𝑛𝑡𝑟𝑒 𝑎 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑒 𝑎 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
Em outros termos a cokrigagem tende a ser similar à krigagem simples quando os dados são
pouco correlacionados ou quando ocorre isotopia e os modelos de continuidade espacial são
semelhantes.
𝑆𝐶𝑘
∑𝑛𝛼2=1 |𝜆𝛼2 (𝑢)| 𝜎2
𝛹(𝑢) =
∑𝑛𝛼1=1 |𝜆𝛼1
𝑆𝐶𝑘
(𝑢)| 𝜎1
𝑆𝐶𝑘 (𝑢)
𝜆𝛼2 = 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑖𝑛𝑓𝑜𝑟𝑚𝑎çã𝑜 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝑆𝐶𝑘 (𝑢)
𝜆𝛼1 = 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑖𝑛𝑓𝑜𝑟𝑚𝑎çã𝑜 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
Nota-se que se os valores dos pesos da secundária forem todos positivos, logo pela definição do
𝑆𝐶𝑘 𝑆𝐶𝑘
sistema de krigagem o valor da soma dos valores absolutos é igual ∑𝑛𝛼2=1 |𝜆𝛼2 (𝑢)| = ∑𝑛𝛼2=1 𝜆𝛼2 (𝑢) =
25
0, e portanto não há como todos os pesos da variável secundária serem positivos. Naturalmente é
necessário haver ponderadores negativos para a variável secundária.
Figure 10 - Influência da variável secundária com o coeficiente de correlação e efeito pepita relativo (Goovaerts, 1995)
Sob a condição tradicional de não enviesamento, espera-se que o sistema de resolução das
equações incorpore duas condições de contorno tal que a soma dos pesos de cokrigagem da primária
seja igual a 1 e das secundárias seja igual a zero, o que pode ser exemplificado na Equação 9. Quando,
no entanto, normaliza-se variáveis diferentes, tornando-as adimensionais, as condições tradicionais
podem ser traduzidas em uma única condição formada pela combinação linear das mesmas. A Figura 11
demonstra como a informação secundária pode se tornar estatisticamente similar à informação
secundária pela normalização dos dados.
26
Figura 11 –Normalização da informação
Tornar a informação secundária com a mesma importância estatística que a variável primária é
um artifício que reduz a hierarquia das informações e submete o sistema de krigagem à apenas uma
condição como demonstrado na Equação 22:
𝑛 𝑁 𝑛
Ao utilizar da condição não tradicional dos pesos, a importância das informações mesmo que
equivalentes demonstram o aparecimento de muitos pesos negativos na variável primária. Ao
incorporar uma variável secundária muito mais extensiva e com mesma importância da primária seu
efeito se torna muito mais preponderante do que deveria em alguns casos.
Segundo (Hans, 1995) o sistema de corregionalização intrínseco pode ser demonstrado pela
Equação 23:
27
Equação 23: Modelo intrínseco de corregionalização
A matriz de covariâncias deve ser positiva definida, pois deve ser diagonalmente dominante. O
traço deve assumir valor maior que qualquer soma de linha ou coluna da matriz. Em outras palavras,
não há como as covariâncias diretas serem menores que as cruzadas, e desta forma o determinante da
matriz é sempre positivo. A Figura 12 demonstra a propriedade do determinante do modelo de
corregionalização.
28
Figura 12 - Determinante positivo do modelo de corregionalização
4. COKRIGAGEM COLOCADA
29
Figura 13 - Influência da informação secundária como uma função do vetor de distância
Segundo (Hans, 1995) , o sistema de cokrigagem colocada pode ser reduzido pela Equação 25:
30
𝑊𝑠 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎𝑠
5. MODELOS DE MARKOV
Os modelos markovianos são representativos do conjunto de modelos estocásticos que tem como
premissa a falta de memória das distribuições estatísticas. A propriedade da falta de memória significa
dizer que a probabilidade de um passo aleatório em um problema é independente das realizações
anteriores. A distribuição de Poisson é um dos modelos que possui esta característica, de tal forma que
muitos fenômenos físicos são modelados segundo esta característica. Em teoria das filas, por exemplo,
estipula-se que a taxa de chegada de pessoas para um atendimento é uma variável fixa e independente
do momento em que ocorre. Sob uma perspectiva da variável tempo, a percepção dos modelos
markovianos é bem mais sensível. No entanto, para a característica espacial, a definição do modelo
Markoviano pode ser representado em (Xialin, 1999) pela Equação 26:
Equação 26: Propriedade de perda de memória nos modelos markovianos aplicado à variável espacial
31
Equação 27: Modelo de correlograma cruzado nas cadeias de Markov (MM1)
32
6. KRIGAGEM DOS RESÍDUOS
O valor de trend e do resíduo são medidas ortogonais, tal como demonstrado na Equação 31.
