Universidade Lúrio

Faculdade de Engenharia

Engenharia Geológica

Geoestatística

Semivariograma

Discente:

Diana Abasse

Edilson Zacarias Docente:

Fred’s Mesa Loite José, lic.

Fátima das Neves

Hélder Andrade

Pemba, Março

2022
 Diana Abasse

Edilson Júlio Zacarias

Fred’s Mesa

Fátima das Neves

Hélder Andrade

Semivariograma

Trabalho de investigação,
de carácter avaliativo da
cadeira de Geoestatística
3o ano.

Docente: Loite José.

Pemba , Março

2022
Índice
Introdução ......................................................................................................................... 1

Objectivos ......................................................................................................................... 1

Contextualização .............................................................................................................. 2

VARIOGRAMA............................................................................................................... 2

Semivariograma ................................................................................................................ 2

Características estruturais dos semivariogramas .............................................................. 4

Modelos de semivariograma ............................................................................................. 6

Modelos com patamares ................................................................................................... 6

Modelo Guassiano ............................................................................................................ 7

Modelo aleatóiro (efeito pepita pura) (figura 6) ............................................................... 7

Modelo sem Patamares ..................................................................................................... 8

Modelos lineares generalizados ........................................................................................ 8

Modelo logarítmico (esquema de wigs) ........................................................................... 9

Construção de um variograma .......................................................................................... 9

Importância ..................................................................................................................... 10

Conclusão ....................................................................................................................... 12

Referências ..................................................................................................................... 13
Introdução

O uso de métodos geoestatísticos teve como ponto de partida a avaliação da

dependência espacial por meio do semivariograma. O semivariograma é a parte central
da Geoestatística, portanto é importante o ajuste e selecção dos modelos da função de
semivariograma.

O trabalho em destaque surge no âmbito da cadeira de geoestatística, com vista a

descrever os semivariogramas.

Objectivos

Geral

 Conceituar os semivariogramas;

Específicos

 Descrever os modelos de semivariogramas;

 Construção de um semivariograma;
 Falar da importância dos semivariogramas.

1
Contextualização

VARIOGRAMA

O variograma é uma ferramenta básica de suporte às técnicas de krigagem, que permite

representar quantitativamente a variação de um fenómeno regionalizado no espaço
(Huijbregts, 1975).

Semivariograma

Uma das funções mais utilizadas na geoestatística para a determinação da dependência

espacial de variáveis é a função de semivariância, que gera o semivariograma. O
semivariograma experimental é um gráfico que expressa a variabilidade espacial entre
as amostras, sendo uma função que só depende do vector h, distância entre os pares de
casos amostrados. Quando h cresce, o semivariograma aproxima-se da variabilidade
total dos dados, chamado patamar, e havendo estacionariedade de segunda ordem, o
semivariograma expressa o grau de dependência entre os pontos amostrais (Opromolla
et al., 2006).

O semivariograma permite o cálculo dos parâmetros envolvidos no modelo, a saber a

distância da dependência espacial (a), conhecida como range ou alcance da dependência
espacial que é o alcance máximo da dependência espacial, indicando que, a partir dessa
distância, termina a dependência entre os casos estudados; o efeito pepita (c), conhecido
por nugget effect que é o valor da semivariância a distância zero, ou seja, representa a
variabilidade para escalas menores que a distância de amostragem; e altura (c) ou sill
que é a distância entre o efeito pepita e o patamar, intervalo esse no qual o
semivariograma cresce, havendo dependência espacial. O patamar representa a altura
na qual o semivariograma se estabiliza, aproximando-se da variabilidade total dos
valores amostrados (Opromolla et al., 2006).

O estimador da função semivariância para variáveis regionalizadas com distribuição

normal de probabilidade é apresentado na equação (Matheron; 1963):

1 (ℎ)
𝛾(ℎ) = [𝑍(𝑠 ) − 𝑍(𝑠 + ℎ)]
2𝑁(ℎ)

2
Desta forma, a equação representa a esperança matemática do quadrado da diferença
entre os valores de pontos no espaço, separados por uma distância h (YAMAMOTO,
1991, p. 27).

