UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ESCOLA DE ENGENHARIA

Programa de Pós-Graduação em Engenharia de Minas, Metalúrgica e Materiais

Laboratório de Pesquisa Mineral e Planejamento Mineiro

Flávio Azevedo Neves Amarante

Simulação Geoestatística

PORTO ALEGRE

2017
 ÍNDIDE DE ILUSTRAÇÕES

Figura 1-1: Mapa de localização das amostras Walker Lake. ..................................... 2

Figura 1-2: Banco de dados Jura. ............................................................................... 3
Figura 2-1: Calibração de f para atingir o fator de escala ideal para o MRWS obter a
variância total. ........................................................................................................... 12
Figura 2-2: Distribuição normal com três categorias litológicas. Os dois limiares 1 e
2 separam os três valores contínuos para cada categoria. A proporção de cada
categoria é a área abaixo da distribuição normal. ..................................................... 13
Figura 3-1: Estimativa versus simulação. A) Krigagem Ordinária. B) Simulação
Sequencial Gaussiana. ............................................................................................. 16
Figura 3-2: A) Histograma do Cobre. B) Histogramas dos dados descluterizados. C)
Histograma da Krigagem Ordinária. D) Histograma da Simulação. .......................... 16
Figura 3-3: A) Cobre exaustivo. B) Histograma Cu. .................................................. 17
Figura 3-4: Gráficos das distribuições de frequência das sequências de 32 números
randômicos. A) Histograma A da variação V1. B) Histograma B da variação V2. C)
Histograma C da variação V3. D) Histograma D da variação V4. ............................. 19
Figura 3-5: Gráficos das distribuições de frequência das sequências de 1000 números
randômicos. A) Histograma A da variação V5. B) Histograma B da variação V6. C)
Histograma C da variação V7. D) Histograma D da variação V8. ............................. 19
Figura 3-6: Banco de dados Walker Lake modificado. A) Localização das amostras. B)
Histograma Cu. ......................................................................................................... 20
Figura 3-7: Histograma dos dados de Cu desagrupados. ......................................... 20
Figura 3-8: Variogramas das direções de maior e menor continuidade. A) Maior
continuidade 157,5º. B) Menor continuidade 67,5º.................................................... 21
Figura 3-9: Amostras das 50 realizações obtidas por SGS. A) Realização 6. B)
Realização 10. B) Realização 28. B) Realização 42. ................................................ 22
Figura 3-10: Histograma da realização 42 da SGS. .................................................. 23
Figura 3-11: Validação dos variogramas - simulações versus dados desagrupados. A)
Realizações a 157,5º. B) Realizações a 67,5º. ......................................................... 24
Figura 3-12: Validações. A) Validação do histograma dos dados desagrupados versus
simulações realizadas. B).Accuracy Plot. .................................................................. 24
Figura 3-13: Banco de dados Walker Lake modificado. A) Localização das amostras.
B) Histograma Cu. ..................................................................................................... 26
Figura 3-14: Histograma da realização 1 da SiSIM. .................................................. 28
Figura 3-15: Validação dos variogramas - simulações versus dados desagrupados. A)
Realizações a 157,5º. B) Realizações a 67,5º. ......................................................... 29
Figura 3-16: Validação do histograma dos dados desagrupados versus simulações
realizadas. ................................................................................................................. 30
Figura 3-17: Accuracy Plot. ....................................................................................... 30
Figura 3-18: A) Localização das amostras da variável Rock. B) Histograma das
categorias na variável Rock. ..................................................................................... 32
Figura 3-19: A) Variável Rock desagrupada. B) Histograma dos dados desagrupados
da variável Rock. ....................................................................................................... 32
Figura 3-20: Amostras das 10 simulações realizadas. A) Realização 1. B) Realização
3. B) Realização 5. B) Realização 7. ......................................................................... 34
Figura 3-21: Histograma da realização 3 da Simulação dos indicadores categóricos.
.................................................................................................................................. 34
Figura 3-22: Validações dos histogramas das variáveis categóricas. A) Histograma por
categorias. B) Histogramas por propriedade. ........................................................... 35
Figura 3-23: Validação dos variogramas - simulações versus dados desagrupados. A)
Realizações da categoria 1. B) Realizações da categoria 2. C) Realizações da
categoria 3. D) Realizações da categoria 4. E) Realizações da categoria 5. ............ 36
Figura 3-24: Variogramas das direções de maior e menor continuidade. A) Maior
continuidade 157,5º. B) Menor continuidade 67,5º.................................................... 37
Figura 3-25: Histograma da realização 30 da simulação Random Walk. .................. 38
Figura 3-26: Amostras das 50 simulações realizadas por Random Walk. A) Realização
10. B) Realização 20. B) Realização 30. B) Realização 40. ...................................... 39
Figura 3-27: Validação dos variogramas - simulações versus dados desagrupados. A)
Realizações a 157,5º. B) Realizações a 67,5º. ......................................................... 40
Figura 3-28: Validações. A) Validação do histograma dos dados desagrupados versus
simulações realizadas. B).Accuracy Plot. .................................................................. 40
Figura 3-29: A) Histograma da variável Rock desagrupada. B) Histograma do N-score.
.................................................................................................................................. 42
Figura 3-30: Representação de quatro realizações da SGS. A) Realização 2. B)
Realização 4. B) Realização 6. B) Realização 8. ...................................................... 44
Figura 3-31: Representação de 4 realizações obtidas por GTsim. A) Realização 2. B)
Realização 4. B) Realização 6. B) Realização 8. ...................................................... 44
Figura 3-32: A) Histograma da realização 4 da SGS. B) Histograma da realização 4
do GTsim. .................................................................................................................. 45
Figura 3-33: Validação visual entre a realização 4 gerada por GTsim e as amostras da
variável Rock. ............................................................................................................ 46
Figura 3-34: Validações dos histogramas das variáveis categóricas. A) Histograma por
categorias. B) Histogramas por propriedade. ............................................................ 47
Figura 3-35: Validação dos variogramas - simulações versus dados desagrupados. A)
Realizações da categoria 1. B) Realizações da categoria 2. C) Realizações da
categoria 3. D) Realizações da categoria 4. E) Realizações da categoria 5. ............ 47
 ÍNDIDE DE TABELAS

Tabela 3-1: Parâmetros utilizados na geração das sequências de números

randômicos. ............................................................................................................... 18
Tabela 3-2: Resumo dos dados obtidos com a variografia. ...................................... 22
Tabela 3-3: Parâmetros utilizados na Simulação Sequencial Gaussiana. ................ 23
Tabela 3-4: Comparação entre E-type, Realização 42 e dados desagrupados em
suporte bloco. ............................................................................................................ 25
Tabela 3-5: Resumo dos dados obtidos com a variografia. ...................................... 27
Tabela 3-6: Parâmetros utilizados na Simulação Sequencial de Indicadores. .......... 29
Tabela 3-7: Comparação entre E-type, Simulação e dados desagrupados em suporte
bloco. ......................................................................................................................... 31
Tabela 3-8: Resumo dos dados obtidos com a variografia dos indicadores. ............ 33
Tabela 3-9: Parâmetros utilizados na Simulação Sequencial de Indicadores
Categóricos. .............................................................................................................. 35
Tabela 3-10: Resumo dos dados obtidos com a variografia...................................... 38
Tabela 3-11: Parâmetros utilizados na Simulação Random Walk. ............................ 39
Tabela 3-12: Comparação entre E-type, Realização 30 e dados desagrupados em
suporte bloco. ............................................................................................................ 41
Tabela 3-13: Resumo dos dados obtidos com a variografia...................................... 43
Tabela 3-14: Parâmetros utilizados na Simulação Sequencial Gaussiana. .............. 45
 SUMÁRIO

1. INTRODUÇÃO ..................................................................................................... 1

1.1 - Objetivos.......................................................................................................... 1

1.2- Bacos de dados ................................................................................................ 1

1.2.1 – Walter Lake .............................................................................................. 1

1.2.2 - Jura ........................................................................................................... 2

2. REVISÃO BIBLIOGRÁFICA ................................................................................. 4

2.1- Krigagem x simulação ...................................................................................... 5

2.2- Números Aleatórios .......................................................................................... 5

2.3- Simulação Sequencial Gaussiana .................................................................... 7

2.4- Simulação Sequencial de Indicadores .............................................................. 8

2.5- Multiple Random Walk Simulation .................................................................... 9

Random Walk....................................................................................................... 9

Multiple Random Walk ....................................................................................... 10

2.6- Simulação Gaussiana Truncada ..................................................................... 12

3. ESTUDOS DE CASO ......................................................................................... 15

T1 – Estimativa vs Simulação ................................................................................ 15

T2 – Random Number Generator .......................................................................... 18

T3 - SGS ................................................................................................................ 20

Modelo de continuidade espacial ....................................................................... 21

Simulação .......................................................................................................... 22

Validação ........................................................................................................... 23

T4 – SISIM de variáveis contínuas ........................................................................ 26

Modelo de continuidade espacial ....................................................................... 26

Simulação .......................................................................................................... 27

Validação ........................................................................................................... 29
 T5 - SISIM de variáveis categóricas ...................................................................... 32

Modelo de continuidade espacial ....................................................................... 33

Simulação .......................................................................................................... 33

Validação ........................................................................................................... 35

T6 – Random Walk ................................................................................................ 37

Modelo de continuidade espacial ....................................................................... 37

Simulação .......................................................................................................... 38

Validação ........................................................................................................... 40

T7 – GTSIM ........................................................................................................... 42

Modelo de continuidade espacial ....................................................................... 42

Simulação .......................................................................................................... 43

Validação ........................................................................................................... 45

4. CONCLUSÃO .................................................................................................... 48

REFERENCIAS BIBLIOGRÁFICAS .......................................................................... 50

ANEXOS ................................................................................................................... 51

Anexo 1.................................................................................................................. 51

Anexo 2.................................................................................................................. 52

Anexo 3.................................................................................................................. 53
 1

1. INTRODUÇÃO
Fenômenos espaciais muitas vezes apresentam situações em que há o
interesse na avaliação da incerteza de um conjunto de pontos em simultâneo. Essa
incerteza espacial resultante de um conjunto de variáveis pode ser avaliada por
modelos geoestatísticos de simulação.

