Técnicas de visualização espacial para a predição e identificação de áreas

degradadas.

Daniel De Bortoli Teixeira & Diego Silva Siqueira

RESUMO: A identificação de áreas degradadas, principalmente em

relação à contaminação do solo e da água, é realizada por meio de análises
laboratoriais efetuadas em uma série de amostras simples retiradas na área a
ser investigada. No entanto, comumente uma simples média das amostras é
calculada, sendo insuficiente para a identificação da área degrada. Nestes
casos é aconselhada a utilização de técnicas espaciais para a delimitação e
posterior intervenção na área estudada. As análises espaciais abrangem
qualquer estudo em que a posição das amostras é considerada, não sendo
obrigatória a produção de valores interpolados. No entanto para fins de
intervenção os limites da área degradada devem ser conhecidos tornando
indispensável às estimativas de valores em locais não amostrados. Diversos
tipos de interpoladores estão disponíveis, sendo os interpoladores
geoestatísticos aqueles que apresentam a maior precisão na identificação dos
limites em campo. As técnicas geoestatísticas utilizam a estrutura de
dependência espacial para captar e reproduzir com alta acurácia os padrões
espaciais e delimitações da área em estudo. Este conjunto de técnicas é
amplamente utilizado em ciências ambientais, agricultura de precisão e
políticas públicas. No contexto das áreas degradadas tais técnicas destacam-
se por integrarem todo o processo de identificação, intervenção, manejo e
recuperação dessas áreas. Neste capítulo serão apresentados conceitos,
metodologias e exemplos de aplicação das diversas técnicas de análises
espaciais.
Palavras-chave: interpolação espacial, geoestatística, variograma, krigagem.

Spatial techniques visualization for predicting and identifying degraded

areas.
ABSTRACT: The identification of degraded areas, especially in relation to
contamination of soil and water, is performed by laboratory tests performed in a
series of single samples taken from the area to be investigated. However,
commonly a simple average of the samples is calculated, being insufficient to
identify the degraded area. In these cases it is advised to use space technology
for the delimitation and subsequent intervention in the study area. The spatial
analysis include any study in which the position of the samples is considered, it
is not mandatory to produce interpolated values. However for purposes of
speech degraded area boundaries must be known and thus the estimated
values for non-sampled locations is desired. Various kinds of interpolators are
available, and the geostatistical interpolation are the highest accuracy in
identifying the limits in the field. The geostatistical techniques utilize the spatial
dependence structure to capture and reproduce with high accuracy the spatial
patterns and boundaries of the study area. This set of techniques is widely used
in environmental sciences, precision agriculture and public policy. In the context
of degraded areas such techniques are noted for integrating the whole process
of identification, intervention, management and restoration of these areas. In
this chapter will be presented concepts, methodologies and examples of
application of the various techniques of spatial analysis.
Keywords: spatial interpolation, geostatistics, variogram, kriging.

INTRODUÇÃO
Áreas degradadas podem ser definidas como àquelas que sofreram
processos de perturbação em sua integridade física, química ou biológica
(EMBRAPA, 2012). Desta forma, áreas desmatadas, rios assoreados, áreas
contaminadas, voçorocas, pastagens degradadas e áreas agrícolas
compactadas podem ser classificadas como áreas degradadas. Por sua vez a
recuperação de tais locais pode ser definida como o processo de retorno da
área a uma condição próxima a anterior. No entanto, antes do processo de
intervenção deve-se identificar precisamente a fonte de degradação e o local a
ser recuperado.
Processos de erosão ou desmatamentos são facilmente identificados
visualmente, enquanto a constatação de áreas contaminadas e compactadas
são realizadas, predominantemente, por meio de análises laboratoriais. Estas
análises são realizadas em amostras retiradas, aleatoriamente ou em forma de
malha amostral, ao longo da área a ser investigada. No entanto, o resultado
destas análises é representado, frequentemente, por meio da média de todas
as análises realizadas. Este procedimento mascara o resultado induzindo os
tomadores de decisão ao erro.
A Tabela 1 apresenta dois conjuntos hipotéticos de dados A e B
retirados ao longo de uma malha amostral. Observando os valores de média,
desvio padrão, coeficiente de variação, mínimos e máximos o leitor é induzido
a identificar os conjuntos como semelhantes, não apresentando diferenças
significativas entre si. No entanto o estabelecimento da semelhança entre os
conjuntos não pode ser realizado baseado apenas em medidas de posição
(média) e dispersão (desvio-padrão e coeficiente de variação). Para estas
ocasiões um tratamento estatístico mais rigoroso é necessário, sendo suas
medidas analisadas ao longo do espaço (Figura 1).