Onde:

N(h) - é o número de pares de valores medidos, z(xi) e z(xi+h), separados por um vector
de distancia h;

Z(xi) e Z(xi+h), - são valores da i-ésima observação da variável regionalizada,

colectados nos pontos xi e xi+h (i = 1, ..., n), separados pelo vector h.

Figura 1. Exemplo de variograma experimental. Mostrando o alcance.

A Figura nos do um exemplo de um semivariograma experimental. Apenas mostrando o

alcance. O fenómeno considerado é isotrópico, ou seja, onde o comportamento é igual
em todas as direcções. Com isso temos que a determinação experimental do
semivariograma depende apenas da distância entre as amostras e não da direcção
relativa entre elas. Espera-se que observações mais próximas geograficamente tenham
um comportamento mais semelhante entre si do que aquelas separadas por maiores
distâncias. Assim, o valor absoluto da diferença entre duas amostras z(x) e z(x+h)

3
deveria crescer à medida que aumenta a distância entre elas, até um valor na qual os
efeitos locais não teriam mais influência.

Características estruturais dos semivariogramas

Os semivariogramas apresentam uma configuração que é reflexo da regionalização da

variável. O estudo das feições das variáveis regionalizadas, que possibilitam a
construção de medidas consistentes dos semivariogramas, é denominado em
Geoestatística de análise estrutural (Journel e Huijbregts, 1978).

 Suporte: Define-se suporte, como o domínio geométrico de onde se obtém o

valor da amostra, dotado de um volume, forma e orientação. Os
semivariogramas devem ser confeccionados a partir de dados que possuam
suportes iguais. Caso isso não aconteça, os suportes devem ser regularizados.

 Zona de influência: O semivariograma é uma função de incremento em relação

á distância orientada h. Teoricamente, á medida que essa distância aumenta,
mais discrepantes serão os dados e maior será a semivariância, até atingir uma
separação de total independência entre as amostras. Esta distância é denominada
em Geoestatística de zona de influência, cuja medida é a amplitude variográfica.

 Regionalizações superpostas: Muitos fenómenos geológicos podem gerar

regionalizações em várias escalas, que ficam ocultas ou “aninhadas” no contexto
regional em que são executados os trabalhos de pesquisa. Os semivariogramas
podem captar essas flutuações em diferentes níveis e refleti-las na sua
configuração. A presença de nítidas mudanças nas curvas dos semivariogramas
pode significar estruturas superpostas.

 Anisotropia: Quando os semivariogramas apresentam configurações similares

para as várias direcções, o fenómeno é dito ser isotrópico, caso contrário, possui
algum tipo de anisotropia. Se os semivariogramas apresentam a mesma forma,
mas com diferentes amplitudes, denomina-se anisotropia geométrica. De outra
forma, o zoneamento da variável ou mistura de populações distintas geram uma
anisotropia mais complexa, conhecida como anisotropia zonal.

4
  Continuidade espacial: A progressão da curva do semivariograma nas
pequenas distâncias reflete a continuidade da variável no espaço. Assim. A
análise do semivariograma próximo á origem proporciona informações desta
natureza da variável. Um semivariograma com comportamento parabólico é
reflexo de boa continuidade, já uma forma linear na origem reflecte a
continuidade moderada no espaço. Teoricamente o semivariograma deveria ser
nulo na origem, entretanto, na maioria das vezes ele apresenta uma
descontinuidade, denominada de efeito de pepita.

a) b)

Figura 2. Propriedades do Variograma

𝒄𝒐
A relação entre os parâmetros Co e C fornece um índice 𝑬 = 𝒄
, denominado de efeito

pepita relativo, que expressa a aleatoriedade da regionalização (Garcia, 1988).

Onde:

C – representa a componente estruturada no espaço (variância espacial);

co - constitui-se na componente aleatória (efeito pepita).