Os modelos de simulação estocástica pretendem reproduzir imagens da

realidade, a variabilidade do conjunto de amostras, a distribuição da variável
estudada e a continuidade espacial do fenômeno. Essas condições são reveladas
pelos variogramas e histogramas, e não são abrangidas pelos métodos de
estimativa.

Este trabalho aplicado a disciplina Simulação Geoestátistica busca realizar uma

breve revisão dos conceitos apresentados, assim como aplicar os métodos e
comparar os resultados obtidos, as suas vantagens e desvantagens, e comentar
os problemas encontrados na aplicação.

1.1 - OBJETIVOS
Os objetivos desse trabalho são estudar os métodos de simulação
geoestatística, suas vantagens e desvantagens, e compara-los através da resolução
de sete estudos de caso propostos na disciplina. Os dados fornecidos para o exercício
serão analisados e utilizados da maneira mais adequada para cada método proposto.

Os métodos foram desenvolvidos com o uso de dois softwares desenvolvidos

para o estudo geoestatístico SGeMS e GSLib, e do uso do software Excel para a
geração de tabelas, cálculos e gráficos.

1.2- BACOS DE DADOS

1.2.1 – Walter Lake
O banco de dados Walker Lake foi retirado de um modelo digital de elevação
de terreno na área de Walter Lake no estado de Nevada nos Estados Unidos da
America.
 2

Segundo Isaaks e Srivastava (1989), o banco de dados 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.

A coleta de 470 amostras foi dividida em três etapas (Figura 1-1), na primeira
foram obtidas 195 amostras locadas em um grid 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
(ISAAKS; SRIVASTAVA, 1989). 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.

Figura 1-1: Mapa de localização das amostras Walker Lake.

1.2.2 - Jura
O banco de dados Jura foi coletado pelo Swiss Federal Institute of Tecnology
em Luisiana, reunindo um total de 359 locais de coleta nos quais foram medidos as
 3

concentrações de sete metais pesados no topsoil (GOOVAERTS, 1997). A Figura 1-2

apresenta a localização das amostras coletadas.

Figura 1-2: Banco de dados Jura.

Os metais que tiveram suas concentrações analisadas foram: cádmio, cobalto,

cromo, cobre, níquel, chumbo e zinco. Esse banco de dados apresenta três
características comuns a bancos de dados geológicos: os dados são correlacionados
espacialmente, muitos atributos são envolvidos conjuntamente e a existência de
poucas amostras analíticas (hard data) precisas suplementadas por amostras
categóricas (soft data) em maior quantidade. No banco de dados estão presentes
ainda as informações de geologia (Rock) e uso do solo (Land use).
 4

2. REVISÃO BIBLIOGRÁFICA
Simulações condicionais são usadas de modo qualitativo para obter imagens da
variabilidade espacial, permitindo avaliar o impacto da incerteza espacial nos
resultados de procedimentos complexos tais como modelamento numérico de um
sistema dinâmico ou a optimização econômica de um deposito mineral (CHILES;
DELFINER, 1989). Estes métodos pertencem a família dos métodos de Monte Carlo
onde o objetivo não é reproduzir os mecanismos genéticos que formaram o fenômeno,
mas imitar as variações espaciais do modo mais realista o possível.

Simulação estocástica consiste no processo de construir um modelo alternativo,

provável, de alta resolução de uma distribuição espacial de z(u) de uma área A, onde
u ϵ A.

Considerando que L representa as possíveis imagens das distribuições espaciais

dos valores do atributo z(u), a simulação é dita condicional se as realizações
resultantes honrarem os valores dos dados nas suas localidades (DEUTSCH, C. V.;
JOURNEL, 1998):

()
( ) = ( ), ∀ (2-1)

A variável z(u) pode ser do tipo categórica indicando a presença ou ausência de

um determinado tipo de rocha ou vegetação, ou pode ser do tipo contínua como a
concentração de um determinado bem mineral ou a porosidade de um reservatório.

Desta forma, a simulação estocástica busca gerar mapas de realizações dos

valores z(u) que reproduzam as estatísticas mais relevantes para o problema
analisado. Para Goovaerts (1997), os requisitos para a simulação são:

 Os valores dos dados são honrados nos locais (Equação 2-1).

 Os histogramas dos valores simulados reproduzem o histograma dos dados
desagrupados.
 O modelo de covariância C(h) ou o modelo de covariância dos indicadores
(ℎ; ) para vários limiares são reproduzidos.
 5

As realizações devem reproduzir as propriedades impostas no modelo de função

aleatória Z(u),então quanto mais propriedades foram inferidas dos dados amostrais e
incorporadas ao modelo, melhor será o modelo simulado.

2.1- KRIGAGEM X SIMULAÇÃO

∗
A estimativa por krigagem ( ) de uma dada área de estudo A, em que cada
∗
estimativa ( ) tomada separadamente e independente das estimativas da
∗
vizinhanças ( ), é a melhor da família dos métodos mínimos quadrados já que
busca minimizar a variância do seu erro local.

Entretanto, essa estimativa tende a suavizar detalhes locais da variabilidade

espacial do atributo, de forma que os valores baixos são superestimados e os valores
altos são subestimados (GOOVAERTS, 1997). A suavização não ocorre de modo
uniforme, depende da configuração da distribuição dos dados e torna a suavização
menor em regiões próximas aos dados e aumenta gradualmente a medida que o local
estimado se distancia das amostras. Essa característica torna mapas gerados por
krigagem contraindicados para fenômenos que apresentem valores extremos.

A simulação por sua vez busca reproduzir as características globais e as

estatísticas procedentes ao invés da acurácia local. Ao contrário da krigagem, a
simulação busca construir representações globais nas quais os padrões de
continuidade espacial são representados (DEUTSCH, C. V.; JOURNEL, 1998).

Com exceção da hipótese de um modelo Gaussiano de erros, a krigagem reproduz

apenas uma medida incompleta da variabilidade local e não reproduz a acurácia
conjunta ao se considerar vários locais conjuntamente. A simulação foi desenvolvida
com o objetivo específico de reproduzir essas medições de acurácia local ou
envolvendo diversos locais (DEUTSCH, C. V.; JOURNEL, 1998).

2.2- NÚMEROS ALEATÓRIOS

O processo de simulação, no qual existem inerentemente componentes aleatórios,
necessita de um método para a geração ou obtenção de números aleatórios. Diversas
pesquisas sobre a geração de números randômicos com caminhos numéricos ou
 6

aritméticos construíram a base dos métodos sequenciais, na qual cada número é

gerado por um ou mais dos números predecessores.

Uma vez que um número foi gerado a partir de uma fórmula matemática, o próximo
número gerado será definido a partir da mesma formula, tornando os geradores
aritméticos pseudo-randômicos. Desta forma, o conceito básico da não previsibilidade
que caracteriza um número aleatório não é respeitado.

Temos como principais características de um bom gerador randómico a geração

de números uniformemente espalhados em [0,1] e a falta de correlação entre si, os
algoritmos devem ser rápidos e evitar o armazenamento excessivo, a reprodução da
sequência de números aleatórios deve ser possível, e caso ocorra periodicidade, é
necessário que os períodos sejam conhecidos e grandes o suficiente (LAW; KELTON,
1991). (LEHMER, 1949)

O gerador randômico do tipo LCG ou linear congruential generators são bastante

utilizados e foram introduzidos por Lehmer (1949). O gerador é dado pela relação:

=( + )( ) (2-2)

no qual m é modulo ou período, a o multiplicador, c o incremento e Z0 o seed ou

semente. Os valores para estas variáveis devem ser inteiros não negligenciáveis.
Considerando que 0 ≤ Z ≤ m − 1, para obter os números randômicos desejados e Ui
pertencente ao intervalo [0,1] temos a relação:

= para i=1,2,...,I (2-3)

Para que a não negatividade seja garantida os valores não inteiros de m,a,c e
Z0 devem satisfazer 0 < , < , < < (LAW; KELTON, 1991).

Os dois maiores questionamentos quanto ao uso dos LCG’s para a geração de

números randômicos são que os valores obtidos para os Zi’s pela equação 2-1 não
são verdadeiramente aleatórios e que os valores possíveis par Ui são apenas números
racionais. Desta forma, todo Zi é completamente determinado pelos valores de m,c,a
e Z0, sendo necessário a escolha correta dos parâmetros para tentar induzir o
comportamento dos valores Zi’s que faça os correspondentes Ui’s parecerem ser
aleatórios quando submetidos a testes (LAW; KELTON, 1991).
 7

2.3- SIMULAÇÃO SEQUENCIAL GAUSSIANA

A simulação sequencial gaussiana consiste na aplicação dos princípios de
simulação sequencial para funções randômicas com distribuições gaussianas. Ela
pode ser aplicada para qualquer função de distribuição condicional, desde que seus
parâmetros possam ser determinados por krigagem simples. A função condicional
apresenta média como o valor estimado por krigagem simples e variância condicional
como a variância da estimativa gerada por krigagem simples.