Tabela 1. Estatística descritiva dos conjuntos de dados A e B.

Conjunto A Conjunto B
Média 27,50 27,50
Desvio-padrão 13,10 13,30
Coeficiente de Variação 47,64 48,36
Mínimo 4,00 4,00
Máximo 49,00 49,00

Nota-se que embora os valores de coeficiente de variação tenham

apresentado grande semelhança, o conjunto A demonstra maior
homogeneidade que o conjunto B, uma vez que suas isolinhas estão mais
afastadas entre si e há uma maior continuidade de zonas mais homogêneas ao
longo da área em estudo. Outro fator que não seria percebido pela análise
baseada unicamente na média e desvio dos conjuntos é que ambos
apresentam grande variabilidade no espaço.
O conjunto A apresenta valores mais baixos na porção esquerda do
mapa, enquanto os maiores valores concentram-se na porção superior do
mesmo. Estas áreas extremas (menores e maiores valores) são as mais
prejudicadas quando a média é utilizada para a representação da área. Em
adição, vale ressaltar que ao trabalharmos com dados de contaminação estas
são as regiões de maior interesse, pois indicarão a necessidade imediata de
procedimentos de interferência na área avaliada. Assim com base na
interpretação do mapa de variabilidade pode-se adotar a melhor estratégia para
subdividir a área (Figura 1A), quando possível, possibilitando melhor eficácia
das praticas subsequentes.

A B

Figura 1. Padrão espacial estimado para o (A) conjunto de dados A e (B)

conjunto de dados B. Em vermelho a subdivisão da área A.

O exemplo anterior demonstra claramente a necessidade da

visualização espacial dos dados amostrados. É importante ressaltar que a
informação espacial deve estar presente tanto no processo de identificação da
área degrada, quanto nos processos de intervenção e recuperação,
objetivando a realização de um diagnóstico mais eficiente e com um menor
custo de recuperação uma vez que, normalmente, nem toda a área avaliada
necessitará de intervenção. Neste capitulo serão apresentadas algumas
metodologias, conceitos e exemplos de visualização espacial para auxiliar o
diagnóstico, intermediação e recuperação de áreas degradadas.

ANÁLISES ESPACIAIS
Métodos de análises estatísticas que utilizam as informações espaciais
sempre estiveram presentes na literatura estatística. No entanto sua utilização
em diversas áreas pode ser considerada recente e em crescente expansão.
Este crescimento deve-se principalmente ao desenvolvimento de metodologias
e recursos para o tratamento de dados, auxiliado pelo avanço e popularização
de tecnologias como Sistemas de Informação Geográficas (SIG), Sistemas de
Posicionamento Global (GPS) e, principalmente, pela evolução computacional.
 Pode-se afirmar que as análises espaciais englobam quaisquer
metodologias que incorporem a informação espacial, não sendo necessária a
realização de interpolação para a produção de padrões espaciais. No entanto,
as produções destes mapas destacam-se como o principal ramo das análises
espaciais, sendo estes produzidos em duas frentes: métodos não
geoestatísticos e métodos geoestatísticos.