Segundo Royle (apud Garcia, 1988), os seguintes intervalos fornecem uma noção da
influência da componente aleatória:

 E <0.15 Componente aleatória pequena ;

 0.15 <E <0.30 Componente aleatória é importante;

5
  E> 0.30 Componente aleatória é muito importante.

 Corregionalizacao: O estudo da correlação regionalizada de várias variáveis

pode ser feito através dos semivariogramas cruzados. Desta análise conjunta,
estabelece-se um modelo mais robusto que integre as feições estruturais de todas
as variáveis submetidas á variografia.

Modelos de semivariograma

Os semivariogramas experimentais são construídos a partir de malhas com disposição

regular ou, quando irregulares, posteriormente regularizadas. Os valores observados a
serem submetidos à variografia devem ser obtidos de suportes iguais ou então
regularizados e os cálculos são feitos em direções previamente estabelecidas, visando a
compreensão da variabilidade espacial do fenómeno em estudo. Após a confecção dos
semivariogramas dos valores experimentais, procura-se ajustar um modelo matemático
que represente o mais próximo possível a configuração dos mesmos.

Modelos com patamares

O semivariograma incrementa á medida que aumenta a distância entre as amostras, até

atingir um patamar (“sill”), onde se estabiliza. Este patamar deve ser teoricamente igual
á variância a priori. A distância em que o semivariograma atinge o patamar é
denominada de amplitude variográfica (“range”), que corresponde ao raio de influência
da variável. Para cada seivariograma ajustado, deve existir um covariograma
equivalente, segundo a relação:

𝐶(ℎ) = 𝐶(𝑜) − 𝛾(ℎ)

Os modelos mais comummente usados dentro deste grupo são:

 Modelo esférico: Constitui-se no ajuste mais comum da Geoestatístca,

principalmente no estudo dos depósitos minerais (David, 1977)
Matematicamente sua formula e dada por:
ℎ ℎ
𝛾(ℎ) = 𝑐 − Para ℎ ≤ 𝑎

𝛾(ℎ) = 𝑐 Para ℎ > 𝑎

Onde: c - patamar, que corresponde á variância a priori finita;
a - amplitude variográfica .

6
 A inclinação da tangente da curva na origem é igual a .

 Modelo exponencial: O ajuste se faz através da curva exponencial. O patamar

(c) é a assintota desta curva e a amplitude variográfica (a) corresponde ao
encontro da tangente da curva na origem com o patamar. Sua expressão
matemática é:

ℎ/
𝛾(ℎ) = 𝑐 𝑙 − 𝑒

A inclinação da tangente da curva na origem é igual a c/a.

Modelo Guassiano

A função é parabólica próxima á origem. Este modelo apresenta amplitude variográfica

extensa e o patamar semelhante ao modelo exponencial. Sua função é:

ℎ /
𝛾(ℎ) = 𝑐 1 − 𝑒

Modelo aleatório (efeito pepita pura) (figura 6)

A medida que aumenta a descontinuidade na origem do semivariograma, mais aleatório

é o fenómeno que originou a variável em análise. Esta característica decorre de uma
provável regionalização, inferior á escala de trabalho da malha de amostragem e/ou á
variações espúrias associadas com a colecta e medição das amostras. Sua expressão é:

𝛾(ℎ) = 𝑐 𝑝𝑎𝑟𝑎 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟 ℎ

7
 Figura 3: Modelo de semivariograma aleatório (Huijbregts, 1975).

Modelo sem Patamares

Estes modelos satisfazem somente a hipótese intrínseca. Nestes casos, a variância a

priori é uma função de incremento directo em relação á área ou ao volume onde é
calculada. Os semivariogramas podem ser definidos, mas não se estabilizam em
nenhum patamar (Rendu, 1978).

Os modelos mais comuns desse grupo são:

Modelos lineares generalizados

A expressão matemática geral para essas semivariogramas é:

𝛾(ℎ) = 𝛼

Onde:

 𝜃 Varia de 0 a 2;
 𝛼 é a inclinação na origem.

8
 Figura 4: Modelos lineares em h0 (Journel e Huijbregts, 1978).

Modelo logarítmico (esquema de wigs)

Foi um modelo muito usado até 1966, quando surgiram os vários modelos com patamar.
Sua equação, segundo a Lei de Wigs é:

𝛾(ℎ) = 3𝛼 𝑙𝑜𝑔 (ℎ)

Onde: 𝛼 é uma constante que representa a dispersão absoluta.