A função randômica gaussiana possui média constante, o que permite o uso da

krigagem simples e garante a estacionalidade. Desta forma, para que uma função
randômica seja utilizada na SSG é necessário realizar uma transformação em uma
função multi-gaussiana estacionária que preserve o modelo de covariância.

A função randômica Z(u) é dita gaussiana multivariada se os seus subconjuntos

também forem gaussianos e multivariados, se a combinação linear das variáveis
randômicas forem gaussianas, se as duas variáveis não forem correlacionadas e
independentes e se as distribuições condicionais da variável randômica forem normais
(DEUTSCH, C. V.; JOURNEL, 1998) .

Segundo Goovaerts (1997), ao considerar um atributo contínuo z em N nós u’j de

um grid condicional para o banco de dados {z(uα), α=1,...,n}, temos que a Simulação
Sequencial Gaussiana é dada por três etapas principais descritas a seguir.

A primeira etapa consiste em testar se o modelo de função randômica é multi-

gaussiano, o que torna necessário transformar anteriormente os dados z em y através
de um cdf normal estandardizado por normal score. A distribuição resultado do normal
score Y(u)=ϕ(Z(u)) é então checada.

Se o modelo da função randômica é retido para a variável y, então podemos aplicar

a segunda etapa onde a simulação sequencial é realizada nos dados y. Para isso é
definido um caminho para que cada nó u’ do grid seja visitado e são determinados os
parâmetros da ccdf gaussiana G(u’; y|(n)) usando krigagem simples com o modelo do
()
semivariograma do normal score (ℎ). Um valor simulado ( ) da ccdf é retirado
e adicionado ao banco de dados, e em seguida, é dado prosseguimento para o
próximo nó do caminho randômico e repetidos os dois passos anteriores. Esse
processo é repetido até que todos os nós do grid sejam visitados.
 8

A terceira e última etapa consiste em retro-transformar os dados simulados com

()
normal scores { , = 1, … , } em valores simudados da variável original através
da transformação normal score inversa dos valores y pela relação:

() ()
= = 1, … , (2-4)

na qual (. ) = ( (. )), sendo F-1(.) a cdf inversa ou quartil da função da variável

Z e G(.) a cdf gaussiana estandardizada. Essa transformação reversa permite
identificar o histograma original de F(z). Desta forma temos que:

( )( )≤ = [ ( )] = ( ) (2-5)

( )
As demais realizações { , = 1, … , }, l’≠l, são obtidas ao repetir a
segunda e o terceira etapas com um caminho randômico diferente.

Temos como limitação do método o a necessidade em assumir que a

variabilidade espacial pode ser totalmente caracterizada por apenas uma única função
covariância. Além disso, ao utilizar de um modelo multigaussiano não há correlação
significativa de valores extremos, subestimando a continuidade espacial de valores
extremos (GOOVAERTS, 1997).

2.4- SIMULAÇÃO SEQUENCIAL DE INDICADORES

Em situações nas quais o uso de modelos de funções randômicas multi-
gaussianos não é indicado, temos como método de simulação não gaussiano mais
utilizado a simulação sequencial de indicadores.

Ao contrário do SSG o método dos indicadores permite considerar padrões

específicos de continuidade espacial por classes através de diferentes modelos de
variogramas de indicadores. Além disso, a simulação sequencial de indicadores
permite incorporar informações secundárias (soft) codificado sob o formato de
probabilidades prévias locais.

A simulação de indicadores garante a reprodução dos variograma de cada classe

de indicadores, consideradas as variações eróticas. A reprodução do variograma dos
dados originais só pode ser garantida com uma grande discretização dos dados, o
que geralmente ocasiona em um problema de relação de ordem.
 9

Segundo Goovaerts (1997), ao considerar um atributo contínuo z em N nós u’j de

um grid condicional para o banco de dados {z(uα), α=1,...,n}, temos que a Simulação
Sequencial de Indicadores é dada pelas etapas discutidas a seguir:

A primeira etapa consiste em discretizar o alcance da variação de z em classes

usando K valores de limiares zk. Cada dado z(uα) é transformado em um vetor
indicador de hard data, dado pela relação:

1 ( )≤
( ; )= = 1, … , (2-6)
0 á

A próxima etapa consiste na definição de um caminho randômico com o objetivo

de visitar cada nó do grid apenas uma vez. Em cada nó do grid são determinados os
K valores da ccdf usando qualquer um dos diferentes algoritmos de krigagem dos
indicadores. A informação condicionante consiste em transformações de indicadores
dos dados originais da vizinhança e dos dados previamente simulados.

São corregidos qualquer relação de ordem e construído o modelo ccdf completo,

()
usando algoritmos de interpolação ou extrapolação. Um valor simulado ( ) é
retirado da ccdf e adicionado ao conjunto de dados condicionante. Em seguida é dada
continuidade para o próximo nó do grid do caminho randômico e repetidas as etapas
anteriores para o nó do grid.

( )
As demais realizações { , = 1, … , }, l’≠l, são obtidas ao repetir as
etapas com um caminho randômico diferente.

Ao contrário do SGS, não é necessário a realização de transformações nos

dados após a simulação, sendo possível utilizar os valores dos dados simulados
diretamente.

2.5- MULTIPLE RANDOM WALK SIMULATION

Random Walk
Random Walk (RW) é processo estocástico formado por sucessíveis somas de
funções randômicas independentes e distribuídas de modo idêntico (LAWLER; LIMIC,
2010).
 10

Considerando que o vetor 1D RW como Z(hi), tem início em Z(h0)=0 e é definido

como:

(ℎ ) = (ℎ )+ , = 1, … , (2-7)

no qual U é a função randômica dada por u número real +f ou –f cada um tendo 50%
de probabilidade de ocorrência e hi é uma variável distancia que começa em h0=0
(CAIXETA et al., 2017). Essa última pode ser definida como:

ℎ =ℎ + ℎ = 1, … , (2-8)

em que ℎ é um número real constante representando o lag de separação entre cada

valor RW. Essas equações representam a quantidade de resultados possíveis para a
variável U e hN é a distância máxima do vetor RW.

Considerando q como um grande número de vetores RW, o conjunto de valores

q de Z(hi) para um dado hi forma uma distribuição gaussiana com valor esperado 0 e
variância proporcional a hi e f2 prela relação:

{∑ (ℎ )} = 0 (2-9)

{∑ (ℎ )} = . (2-10)

Multiple Random Walk

Diversos métodos propostos na literatura buscam construir campos randômicos
de correlação espacial a partir de simulações condicionais. Na simulação Multiple
Random Walk consideramos u como um ponto no k espaço dimensional, sendo a
função randômica gaussiana Ys(u) expressada como a soma dos valores médios
estimados por krigagem simples Y*(u) e o resíduo como R(u) a covariância corretiva:

( )= ∗
+ ( ) (2-11)

A covariância desejada entre o valor simulado e o valor da amostra pode ser

obtido ao aplicar a krigagem simples para estimar valores gaussianos e seus resíduos:
 11

{ ∗( ), ( )} = { ∗( ). ( )}

{ ∗( ), ( )} = { . + ( ) . ( )}

{ ∗( ), ( )} = . . ( ) + { ( ). ( )}

{ ∗( ), ( )} = . . ( )

{ ∗( ), ( )} = . ( − )

{ ∗( ), ( )} = ( − ) (2-12)

na qual Y(.) é uma função randômica gaussiana, representa um ponto no espaço

k-dimensional de valor conhecido, é um dos n pontos com valores conhecidos
localizados na vizinhança de Y(u), são os pesos da krigagem simples associados
a Y(uβ) e C é o modelo de covariância adotado para o fenômeno espacial (CAIXETA
et al., 2017). A krigagem não reproduz o histograma gaussiano alvo, já que a
interpolação suaviza a variância original.

A Simulação Sequencial Gaussiana reproduz o histograma e o variograma ao

adicionar nós previamente simulados ao condicionar o próximo nó, já a simulação
MRW combina as duas, a estimativa de pontos gaussianos e a interpolação de vetores
1D RW (erro) para obter a média e variância corretas (CAIXETA et al., 2017):

( ) = [∑ . ( )] + [ +∑ . (ℎ )] (2-13)

na qual (ℎ ) é o valor do vetor RW associado com o ponto e ℎ é a distância

entre u e . O valor do efeito pepita é reestabelecido pelo ruído GWN acrescentado

devido a suavização gerada pela krigagem, obtido aleatoriamente de uma distribuição
com média zero e variância igual ao efeito pepita.

Para o crescimento da variabilidade local de acordo com o crescimento de h,

são utilizadas diferentes distancias de vetores RW de acordo com as distancias entre
ue . Assim a incerteza associada está relacionada a distância ente pontos o valor
de f2 e o modelo de correlação espacial.
 12

Considerando que a densidade de probabilidade é gaussiana e que

∗( )} ∗(
{ { ( )} são iguais a zero, as variâncias de ) e ( ) devem ser iguais
a um para que o parâmetro f da RW seja calibrado de maneira a corrigi-lo. A Figura
2-1 demonstra o ajuste da variância ponderada RW por regressão linear, já que a
variância de Z(h) é linearmente correlacionada com o incremento quadrático f2.

Figura 2-1: Calibração de f para atingir o fator de escala ideal para o MRWS obter a variância total.

2.6- SIMULAÇÃO GAUSSIANA TRUNCADA

A Simulação Gaussiana Truncada consiste na geração de realizações de uma
variável gaussiana contínua e então truncar essas realizações em uma série de
limiares com o objetivo de criar realizações de uma variável categórica.
 13

Figura 2-2: Distribuição normal com três categorias litológicas. Os dois limiares e separam os
três valores contínuos para cada categoria. A proporção de cada categoria é a área abaixo da
distribuição normal.