MÉTODOS NÃO GEOESTATÍSTICOS

Os métodos não geoestatísticos visam somente à interpolação dos
dados, não levando em consideração a estrutura de dependência espacial
existente entre as amostras obtidas. Desta forma, estes métodos não
apresentam nenhum rigor estatístico o que implica em uma perda na acurácia e
precisão dos valores estimados. Tais metodologias destacam-se por ser de
fácil implementação e apresentar todas as etapas automatizadas. Existem
diversos interpoladores não geoestatísticos: interpolação linear (ex. média da
estatística descritiva), inverso da distância, curvatura mínima, método de
shepard modificado, vizinho natural, vizinho mais próximo, função de base
radial, triangulação com interpolação linear, média móvel, polinômio local, entre
outros. A Interpolação linear simples (Figura 2A) e Inverso da Distância
Ponderada – IDP do inglês IDW (Figura 2B) são os principais métodos
utilizados, principalmente, em agricultura de precisão. A utilização destes
métodos em detrimento as análises geoestatísticas (apresentadas a seguir)
está relacionado ao fato de que muitas vezes o usuário não apresenta o
conhecimento necessário para o estabelecimento e utilização das metodologias
geoestatísticas.

A B
Figura 2. Padrão espacial de uma variável produzida por meio da (A)
Interpolação linear e (B) Inverso da Distância Ponderada.

O interpolador Inverso da Distância Ponderada produz estimativas

baseadas nos valores das localizações vizinhas ponderadas pela distância até
o local de interpolação (eq. 1). A diferença entre este e a interpolação linear
simples é que o último aplica pesos menores aos valores mais próximos, ou
seja, ele tende a subestimar os valores próximos e superestimar os valores
distantes. Dessa maneira em casos cujo atributo analisado apresente alta
variabilidade, como a Figura 1B, os resultados podem induzir a conclusões
equivocadas. Esse tipo de situação é comum em práticas agronômicas atuais.
Estes métodos, embora não extrapolem valores além daqueles encontrados no
arquivo de dados, tendem a desenhar círculos (Figura 2B), conhecidos pela
expressão “olhos-de-boi”, em torno de cada ponto de dados.
N  1 
  p xi 
zˆ ( x0 )   
i 1 d

N  1 
(1)
 p 
i 1  d 

Sendo, zˆ( x0 ) o valor estimado da propriedade no ponto 0, N o número de

valores utilizados na predição, d a distância entre o ponto amostrado e àquele

a ser estimado, p a ponderação associada ao interpolador cada valor e z(xi) é o
valor observado no ponto i. É importante ressaltar que os métodos citados
anteriormente fazem referência às relações espaciais apenas em relação à
suposição de que pontos mais próximos são mais parecidos que aqueles mais
distantes.

MÉTODOS GEOESTATÍSTICOS
A geoestatística surgiu, em 1951, na África do Sul quando o engenheiro
de minas Daniel Krige, trabalhando com dados de concentração de ouro,
desenvolveu uma técnica para a estimativa de locais não amostrados, levando
em consideração a localização geográfica dos dados, bem como a
dependência espacial obtida. Tal observação foi realizada pela observação dos
valores de variância das amostras coletadas. Posteriormente, MATHERON
(1953) equacionou as observações realizadas por Krige, desenvolvendo assim
a Teoria das Variáveis Regionalizadas. O termo geoestatística se refere à parte
da estatística que auxilia na interpretação destas variáveis, ou seja, aquelas
que apresentam uma componente estrutural, uma componente aleatória e um
erro residual (BURROUGH, 1987).
A maioria das propriedades do solo apresenta dependência espacial,
desta forma os valores assumidos por uma determinada propriedade (variável)
numa posição definida na área de estudo variam de acordo com a direção e a
distância de separação entre as amostras vizinhas. Esta continuidade
geográfica característica das variáveis é identificada ao observar que os
valores das variáveis tornam-se mais similares à medida que a distância de
separação entre eles diminui, e que valores mais heterogêneos são
observados à medida que estes pontos se distanciam. Neste contexto, as
observações não podem ser consideradas independentes e as análises
baseadas apenas nas estatísticas clássicas tornam-se inadequadas. Desta
forma, um tratamento estatístico mais avançado é requerido (WEBSTER &
OLIVER, 2009). A Figura 3 apresenta um esquema resumido sobre as
principais etapas das interpolações espaciais.

