Adenilson Giovanini

Geoestatistica: o que é e
para que serve?
Adenilson Giovanini 2 anos atrás

A Geoestatística possui como

objetivo estudar a variabilidade
espacial dos dados.

A utilização da mesma é necessária,

pois quando se está trabalhando com
dados geoespaciais o valor de um
dado está diretamente relacionado ao
valor de seus vizinhos.

Ou seja, existe dependência

espacial. Dependência esta que as
ferramentas da estatística clássica
não consideram.

Origem da geoestatística

A teoria das variáveis Regionalizadas

foi desenvolvida Georges Matheron, a
partir de 1960.

Posteriormente, o desenvolvimento da
mesma foi apoiado por diversos
trabalhos de natureza empírica,
realizados por pesquisadores nas
minas da África do Sul, entre os quais
se destacam Krige e Sichel.

Aplicações da Geoestatística

A geoestatistica se aplica a diversas

áreas. Como exemplos temos:

Agricultura de precisão;
Estudos epidemiológicos;
e Geologia.

Variáveis regionalizadas

O elemento básico da Geoestatística

é a variável regionalizada, cuja
variação espacial caracteriza o
fenômeno regionalizado que a
originou.

Estas variáveis possuem

características casuais e estruturadas.
Ou seja, podem assumir localmente
qualquer valor segundo uma função
de probabilidade e globalmente,
possuem uma estruturação que pode
ser tratada por uma função espacial.

Geoestatística e a
Interpolação espacial

A interpolação é uma técnica utilizada

para a estimativa do valor de um
atributo em locais não amostrados, a
partir de pontos amostrados na
mesma área ou região.

A interpolação espacial converte

dados de observações pontuais em
campos contínuos, produzindo
padrões espaciais que podem ser
comparados com outras entidades
espaciais contínuas.

O raciocínio que está na base da

interpolação é que, em média, os
valores do atributo tendem a ser
similares em locais mais próximos do
que em locais mais afastados.

Esse conceito também fundamenta a

base das relações espaciais entre
fenômenos geográficos, utilizando a
correlação espacial como meio de
diferença dos atributos estimados.

Geoestatística – Métodos de
interpolação espacial

Os métodos de interpolação mais

comuns dos SIGs em geral pertencem
a duas categorias: globais e locais,
sendo os globais mais utilizados em
superfícies de tendência, e os locais
podem ser polinômios de baixa
ordem, funções spline, poliedros,
triangulação e médias móveis
ponderadas.

Porém, estes métodos não fornecem

os erros associados às estimativas.
Somente o método da krigagem o faz
por meio de um “modelo contínuo de
variação espacial”.

Ponderação do Inverso das

Distâncias (IDW)

A Ponderação do Inverso das

Distâncias (Inverse Distance
Weighting) é um método de
interpolação estatística que
implementa explicitamente o
pressuposto de que as coisas mais
próximas entre si são mais parecidas
do que as mais distantes.

Para predizer um valor para algum

local não medido, o IDW usará os
valores amostrados à sua volta, que
terão um maior peso do que os
valores mais distantes.

Ou seja, cada ponto possui uma

influência no novo ponto, que diminui
na medida em que a distância
aumenta, daí seu nome.

Interpolação Polinomial Global

A interpolação polinomial global

ajusta uma superfície suavizada
definida por uma função matemática
(polinomial) aos pontos observados.

Esta superfície gradualmente muda e

captura o padrão de escala dos
dados. Seria como ajustar um plano
aos pontos observados, que pode ser
linear (função polinomial de primeira
ordem), de segunda ordem
(quadrática), de terceira ordem
(cúbica), até a décima ordem.

O resultado é uma superfície

matemática suavizada, que
representa as tendências graduais da
superfície da área de interesse.

Interpolação Polinomial Local

A interpolação polinomial global é

um método de interpolação
geoestatistica que ajusta um
polinômio à superfície toda. A
polinomial local pode ajustar muitos
polinômios, cada um especificando
sua vizinhança.

Podem ser especificados a forma, o

máximo e o mínimo número de pontos
a serem usados e a configuração do
setor, assim como uma função de
diminuição de pesos a partir da
distância dos pontos, em conjunto
com o poder do teste “p”.

Funções de Base Radial

As Funções de Base Radial são

interpoladores determinísticos
moderadamente rápidos e exatos.
São mais flexíveis que o IDW, mas
exigem mais parâmetros de decisão.

Não é realizada uma avaliação da

predição de erros. No entanto, fornece
uma predição de superfícies que é
comparável a forma exata do método
de krigagem.

Este método também não permite que

seja investigada a autocorrelação
entre dados, sendo do mesmo modo
menos flexível e mais automático que
o método de krigagem.

Como nos métodos anteriores,

hipóteses iniciais também não são
requeridas para os dados.

Krigagem

Os métodos de krigagem dependem

de modelos matemáticos e
estatísticos, assim como da noção de
autocorrelação.

Na estatística clássica, assume-se

que as observações são
independentes, ou seja, não há
correlação entre as observações.

Na geoestatística, a informação dos

locais espaciais permite o cálculo das
distâncias entre as observações e
modelar a autocorrelação como uma
função da distância.

A distância utilizada não é a

euclidiana e sim uma distância
estatística que expressa tanto a
distância como a variabilidade dos
dados.

A função mais comum utilizada é o

(semi)variograma.

Geoestatística – Variograma

O variograma é uma ferramenta

básica de suporte às técnicas de
krigagem, que permite representar
quantitativamente a variação de um
fenômeno regionalizado no espaço.

Parâmetros do
Semivariograma

Existem 4 parâmetros que você

precisa levar em consideração ao
modelar o variograma. São eles:

Alcance;
Patamar;
Efeito pepita e;
Contribuição.

Alcance (a): distância dentro da qual

as amostras apresentam-se
correlacionadas espacialmente. Na
Figura acima, o alcance ocorre
próximo de
25m.
Patamar (C): é o valor do
semivariograma correspondente a seu
alcance (a). Deste ponto em diante,
considera-se que não existe mais
dependência espacial entre as
amostras, porque a variância da
diferença entre pares de amostras
torna-se invariante com a distância.

Efeito Pepita (C0): idealmente,

g(0)=0. Entretanto, na prática, à
medida que h tende para 0 (zero),
g(h) se aproxima de um valor positivo
chamado Efeito
Pepita (C0), que revela a
descontinuidade do semivariograma
para distâncias menores do que a
menor distância entre as amostras.

Parte desta descontinuidade pode ser

também devida a erros de medição
(Isaaks e Srivastava, 1989), mas é
impossível quantificar se a maior
contribuição provém dos erros de
medição ou da variabilidade de
pequena escala não captada pela
amostragem.

Contribuição (C1): é a diferença

entre o patamar (C) e o Efeito Pepita
(Co)

Geoestatística – Tipos de
krigagem

Existem diversos tipos de krigagem.

As mais comuns são a krigagem
simples, a ordinária, a universal, de
indicadores, de probabilidade e a
disjuntiva.

Modelos teóricos