Fonte: PYRCZ & DEUTSCH, 2014.

Uma característica importante do método da SGT é o ordenamento dos modelos

resultantes de função densidade de probabilidade. Os códigos utilizados para
caracterizar as classes individuais são gerados de uma variável contínua subjacente.
Por exemplo a classe 2 geralmente irá ocorrer entre as classes 1 e 3, de modo que
raramente a classe 1 irá ocorrer próxima a classe 3 (Figura 2-2). Essa característica
é atrativa para aplicações específicas como a simulação de uma sequência
sedimentar (ROSSI; DEUTSCH, C. V., 2013).

As categorias são tidas como constantes, e é considerando que a proporção de

cada uma é conhecida para cada local u em uma área A, na qual ( ), = 1, … , , ∈
. Essas proporções podem ser transformadas em proporções acumuladas pela
relação:

( )=∑ ( ), k=1,...,K, Ɐu ϵ A (2-14)

na qual = 0 por definição e = 1.0 já que as proporções somam um para

todos os locais. Os limiares K-1 para transformar a variável contínua gaussiana em
variáveis categóricas é dada por:

( )= ( ) , = 1, … 1, − 1, Ɐu ϵ A (2-15)

no qual ( ), = 1, … 1, − 1, Ɐu ϵ A, são os limiares para a simulação truncada

gaussiana = −∞ e = +∞, (. ) é a função distribuição cumulativa inversa
para a distribuição normal estandardizada e ( ), = 1, … 1, − 1 são as
 14

probabilidades acumulativas para o local u. Dada uma variável, esse limiares podem
ser utilizados para assinalar categorias:

= ( )< ( )≤ ( ) (2-16)

Os limiares locais introduzem a informação de tendência e os valores gaussianos

y(u) são estacionários.

As variáveis categóricas devem ser transformadas em dados condicionantes

gaussianos contínuos para a simulação condicional da variável estacionaria
gaussiana Y. Para isso as proporções locais e os limiares correspondentes devem ser
considerados de modo que garanta a correta categoria seja obtida na transformação
reversa. Além disso, por se tratar de variáveis categóricas, medidas devem ser
tomadas com relação aos picos causados pelos dados categóricos (PYRCZ;
DEUTSCH, 2014).

A simulação gaussiana truncada necessita de apenas um modelo variografico para

a variável y. Apesar de ser conveniente já que não faz necessário o cálculo e
modelagem dos K variogramas para os indicadores das categorias, essa
característica o torna insensível aos padrões de variabilidade das diferentes
categorias. Desta forma, não é recomendado o cálculo e modelagem direta do
variograma da variável y devido a presença de valores erráticos.
 15

3. ESTUDOS DE CASO
Nos estudos de caso apresentados a seguir foram aplicados os métodos de
simulação: Simulação Sequencial Gaussiana, Simulação Sequencial dos Indicadores
Contínuos e Categóricos, Random Walk Simulation e Simulação Gaussiana Truncada.
Além disso, foram realizados dois estudos práticos sobre a geração de números
randômicos e a comparação entre estimativas por Krigagem Ordinária e a Simulação
Sequencial Gaussiana.

Para isso foram utilizados de dois bancos de dados modificados para possibilitar a
aplicação dos métodos: o banco de dados Walker Lake e o banco de dados Jura.

T1 – ESTIMATIVA VS SIMULAÇÃO
A Figura 3-1 apresenta a estimativa dos dados de cobre por Krigagem Ordinária
e uma simulação obtida pelo método da Simulação Sequencial Gaussiana. Ao
compararmos as duas imagens podemos contrastar a diferença entre eles, a
estimativa busca encontrar um valor para um local não amostrado enquanto a
simulação pretende apresentar uma imagem possível da realidade.

A estimativa se distancia da realidade ao suavizar os valores da distribuição

dos dados originais resultando em valores baixos superestimados e valores altos
subestimados. Além disso, essa suavização não ocorre de maneira uniforme já que
valores próximos as amostras apresentam baixa suavização e locais mais afastados
das amostras apresentam alta suavização.

A simulação busca reproduzir o histograma e a variância dos dados originais

nas realizações, ou seja, busca obter imagens que apresentem distribuições
semelhantes as distribuições dos dados originais. Desta forma, a simulação permite
caracterizar a incerteza ao construir diversas realizações das possíveis imagens
possíveis da realidade.
 16

Figura 3-1: Estimativa versus simulação. A) Krigagem Ordinária. B) Simulação Sequencial Gaussiana.

Os histogramas da Figura 3-2 apresentam a distribuição para os dados de

cobre originais, a distribuição dos dados desagrupados, a distribuição da estimativa
por krigagem ordinária e a distribuição por simulação.

Ao comparar os resumos estatísticos da estimativa e da simulação com os

dados desagrupados encontramos uma variância 47% menor que a variância dos
dados desagrupados enquanto a simulação apresenta uma variância 12% maior, essa
diferença ocorre devido a suavização gerada pela krigagem ordinária. Como esperado
a média dos dados desagrupados quando comparada a estimativa e a simulação são
muito simuladas.

Figura 3-2: A) Histograma do Cobre. B) Histogramas dos dados descluterizados. C) Histograma da

Krigagem Ordinária. D) Histograma da Simulação.
 17

A Figura 3-3 apresenta os dados exaustivos para a variável cobre o que pode
ser considerado uma imagem da realidade, neste caso, para o depósito de cobre. Ao
compararmos os dados exaustivos com a simulação e a estimativa, temos que a
simulação reproduz melhor as características do depósito de maneira global.

Figura 3-3: A) Cobre exaustivo. B) Histograma Cu.

 18

T2 – RANDOM NUMBER GENERATOR

A simulação necessita de um componente randômico obtido através de um
método de geração de números aleatórios. O estudo de caso buscou testar o gerador
para números aleatórios o LCG.

A Tabela 3-1 apresenta os parâmetros utilizado na geração de números

randômicos em oito variações realizadas nos diversos parâmetros utilizados para a
geração de números randômicos. Vale ressaltar que algumas das realizações
utilizadas não asseguram a boa implementação sugerida por Law & Kelton (1991), já
que o valor do período m é menor que o valor do multiplicados a.

Tabela 3-1: Parâmetros utilizados na geração das sequências de números randômicos.

Parâmetros V1 V2 V3 V4 V5 V6 V7 V8
a 5,0 69069,0 1310 75,0 5,0 69069,0 1310 75,0
c 3,0 1,0 0,0 0,0 3,0 1,0 0,0 0,0
m 16,0 232,0 259,0 2 +1 16,0 232,0 259,0 216+1
16

zθ 7,0 1,0 7,0 1,0 7,0 1,0 7,0 1,0

i 32 32 32 32 1000 1000 1000 1000

Ao observarmos as sequências de valores gerados na variação de parâmetros

V1 temos que os valores de Ui se repetem a cada 16 números de acordo com o valor
estabelecido para o parâmetro m do período. Essa característica mostra que a
geração dos números pseudorrandômicos é sensível a escolha do período.

Ao compararmos as variações V2 e V3 nas quais os valores utilizados para o

multiplicador são menores que os valores apresentados para o período com as outras
variações, encontramos distribuições de frequências mais irregulares.

As distribuições de frequência das sequências de 32 números randômicos

apresentadas na Figura 3-4 demonstram que a geração de números randômicos não
apresenta distribuição de frequência homogenia para todos os decis, o que seria não
seria esperado para uma distribuição de números completamente randômicos. Essa
característica fere o conceito básico da não previsibilidade que caracteriza um número
aleatório.
 19

Figura 3-4: Gráficos das distribuições de frequência das sequências de 32 números randômicos. A)
Histograma A da variação V1. B) Histograma B da variação V2. C) Histograma C da variação V3. D)
Histograma D da variação V4.

Ao compararmos os histogramas das variações V4 e V8 apresentados na

Figura 3-4 e na Figura 3-5 podemos identificar que o aumento do número de valores
randômicos gerados de 32 para 1000 números contribuiu pra a mudança do
histograma de maneira a tornar as distribuições mais homogêneas se aproximando a
uma distribuição randômica ideal.

Figura 3-5: Gráficos das distribuições de frequência das sequências de 1000 números randômicos. A)
Histograma A da variação V5. B) Histograma B da variação V6. C) Histograma C da variação V7. D)
Histograma D da variação V8.
 20

T3 - SGS
O método da Simulação Sequêncial Gaussiana foi aplicado utilizando o banco
de dados Walker Lake modificado no qual a variável de interesse a ser simulada é o
teor de cobre em porcentagem.

O banco de dados utilizado apresenta um total de 470 amostras com teores

variando de 0 a 15,28 % de cobre, média de 4,35%, mediana de 4,23%, coeficiente
de variação de 0,69 e variância de 8,99%2 (Figura 3-6).

Figura 3-6: Banco de dados Walker Lake modificado. A) Localização das amostras. B) Histograma Cu.

Para o estudo de caso foi gerado um grid com 52 células em X e 60 em Y, tendo

cada célula 5x5m2. Este grid inicial sofreu uma transformação Downscale para o
suporte ponto, necessário para a simulação.

Os dados da variável original foram desagrupados pelo método do vizinho mais

próximo, para a próxima etapa do estudo da continuidade espacial (Figura 3-7).

Figura 3-7: Histograma dos dados de Cu desagrupados.

 21

Modelo de continuidade espacial

Com o objetivo de alicar o método da simulação sequencial gaussiana foi
realizado o estudo da continuidade espacial necessária. Desta forma, foram
construídos os variogramas da variável original, o variograma dos dados
desagrupados e o variograma do n-score.