Figura 3. Etapas dos procedimentos geoestatísticos.

Variograma
 A variabilidade espacial das variáveis é determinada utilizando a
modelagem do variograma experimental, com base na teoria das variáveis
regionalizadas e hipótese intrínseca (VIEIRA, 2000). O variograma descreve a
continuidade espacial das variáveis como função das distâncias entre duas
localizações (WEBSTER & OLIVER, 2009) (eq. 2).

1 N ( h)
ˆ (h)  
2 N (h) i 1
[ z ( xi )  z ( xi  h)] 2 (2)

em que, ˆ (h) é a semivariância experimental para uma distância de separação

h, z(xi) é o valor da propriedade no ponto i, e N(h) é o número de pares de
pontos separados pela distância h. Os processos de interpolação iniciam com
um ajuste do modelo ao variograma experimental derivado da equação 2,
utilizando parâmetros de modelos de variograma. Estes parâmetros são
usualmente conhecidos como efeito pepita (C0), patamar (C0+C1) e alcance (a),
e os seus aspectos geométricos podem ser vistos na Figura 4A.
O efeito pepita é resultante da soma de duas componentes: erro
amostral e erro decorrente da variabilidade existente em escala inferior àquela
medida. Assim, quando duas váriaveis estão padronizadas, o que se chama de
semivariograma escalonado, pode-se comparar os valores de C0 e inferir qual
atributo está apresentando maior erro global (somatoria de erros devido a
amostragem, análises laboratoriais e ajuste do semivariograma). O patamar
representa a semivariância na qual o modelo de variograma atinge o valor do
alcance, sendo essa próxima a variância amostral dos dados. O alcance indica
o limite de dependência espacial entre amostras, desta forma, amostras
espaçadas acima deste valor não apresentam dependência espacial entre si.
Em termos práticos o alcance do variograma pode ser utilizado para balizar o
planejamento amostral, indicando qual deve ser o espaçamento próximo do
ideal no campo (MONTANARI et al., 2012).
 A B
Figura 4. A) Variograma esperimental, teórico e seus parâmetros. B) Modelos
de dependência espacial.

Modelos esférico, exponencial e gaussiano são válidos e podem ser

utilizados para descrever o variograma experimental (Figura 4B). Cada modelo
descreve a variabilidade de forma diferente, sendo responsável pelas
características do mapa produzido. O modelo esférico atinge o patamar mais
rápido que o modelo Gaussiano, indicando que os dados não apresentam-se
muito contínuos ao longo da área em estudo, entretanto, em dados
provenientes do modelo gaussiano geralmente tem-se uma grande correlação
espacial em distâncias pequenas. O modelo exponencial descreve uma função
aleatória mais errática em pequenas distâncias, quando comparado ao modelo
esférico, caracterizando eventos que variam muito em pequena escala, ou seja,
mudanças abruptas ocorrem em todas as distâncias (WEBSTER & OLIVER,
2009). Podemos citar como exemplo a Figura 1, onde 1A pode representar o
mapa de distribuição proveniente do ajuste de um modelo gaussiano e a 1B
proveniente do ajuste de um modelo esférico ou exponencial. A modelagem
variográfica é considerada a etapa mais importante do procedimento
geoestatístico, pois influenciará diretamente a qualidade final do produto
(mapa) obtido.