Isso significa que diferentemente da krigagem convencional onde se pretende a máxima correlação
entre as variáveis, na krigagem dos resíduos pretende-se a mínima correlação entre a média da variável
primária e seu resíduo:
𝐸 (𝑚1 (𝑢𝛼 ). (𝑚1 (𝑢𝛼 ) − 𝑍1 (𝑢𝛼 ))) = 𝐸(𝑚1 (𝑢𝛼 )2 − 𝑚1 (𝑢𝛼 )𝑍1 (𝑢𝛼 ))
Isso implica que a condição de não viés dos ponderadores é diferente da krigagem convencional,
onde a soma dos pesos é igual a 1. Na krigagem dos resíduos necessita-se que a soma dos pesos seja
igual a zero. A Equação 32 demonstra a condição de não viés da krigagem de resíduos:
33
Equação 32: Condição de não viés da krigagem de resíduos
𝐸(𝑅1 ∗ − 𝑅1 ) = 0
𝑛
𝐸 (∑ 𝜆1𝛼 𝑍1 (𝑢𝛼 ) − 𝑅1 ) = 0
𝛼=1
∑ 𝜆1𝛼 = 0
𝛼=1
𝑅1 ∗ = 𝑅𝑒𝑠í𝑑𝑢𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
𝑅1 = 𝑅𝑒𝑠í𝑑𝑢𝑜 𝑟𝑒𝑎𝑙
Se os valores de trend puderem ser escritos como uma função linear das variáveis secundárias ,
então o resíduo estimado é igual à média local da primária que se equivale à função de Segundo (Hans,
1995) , o resíduo estimado pode ser demonstrado pela Equação 33:
Equação 33: Valor da média da variável primária como valor de regressão da secundária na krigagem de resíduos
𝑎 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑎𝑛𝑔𝑢𝑙𝑎𝑟
𝑏 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑎𝑛𝑔𝑢𝑙𝑎𝑟
34
7. ANÁLISE DOS COMPONENTES PRINCIPAIS
Segundo (Hans, 1995) a utilização de análise principal de componentes é uma das técnicas de
análise multivariada mais comumente utilizadas pela sua simplicidade algébrica e fácil interpretação,
que basicamente consiste na transformação linear das correlações entre as variáveis, de forma a extrair
o máximo de variância possível em cada componente, e assim determinar fatores independentes.
Definido um conjunto de variáveis determinada por uma matriz Z escalonados, então podemos
definir a matriz de covariâncias pelo seu produto matricial como determinado na Equação 34:
1 𝑡
𝑉 = [𝜎𝑖𝑗 ] = 𝑍 𝑍
𝑛
Z = matriz correspondente aos elementos das variáveis subtraídos pela média de cada variável
Se pretendermos obter uma série de fatores linearmente independentes, aqui definidos como Y,
sabemos que a matriz covariância destes fatores deve ser diagonal, constituinte unicamente da
variância incorporada de cada fator. Logo pela Equação 35, temos:
1 𝑡 𝑑11 0 0
𝐷= 𝑌 𝑌=( 0 ⋱ 0 )
𝑛 0 0 𝑑𝑁𝑁
35
Y = Fatores linearmente independentes
Por uma transformação linear, desejamos transformar a matriz de dados nos fatores pela
multiplicação de uma matriz A ortogonal, tal como demonstrado na Equação 36:
𝑌 = 𝑍𝐴 , 𝐴𝑡 𝐴 = 𝐼
𝑌 = 𝑍𝐴
1 𝑡 1
𝑌 𝑌 = 𝑌 𝑡 𝑍𝐴
𝑛 𝑛
1 𝑡 1 1
𝑌 𝑍𝐴 = (𝑍𝐴)𝑡 𝑍𝐴 = 𝐴𝑡 𝑍 𝑡 𝑍𝐴 = 𝐴𝑡 𝑉𝐴
𝑛 𝑛 𝑛
𝐷 = 𝐴𝑡 𝑉𝐴
Como a matriz A é ortogonal, então a sua transposta é equivalente à sua inversa. Então
podemos assumir que:
𝐴𝐷 = 𝑉𝐴
𝐴𝐷 = 𝑉𝐴 ~ 𝑉𝑄 = 𝑄𝜆
Cada fator pode ser obtido pela multiplicação dos autovetores com o conjunto de dados, sendo
que o autovalor do sistema resolvido é responsável pela variância do fator.