A Figura 3-8 apresenta o variograma dos dados originais construídos em um

modelo esférico com uma estrutura e alcance de 65m na direção de maior
continuidade e 28m na direção de menor continuidade.

Figura 3-8: Variogramas das direções de maior e menor continuidade. A) Maior continuidade 157,5º. B)
Menor continuidade 67,5º.

A equação que descreve o modelo experimental esférico de continuidade para

o cobre é dada por:

. /º º . º/ º
(ℎ) = 3,0 + 5,99 ∗ ℎ ; (3-1)

O variograma dos dados desagrupados foram obtidos a partir do ajuste do

variograma dos dados originais, na qual o sill do variograma é modificado para o valor
da variância dos dados desagrupados e as estruturas são ajustadas
proporcionalmente as estruturas dos dados originais. Os alcances permanecem os
mesmos.

Os dados originais foram transformados para n-score através do plugin

Histogram transformation do AR2GeMS e variografados. O variograma do n-score
será o modelo de continuidade espacial adotado nessa simulação.

A Tabela 3-2 apresenta os valores obtidos para o efeito pepita (nugget effect)
e contribuições (sill) para os variogramas dos dados originais, dos dados
desagrupados e do n-score.
 22

Tabela 3-2: Resumo dos dados obtidos com a variografia.

Variograma N.E. Sill σ2 157,5º 67,5º

Cu 3,00 5,99 8,99 65,0 28,0
Desagrupado 2,11 4,29 6,40 65,0 28,0
N-score 0,30 0,70 1,00 70,0 30,0

Simulação
A simulação foi realizada através do método da Simulação Sequencial
Gaussiana e do modelo de continuidade espacial obtido na etapa anterior. O método
foi aplicado através do software AR2GeMS para 50 realizações, das quais quatro
foram selecionadas para ilustrar os resultados na Figura 3-9.

Figura 3-9: Amostras das 50 realizações obtidas por SGS. A) Realização 6. B) Realização 10. B)
Realização 28. B) Realização 42.

A Figura 3-10 apresenta o histograma da realização 42 obtida na SGS na qual

fica evidente a vantagem do uso da simulação para representar a variabilidade do
objeto de estudo, já que a variância da simulação é semelhante a variância dos dados
 23

desagrupados. Podemos observar também que o histograma apresenta assimetria

positiva e que a média se manteve semelhante à média dos dados desagrupados.

Figura 3-10: Histograma da realização 42 da SGS.

Os parâmetros estabelecidos para a simulação gaussiana sequencial estão

apresentados na Tabela 3-3.

Tabela 3-3: Parâmetros utilizados na Simulação Sequencial Gaussiana.

Parâmetros da Simulação
Azimute 157,5 Max. Hard Data 30 Target His. NN_Cu
Dip 0,0 Max. Priv. Sim. 12 Lower tail No extrap.
Rake 0,0 Min. Octante 1 Upper tail No extrap.
Realizações 50 Max. Octante 4 Sim. seed 717161
Número de células 260x300 Alcance Máx. 65 Sim. Path multi-grid
Tamanho das células 1x1 Alcance Mín. 28 Seed for Path 1117111

Validação
A validação das simulações verifica se o método foi aplicado de maneira correta
e se os parâmetros foram selecionados de foram satisfatória. Vale ressaltar que o
principal objetivo da validação é a reprodução do histograma dos dados desagrupados
e a reprodução dos variogramas.

Como primeira validação temos a validação dos variogramas da simulação

apresentada na Figura 3-11, na qual os variogramas em verde representam as 50
realizações e o variogramas em vermelho representam os variogramas dos dados
desagrupados para as direções de maior e de menor continuidade. Podemos observar
pela figura que os variogramas da direção 157,5º de maior continuidade e da direção
67,5º de menor continuidade foram reproduzidos devidamente pela simulação.
 24

Figura 3-11: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações a
157,5º. B) Realizações a 67,5º.

A Figura 3-12-A apresenta a validação do histograma na qual as linhas em

vermelho representam os histogramas das 50 realizações da simulação e a linha em
preto representa o histograma dos dados desagrupados. O histograma dos dados foi
reproduzido na simulação.

Figura 3-12: Validações. A) Validação do histograma dos dados desagrupados versus simulações
realizadas. B).Accuracy Plot.

A acurácia e precisão das simulações foram verificadas a partir Accuracy Plot

que apresenta a validação cruzada em um gráfico no qual a linha de 45º representa a
precisão da simulação, a região acima da reta representa a região de acurácia e a
região a baixo a região de não acurácia. Para isso se faz necessário obter os valores
da validação cruzada das realizações da simulação através do plugin DIRFSGSIM do
AR2GeMS. A Figura 3-12-B apresenta o Accuracy Plot que comprova a boa precisão
e acurácia das 50 realizações da simulação realizada.

Após a simulação, as 50 realizações foram reblocadas para o suporte bloco

com 5x5m2 através da ferramenta Upscale do AR2GeMSe, e obtidas a variância
condicional e o E-type para as realizações no suporte bloco. A Tabela 3-4 apresenta
o resumo estatístico do E-type, da realização 42 e dos dados desagrupados. Ao
comparar a variância entres os três, temos que a variância do E-type é menor que a
 25

variância da simulação que por sua vez é menor que a variância dos dados
desagrupados. A variância do E-type é menor devido a mudança de suporte e a
suavização. A simulação em suporte bloco apresenta variância menor que a
simulação em suporte ponto devido a mudança do suporte.

Tabela 3-4: Comparação entre E-type, Realização 42 e dados desagrupados em suporte bloco.

Parâmetro E-type Realização 42 Desagrupados

n 3120 3120 3120
m 3,02 3,06 2,75
σ2 3,11 4,85 5,99
CV 0,58 0,72 0,89
min 0,26 0,00 0,00
Q1 1,77 1,35 0,71
M 2,70 2,66 2,24
Q3 3,77 4,27 4,26
max 11,43 14,03 15,28
 26

T4 – SISIM DE VARIÁVEIS CONTÍNUAS

O método da Simulação Sequencial de indicadores para variáveis contínuas foi
aplicado utilizando o banco de dados Walker Lake, o mesmo utilizado anteriormente
no estudo de caso T3.

O banco de dados utilizado apresenta um total de 470 amostras com teores

variando de 0% a 15,28% de cobre, média de 4,35%, mediana de 4,23%, coeficiente
de variação de 0,69 e variância de 8,99%2 (Figura 3-13).

Figura 3-13: Banco de dados Walker Lake modificado. A) Localização das amostras. B) Histograma
Cu.

Para o estudo de caso foi gerado um grid com 260 células em X e 300 em Y,
tendo cada célula 5x5m2. Este grid inicial sofreu uma transformação para o suporte
bloco para validação da simulação.

A variável principal cobre foi transformada em indicadores dos decis através do

software AR2GeMS. Os indicadores foram desagrupados pelo método do vizinho mais
próximo, para serem utilizados na próxima etapa do estudo da continuidade espacial.

Modelo de continuidade espacial

O modelo de continuidade espacial teve como objetivo possibilitar a simulação
sequencial de indicadores. Foram construídos os variogramas dos indicadores e o
variograma dos indicadores declusterizados.

O variograma dos indicadores declusterizados foi obtido a partir de uma juste

do variograma dos indicadores originais, na qual o sill do variograma é ajustado para
o valor da variância dos dados desagrupados e as estruturas são ajustadas
 27

proporcionalmente as estruturas dos dados originais. Os alcances permanecem os

mesmos.

Os variogramas dos indicadores são apresentados no Anexo 2 e a Tabela 3-5

sumariza os valores obtidos para o efeito pepita (nugget effect), contribuições (sill),
alcances (range) e variância para os varogramas dos indicadores.

Tabela 3-5: Resumo dos dados obtidos com a variografia.

Variograma N.E. Sill 1 157,5º 67,5º Sill 2 157,5º 67,5º σ2

Ind 01 0,005 0,055 28 24 0,030 85 45 0,09
Ind 02 0,010 0,085 24 26 0,065 178 60 0,16
Ind 03 0,010 0,140 30 28 0,060 158 74 0,21
Ind 04 0,020 0,160 30 28 0,060 132 90 0,24
Ind 05 0,010 0,170 31 30 0,070 168 105 0,25
Ind 06 0,010 0,150 30 30 0,080 64 50 0,24
Ind 07 0,020 0,140 32 29 0,052 70 52 0,21
Ind 08 0,030 0,100 35 28 0,030 133 55 0,16
Ind 09 0,010 0,045 35 30 0,035 132 40 0,09
Declus. 2,110 2,840 22 25 1,450 41 112 6,40

Simulação
A simulação foi realizada através do método da Simulação Sequencial
Contínua de Indicadores e do modelo de continuidade espacial obtido na etapa
anterior. O método foi aplicado através do software GSLib para 20 realizações, das
quais quatro foram selecionadas para ilustrar os resultados na Erro! Fonte de
referência não encontrada..

A Figura 3-14 apresenta o histograma da realização 1 obtida na Simulação

Sequencial de indicadores contínuos onde fica evidente a vantagem do uso da
simulação para representar a variabilidade do objeto de estudo, já que a variância da
simulação de 7,45%2 é semelhante a variância dos dados desagrupados de 6,4%2.
Podemos observar também que o histograma apresenta assimetria positiva e que a
média se manteve semelhante à média dos dados desagrupados.
 28

Figura 3-14: Amostras das 20 realizações obtidas com o Sisim. A) Realização 1. B) Realização 2. B)
Realização 3. B) Realização 4.