Krigagem
Os estimadores de krigagem são os mais utilizados em ciências do solo,
devido principalmente a sua rapidez e praticidade. Tais estimadores fornecem
a melhor estimativa local da variável pela minimização da estimativa da
variância (WEBSTER & OLIVER, 2009). Assim pode-se afirmar que os valores
fornecidos pelo método da krigagem possuem variância mínima e são ideais
para a confecção de mapas de isolinhas para a visualização e interpretação
dos padrões espaciais da propriedade em análise.
As técnicas de krigagem consistem em uma média móvel ponderada das
amostras vizinhas (eq. 3), sendo os pesos (i) de cada vizinho determinados
utilizando o modelo de correlação de dados estruturais, representado pelo
variograma teórico.
N
zˆ( x0 )   i z ( xi ) (3)
i 1

Na qual, zˆ( x0 ) é o valor estimado da propriedade no ponto 0, N é o número de

valores utilizados na predição,  é a ponderação associada a cada valor e z(xi)

é o valor observado no ponto i.
Dentre as técnicas de krigagem destacam-se a krigagem ordinária (KO)
e a krigagem indicatriz (KI). Estas diferenciam-se pelo fato de que a KI é
utilizada em dados dicotomizados (0 e 1) apresentando mapas finais de
probabilidade (MONTOMIYA et al., 2006), enquanto a KO utiliza dados
numéricos contínuos para o processo de interpolação (SIQUEIRA et al., 2010;
SANCHEZ et al. 2012) A KI é mais utilizada para variáveis que apresentam
algum limite critico que deva ser investigado, ou seja, esta é adequada para
variáveis em que são necessários informações sobre a probabilidade de
determinada área apresentar valor maior ou menor que determinado limite
critico adotado, sendo este geralmente o valor de toxidez ou contaminação por
determinado elemento.

APLICAÇÕES
Abaixo são apresentados alguns exemplos da aplicação de técnicas de
visualização espacial em diferentes áreas do conhecimento.
Avaliações ambientais
Nas ciências ambientais os alvos das pesquisas espaciais concentram-
se na contaminação do solo (HANI & PAZIRA, 2011) e da água (MURPHY et
al., 2011) por agentes químicos (metais pesados e elementos tóxicos) e
biológicos (micro e macro organismos invasores), degradação do solo
(DIODATO & CECCARELLI, 2004; MARCHETTI et al., 2012) e identificação de
áreas de risco a erosão (BASKAN et al., 2010).
DIODATO & CECCARELLI (2004) propuseram uma metodologia para a
classificação de áreas degradadas do Mediterrâneo por meio da integração de
informações espaciais de parâmetros geomorfológicos, bioclimáticos e
pedológicos. A classificação utilizada por meio da krigagem indicatriz propiciou
a identificação de modelos de uso da terra visando o desenvolvimento
sustentável das práticas agrícolas.
MURPHY et al. (2011) utilizou e comparou os métodos de interpolação
do inverso da distância e KO na estimativa da avaliação da qualidade da água.
Neste estudo o método da KO apresentou maior acurácia para todas as
propriedades avaliadas (salinidade, temperatura da água e oxigênio dissolvido).
Outros trabalhos também relatam esta maior precisão nas estimativas dos
métodos geoestatísticos (ROBINSON & METTERNICHT, 2006; LI & HEAP,
2011).
A identificação e delimitação de áreas de contaminação por metais
pesados frequentemente é possibilitada apenas pela utilização das técnicas
espaciais (WANG & LU, 2011; SIMASUWANNARONG et al., 2012). LU et al.
(2012) por meio de análises geoestatísticas identificaram as práticas agrícolas
e cultivos que contribuíram com a contaminação do solo por Cd, Cu e Zn.
Agricultura de Precisão
Diversos são os exemplos e formas de utilização destas técnicas no
âmbito da agricultura de precisão (SIQUEIRA et al., 2010; MONTANARI et al.,
2012). Abaixo serão apresentados alguns trabalhos que utilizam as análises
geoestatísticas na determinação de zonas homogêneas de manejo e adubação
em taxas variadas.
MONTOMIYA et al. (2006) utilizou a krigagem indicatriz na avaliação de
indicadores de fertilidade do solo apresentando mapas de probabilidade das
variáveis P, K disponíveis e V% apresentarem diferentes níveis de fertilidade
recomendados para a cultura de cana-de-açúcar. Estudos como este
destacam-se por propor novas metodologias para a definição de forma e
tamanhos dos talhões de cultivo, objetivando alcançar uma maior uniformidade
dentro de cada talhão delimitado.
 CAMPOS et al. (2008) utilizaram técnicas geoestatísticas como
ferramenta auxiliar na aplicação de fertilizantes em taxas variadas. SANCHEZ
et al. (2012) estimaram uma redução em 40,19%, em relação ao método
convencional, nos custos de aplicação de calcário e fertilizantes quando as
técnicas geoestatísticas aliada a forma de paisagem são consideradas para a
representação da área agrícola.
Políticas públicas
Recentemente alguns trabalhos envolvendo análises espaciais e
contaminação do solo e da água vem apresentando destaque no cenário
científico devido a sua interface com a criação de programas de políticas
públicas. MILILLO et al. (2012) apresenta as vantagens na utilização dos
limites de contaminação obtidos por meio da geoestatística em comparação
aos limites jurídicos utilizados comumente na aplicação das políticas públicas
de remediação.

