Escolar Documentos
Profissional Documentos
Cultura Documentos
ESCOLA DE ENGENHARIA
PORTO ALEGRE
2016
ÍNDIDE DE ILUSTRAÇÕES
1. INTRODUÇÃO ..................................................................................................... 1
1.2 - Objetivos.......................................................................................................... 3
4. CONCLUSÃO .................................................................................................... 43
1. INTRODUÇÃO
O trabalho apresentado a seguir trata sobre um estudo dos conhecimentos de
estatística e geoestátistica aplicados a um banco de dados modificado. O banco de
dados original foi gerado na região de Walter Lake em Nevada. (Figura 1-1).
Segundo Isaaks & Srivastava (1989), o banco de dados Walker Lake possui
três variáveis (V, U e T) medidas nos 78.000 pontos do grid retangular 260 x 300,
chamado de “exhaustive data set”. Para o propósito do estudo foram escolhidos 470
pontos para compor um banco de dados (“sample data set”), onde V e U receberam
referência de concentração em ppm e o grid recebeu unidade métrica se tornando 260
x 300 m2.
2
A amostragem das 470 amostras foi dividida em três etapas (Figura 1-2), na
primeira foram coletadas 195 amostras locadas em um grid pseudo regular de 20 x 20
m2, onde foram analisados apenas os teores de V, na segunda etapa foram
amostradas 150 amostras próximas aos locais onde foi encontrado alto teor de V em
um grid 10 x 10 m2 com o objetivo de cobrir locais com alta concentração de V, e na
terceira etapa foram adicionadas amostras 5 m a leste e 5 m a oeste das amostras
que apresentaram altos teores de V nas campanhas anteriores. A terceira etapa teve
como objetivo delinear as anomalias e adicionou 125 amostras ao banco de dados em
linhas leste-oeste. As amostras de V foram obtidas em todas as etapas, mas as
amostras de U foram coletadas apenas na segunda e terceira etapa da amostragem.
1.2 - OBJETIVOS
Esse trabalho busca gerar estimativas e previsões para o banco de dados utilizado,
principalmente através objetivos:
2. REVISÃO BIBLIOGRÁFICA
Nesta parte do trabalho será realizada uma breve revisão dos conceitos de
estatística e geoestatística utilizados durante o trabalho.
= ∑ (2-1)
= ∑ ( − ) (2-2)
∑ ( )
= s
(2-3)
s
= (2-4)
∑ ( )( )
= (2-5)
= + (2-6)
= = − (2-7)
( )²
± ∝
; ∗ ∗ 1+ +∑ ∗
(2-8)
∑ (∑ ) (∑ )
= (2-9)
2.3 – DESAGRUPAMENTO
Os projetos de exploração mineral buscam caracterizar a ocorrência mineral da
melhor forma o possível a fim de beneficiar o empreendimento. Desta forma, ocorre
um adensamento amostral natural nos locais que apresentam maiores teores
processo conhecido como clusterização ou agrupamento preferencial. A amostragem
preferencial ocorre sempre quando a localização das amostras não é regular ou
aleatoriamente distribuída.
10
2.4.1 - Variograma
O variograma descreve como os dados estão relacionados pela distância. A
equação do semi-variograma , γ(h), é dada pela média quadrática da diferença entre
dois pontos separados de uma distância h:
2.5 - ESTIMATIVA
Os estudos geoestatísticos em sua grande maioria não se limitam à obtenção
de um modelo de continuidade espacial, busca também predizer valores em pontos
não amostrados. A estimativa de valores não amostrados leva em consideração as
informações obtidas anteriormente com o objetivo de obter uma malha de pontos
interpolados que permitam visualizar o comportamento da variável na região através
de mapas de isolinhas ou de superfícies. Os métodos geralmente envolvem
combinações lineares ponderadas (Equação 2-11). O principal método de
interpolação usado para a estimativa de valores é a krigagem.
=∑ (2-11)
Para Sinclair & Blackwell (2004), krigagem é um termo genérico aplicado a uma
gama de métodos de estimativa que depende da minimização do erro da estimação,
normalmente através do procedimento dos mínimos quadrados.
∗( )− ( ) = ∑∝( )
∝( )[ ( ∝) − ( ∝ )] (2-12)
Em que λ∝(u) são os pesos a serem determinados, z(u∝) valores dos dados nas
posições u∝ e m(u) a esperança matemática, média dos valores de Z. O objetivo dos
métodos de krigagem é a minimização da variância do erro s2R, dada por:
s ( )= { ∗ ( ) − ( )} (2-13)
{ ∗ ( ) − ( )] = 0 (2-14)
escolhidos para assegurar que a média do erro para o modelo seja exatamente zero
e o erro da variância do modelo seja minimizado.
Para que a estimativa obtida não seja tendenciosa, a soma dos pesos das
amostras deve ser igual a um (equação 2-15)
∑ =1 (2-15)
∑ ∁ + =∁ (2-16)
Para encontrar os pesos ambos os lados da equação da Figura 2-8 devem ser
multiplicados pela matriz inversa de C.
= − (∑ + ) (2-17)
= − ∗ (2-18)
2.6 - VALIDAÇÃO
2.6.1 - Validação cruzada
A validação cruzada ajuda a tomar a decisão entre diferentes procedimentos de
pesos, entre diferentes estratégias de busca e entre diferentes modelos de
variogramas (Isaaks & Srivastava, 1989). São usados geralmente para comparar
distribuições dos erros estimados ou residuais de diferentes procedimentos de
estimativa. Desta forma, geralmente é usado como uma ferramenta preliminar antes
das estimativas finais serem calculadas.