36
Uma das características favoráveis da utilização da análise de componentes principais é que esta
define uma sequência de fatores ortogonais que sucessivamente absorvem o máximo de variância dos
dados. Se o fator yi consiste na transformação de dados Z à partir de um vetor ai, como determinado
anteriormente, então sabemos que:
𝑦𝑖 = 𝑍𝑎𝑖 , 𝑎𝑖 𝑎𝑖𝑡 = 1 ∀𝑖 ≤ 𝑛
1 𝑡 1
𝑉𝑎𝑟(𝑦𝑖 ) = 𝑦𝑖 𝑦𝑖 = 𝑎𝑖𝑇 𝑍 𝑡 𝑍𝑎𝑖 = 𝑎𝑖𝑇 𝑍 𝑡 𝑍𝑎𝑖 = 𝑎𝑖𝑇 𝑉𝑎𝑖
𝑛 𝑛
𝜕∅𝑖
= 2𝑉𝑎𝑖 − 2𝜆𝑖 𝑎𝑖 = 0
𝜕𝑎𝑖
A equação demonstra que a máxima incorporação da variância em cada fator é resolvido pela
transformação linear de autovetores e autovalores da matriz covariância.
𝑉𝑎𝑖 = 𝜆𝑖 𝑎𝑖
Uma propriedade considerada na matriz de covariância dos dados é que seu traço representa o
máximo de variância admissível pelo conjunto de dados, considerando as variáveis independentes. Pela
propriedade de ortonormalidade da transformação linear aplicada na matriz, sabemos pela Equação 39
que:
Equação 39: Compatibilidade das variações entre as variáveis e sua transformação linear em autovetores e autovalores
𝑁 𝑁
𝑡𝑟(𝑉) = ∑ 𝜎𝑖𝑖 = ∑ 𝜆𝑖
𝑖=1 𝑖=1
37
𝜆𝑖 = 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎çã𝑜
𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑜 𝑓𝑎𝑡𝑜𝑟 𝜆𝑖
=
𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑡𝑜𝑡𝑎𝑙 𝑡𝑟(𝑉)
𝜆𝑖 = 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖
Como uma alternativa para garantir a correlação espacial dos dados além das posições colocadas,
a técnica MAF (Maximum autocorrelation factors) permite a obtenção de fatores relacionados a um
dado deslocamento das amostras.
𝛴Δ = 2 𝛴 − 𝛤(Δ) − 𝛤(−Δ)
Estipula-se então que a covariância deslocada dos dados pode ser determinada por uma
combinação linear dos dados, tal que denota-se a Equação 42.
38
𝛤(Δ) = Cov{Zk , Zk+Δ } = Matriz de covariância dos dados deslocados
Desta forma obtêm-se a correlação à partir de uma normalização da covariância dos dados, tal
como determinado na Equação 43.
Equação 43: Correlação dos dados obtida pela covariância dos mesmos
1 t
Cov{wi Zk , wi Zk+Δ } = wi (𝛤(Δ) + 𝛤(−Δ))wi
2
1
Cov{wi Zk , wi Zk+Δ } = wi t (𝛴 − 𝛴Δ ) wi
2
1
wi t (𝛴 − 𝛴Δ ) wi 1 wi t 𝛴Δ wi
Corr{wi Zk , wi Zk+Δ } = 2 = 1 −
wi t 𝛴wi 2 wi t 𝛴wi
A mínima correlação entre os dados é então obtida pela maximização do coeficiente de Rayleight
determinado na Equação 44:
1 wi t 𝛴Δ wi
R(w) =
2 wi t 𝛴wi
A técnica MAF condicionará a obtenção dos autovalores da resolução do problema não mais
apenas pela descorrelação dos valores colocados, mas também pelo deslocamento dos dados. A
resolução dos fatores se concretizará pela minimização do coeficiente de Rayleight submetido à
condição dos dados colocados.