Figura 3-14: Histograma da realização 1 da SiSIM.

Os parâmetros estabelecidos para a simulação sequencial dos

indicadores estão apresentados na Tabela 3-6 abaixo.
 29

Tabela 3-6: Parâmetros utilizados na Simulação Sequencial de Indicadores.

Parâmetros da Simulação
Azimute 157,5 Lower tail 1 1.0 Valor min. 0,0
Dip 0,0 Midle tail 1 1.0 Valor max. 15,281
Rake 0,0 Upper tail 4 3.0 Alcance Máx. 90
Realizações 20 Max. Data 30 Alcance Mín. 40
Número de células 260x300 Máx. P. Nodes 12 Multiplos Grid 3
Tamanho das células 1x1 Máx. Octante 4 Random seed 69069
Thresholds 0.025 0.313 1.003 1.742 2.249 3.126 3.885 4.877 6.014
Global cdf 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

Validação
A validação das simulações verifica se o método foi aplicado de maneira correta
e se os parâmetros foram selecionados de forma satisfatória. Vale ressaltar que o
principal objetivo da validação é a reprodução do histograma dos dados desagrupados
e a reprodução dos variogramas.

A primeira realizada foi a validação dos variogramas da simulação apresentada

na Figura 3-15, na qual os variogramas em verde representam as 20 realizações e os
variogramas em vermelho representam os variogramas dos dados desagrupados para
as direções de maior e de menor continuidade. Podemos observar pela figura que os
variogramas da direção 157,5º de maior continuidade e da direção 67,5º de menor
continuidade foram reproduzidos devidamente pela simulação.

Figura 3-15: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações a
157,5º. B) Realizações a 67,5º.

A Figura 3-16 apresenta a validação do histograma na qual as linhas em

vermelho representam os histogramas das 20 realizações simuladas e a linha em
 30

preto representa o histograma dos dados desagrupados. O histograma dos dados foi
reproduzido na simulação.

Figura 3-16: Validação do histograma dos dados desagrupados versus simulações realizadas.

A acurácia e precisão das simulações foi verificada a partir Accuracy Plot que
apresenta a validação cruzada em um gráfico em que a linha de 45º representa a
precisão da simulação, a região acima da reta representa a região de acurácia e a
região a baixo a região de não acurácia. A Figura 3-17 apresenta o Accuracy Plot que
comprova a boa precisão e acurácia das 20 realizações da simulação realizada.

Figura 3-17: Accuracy Plot.

 31

Após a simulação, as 20 realizações foram reblocadas para o suporte bloco

com 5x5m2 através da ferramenta Block Avg do GSLIB, o E-type foi obtido pelo plugin
POSTSIM para realizações no suporte bloco. A Tabela 3-7 apresenta o resumo
estatístico do E-type, da simulação e dos dados desagrupados. Ao comparar a
variância entres os três, temos que a variância do E-type é menor que a variância da
simulação que por sua vez é menor que a variância dos dados desagrupados. A
variância do E-type é menor devido a mudança de suporte e a suavização. A
simulação em suporte bloco apresenta variância menor que a simulação em suporte
ponto devido a mudança do suporte.

Tabela 3-7: Comparação entre E-type, Simulação e dados desagrupados em suporte bloco.

Parâmetro E-type Simulação Desagrupados

n 3120 3120 3120
m 3,82 3,74 2,89
σ2 4,16 5,76 6,40
CV 0,53 0,64 0,88
min 0,03 0,01 0,00
Q1 2,34 1,79 0,75
M 3,36 3,52 2,35
Q3 5,24 5,33 4,51
max 9,01 11,22 15,28
 32

T5 - SISIM DE VARIÁVEIS CATEGÓRICAS

O método da Simulação Sequencial de indicadores para variáveis categóricas
foi aplicado utilizando o banco de dados Jura modificado no qual existem cinco
indicadores categóricos e a variável Rock que abrange as cinco categorias.

A Figura 3-18 apresenta a localização das amostras e o histograma da variável

Rock que apresenta um total 259 amostras divididas em cinco indicadores categóricos
representados no histograma em que as proporções de cada categoria são
apresentadas em relação ao total de amostras. O mapa de localização e o histograma
de cada categoria podem ser conferidos no anexo 1.

Figura 3-18: A) Localização das amostras da variável Rock. B) Histograma das categorias na variável
Rock.

Figura 3-19: A) Variável Rock desagrupada. B) Histograma dos dados desagrupados da variável Rock.

Para o estudo de caso foi gerado um grid com 52 células em X e 60 em Y, tendo

cada célula 87.5x87.5m2. Os dados da variável Rock e os dados de cada um dos cinco
indicadores categóricos foram desagrupados pelo método do vizinho mais próximo,
para o estudo da continuidade espacial e a validação nas próximas etapas (Figura
3-19).
 33

Modelo de continuidade espacial

O modelo de continuidade espacial possiblitou a simulação sequencial de
indicadores categóricos. Foram construídos os variogramas dos indicadores e o
variograma dos indicadores desagrupados.

O variograma dos dados desagrupados foi obtido a partir de uma juste do

variograma dos indicadores, na qual o sill do variograma é ajustado para o valor da
variância dos dados desagrupados e as estruturas são ajustadas proporcionalmente
as estruturas dos dados originais. Os alcances permanecem os mesmos.

Os variogramas dos indicadores agrupados e desagrupados são apresentados

no anexo 2 e a Tabela 3-8 sumariza os valores obtidos para o efeito pepita (nugget
effect), a contribuição (sill), o alcance (range) para modelos esféricos, e a variância
dos indicadores.

Tabela 3-8: Resumo dos dados obtidos com a variografia dos indicadores.

Variograma N.E. Sill Range σ2

Ind cat 1 0,030 0,133 1530 0,1634
Ind cat 2 0,100 0,121 1440 0,2213
Ind cat 3 0,060 0,128 950 0,1879
Ind cat 4 0,003 0,008 1224 0,01149
Ind cat 5 0,050 0,118 432 0,16791
Declus. cat 1 0,026 0,120 1530 0,1465
Declus. cat 2 0,107 0,132 1440 0,2393
Declus. cat 3 0,059 0,126 950 0,1856
Declus. cat 4 0,006 0,017 1224 0,0236
Declus. cat 5 0,039 0,092 432 0,1306

Simulação
A Simulação Sequencial de Indicadores categóricos utilizou do modelo de
continuidade espacial obtido na etapa anterior. O método exige conversão dos
indicadores em dados categóricos, para isso utilizou-se do plugin Categorical Property
para a conversão no software AR2GeMS da variável Rock.

A Sisim para variáveis categóricas foi aplicada através do software A2GeMS

para 10 realizações, das quais quatro ilustram os resultados na Figura 3-20.
 34

Figura 3-20: Amostras das 10 simulações realizadas. A) Realização 1. B) Realização 3. B) Realização

5. B) Realização 7.

A Figura 3-21 histograma da realização 3 obtida pela Simulação Sequencial de

indicadores categóricos demonstra que as proporções das categorias foram mantidas
pela simulação em relação aos dados originais com uma variação menor que 5% para
todas as categorias.

Figura 3-21: Histograma da realização 3 da Simulação dos indicadores categóricos.

Os parâmetros estabelecidos para a simulação sequencial dos indicadores

categóricos estão apresentados na Tabela 3-9.
 35

Tabela 3-9: Parâmetros utilizados na Simulação Sequencial de Indicadores Categóricos.

Parâmetros da Simulação
Azimute 0,0 Max. Data 30 Alcance Máx. 1500
Dip 0,0 Max. Octante 4 Alcance Mín. 1500
Rake 0,0 Número de células 50x60 Sim. seed 717161
Realizações 10 Tamanho das células 87,5x87,5 Sim. Path random
Médias desagrupadas 0,18 0,40 0,25 0,02 0,15 Seed for Path 1117111

Validação
A validação das simulações verifica se o método foi aplicado de maneira correta
e verificar se os parâmetros foram selecionados de fora satisfatória.

A Figura 3-22 apresenta a validação do histograma na qual as distribuições das

simulações são comparadas a distribuição dos dados desclusterizados. Na imagem
da esquerda temos a comparação das proporções para categorias dos dados
simulados e dos dados declusterizados em vermelho, demonstrando que as
simulações apresentam proporções semelhantes aos dados desagrupados. No lado
direito da figura temos os histogramas das proporções por propriedade que permite a
comparação direta da variação das proporções das categorias em cada simulação e
o padrão estabelecido, indicando que as simulações mantem as proporções das
categorias.

Figura 3-22: Validações dos histogramas das variáveis categóricas. A) Histograma por categorias. B)
Histogramas por propriedade.

A validação dos variogramas da simulação dos indicadores categóricos

apresentada na Figura 3-23, apresenta os variogramas em verde como as 10
realizações e o variogramas em vermelho representam o variograma dos dados
desagrupados para cada categoria. Os variogramas das imagens A, B e E das
 36

realizações das categorias 1, 2 e 5 foram reproduzidos devidamente pela simulação

nas figura. Os variogramas das imagens C e D apresentam variogramas das
realizações muito afastados entre si, devido a grande incerteza associada a pouca
quantidade de dados disponíveis para as categorias 3 e 4.

Figura 3-23: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações da
categoria 1. B) Realizações da categoria 2. C) Realizações da categoria 3. D) Realizações da categoria
4. E) Realizações da categoria 5.
 37

T6 – RANDOM WALK
O método de simulação Random Walk foi aplicado utilizando o banco de
dados Walker Lake o mesmo utilizado anteriormente no estudo de caso T3 e T4. O
banco de dados de cobre utilizou apresenta um total de 470 amostras com teores
variando de 0 a 15,28 % de cobre, média de 4,35%, mediana de 4,23%, coeficiente
de variação de 0,69 e variância de 8,99%2.