CONSIDERAÇÕES GERAIS
O conhecimento especializado é extremamente importante na
identificação de áreas degradadas, principalmente para áreas que apresentam
restrições químicas (metais pesados, toxidez de elementos, entre outros),
físicas (compactação do solo, alto potencial de erosão, entre outros) e
biológicas (contaminação de água e lençóis freáticos). Tais restrições são
invisíveis a olho nu e necessitam de análises que considerem sua localização
no espaço.
A identificação precisa dos limites da área degradada está intimamente
relacionada a qualidade do interpolador utilizado para a produção dos padrões
espaciais da propriedade em estudo. Embora técnicas mais simples, como os
interpoladores não geoestatísticos, produzam mapas interpolados da variável
em estudo, estes apresentam sérias restrições quanto a acurácia e precisão
das estimativas. As técnicas geoestatísticas utilizam a estrutura de
dependência espacial para captar e reproduzir com alta acurácia os padrões
espaciais e delimitações da área em estudo.
Apesar de a geoestatística ser aplicada em diferentes áreas do
conhecimento desde a década de 80, no Brasil ainda é considerada recente.
Apesar dos inúmeros trabalhos nessa área e do desenvolvimento de novas
linhas de pesquisa existe um contraste entre a demanda por pessoas
qualificadas nesse tipo de abordagem e carência de cursos capazes de formar
profissionais com uma visão mais holística e multidisciplinar utilizando as
ferramentas de interpolação.
Considerando as inovações em processo que a inclusão deste tipo de
abordagem pode proporcionar para os setores agroindustrial e, ambiental
brasileiro, é de suma importância, que sejam adotadas novas estratégias
baseadas em informações espaciais fornecidas por uma massa crítica
especializada e multidisciplinar capaz de integrar diferentes áreas do
conhecimento, características estas requeridas no processo de planejamento,
manejo, identificação e recuperação de uma área considerada degradada.