39
8. EXERCÍCIOS
A Figura 13 demonstra o gráfico de boxplot das variáveis primárias. Nota-se a presença de uma
quantidade grande de valores altos e anômalos, se comparado à grande quantidade de valores
residuais. A Figura 14 demonstra que os valores outliers se situam concentrados no flanco nordeste, e
que a orientação espacial das amostras facilitou uma busca enviesada de valores reigonalizados.
40
BoxPlot - Valores outliers das variáveis
primárias
25
22.75
20
17.19
15
10
9.08
8.03
0 0
Variável primária
41
Figura 14 - Mapa de Localização das amostras primárias
42
A Figura 15 demonstra um histograma da proporção de dados da variável primária. Em torno de
80% dos valores estão situados apenas no valor médio de 2.36, 10% dos valores em torno de 6.89 e
demais valores com proporções baixas. A grande assimetria característica dos dados pode, no entanto,
não ser representativa se não for considerado o caráter espacial.
80.00%
70.00%
Proporção da variável
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
2.36 6.89 11.42 15.95 20.48
n proporção 79.31% 13.79% 0.00% 3.45% 3.45%
Teores da variável primária
Foi realizada a estatística declusterizada dos dados colocados por médias móveis. Calculou-se
células com variação de 1 até 25 metros sem considerar anisotropia. A Figura 16 demonstra a variação
das médias pela utilização do procedimento.
3.5
3.4
3.3
declusterizada
3.2
3.1
3
2.9
2.8
2.7
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Tamanho das células utilizada
43
Tabela 2- Valores de estatísticas declusterizadas
Declusterização
Primária colocada Primária Secundária
média 3.55 2.79 3.10
variância 14.96 15.04 4.48
desvio padrão 3.87 3.88 2.12
70.00%
60.00%
Proporção da variável
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
2.36 6.89 11.42 15.95 20.48
n proporção 74.79% 14.37% 0.00% 5.42% 5.42%
Teores da variável primária
A Figura 17 demonstra o histograma dos dados declusterizados. Nota-se que a diferença entre
as proporções dos valores demonstra que a declusterização não afetou significativamente os valores
médios.
15.00
10.00
5.00
0.00
0.00 5.00 10.00 15.00 20.00
Variável Secundária (X)
44
A Figura 18 demonstra o modelo de regressão linear entre a variável primária e secundária
colocada. Nota-se que para um intervalo de segurança de 90%, existe a presença de dois pontos
outliers. Sob a hipótese de aceitação do modelo de regressão, os valores de trend e resíduo produzirão
provavelmente valores negativos de estimativa, como demonstrado na Tabela 3. Nota-se que os valores
centrados são muito menores que o valor de suas variâncias.
MÉDIA RESÍDUO
MÉDIA 3.66 -0.25
VARIÂNCIA 17.16 13.54
A Tabela 4 demonstra os valores outliers retirados do banco de dados para a realização das
estatísticas. Desconsiderando estes pontos da estatística, o modelo de regressão das variáveis pode ser
demonstrado pela Figura 19.
45
O modelo de regressão linear pode ser considerado pela Equação 45: Segundo a Tabela 5
podemos notar que os valores são mais coerentes para a utilização na geoestatítica.
MÉDIA RESÍDUO
MÉDIA 2.77 0.00
VARIÂNCIA 3.73 2.86
𝑋 = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
A informação secundária extensiva pode ser demonstrada pela Figura 20. Nota-se que existe
variação abrupta dos dados para a classe situada de valores iguais a 3.49-22.47. A utilização de
informação altamente errática da variável secundária não auxilia na resolução do problema.
46
Figura 20- Mapa de classes da variável secundária
47
Figura 21 - Mapa dos valores residuais da variável primária
48
A Figura 21 representa o mapa de resíduos da variável primária. O histograma dos resíduos
aparenta característica simétrica e típica de uma distribuição de erros similarmente gaussiana. A Figura
22 demonstra o histograma dos resíduos.
O modelo de variograma dos resíduos pode ser representado pela Equação 42:
49
Tabela 6 - Valores utilizados na estratégia de busca da krigagem dos resíduos
Estratégia de busca
Eixos do elipsóide
Maior 30
Menor 30
Rotação 0
Número de dados utilizados
Mínimo 2
Máximo 4
Máximo por octante NÃO
50
Figura 25 – Valores da variância de krigagem dos dados
Nota-se pela Figura 25 que os valores da variância de krigagem demonstram que a disposição
amostral parece não ser razoável para a estimativa local, apresentando uma gama de regiões onde o
resíduo obtido pela variável secundária não auxilia prontamente. A Figura 26 demonstra o mapa obtido
por krigagem simples com médias locais.