Na validação cruzada dados reais de uma localização real são separados um por
vez e reestimados pelos dados vizinhos restantes. Cada dado é então recolocado no
banco de dados após o a reestimativa. O procedimento é repetido para todos os dados
do banco de dados gerando um novo conjunto de dados estimados que podem ser
comparados com os dados originais.
A análise visual dos dados pode revelar erros óbvios de localização dos dados ou
chamar a atenção para dados errôneos. Dados coletados em malha irregular podem
fornecer informações sobre a coleta de dados.
18
Áreas com uma malha concentrada de pontos podem indicar regiões de interesse
inicial, e a localização dos valores máximos e mínimos pode revelar certa tendência
dos dados.
3. RESULTADOS E DISCUSSÕES
3.1 - ANÁLISE UNIVARIADA
O uso de dados pode nos dizer muito se trabalhado de maneira organizada.
(Isaaks & Srivastava, 1989). A análise univariada utiliza de ferramentas para coletar,
organizar e interpretar dados a fim de obter uma maior compreensão do que os
mesmos representam.
Figura 3-1: Mapa de localização das amostras de Cobalto, a esquerda, e Niquel, a direita.
Co Ni
n 470 275
m 11,75 1,63
σ 8,10 2,07
CV 0,69 1,27
min 0 0
Q1 4,98 0,22
M 11,43 0,86
q3 17,27 2,24
max 41,26 14,01
O gráfico q-q plot da Figura 3-4 permite realizar uma primeira comparação
visual entre os quantis de Ni e Co com o objetivo de identificar uma semelhança na
distribuição. A reta vermelha onde Ni=Co representa uma situação onde a distribuição
é idêntica, os desvios dos quantis de Co evidenciam a diferença de distribuição. A
semelhança da distribuição parece ocorrer de modo parcial.
, ( , ∗ , ) , ∗ ,
= (3-2)
= 1,73159 (3-3)
( , )
± 1,281 ∗ 1,732 ∗ 1 + + , ∗ ,
(3-4)
Figura 3-6: Gráfico dos intervalos dos dados estimados por regressão e o erro associado.
, º , º
(ℎ) = 24 + 41,5584 ∗ ℎ( ; ) (3-5)
27
3-23 é possível identificar que o aumento dos blocos do grid de krigagem gera uma
diminuição na média e um aumento na variância.
Figura 3-22: Mapas da variância gerada pela krigagem dos blocos de 5x5 m2 a esquerda e 10x10 m2
a direita.
3.6 – VALIDAÇÃO
A validação do modelo de estimativa por krigagem verifica de o modelo
proposto está adequado. A validação é obtida ao compararmos os dados estimado
com os dados verdadeiros. Para isso foi gerado através da ferramenta X-validation do
software SGeMS o histograma de erros da validação cruzada (Figura 3-25). A média
do histograma de erros apresentou valor de 0,088, demonstrando alta confiabilidade
na estimativa, já que o valor está próximo de zero.
37
Como podemos observar os gráficos swatplot das figuras 3-28 e 3-29 os dados
da declusterização e da krigagem ordinária no grid 5x5 m2 e no grid 10x10 m2
apresentam a mesma tendência dentro das janelas ao compararmos. Podemos
observar pelas figuras uma pequena superestimativa de 50 a 100 mts.
41
Foram utilizados nos gráficos swatplots de vinte janelas para a direção X e para
a direção Y.
Figura 3-29: Swathplot entre krigagem de blocos 5x5 e declusterização. Em A swathplot no eixo X e
em B swathplot no eixo Y.
42
Figura 3-30: Swathplot entre krigagem de blocos 10x10 e declusterização. Em A swathplot no eixo X
e em B swathplot no eixo Y.
43
4. CONCLUSÃO
Este relatório técnico trabalhou os principais assuntos desenvolvidos na disciplina
Introdução a Geoestatística, gerando estimativas e previsões a partir de um banco de
dados conhecido e apresentado na disciplina, através da utilização duas variáveis
Cobalto e Níquel.
A estimativa dos valores foi realizada por meio da interpolação por krigagem
ordinária, que obteve resultados satisfatórios comprovados na última etapa do
trabalho a validação do modelo gerado. Nessa etapa de validação os três métodos
utilizados apresentaram resultados satisfatórios. A média dos erros da validação
cruzada foi próxima a zero e o scatterplot dos valores reais e estimados apresentou
boa correlação, a inspeção visual apresentou o mesmo padrão espacial para dados e
estimativas e os swathplots apresentaram a mesma tendência para os valores
comparados.
44
REFERENCIAS BIBLIOGRÁFICAS
COSTA, J.F.C.L.; SOUZA, L. E. de. Introdução a Geoestatística. 2016. Notas de Aula.
DELFINER, P.; DELHOMME, J.P. Optimum interpolation by Kriging. In: DAVIS, J.C.;
McCULLAGH, M.J. (Ed). Display and analysis of spatial data. New York: John
Wiley. p. 96-114.1976.
DEUTSCH, C.V.; JOURNEL, A.G. GSLIB - Geostatistical Software Library and User’s
Guide: Oxford University Press.1992. 363 p.
HARTMAN, H.L.; BRITTON, S.G.; GENTRY, D.W.; et al., eds. SME Mining
Engineering Handbook, 2nd edn. Littleton: Society for Mining, Metallurgy, and
Exploration, 1992. 1840 p.