Para o estudo de caso foi utilizado de um grid com 52 células em X e 60 em Y,

tendo cada célula 5x5m2. Este grid inicial sofreu uma transformação Downscale para
o suporte ponto, necessário para a simulação.

Os dados da variável original cobre foram desagrupados pelo método do

vizinho mais próximo, sendo utilizados na próxima etapa do estudo da continuidade
espacial e na validação.

Modelo de continuidade espacial

Os modelos de continuidade espacial necessários para a simulação Random
Walk foram obtidos através da construção do variograma da variável original, do
variograma dos dados desagrupados e do variograma do n-score.

A Figura 3-24 apresenta o variograma dos dados originais construído em um

modelo exponencial com uma estrutura e alcance de 72m na direção de maior
continuidade e 30m na direção de menor continuidade.

Figura 3-24: Variogramas das direções de maior e menor continuidade. A) Maior continuidade 157,5º.
B) Menor continuidade 67,5º.

O variograma dos dados declusterizados foram obtidos a partir de uma juste do

variograma dos dados originais, na qual o sill do variograma é adaptado para o valor
 38

da variância dos dados desagrupados e as estruturas são modificadas

proporcionalmente as estruturas dos dados originais. Os alcances permanecem os
mesmos.

Os dados originais foram transformados por n-score através do plugin

Histogram transformation do A2GeMS. O variograma n-score será o modelo de
continuidade espacial adotado na simulação.

A Tabela 3-10 apresenta os valores obtidos para o efeito pepita (nugget effect)
e contribuições (sill) para os variogramas dos dados originais, dos dados
desagrupados e do n-score.

Tabela 3-10: Resumo dos dados obtidos com a variografia.

Variograma N.E. Sill σ2 157,5º 67,5º

Cu 2,50 6,50 8,99 72,0 30,0
Desagrupado 2,11 4,29 6,40 72,0 30,0
N-score 0,25 0,75 1,00 84,0 31,0

Simulação
A simulação foi realizada através do método Random Walk a partir do modelo
de continuidade espacial obtido na etapa anterior. O método foi aplicado através do
software A2GeMS para 50 realizações, das quais quatro foram selecionadas para
ilustrar os resultados na Figura 3-26.

Figura 3-25: Histograma da realização 30 da simulação Random Walk.

 39

Figura 3-26: Amostras das 50 simulações realizadas por Random Walk. A) Realização 10. B)
Realização 20. B) Realização 30. B) Realização 40.

A Figura 3-25 apresenta o histograma da realização 30 obtida na SRW a qual

ilustra principal vantagem do uso da simulação para representar a variabilidade do
objeto de estudo. Podemos observar que o histograma apresenta assimetria positiva
e que a média se manteve semelhante à média dos dados desagrupados.

Os parâmetros estabelecidos para a Random Walk Simulation estão

apresentados na Tabela 3-11.

Tabela 3-11: Parâmetros utilizados na Simulação Random Walk.

Parâmetros da Simulação
Azimute 157,5 Max. Hard Data 30 Ref. Dis. NN_Cu
Dip 0,0 Min. Octante 1 Lower tail No extrap.
Rake 0,0 Max. Octante 4 Upper tail No extrap.
Número de células 260x300 Alcance Máx. 72 Sim. seed 14071789
Tamanho das células 1x1 Alcance Mín. 30 Realizações 50
 40

Validação
O principal objetivo da validação é a reprodução do histograma dos dados
desagrupados e a reprodução dos variogramas. A validação também verifica se o
método foi aplicado de maneira correta e verifica se os parâmetros foram selecionados
de foram satisfatória.

Como primeira validação temos a validação dos variogramas da simulação

representados pela Figura 3-27, na qual os variogramas em verde representam as 50
realizações e os variogramas em vermelho representam os dados desagrupados para
as direções de maior e de menor continuidade. Podemos observar pela figura que os
variogramas da direção 157,5º de maior continuidade e da direção 67,5º de menor
continuidade foram reproduzidos devidamente pela simulação.

Figura 3-27: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações a
157,5º. B) Realizações a 67,5º.

A Figura 3-28-A apresenta a validação do histograma na qual as linhas em

vermelho representam os histogramas das 50 realizações obtidas pela simulação e a
linha em preto representa o histograma dos dados desagrupados. O histograma dos
dados foi reproduzido na simulação.

Figura 3-28: Validações. A) Validação do histograma dos dados desagrupados versus simulações
realizadas. B).Accuracy Plot.
 41

A acurácia e precisão das simulações foram verificadas a partir Accuracy Plot

que apresenta a validação cruzada em um gráfico em que a linha de 45º representa a
precisão da simulação, a região acima da reta representa a região de acurácia e a
região a baixo a região de não acurácia. A Figura 3-28-B apresenta o Accuracy Plot
que comprova a boa precisão e acurácia das 50 realizações da simulação realizada.

As 50 realizações foram reblocadas para o suporte bloco com 5x5m2 através

da ferramenta Upscale do A2GeMS, em seguida foram obtidas a variância condicional
e o E-type para as realizações no suporte bloco. A Tabela 3-12 apresenta o resumo
estatístico do E-type, da realização 30 e dos dados desagrupados. Ao comparar a
variância entres os três, temos que a variância do E-type é menor que a variância da
simulação que por sua vez é menor que a variância dos dados desagrupados. A
variância do E-type é menor devido a mudança de suporte e a suavização. A
simulação em suporte bloco apresenta variância menor que a simulação em suporte
ponto devido a mudança do suporte.

Tabela 3-12: Comparação entre E-type, Realização 30 e dados desagrupados em suporte bloco.

Parâmetro E-type Realização 30 Desagrupados

n 3120 3120 3120
m 2,88 2,91 2,75
σ2 3,66 4,79 5,99
CV 0,66 0,75 0,89
min 0,05 0,00 0,00
Q1 1,52 1,16 0,71
M 2,54 2,51 2,24
Q3 3,75 4,22 4,26
max 13,43 13,30 15,28
 42

T7 – GTSIM
O método da Simulação Gaussiana Truncada foi aplicado utilizando o banco
de dados Jura, o mesmo utilizado anteriormente no estudo de caso T5, no qual
existem cinco indicadores categóricos (Anexo 1) e a variável Rock que abrange as
cinco categorias.

Para o estudo de caso foi gerado um grid com 250 células em X e 295 em Y,
tendo cada célula 17.5x17.5m2. Os dados da variável Rock e os dados de cada um
dos cinco indicadores categóricos foram desagrupados pelo método do vizinho mais
próximo, e utilizados na próxima etapa do estudo da continuidade espacial e na
validação. Os dados da variável Rock foram transformados por n-score através do
plugin Histogram transformation do AR2GeMS (Figura 3-29).

Figura 3-29: A) Histograma da variável Rock desagrupada. B) Histograma do N-score.

Modelo de continuidade espacial

O modelo de continuidade espacial teve como objetivo descrever a
continuidade espacial do fenômeno para a Simulação Gaussiana Trucada, sendo
construídos os variogramas dos indicadores, dos indicadores desagrupados, o do n-
score e da variável Rock.

Assim como no exercício T5, o variograma dos dados desagrupados foi obtido
a partir de uma juste do variograma dos indicadores, na qual o sill é modificado para
o valor da variância dos dados desagrupados e as estruturas são ajustadas
proporcionalmente as estruturas dos dados originais. Os alcances permanecem os
mesmos.

O variograma n-score será o modelo de continuidade espacial adotado na

simulação, desta forma, o modelo foi ajustado interativamente com o objetivo de
 43

encontrar um modelo em que as simulações das categorias reproduzam os

variogramas dos indicadores.

Os variogramas dos indicadores agrupados e desagrupados são apresentados

no anexo 3 e a Tabela 3-13 sumariza os valores obtidos para a variância dos
indicadores, o efeito pepita (nugget effect), contribuição (sill) e alcance (range) para
modelos exponenciais.

Tabela 3-13: Resumo dos dados obtidos com a variografia.

Variograma N.E. Sill Range σ2

Ind. cat 1 0,030 0,133 1430 0,163
Ind. cat 2 0,050 0,171 1344 0,221
Ind. cat 3 0,060 0,128 1148 0,188
Ind. cat 4 0,003 0,008 1070 0,011
Ind. cat 5 0,050 0,118 505 0,168
Declus. cat 1 0,027 0,119 1430 0,147
Declus. cat 2 0,054 0,185 1344 0,239
Declus. cat 3 0,059 0,126 1148 0,186
Declus. cat 4 0,006 0,016 1070 0,024
Declus. cat 5 0,039 0,092 505 0,131
N-score 0,001 0,999 1365 1

Simulação
A simulação foi realizada através do método da Simulação Sequencial
Gaussiana e do modelo de continuidade espacial para o n-score obtido na etapa
anterior. A SGS para o n-score da variável Rock foi aplicada através do software
A2GeMS para 10 realizações, das quais quatro realizações ilustram os resultados na
Figura 3-30.Após a simulação as realizações obtidas foram truncadas com o uso do
plugin GTsim.

As 10 realizações obtidas na simulação foram truncadas dividindo a distribuição

de cada realização nas cinco categorias. As quatro realizações da Figura 3-31 ilustram
o resultado obtido. Vale destacar a continuidade das categorias em relação a
distribuição original, de modo que a categoria 2 sempre está associada diretamente a
categoria 1 ou a categoria 3, mas não ocorre contato direto com a categoria 4 ou 5.
Uma exceção ocorre para a categoria 3 e 5 devido à escassez da categoria 4.
 44

Figura 3-30: Representação de quatro realizações da SGS. A) Realização 2. B) Realização 4. B)

Realização 6. B) Realização 8.