51
Figura 27- Histograma dos valores krigados
CONCLUSÃO: A krigagem simples com médias locais é uma alternativa que garante a utilização da
informação secundária para a melhor estimativa da primária, no entanto, é amplamente condicionada
aos dados colocados para a krigagem dos resíduos, e se por ventura, os valores colocados não forem
espacialmente favoráveis para uma boa estimação, a krigagem simples com médias locais se torna uma
ferramenta tão prejudicada quanto a krigagem simples.
52
8.2 Exercício 2 – Cokrigagem ordinária estandarizada
O Exercício 2 constitui na análise de dados heterotópicos pelo uso de cokrigagem ordinária das
variáveis padronizadas. A análise consiste na verificação das estatísticas dos dados pelo uso de
informação secundária de qualidade inferior. Os dados foram modificados pela mudança de sua
acuracidade. Os mapas de localização da variável primária está demonstrado na Figura 28:
Os mapas de localização das variáveis secundárias inacuradas está demonstrado na Figura 29:
53
Figura 30- Estatísticas da variável primária
A Figura 31 demonstra as estatísticas das variáveis secundárias utilizadas como informação para
primária.
As estatísitcas bivariadas da primária e das secundárias é demonstrado nas Figuras 32, 33 e 34.
Nota-se que as variáveis secundárias se modificam apenas pela mudança de algumas de suas
propriedades elas apresentam alta correlação. No entanto, em relação à variável primária as
informações são mais pobres, apresentando coeficiente de correlação de 0.59 e 0.61.
54
Figura 32 - Estatística bivariada das informações secundárias
55
A Tabela 8 demonstra os coeficientes de correlação entre as variávei primária e secundárias.
Admite-se que as variáveis são correlacionadas o suficiente para seu uso na cokrigagem
ordinária. A Tabela 9 demonstra a variância à priori das variáveis diretas e cruzadas.
Determinou-se um modelo de corregionalização linear tal como demonstrado pela Tabela 10.
Modelo Esférico
range máx 60
range min 40
Anisotropia 0°
Efeito pepita
Variável Secundária +25% Secundária -25%
primária SOMA
Variável primária 1 0 0 1
Secundária +25% 0 1 1 2
Secundária -25% 0 1 1 2
SOMA 1 2 2 3
Contribuição
Variável primária Secundária +25% Secundária -25% SOMA
Variável primária 4.92 4.63 2.73 12.28
Secundária +25% 4.63 8.73 4.75 18.11
Secundária -25% 2.73 4.75 3.61 11.09
SOMA 12.28 18.11 11.09 17.26
56
MATRIZ DOS COEFICIENTES DE CODISPERSÃO
Variável primária Secundária +25% Secundária -25%
Variável primária ------------ 0.610047592 0.460630431
Secundária +25% 0.610047592 ------------ 0.801463205
Secundária -25%
0.460630431 0.801463205 ------------
DETERMINANTE CONTRIBUIÇÃO 21.6758
DETERMINANTE EFEITO PEPITA 0
57
Figura 36 - Variograma secundária viés +25%
58
Figura 38 - Variograma cruzado +20 -25
59
Figura 40 - Variograma cruzado +25 -25
60
Figura 41- Histograma das variáveis padronizadas
Tabela 11 - Parâmetros utilizados para a cokrigagem dos dados de informação secundária com viés +25%
Parâmetros Valores
Discretização dos blocos 5x5
Origem do grid (0.5,0.5,1)
Número de blocos (52,60,1)
Estratégia de busca Rang: 60, Rang: 40, Aniso: 0°
Dados condicionantes da primária Mín: 2, Máx: 10
Dados condicionantes da secundária Mín: 2, Máx: 8
Variograma primária 0.16+0.83 Sph(60/0°N, 40/90°N)
Variograma secundária +25% 0.10+0.90 Sph(60/0°N, 40/90°N)
Variograma cruzado 0.00+1.00 Sph(60/0°N, 40/90°N)
O mapa da cokrigagem realizada, bem como o histograma dos valores obtidos com o viés está
demonstrado nas Figuras 42 e 43.