Construção de um variograma

Variância espacial para 1 intervalo de amostragem:

A= [(1-7)2+(7-3)2+(3-6) 2+(6-2)2+(2-9)2+(9-4)2+(4-8)2+(8-5)2]/8

A = 22

B= [(1-3)2+(3-5)2+(5-7)+(7-9)2+(9-8)2+(8-6)2+(6-4)2 +(4-2)2]/8

B= 3,63

Variância espacial para 2 intervalo de amostragem:

A: [(1-3) 2+(3-2) 2+(2-4)+(4-5) 2+(7-6) 2+(6-9) 2+(9-8) 2 ]/7

A=3

B: [(1-5) 2+(5-9) 2+(9-6)+(6-2) 2+(3-7) 2+(7-8) 2+(8-4) 2 ]/7

B= 12,86

9
TABELA 1: Calculando-se a variância espacial até 4 intervalos de amostragem tem-se:

Intervalo de amostragem Variância espacial A Variância espacial B

1 22,0 3,63
2 3,0 12,86
3 23,67 23,83
4 3,80 29,60

Figura 5: Variograma gerado a partir dos dados anteriores

Pode-se observar através desse exemplo didático que o gráfico de B, se aproxima mais
do gráfico do variograma, visto anteriormente na figura 2. Já o mesmo não ocorre com o
gráfico de A, que apresenta valores erráticos, e nenhuma similaridade com a figura 2,
que representa a função de um variograma esperado.

Importância

O variograma é uma ferramenta básica de suporte às técnicas de geoestatística, que

permite representar quantitativamente a variação de um fenômeno regionalizado no
espaço (Huijbregts, 1975).

De outra maneira pode-se dizer que o variograma faz a análises estrutural dos dados e
estatisticamente modela os dados no espaço. E a krigagem se utiliza do variograma
para fazer a interpolação. O variograma não é parte da Krigagem, mas é um requisito.

10
Exemplos de Variáveis Regionalizadas (VRs) determinadas com o semivariogram, a
precipitação anual da chuva, os teores de elementos ou substâncias, espessura de uma
camada de rochas, taxas de doenças e até a demografia (densidade populacional). Ou
seja, se há variáveis que obedeçam a essa dependência espacial, a princípio poderá ser
considerada um VR.

 Permite analisar a ocorrência de dependência espacial, inclusive em direções

diferentes.
 É a base para métodos de interpolação mais sofisticados como a krigagem
(Geoestatística).

11
Conclusão

O estudo do variograma nos ajuda a entender o alcance da geoestatistica , e também

suas limitações quando variograma é errático, e quando isso acontece não se pode usar a
geoestatistica. Se o variograma possui muitos valores erráticos, isto mostra que os dados
não possuem correlação espacial, portanto deixam de serem variáveis regionalizadas.

De outra maneira pode-se dizer que o variograma é uma ferramaneta básica de suporte a
geoestatistica Ao ser contactado que se tem variáveis regionalizadas, o variograma
poderá ser feito e servirá de base para a Krigagem.

12
Referências

YAMAMOTO, J.K.; LANDIM, P.M.B. Geoestatística: conceitos e aplicações. São

Paulo: Oficina de textos, 2013. 215p.

LANDIM P.M.B. 2006. Sobre Geoestatística e mapas. Terræ Didática, 2(1):19-33

ISAAKS; SRIVASTAVA. An Introduction to Applied GEOostatistics. New York:

Oxford University Press, 1989.

CAMARGO, Eduardo Celso Gerbi. Geoestatistica Fundamentos e aplicações:

Geoprocessamento para Projetos Ambientais, Apresentado nos congressos GIS Brasil
(96,97 e 98) e Simpósio Brasileiro de Sensoriamento Remoto (96 e 98).

SOUSA, António Jorge. Análise Geoestatistica de Dados, CVRM / Centro de Geo-

sistemas. Universidade do Algarve. Portugal, 2000

13