REFERÊNCIAS
BASKAN, O.; CEBEL, H.; AKGUL, S.; ERPUL, G. Conditional simulation
of USLE/RUSLE soil erodibility factor by geostatistics in a Mediterranean
Catchment, Turkey. Environ Earth Sci 60:1179–1187, 2010.
BURROUGH, P. A. Principles of geographical information systems for
land resources assessment. Oxford: Clarendon, p. 193. 1987.
CAMPOS, M.C.C.; MARQUES Jr., J.; PEREIRA, G.T.; SOUZA, Z.M.;
BARBIERI, D.M. Aplicação de adubo e corretivo após o corte da cana-planta
utilizando técnicas geoestatísticas. Cienc. Rural 38, n.4, pp. 974-980, 2008.
DIODATO, N.; CECCARELLI, M. Multivariate indicator Kriging approach
using a GIS to classify soil degradation for Mediterranean agricultural lands.
Ecological Indicators 4:177–187, 2004.
EMBRAPA, 2012. Avaliação e Recuperação de Áreas Degradadas.
Disponível em: <http://www.cnpma.embrapa.br/> Acesso em: 29 de outubro de
2012.
HANI, A.; PAZIRA, E. Heavy metals assessment and identification of
their sources in agricultural soils of Southern Tehran, Iran. Environ Monit
Assess, 176:677-691, 2011.
LI, J.; HEAP, A.D. A review of comparative studies of spatial interpolation
methods in environmental sciences: Performance and impact factors.
Ecological Informatics 6:228–241, 2011.
 LU, A.; WANG, J.; QIN, X.; WANG, K.; HAN, P.; ZHANG, S. Multivariate
and geostatistical analyses of the spatial distribution and origin of heavy metals
in the agricultural soils in Shunyi, Beijing, China. Sci Total Environ 425:66-74,
2012.
MARCHETTI, A.; PICCINI, C.; FRANCAVIGLIA, R.; MABIT, L. Spatial
Distribution of Soil Organic Matter Using Geostatistics: A Key Indicator to
Assess Soil Degradation Status in Central Italy. Pedosphere 22(2):230–242,
2012.
MATHERON, G. Principles of geostatistics. Economic Geology, Littleton,
v.58, p.1246-1266, 1963.
MILILLO, T.M.; SINHA, G.; GARDELLA JR., J.A. Use of geostatistics for
remediation planning to transcend urban political boundaries. Environmental
Pollution 170:52-62, 2012.
MONTANARI, R.; SOUZA, G.S.A.; PEREIRA, G. T.; MARQUES JR., J.;
SIQUEIRA, D. S.; SIQUEIRA, G.M. The use of scaled semivariograms to plan
soil sampling in sugarcane fields. Precision Agriculture 13:1-11, 2012.
MONTOMIYA, A. V. A.; CORÁ, J. E.; PEREIRA, G. T. Uso da krigagem
indicatriz na avaliação de indicadores de fertilidade do solo. Rev. Bras. Cienc.
Solo, v. 30, pp. 485-496, 2006.
MURPHY, R.R.; CURRIERO, F.C.; BALL, W.P. Comparison of Spatial
Interpolation Methods for Water Quality Evaluation in the Chesapeake Bay.
Journal of Environmental Engineering 160-171, 2010.
ROBINSON, T.P.; METTERNICHT, G. Testing the performance of spatial
interpolation techniques for mapping soil properties. Computers and Electronics
in Agriculture 50:97–108, 2006.
SANCHEZ, R. B.; MARQUES JR., J.; PEREIRA, G. T.; NETO, J. B.;
SIQUEIRA, D.S.; SOUZA, Z. M. Mapeamento das formas do relevo para
estimativa de custos de fertilização em cana-de-açúcar. Engenharia Agrícola
(CD-ROM), v. 32, p. 280-292, 2012.
SIMASUWANNARONG, B.; SATAPANAJARU, T.; KHUNTONG, S.;
PENGTHAMKEERATI, P. Spatial Distribution and Risk Assessment of As, Cd,
Cu, Pb, and Zn in Topsoil at Rayong Province, Thailand. Water Air Soil Pollut
223:1931–1943, 2012.
 SIQUEIRA, D. S.; MARQUES JR.; PEREIRA, G. T. The use of landforms
to predict the variability of soil and orange attributes.Geoderma, v. 155, p.55-66,
2010.
VIEIRA, S. R. Geoestatística em estudos de variabilidade espacial do
solo. In: NOVAIS, R. F.; ALVAREZ V., V. H.; SCHAEFER, C. E. (Ed.) Tópicos
em ciência do solo. Viçosa, MG: Sociedade Brasileira de Ciência do Solo,
2000. p. 1-54.
WANG, H.; LU, S. Spatial distribution, source identification and affecting
factors of heavy metals contamination in urban–suburban soils of Lishui city,
China. Environ Earth Sci 64:1921-1929, 2011.
WEBSTER, R.; OLIVER, M. A. Geostatistics for Environmental
Scientists. Second Edition. Oxford University Press, Oxford, 2009, 315 p.