61
Figura 42 –Mapa da cokrigagem utilizando os dados de viés +25%
62
Figura 43 - Histograma da cokrigagem utilizando os dados de viés +25%
𝑡𝑟𝑎𝑛𝑠𝑓
𝑍𝑝𝑟𝑖𝑚 = (𝑍𝑝𝑟𝑖𝑚 . 5.92) + 2.73
A comparação entre os dados iniciais da variável primária e da cokrigagem realizada com o viés
amostral de +25% pode ser demonstrado no gráfico da Figura 44.
63
Nota-se que apesar da forte correlação entre a cokrigagem retrotransformada e os dados
iniciais observou-se que os dados não apresentam acertividade ao apresentarem um coeficiente angular
de 1.88 e um intercepto de -2.44. Verifica-se que a utilização de informação secundária enviesada é
prejudicial para o processo de krigagem, superestimando os valores calculados.
A Tabela 12 representa os parâmetros utilizados para a cokrigagem dos dados com um viés de
-25%.
Tabela 12 - Parâmetros utilizados para a cokrigagem dos dados de informação secundária com viés -25%
Parâmetros Valores
Discretização dos blocos 5x5
Origem do grid (0.5,0.5,1)
Número de blocos (52,60,1)
Estratégia de busca Rang: 60, Rang: 40, Aniso: 0°
Dados condicionantes da primária Mín: 2, Máx: 10
Dados condicionantes da secundária Mín: 2, Máx: 8
Variograma primária 0.16+0.83 Sph(60/0°N, 40/90°N)
Variograma secundária -25% 0.21+0.78 Sph(60/0°N, 40/90°N)
Variograma cruzado 0.00+1.00 Sph(60/0°N, 40/90°N)
64
Figura 45 - Mapa da cokrigagem utilizando os dados de viés -25%
A Figura 45 demonstra o mapa da cokrigagem utilizando os dados de viés -25% enquanto a Figura 46
demonstra a estatística dos dados.
65
Figura 46 - Histograma da cokrigagem utilizando os dados de viés -25%
CONCLUSÃO: A cokrigagem apesar de ser uma ferramenta que auxilia na utilização de dados imprecisos
se torna uma ferramenta inadequada para dados inacurados. A utilização de informação com viés é
prejudicia demonstrando incorrespondência entre as estatísticas iniciais e finais. A conjugação de
informação inacurada e com baixa variabilidade se torna ainda um cenário pior, ao não proporcionar
correspondência maior dos dados.
66
8.3 Exercício 3 – Cokrigagem ordinária utilizando os modelos de Markov MM1 E MM2
Para a obtenção de estatísticas confiáveis dos dados foi utilizado um método de declusterização em
células móveis para obter os ponderadores relativos à cada amostra. A Figura 49 demonstra o gráfico de
redução dos valores médios pelo tamanho de célula escolhida para a declusterização. O tamanho de
célula ideal alcançado pelo método interativo foi de 23x23.
67
Declusterização em células móveis da variável Urânio
(ppm)
700
600
500
Média (ppm)
400
300
200
100
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Dimensão da célula
A variável de Vanádio exaustiva pode ser demonstrada pelo mapa de localização determinado
pela Figura 51.
68
Figura 51 - Mapa de localização da variável Vanádio
69
Figura 53 - Correlação entre a variável primária e secundária
70
Figura 54- Variograma da variável primária Urânio
35 10
𝛾(ℎ) = 200000 + 388911 𝑆𝑝ℎ ( °
+ )
0 𝑁 90°𝑁
Os parâmetros utilizados para a cokrigagem com modelo markoviano está demonstrado na Figura 55.
71
Figura 55 - Parâmetros utilizados para a cokrigagem com modelo de Markov 1
72
Figura 56- Cokrigagem utilizando modelo de Markov 1
73
Figura 57 - Estatísticas da variável Cokrigada pelo modelo de Markov
74
Figura 14 - Histograma dos resíduos da variável primária
44 22 80 60
𝛾(ℎ) = 200000 + 200000 𝑆𝑝ℎ ( , ) + 9804 𝑆𝑝ℎ ( , )
𝑁 157.5 𝑁 67.5 𝑁 157.5 𝑁 67.5
O variograma da variável secundária pode ser demonstrado pela Figura 60 como demonstrado
abaixo:
75
Figure 60 - Variogramas das variáveis secundárias
90 30
𝛾22 (ℎ) = 10000 + 42023 𝑆𝑝ℎ ( , )
157,5𝑁 97,5𝑁
𝜎11 (0)
𝛾12 (ℎ) = ∗ 𝜌 (0) ∗ 𝛾12 (ℎ)
𝜎22 (0) 12
O variograma cruzado foi calculado como uma combinação linear do primário tal como demonstrado na
Tabela 13.