Figura 3-31: Representação de 4 realizações obtidas por GTsim. A) Realização 2. B) Realização 4. B)

Realização 6. B) Realização 8.
 45

A Figura 3-32-A apresenta o histograma da realização 4 obtida na SGS na qual

fica evidente o uso do n-score como dados base para a simulação, o histograma
simétrico da figura apresenta o padrão gaussiano com média de aproximadamente
zero e variância de aproximadamente um.

Figura 3-32: A) Histograma da realização 4 da SGS. B) Histograma da realização 4 do GTsim.

A Figura 3-32-B apresenta o histograma da realização 4 obtida pelo GTsim

demonstra que as proporções das categorias foram mantidas pela simulação em
relação aos dados originais com uma variação entre 4% e 17%.

Os parâmetros estabelecidos para a Simulação Sequencial Gaussiana e os

parâmetros utilizados no GTsim estão apresentados na Tabela 3-14.

Tabela 3-14: Parâmetros utilizados na Simulação Sequencial Gaussiana.

Parâmetros da Simulação
Azimute 0,0 Max. Hard Data 16 Sim. seed 717161
Dip 0,0 Max. Priv. Sim. 12 Sim. Path random
Rake 0,0 Min. Octante 1 Seed for Path 1117111
Realizações 10 Max. Octante 4 Número de células 250x295
Alcance Máx. 1500 Alcance Mín. 1500 Tamanho das células 17.5x17.5
Médias desagrupadas 0,18 0,40 0,25 0,02 0,15
Categorias 1 2 3 4 5

Validação
O objetivo da validação de uma simulação é a reprodução do histograma dos
dados desagrupados e a reprodução dos variogramas. Além disso, verifica se o
método foi aplicado de maneira correta e os parâmetros foram selecionados de fora
satisfatória.
 46

A validação visual ou inspeção visual é a validação inicial na qual são

sobrepostas imagens dos dados e os valores das simulações. A Figura 3-33 apresenta
as amostras da variável Rock sobrepostas pela realização 4 obtida pela Simulação
Gaussiana Truncada, na qual as amostras e os blocos simulados apresentam a
mesma distribuição espacial e os valores das amostras e dos blocos simulados
possuem a mesma categoria. Vale ressaltar que a categoria 4 não aparece na
validação visual devido escassez de dados da categoria.

Figura 3-33: Validação visual entre a realização 4 gerada por GTsim e as amostras da variável Rock.

A segunda validação da simulação consistiu na validação dos histogramas, na

qual as distribuições das simulações são comparadas a distribuição dos dados
desclusterizados (Figura 3-34). A imagem da esquerda apresenta a comparação das
proporções de cada categoria das realizações com as proporções dos dados
desagrupados em vermelho, confirmando que as simulações apresentam proporções
semelhantes. Na imagem do lado direito temos os histogramas das proporções por
realização que permite a comparação direta da variação das proporções das
categorias, o padrão estabelecido dos dados desagrupados é mantido, indicando que
as realizações representam o fenômeno estudado.

A validação dos variogramas da simulação dos indicadores categóricos da

Figura 3-35, apresenta os variogramas em verde como as 10 realizações e o
variogramas em vermelho representam o variograma dos dados desagrupados. Os
variogramas das imagens A, C e E das realizações das categorias 1, 3 e 5 foram
reproduzidos devidamente pela simulação nas figura. Os variogramas da imagem D
apresentam variogramas das realizações muito afastados entre si, devido a grande
incerteza associada a pouca quantidade de dados disponíveis para a categoria 4.
 47

Devido à dificuldade encontrada em obter um modelo de variograma dos n-score cuja

simulação reproduza completamente os variogramas dos indicadores categóricos,
algumas validações dos variogramas ocorreram de modo parcial, como observado na
imagem B da categoria 2.

Figura 3-34: Validações dos histogramas das variáveis categóricas. A) Histograma por categorias. B)
Histogramas por propriedade.

Figura 3-35: Validação dos variogramas - simulações versus dados desagrupados. A) Realizações da
categoria 1. B) Realizações da categoria 2. C) Realizações da categoria 3. D) Realizações da categoria
4. E) Realizações da categoria 5.
 48

4. CONCLUSÃO
Este trabalho abordou os principais assuntos desenvolvidos na disciplina
Simulação Geoestatística, ao aplicar cinco métodos de simulação a partir de dois
bancos de dados distintos. Os cinco métodos de simulações aplicados nos estudos
de caso foram a Simulação Sequencial Gaussiana, a Simulação Sequencial de
Indicadores contínuos, a Simulação Sequencial de Indicadores categóricos, a
Simulação Random Walk e a Simulação Gaussiana Truncada. Também foram
desenvolvidos estudos práticos sobre a geração de números randômicos e a
comparação prática entre simulação e estimativas.

O primeiro estudo realizou a comparação entre a simulação e a estimativa,

demonstrando as vantagens que a simulação apresenta em relação a estimativa por
permitir caracterizar melhor um fenômeno de maneira global. Outra característica
importante da simulação salientada pelo estudo é a capacidade de mapear a incerteza
de um fenômeno.

O estudo sobre números aleatórios buscou testar o gerador para números

aleatórios o GLC. Foram construídas diversas alternativas com a variação dos
parâmetros de geração dos números aleatórios. Podemos destacar que o estudo
demonstrou que a geração de números aleatórios é sensível a escolha do período m.
Ao aumentar a quantidade de números randômicos gerados de 32 para 1000 números
ocorre uma mudança nos histogramas tornando as distribuições mais homogêneas e
se aproximando a uma distribuição randômica ideal.

A SGS pode ser aplicada por qualquer distribuição desde que seus parâmetros
possam ser determinados por krigagem simples. Ela apresenta como sua principal
vantagem a facilidade de aplicação do método, entretanto sua maior desvantagem
consiste em tentar caracterizar a variabilidade espacial com um único modelo de
covariância além da dificuldade em reproduzir valores extremos ao usar um modelo
gaussiano como base.

A Simulação Sequencial de Indicadores contínuos e categóricos permitiu

considerar padrões específicos de continuidade espacial por classes através de
diferentes modelos de variogramas para os indicadores. O variograma para cada
Indicador ou categoria foi reproduzido na simulação.
 49

O estudo de caso 6 do método de simulação Random Walk utilizou do banco de

dados Walker Lake para demonstrar a velocidade e facilidade em simulações, sendo
interessante na aplicação situações onde é necessário gerar realizações de maneira
rápida quando comparada a obtida por métodos tradicionais.

A Simulação Gaussiana Truncada foi realizada no banco de dados Jura para cinco
variáveis categóricas. Duas questões foram levantadas com a aplicação do método,
a primeira consiste na qualidade de uma transformação dos dados categóricos Rock
para uma distribuição n-score e o qual o impacto na simulação, a segunda consiste
na dificuldade do ajuste interativo do modelo n-score para que as simulações das
categorias reproduzam os variogramas dos indicadores.
 50

REFERENCIAS BIBLIOGRÁFICAS
CAIXETA, R. M. et al. Multiple Random Walk Simulation: A Fast Method to Map Grade
Uncertainty with Large Datasets. Natural Resources Research, 2017. v. 26, n.
2, p. 213–221.

CHILES, J.-P.; DELFINER, P. Geostatistics Modeling Spatial Uncertainty. [S.l.]: [s.n.],

1989. V. 43.

DEUTSCH, C. V.; JOURNEL, A. G. GSLIB: Geostatistical software library and user’s

guide. [S.l.]: [s.n.], 1998. V. 369.

GOOVAERTS, P. Geostatistics for Natural Resources Evaluation. Journal of

Environment Quality, 1997. v. 28, n. 3, p. 1044.

ISAAKS, E. H.; SRIVASTAVA, R. M. Applied Geostatistics. New York, 1989. p. 592.

LAW, A. M.; KELTON, D. W. Simulation Modeling and Analysis. [S.l.]: [s.n.], 1991. V.
2.

LAWLER, G. F.; LIMIC, V. Random Walk: A Modern Introduction. Cambridge:

Cambridge University Press, 2010.

LEHMER, D. H. Mathematical Methods in Large-scale Computing Units. Proceedings

of a Second Symposium on Large-Scale Digital Calculating Machinery, 1949.
p. 141–146.

PYRCZ, M. J.; DEUTSCH, C. V. Geoestatistical Reservoir Modeling. Second ed. New

York: Oxford University Press, 2014.

ROSSI, M. E.; DEUTSCH, C. V. Mineral Resource Estimation. [S.l.]: [s.n.], 2013. V.

53.
 51

ANEXOS
ANEXO 1
Mapa de localização e o histograma dose indicadores categóricos: A e B Ind_Cat_1;
C e D Ind_Cat_2; E e F Ind_Cat_3; G e H Ind_Cat_4; I e J Ind_Cat_5.
 52

ANEXO 2
Variogramas omnidirecionais das variáveis categóricas utilizadas no estudo de
caso T5. A) Ind_Cat_1. B) Ind_Cat_2. C) Ind_Cat_3. D) Ind_Cat_4. E) Ind_Cat_5.
 53

ANEXO 3
Variogramas omnidirecionais das variáveis categóricas utilizadas no estudo de
caso T7. A) Ind_Cat_1. B) Ind_Cat_2. C) Ind_Cat_3. D) Ind_Cat_4. E) Ind_Cat_5.