Variograma primária
Efeito pepita 200000
Contribuição 388911
Variograma cruzado
76
Efeito pepita 37561.23
Contribuição 73039.87
Os parâmetros utilizados para a cokrigagem com modelo markoviano 2 está demonstrado na Figura 61.
77
Figure 62 – Resultado cokrigagem MM2
CONCLUSÃO: A utilização do modelo markoviano MM1 parece ter sido prejudicial no estudo de caso,
considerando que o número de pontos da variável primária é muito pequena, e que além disso, a
caracterização do variograma é ruim, considerando apenas poucos pares de pontos. O modelo MM2 já
consegue reproduzir melhor o padrão de disposição espacial do problema porque em si o método
desconsidera grande importância para a variável primária.
78
8.4 Exercício 4 – Utilização de MAF para krigagem de valores independentes
O exercício proposto consiste no tratamento dos dados obtidos no depósito sedimentar da região
de Jura, que se situa entre os Alpes e o platô suiço, de origem Quaternária, e que constitui em uma
forma crescente e convexa na direção NW, representante de um delta. O depósito apresenta
característica sedimentar glacial com sedimentos de tamanho variável, desde siltes à clastos de maior
tamanho, e que possui até hoje variações segundo as mudanças climáticas locais. A região é de
interesse principalmente no quesito geomorfológico sendo pesquisada em seus limites em meados da
década de 80, em que o intemperismo é representado por movimentações de lentes glaciais ao longo
do vale. Pesquisadores demonstraram como relatado em (Gerard Aalbersberg, 2003) que a máxima
extensão do depósito de Jura é relacionado ao lago pós glacial que possui em torno de 520 a 525 m de
profundidade, ao qual é fortemente laminado por material argiloso e silte.
79
Figura 63 - Mapa de localização das variável Cd
80
Figure 64 – Mapa de localização da variável Co
81
Figura 65 – Mapa de localização da variável Cr
82
Figura 66 – Mapa de localização da variável Cu
83
Figura 67 – Mapa de localização da variável Land Use
84
Figura 68 – Mapa de localização da variável Ni
85
Figura 69 – Mapa de localização da variável Pb
86
Figura 70 – Mapa da localização da variável Amostra Rock
87
Figura 71 – Mapa de localização da variável Zn
As correlações entre as diversas variáveis podem ser representadas pela Tabela 15:
88
Tabela 15- Correlações entre as variáveis do problema
Landuse Rock Cd Co Cr Cu Ni Pb Zn
Landuse 1
Rock 0.192444 1
Cd -0.27147 -0.00071126 1
Co 0.086503 0.2331062 0.253353 1
Cr -0.13215 0.16788946 0.609417 0.453436 1
Cu 0.193553 0.19280598 0.119854 0.216681 0.21007 1
Ni -0.09767 0.10337504 0.487375 0.750737 0.692683 0.229378 1
Pb -0.0402 0.08770731 0.222378 0.188737 0.295083 0.778353 0.308144 1
Zn 0.003059 0.16582507 0.669204 0.474293 0.673406 0.570052 0.634668 0.591533 1
Nota-se que existe uma variação grande entre a correlação das variáveis, apresentando valores
quase que independentes tal como o litotipo apresentado e a variável Cd, e correlações extensas tal
como apresentado pela variável Chumbo e cobre. Infere-se que sob origem genética, a variável de Cd
não possui correlação com os litotipos analisados, mas ainda assim apresenta origem de minerais
sulfetados correspondentes aos metais calcófilos tais como Zn, Pb, Cu. É possível ainda distinguir outro
grupo distinto de elementos siderófilos tal como o Cr, Ni, o que aparentemente demonstra uma gênese
conjugada de minerais de origem sedimentar oxidados e elementos de origem vulcanogênica que se
apresentam pela genética de morenas.
Foi realizada a transformação MAF dos dados segundo uma distância mínima de 1km e máxima
de 4 km segundo as dimensões apresentadas pela disposição amostral. A Tabela 16 demonstra os
parâmetros utilizados para o cálculo do variograma experimental dos fatores descorrelacionados. As
Figuras 72-75 demonstram alguns variogramas cruzados entre os fatores MAF, relatando que a
metodologia parece ter realmente descorrelacionado as amostras em quesito espacial.
89
Figura 72-Varigorama cruzado MAF1-MAF2
90
Figura 74- Vairograma cruzado MAF2-MAF3
91
Foi realizado os variogramas experimentais diretos dos fatores com os parâmetros demonstrados pela
Tabela 16.
92
Figura 76 - Variograma MAF1
93
Figura 78- Varograma MAF3
94
Figura 80- Variograma MAF5
95
Figura 82- Variograma MAF7
96
Figura 84- Variograma MAF9
A estratégia de krigagem pode ser representada pela Tabela 19. Para todos os fatores a
krigagem utilizou a mesma estratégia de busca e o mesmo grid de dados.
Estratégia em octantes
Máximo de Mínimo de Range da
Mínimo de
amostras amostra procura de Mínimo por Máximo por
octantes
utilizadas utilizadas dados octante octante
utilizados
6 3 0.50 – Omni 3 1 2
97
Figura 85 – MAF 1 – INVERSA – VARIÁVEL Cd
98
Figura 86 - MAF 2 -INVERSA - VARIÁVEL Co
99
Figura 87 - MAF 3- INVERSA - VARIÁVEL Cr
100
Figura 88- MAF 4 - INVERSA- VARIÁVEL Cu
101
Figura 89 MAF 5 - INVERSA - VARIÁVEL LANDUSE
102
Figura 90- MAF 6 - INVERSA - VARIÁVEL Ni
103
Figura 91 - MAF 7 - INVERSA – VARIÁVEL Pb
104
Figura 92 - MAF 8 - INVERSA - VARIÁVEL ROCK
105
Figura 93 - MAF 9 -INVERSA - VARIÁVEL Zn
106
Média declusterizada das variáveis
2.56
2.54
Média dos valores 2.52
2.5
2.48
2.46
2.44
2.42
2.4
0 0.5 1 1.5 2 2.5 3 3.5
Tamanho da célula
107
Figura 96- Comparação MAF e declusterização (Variável Co)
108
Figura 99 - Comparação MAF e declusterização (Variável Landuse)
109
Figura 102- Comparação MAF e declusterização (Variável Rock)
Tabela 20- Diferenças entre as estatísticas das variáveis declusterizadas e da krigagem MAF
VARIÁVEL
VARIÁVEL MAF
DECLSUTERIZADA
SUAVIZAÇÃO
MÉDIA VARIÂNCIA MÉDIA VARIÂNCIA VIÉS
RELATIVA
Cd 1.32 0.7744 1.35 0.28 2.22% 63.84%
Co 9.54 12.1104 9.44 6.5 1.05% 46.33%
Cr 35.8 121 35.52 46.42 0.78% 61.64%
Cu 22.69 420.25 23.8 128.87 4.66% 69.33%
Landuse 2.42 0.6889 2.49 0.2 2.81% 70.97%
Ni 20.4 60.9961 20.59 35.47 0.92% 41.85%
Pb 52.83 891.0225 55.29 311 4.45% 65.10%
Rock 2.52 1.6641 2.583 0.62 2.44% 62.74%
110
Zn 76.12 856.7329 76.37 386.31 0.33% 54.91%
CONCLUSÃO: A utilização da técnica MAF prioriza a independência de fatores sob o quesito espacial
como demonstrado pelos variogramas cruzados calculados no problema. A utilização da técnica permite
a análise de múltiplas variáveis colocadas, mas que exige correlação adequada entre as diversas
variáveis para que se obtenham boas estimativas individuais.
111
9. CONCLUSÃO
Não somente devemos considerar o quesito do uso da informação, mas além disso a capacidade
dos modelos multivariados permitirem a compatibilidade do balanço de massas entre os diversos
elementos. Eventualmente estimações que não considerarem a correlação entre as variáveis
produzirá valores distorcidos globalmente, ou em outros termos, se houverem n variáveis
somáticas, a estimativa individual de cada uma não produzirá as mesmas características da soma
das n variáveis. O erro de fechamento é muitas vezes natural até mesmo dentro do banco de dados,
logo mesmo que as técnicas multivariadas permitam a redução máxima deste erro, não existe
estimativa que se possa fazer ao qual se corrijam os erros amostrais.
112
10. Bibliografia
Gerard Aalbersberg, C. K. (2003). A Pleniglacial Fluvial Deposit From the Combe D'Ain (Jura, France).,
(pp. 97-103).
Goovaerts, P. (1997). Geostatistics for natural resources evaluation. Nova Iorque: Oxford.
113